La modélisation des équations structurelles est une technique d’analyse statistique multivariée qui est utilisée pour analyser les relations structurelles. Cette technique est la combinaison de l’analyse factorielle et de l’analyse de régression multiple, et elle est utilisée pour analyser la relation structurelle entre les variables mesurées et les constructions latentes. Cette méthode est préférée par le chercheur car elle permet d’estimer la dépendance multiple et interdépendante en une seule analyse. Dans cette analyse, deux types de variables sont utilisés : les variables endogènes et les variables exogènes. Les variables endogènes sont équivalentes aux variables dépendantes et sont égales à la variable indépendante.
Théorie:
Ceci peut être considéré comme un ensemble de relations fournissant une cohérence et des explications complètes des phénomènes réels. Il existe deux types de modèles :
Modèle de mesure : Le modèle de mesure représente la théorie qui spécifie comment les variables mesurées s’assemblent pour représenter la théorie.
Modèle structurel : Représente la théorie qui montre comment les construits sont liés à d’autres construits.
La modélisation par équation structurelle est également appelée modélisation occasionnelle car elle teste les relations occasionnelles proposées. Elle repose sur les hypothèses suivantes :
La distribution normale multivariée : La méthode du maximum de vraisemblance est utilisée et supposée pour la distribution normale multivariée. De petits changements dans la normalité multivariée peuvent entraîner une grande différence dans le test du chi-deux.
Linéarité : Une relation linéaire est supposée entre les variables endogènes et exogènes.
Outlières : Les données doivent être exemptes de valeurs aberrantes. Les valeurs aberrantes affectent la signification du modèle.
Séquence : Il doit y avoir une relation de cause à effet entre les variables endogènes et exogènes, et une cause doit se produire avant l’événement.
Relation non fallacieuse : La covariance observée doit être vraie.
Identification du modèle : Les équations doivent être supérieures aux paramètres estimés ou les modèles doivent être sur-identifiés ou identifiés de manière exacte. Les modèles sous-identifiés ne sont pas pris en compte.
Taille de l’échantillon : La plupart des chercheurs préfèrent une taille d’échantillon de 200 à 400 avec 10 à 15 indicateurs. En règle générale, cela représente 10 à 20 fois plus de cas que de variables.
Termes d’erreur non corrélés : Les termes d’erreur sont supposés non corrélés avec les termes d’erreur des autres variables.
Données : On utilise des données d’intervalle.
Etapes :
Définir les constructions individuelles : La première étape consiste à définir les construits de manière théorique. Réaliser un prétest pour évaluer l’item. Un test de confirmation du modèle de mesure est effectué à l’aide de l’AFC.
Développement du modèle de mesure global : Le modèle de mesure est également connu sous le nom d’analyse de chemin. L’analyse de chemin est un ensemble de relations entre les variables exogènes et endogènes. Ceci est illustré par l’utilisation d’une flèche. Le modèle de mesure suit l’hypothèse de l’unidimensionnalité. La théorie de la mesure repose sur l’idée que les constructions latentes causent la variable mesurée et que le terme d’erreur est non corrélé au sein des variables mesurées. Dans un modèle de mesure, une flèche est dessinée de la variable mesurée aux construits.
Concevoir l’étude pour produire les résultats empiriques : Dans cette étape, le chercheur doit spécifier le modèle. Le chercheur doit concevoir l’étude pour minimiser la probabilité d’un problème d’identification. Les méthodes de condition d’ordre et de condition de rang sont utilisées pour minimiser le problème d’identification.
Évaluer la validité du modèle de mesure : L’évaluation du modèle de mesure est également appelée CFA. Dans l’AFC, un chercheur compare la mesure théorique au modèle de réalité. Le résultat de l’AFC doit être associé à la validité des construits.
Spécifier le modèle structurel : Dans cette étape, des chemins structurels sont tracés entre les construits. Dans le modèle structurel, aucune flèche ne peut entrer dans un construit exogène. Une flèche à une tête est utilisée pour représenter une relation structurelle hypothétique entre un construit et un autre. Cela montre la relation de cause à effet. Chaque relation hypothétique utilise un degré de liberté. Le modèle peut être récursif ou non récursif.
Examiner la validité du modèle structurel : dans la dernière étape, un chercheur examine la validité du modèle structurel. Un modèle est considéré comme bien ajusté si la valeur du test du chi-deux est non significative, et qu’au moins un indice d’ajustement incrémental (comme CFI, GFI, TLI, AGFI, etc.) et un indice de mauvais ajustement (comme RMR, RMSEA, SRMR, etc.) répondent aux critères prédéterminés.
Ressources
Bentler, P. M., & Chou, C. -P. (1987). Problèmes pratiques de la modélisation structurelle. Sociological Methods & Research, 16(1), 78-117.
Bollen, K. A. (1989). Équations structurelles avec variables latentes. New York : John Wiley & Sons. View
Hatcher, L. (1994). Une approche étape par étape de l’utilisation du système SAS pour l’analyse factorielle et la modélisation par équations structurelles. Cary, NC : SAS Institute.
Hoyle, R. H. (Ed.). (1995). La modélisation par équations structurelles : Concepts, questions et applications. Thousand Oaks, CA : Sage Publications.
Kline, R. B. (2005). Principes et pratique de la modélisation par équations structurelles (2e éd.). New York : Guilford Press. View
Lee, S. (2007). Modélisation par équations structurelles : A Bayesian approach. New York : John Wiley & Sons. View
Maruyama, G. M. (1998). Les bases de la modélisation par équations structurelles. Thousand Oaks, CA : Sage Publications. View
Mulaik, S. A., & Millsap, R. E. (2000). Bien faire les quatre étapes. Structural Equation Modeling, 7(1), 36-73.
Raykov, T. (2000). On the large-sample bias, variance, and mean squared error of the conventional noncentrality parameter estimator of covariance structure models. Structural Equation Modeling, 7(3), 431-441.
Schumacker, R. E. (2002). Modélisation de l’interaction des variables latentes. Structural Equation Modeling, 9(1), 40-54.
Schumacker, R. E., & Lomax, R. G. (2004). Guide du débutant pour la modélisation par équations structurelles (2e éd.). London : Routledge. View
Shipley, B. (2000). Cause et corrélation en biologie : Un guide de l’utilisateur pour l’analyse des chemins, les équations structurelles et l’inférence causale. Cambridge, UK : Cambridge University Press. View
Pages connexes:
Analyse de chemin
Conduire et interpréter une analyse factorielle
.