Lesmodlesdquationsstructurellesvariables latentes

EmmanuelJakobowicz
Addinsoft jakobowicz(@)xlstat.com 25janvier2012
Cours deStatistique Multivarie Approfondie

Planducours
Aujourdhui: Lathoriedesmodlesstructurelsvariableslatentes Lasemaineprochaine: Desdmonstrationsetdepetitsexercices

Cours deStatistique Multivarie Approfondie

Planducoursdaujourdhui 1
1.Introduction Lesconceptsdebasepourlamodlisationparquationsstructurelles 2. Modlisationdquationsstructurellesparlemaximumdevraisemblance (LISREL) LemodleLISREL Estimationdumodle Indicesdevalidation Unexemple Indicesdemodification

CoursdeStatistiqueMultivarieApprofondie

Planducoursdaujourdhui 2
3. ModlisationdquationsstructurellesparlapprochePLS(PartialLeast SquaresPathModeling) LemodlePLS Leprincipe LalgorithmePLSetsesvariantes Linitialisationdespoids Lesindicesdequalitdajustement Unexemple 4.Comparaisonsdes2approches Aspectsthoriques Aspectspratiques Unpetitexemple
Cours deStatistique Multivarie Approfondie
4

Lesconceptsdebase 1

Mthodesappartenantlacatgoriedesmodlesstructurels variableslatentes(VL) p variablesobservessurn individus,rpartiesenJblocsdekj variables Lensembledesvariablessontcontinues Blocsrelisentreeuxparunmodlederelationsstructurellesentre variableslatentes

Cours deStatistique Multivarie Approfondie

Lesconceptsdebase 2
Variablesobserves=variablesmanifestes (VM) Lesvariableslatentes (VL)nonobserves,existentautraversdesvariablesmanifestesavec lesquellesellessontenrelation AchaqueblocXj onassocie uneseulevariablelatentej

x11 x12 x13 3 x21 2 x22 1

x31 x32 x33 x34 x35 x36

CoursdeStatistiqueMultivarieApprofondie

Lesconceptsdebase 3

2sousmodles:
Modleexterneoudemesure lielesVMetleursVL; Modleinterneoustructurel connectelesVL.

Cours deStatistique Multivarie Approfondie

Lemodle

x11 x12 x13 3 x21 2 x22 1

x31 x32 x33 x34 x35 x36

Modlestructurel(interne) Modledemesure(externe)
Cours deStatistique Multivarie Approfondie
8

Lemodledemesure 1
Lemodleexterne
Typerflectif Lesvariablesmanifestessontle refletde leurvariablelatente
x11 x12 x13 3 x21 x22 x36 1

Typeformatif Lavariablelatentej estle refletdes variablesmanifestesdublocXj

x31 x32 x33 x34 2 x35

Cours deStatistique Multivarie Approfondie

Lemodledemesure 2

Variable latente

Construit latent

Indicateursrflectifs p.ex.Satisfactiondesclients
CoursdeStatistiqueMultivarieApprofondie

Indicateursformatifs p.ex.Indicateurssocioculturels
10

Lemodlestructurel
Lemodleinterne liaisonsentrevariableslatentes

x11 x12

latenteexogne
x31

x32 x33

x13

3
x34 x21

2
x22

x35

Latente endogne latenteendogne

x36

Cours deStatistique Multivarie Approfondie

11

Lestimationdumodle
Lestimationdesparamtresdecemodlepeutsefaire soit:
ParlapprocheLISREL (linearstructuralrelationships). ParlapprochePLS (partialleastsquarespathmodeling)

CoursdeStatistiqueMultivarieApprofondie

12

LamthodeLISREL
Analysedelastructuredecovariance StructuralEquationModeling(SEM) CovarianceStructureAnalysis ...
13

