Différence entre l'analyse factorielle exploratoire et confirmatoire pour déterminer l'indépendance du construit

Les chercheurs utilisent souvent deux mesures qui ont des éléments très similaires et affirment qu'ils mesurent des choses différentes (par exemple, "je m'inquiète toujours quand je suis près des voitures"; "j'ai peur des voitures"). Appelons les mesures hypothétiques la mesure de la peur des voitures et de l'anxiété à l'échelle des automobiles. Je suis intéressé à tester empiriquement s'ils évaluent effectivement différentes constructions latentes, ou s'ils mesurent la même chose.

Les deux meilleures façons dont je peux penser pour ce faire seraient par le biais d'analyses exploratoires en usine (ALE) ou d'une analyse factorielle confirmatoire (AFC). Je pense que l'EFA serait bien car il permet à tous les éléments de se charger librement sans contraintes. Si les éléments des deux échelles se chargent des mêmes facteurs, je peux conclure que les mesures n'évaluent probablement pas très bien les différentes choses. Je peux également voir les avantages de CFA, car je vais tester des modèles prédéfinis. Par exemple, je pourrais comparer l'ajustement d'un modèle dans lequel tous les éléments se chargent sur un seul facteur (c'est-à-dire qu'ils n'évaluent pas des constructions différentes) ou les éléments sont séparés dans les mesures attendues. Un problème avec le CFA, je suppose, est qu'il ne considérerait pas vraiment les modèles alternatifs (par exemple, un modèle à trois facteurs).

Pour les besoins de la discussion, considérons peut-être également qu'il existe deux autres mesures très similaires (par exemple, le questionnaire d'anxiété automobile et les échelles pour l'évaluation des peurs de la voiture) que je souhaite mettre dans le mélange!

Comment puis-je statistiquement déterminer au mieux si deux mesures évaluent des constructions différentes?

Ces méthodes sont des exemples d'application de l'analyse exploratoire et confirmatoire des données. L'analyse des données exploratoires recherche des modèles tandis que l'analyse des données de confirmation effectue des tests d'hypothèses statistiques sur les modèles proposés. Cela ne devrait vraiment pas être considéré en termes de méthode à utiliser, il s'agit plutôt de l'étape à laquelle vous vous trouvez dans l'analyse des données. Si vous n'êtes pas sûr des facteurs à inclure dans votre modèle, vous appliquez l'EPT. Une fois que vous avez éliminé certains facteurs et décidé de ce que vous souhaitez inclure dans votre modèle, vous effectuez CFA pour tester formellement le modèle afin de voir si les facteurs choisis sont significatifs.

Si je comprends bien votre question, c'est une question de test . Puis simplement tester nécessite une sorte d'analyse factorielle confirmatoire, identique à la question: "les moyens dans les sous-groupes diffèrent-ils vraiment?" nécessite un test t.

Malheureusement (?) Avec la sélection de l'approche générale de la méthode appropriée d'analyse factorielle, différents modèles mathématiques (et statistiques) sont souvent impliqués, par exemple, si vous sélectionnez "CFA" dans SPSS, il est implicite que vous supposez des erreurs non corrélées et que les erreurs non corrélées sont estimées et l'estimation est exclue du modèle - donc, à mon avis, en raison des implications supplémentaires, la sélection initiale de l'approche analytique factorielle correcte est souvent compromise par ces implications mathématiques / statistiques.

En bref: votre question est du genre "tester le nul", donc vous avez besoin de CFA ou mieux: les méthodes développées dans le cadre du SEM (modélisation d'équations structurelles). Remarque, il existe une liste de diffusion conviviale et utile remplie d'experts en SEM appelée "SEMNET" et comme je ne suis pas un vrai expert, vous pouvez affiner vos commentaires en y demandant ...