Lemodlestructureldelacovariance(LISREL)
11 12 13

x11 x12 x13 3 1

3

y31 y32 y33 y34

31 32 33 34 35 36

21 22

y21 y22

2
2

y35 y36

Eq.dumodle structurel Eq.dumodlede mesure

CoursdeStatistiqueMultivarieApprofondie
14

Caractristiques
Uneapprochestatistiquepourtesterdeshypothsessurlesrelations entrevariablesobservesetlatentes(Hoyle,1995) LefondementstatistiquedelamthodeLISRELestlacovariance Lesprrequis: Modlesstatistiqueslinaires Valideseulementsouscertainesconditions: Indpendancedesobservations(multiniveauxpossible) Normalitmultivariedesdonnes Unidimensionnalitdesblocsdevariables LamthodeLISRELestunemthodeapriori etncessitequeles chercheurspensententermesdemodlesetdhypothses
CoursdeStatistiqueMultivarieApprofondie
15

Leslogiciels

Lesprincipaux: LISREL (Jreskog &Srbom,1996):misaupointparle crateurdelamthode,trscomplet AMOS (Arbuckle,1999,SPSS):trscompletetconvivial CALIS(SAS):procdureintgreSAS

CoursdeStatistiqueMultivarieApprofondie

16

Leprincipe
Unemthodologiegnralepourspcifier,estimer,comparer etvaluer desmodlesderelationsentrevariables. Onvachercherconfirmer unethorie Procdure: Constructiondunmodle Collecterlesdonnespourtesterlemodle Lemodleestcomparauxdonnesetvalu Sincessaire,lemodleestmodifiettestavecde nouvellesdonnes

CoursdeStatistiqueMultivarieApprofondie

17

Estimationdesparamtresdumodle 1

Notations p+q=Nombredevariablesmanifestes n=Nombredobservations =Matricedecovarianceauniveaudelapopulation S=Matricedescovariancesobserves C=Matricedescovariancesobtenuegrceaumodle =Matricedecovariancede =Matricedecovariancede

CoursdeStatistiqueMultivarieApprofondie

18

Estimationdesparamtresdumodle 2

Onvatenterdobtenirunematricedecovariancepartirdece modle.Cettematriceauradonclaforme:

cov( x) cov( x, y) C = cov( y, x) cov( y) ( I B)1 ( + ) ( I B)1 = 1 ( I B)

CoursdeStatistiqueMultivarieApprofondie
19

Estimationdesparamtresdumodle 3
LamthodeLISRELconsisteenlutilisationdunestimateurafin derendrelamatricedecovariancecalculepartirdumodle (C)leplusprochepossibledelamatricedecovariance observe(S)entermedemaximumdevraisemblance.

Onvadoncestimerlesparamtresdumodle(leslmentsde lamatriceC)defaonminimisercettediffrence.

CoursdeStatistiqueMultivarieApprofondie

20

Estimationdesparamtresdumodle 4
Utilisationdumaximumdevraisemblance(MLE): Sionsupposequelesdonnessont normalesmultivaries, lestimateurMLrevientlaminimisationde:

FML = log C + tr ( SC1 ) log S ( p + q )

Autresfonctions: GeneralisedLeastSquares
1 1 2 tr S ( S - C ) 2 UnweightedLeastSquares 1 2 F = tr ( S-C) ULS 2 FGLS =

AsymptoticallyDistributionFree
CoursdeStatistiqueMultivarieApprofondie

FADF /WLS = ( s c ) W1 ( s c )
T

21

Validationsimpledumodle
Testsdevalidationglobaledumodle: Silemodletudiest exact alors

(n 1) F = 2 ( DF )
Lesdegrsdelibert(DF)=nbdecovariances nbdeparamtres

2 Lemodleestacceptsi 3
(seuilsgnralementutiliss)

DF

oupvaleur>0,05

Ilexistedautresindicesdevalidationquiserontplusperformants
CoursdeStatistiqueMultivarieApprofondie

22

Unindiceplus volu :RMSEA

LeRMSEA(RootMeanSquareErrorofApproximation): (SteigeretLind) Cetindicecalculeladiffrenceentrelamatricedecovarianceobtenue etcelledelapopulationglobale:

RMSEA =
O FML = log C + tr ( C1 ) log ( p + q ) Enpratique,onlestimeavec:
RMSEAestimated =

F0 DF

F 1 DF n 1

Onlaccepteendessousde0.08engnral,unintervalledeconfiancepeut treobtenu.
Cours deStatistique Multivarie Approfondie
23

Unexemple:Lengagementamoureux
Donnes: C.E.Rusbult, Commitmentandsatisfactioninromantic associations ,JournalofExperimentalSocialPsychology,1980 (ExempletirdelaprsentationSEMassesment parV.EspositoVinzi) 6blocsdevariablesmanifestes: Lengagement Lasatisfaction Lesrcompenses Lecot Latailledelinvestissement Lesalternatives
CoursdeStatistiqueMultivarieApprofondie
24

Unexemple:Lemodle
e8 e9 1 1 v8 v9 e10 1 v10 1 e5 1 v5 e6 e7 1 1 v6 v7 1 e1 1 v1 e2 1 v2 e3 1 v3 1

F3
e11 1

Rcompense
e12 e13 1 1 v12 1 v13

v11

F4

Cot
e14 e15 e16 1 1 1 v14 v15 v16 1

Satisfaction

F2

1 d2

Engagement
1 d1

F1

F5

Investissement

e17 1 v17

e18 1 v18 1

e19 1 v19

CoursdeStatistiqueMultivarieApprofondie

F6

Alternatives

25

Unexemple:Lesblocs
Engagementintentiondepoursuivreunerelation(F1) Satisfaction rponsemotionnelleunerelation(F2) Tailledelinvestissement tempseteffortncessaireaumaintiendela relation(F5) Solutionsalternatives (F6) Rcompenses quantitdebonneschosesassociescetterelation(F3) Cot quantitdemauvaiseschosesassociescetterelation(F4)

CoursdeStatistiqueMultivarieApprofondie

26

Unexemple:Lesquestions
Donnerunenotede17enfonctiondevotredegrdagrmentavec laffirmation Satisfaction: 1.Jesuissatisfaitdemarelation 2.Marelationactuelleestprochedelarelationidale 3.Jesuisplussatisfaitquelamoyenneparmarelationactuelle Tailledelinvestissement: 1.Jaiinvestibeaucoupdetempsdansmarelationactuelle 2.Jaiinvestibeaucoupdnergiedansmarelationactuelle 3.Jaiinvestibeaucoupderessourcesafindedvelopperma relationactuelle
CoursdeStatistiqueMultivarieApprofondie
27

Unepropritimportante:lunidimensionnalit
Danslecadredestechniquesdemodlesstructurelsvariables latentesunepropritimportanteestsouventexige: lunidimensionnalitdesblocsdevariablesmanifestes. SilapremirevaleurpropreobtenueparACPestlaseule>1alorsle blocestunidimensionnel OnpeututiliserlalphadeCronbachoulerhodeDillonGoldstein(on considrequunblocsestunidimensionnelsi>0,7)

1 cor ( xij , xkj ) p j ( p j 1) i k pj j = 1 1 + cor ( xij , xkj ) p j 1 p j 1 p j ( p j 1) i k

( ) var ( ) = ( ) var ( ) + var ( )

2 i ij j 2 i ij j i ij
28

CoursdeStatistiqueMultivarieApprofondie

Unexemple:Estimationparmaximumde vraisemblance
e8 .41 v8 v9 .64 e9 .38 e10 .47 v10

F3
Chisquare=216.75 DF=124 Chisquare/DF=1.748 RMSEA=.056
.64

.62 .69

Rewards
e5 e11 -.10 e12 .67 v11 .76 e13 .64 .21 v5 .68 .82 e6 .76 v6 .87.88 .45 e7 .77 v7 e1 .77 v1 .33 d2 e2 .67 e3 .87

F4
.01 v14

v13 v12 .46 .82 .87 -.16

Costs
e14 .74 e15 .48 .55 e16 .30 v16

Satisfaction

F2
.55

v3 v2 .88 .82 .93 .53

Commitment

-.47

Lescoefficientssurles arcssontdescorrlations

v15 .86 .69

F1
.06

d1

Investments
.26 e17 .46 e18

F5
e19

-.30

.53 .57 v19 v18 v17 .76 .73 .68

CoursdeStatistiqueMultivarieApprofondie

Alternatives

F6

29

Unexemple:Lesquationsstructurelles
Lescoefficientsdesquationsstructurellessontobtenuslorsdelestimationparmaximum devraisemblance
Latent Variable Equations with Estimates f1 = Std Err t Value 0.4608*f2 0.0910 pf1f2 5.0618 + 0.7580*f5 0.1037 pf1f5 7.3127 + 0.1000*f6 0.1094 pf1f6 0.9136 + 1.0000 d1

f2 = Std Err t Value

0.9737*f3 0.1321 pf2f3 7.3690

+ -0.1213*f4 0.0510 pf2f4 -2.3777

1.0000 d2

Lengagementnedpenddoncpassignificativementdesalternatives
Cours deStatistique Multivarie Approfondie
30

Validationcroisedumodle
Lemodleobtenusadaptebienauxdonnes,maiscecineprouvepasque cemodleest lemeilleur ,nouspouvonsdireuniquementque: Lemodlesajustebienauxdonnestraites.Pourallerplusloindansles conclusions,ilfautvaliderlemodleenutilisantdelavalidationcroise Lindicedevalidationcroise(CVI): Ilmesureladistanceentrelamatricedecovarianceestimesurlchantillon dapprentissageetlamatricedecovariancecalculesurlesdonnesde validation.LemodleavecleCVIlepluspetitestleplusstable.

CoursdeStatistiqueMultivarieApprofondie

31

Lesindicesdemodificationdumodle
UnindicedemodificationmesurelabaisseduChi2 lorsquunlienest ajoutaumodle(Univariate LagrangeMultiplierTest)
Rank Order of the 5 Largest Modification Indices Row f2 v2 v1 v10 v18 Column f5 f5 f3 f5 f3 Chi-Square 34.34669 7.97159 7.65396 5.64619 4.69157 Pr > ChiSq <.0001 0.0048 0.0057 0.0175 0.0303

Lasatisfactiondpendaussidelinvestissement
Ilexisteaussidesindices(UnivariateWaldTest) quiestimelaugmentationduchi2 quandonretire unlienaumodle

CoursdeStatistiqueMultivarieApprofondie

32

Unexemple:lesindicesdemodification
e8 e9 .44 v8 .66 v9 .41 e10 .56 v10

Chisquare=183.191 DF=124 Chisquare/DF=1.472 RMSEA=.045

.64 .75

Rewards
e5 e11 e12 -.09 e13 e6 e7 .77 .68 .75 .26 .22 v5 v7 e1 .67 .75 e2 e3 v6 v13 v11 v12 .83 .87.87 .78 .68 .88 .51 .82 .87.46 v1 v3 v2 -.21 Satisfaction .88 .82 .94 Costs .55 .25 e14 e16 e15 Commitment d2 .50 .71 .30 .51 v14 v15 v16 .56 d1 .84.71 .55

Lemodleatmodifiavecla suppressiondelarcallantdes alternativeslengagementet lajoutdunarcentre investissementetsatisfaction Lesindicesdequalit dajustementsontamliors

.52

.02 -.43

Investments
.26 e17 e18 e19 .53 .58 v19 v18 v17 .68 .76 .73 .46

-.30

Cours deStatistique Multivarie Approfondie

Alternatives

33

LapprochePLS
PartialLeastSquaresPathModeling

34

Le pathdiagram (PLS)
x11 x12 x13 3 x21 x22 x36 2 1 x31 x32 x33 x34 x35

x jh = jh j + jh
CoursdeStatistiqueMultivarieApprofondie

j = ji i + j
i
35

Caractristiques
LefondementstatistiquedelapprochePLSestlavariance

Lesprrequis: Modlesdergressionssimplesetmultiples Valideseulementsouscertainesconditions: Indpendancedesobservations(multiniveaux possible) Unidimensionnalitdesblocs(danslecasrflectif) LapprochePLSestunemthodeapriori etncessitequeleschercheurs pensententermesdemodlesetdhypothses.Cependant,unaspect prdictifexisteaussi.

CoursdeStatistiqueMultivarieApprofondie

36

Leslogiciels

Lesprincipaux:
XLSTAT(PLSPM,2009):Logicielcompletetconvivialadapt Excel(www.xlstat.com) LVPLS(Lhmoller,1989):Premierlogiciel,trsancien PLSGraph(W.Chin,1996):Leplusconnudanslemilieu acadmique

CoursdeStatistiqueMultivarieApprofondie

37

ApprochePLS Leprincipe
Principe: 1. Mthodebasesurdesrgressionssimplesetmultiples 2. Lestimationdumodlepasseparlestimationdesscoresdesvariableslatentes 3. Cetteestimationsefaitlaidedunalgorithmeitratif 4. Unefoislesscoresobtenus,onestimelescoefficientsdumodleinternepar rgressionsmultiplesclassiques(OLS) 5. Les loadings peuventtreretrouvsaveclesscoresdesvariableslatentes.

Cetteapprocheconvergedanslapratiquemaiscetteconvergencenestpas prouveaudelde2blocs.

CoursdeStatistiqueMultivarieApprofondie

38

AlgorithmePLS
Poidsexternes initiauxwjh Estimationdes paramtrespar rgression

y j = w jh x jh
h =1

pj

Calculdepoids externes wij

Estimationexternedej

Calculdespoids internes e ji

zj =

e
i j

ji

yi

Estimationinternedej
CoursdeStatistiqueMultivarieApprofondie

39

ApprochePLS Leprincipe
PrincipedelapprochePLS (Wold,1982)Algorithmeitratifavecestimation alternedesvariableslatentesenfonctiondechaquesousmodle. 1. Onfixelespoidsexternesinitiauxw0 2. Oncalculelesscoresdesvariableslatentesensebasantsurlemodleexterne (chaquescoreassociunevariablelatenteestcalculenfonctiondes pj variablesmanifestesdesonbloc)

y j = w jh x jh
h =1

3. Oncalculelesscoresdesvariableslatentesensebasantsurlemodleinterne (chaquescoreassociunevariablelatenteestcalculenfonctiondesautres variableslatentesquiluisontlies)

zj =

Rpterlespoints2et3jusquconvergence
CoursdeStatistiqueMultivarieApprofondie

e
i j

ji

yi

Estimationdesquationsstructurellesparrgressionsmultiples(OLS)
40

ApprochePLS Lespoidsexternes
Initialisation: Engnral,lespoidsexternessontfixs1pourtouteslesvariables manifestesexcepteladerniredechaqueblocquiestfix1.

Modesdestimation: ModeA(Casrflectif):

w jh = cov ( x jh , Z j )

Rgressionssimples

ModeB(Casformatif):

X )1 X Z wj = ( X j j j j

Rgressionsmultiples(OLS)
CoursdeStatistiqueMultivarieApprofondie
41

ApprochePLS Lespoidsinternes
Schmasdestimation: Centrode:

eji =sign[cor(yj,yi)]

Problmesaveclescorrlationsprochesde0

Factoriel:

eji =cor(yj,yi) eji =coef.dergressionmultipledeyj sur

yi siellessontrelies

Structurel:

CoursdeStatistiqueMultivarieApprofondie

42

Validationdumodle

Lavalidationsefaitentermedequalitprdictiveetnonenterme dequalitdajustementdumodleauxdonnes. Lesindicesdevalidationsontbasssurlaqualitdeprdictiondes variablesmanifestesensebasantsurlemodleetsurles scoresdesvariableslatentes. LeRestcourammentutilis,dautresindicesspcifiquesexistent.

CoursdeStatistiqueMultivarieApprofondie

43

Validationdumodle
Validation(Tenenhausetal.,2005):Communautetredondance
Communaut valuelaqualitdumodleexterne:
1 communality j = pj cor 2 ( x jh , Y j )
h =1 pj

Redondance

valuelaqualitdumodleinterne:

redundancy j = communality j R2 Yj , {Yj'' explique Yj }

Critreglobalutilispourchoisirlemeilleurmodle(Amato al.,2004):

G o F = communality R2
Autresolutions: lavalidationcroise(cvcommunaut,cvredondance,QdeStone Geisser)
CoursdeStatistiqueMultivarieApprofondie
44

Remarques

Onobtientdoncdesscorespourlesvariableslatentesauniveau dechaqueindividu Lutilisationdergressionsnentranepasdhypothsesde normalit Laconvergencedecetalgorithmenestpasprouvepourplusde deuxblocsmaiselleestconstatedanslapratique

Cettemthodeestplusprdictivequeconfirmatoire(linversede lamthodeLISREL)

CoursdeStatistiqueMultivarieApprofondie

45

Unexemple:Linstabilitpolitique
Donnes: C.E.Russett,GIFI,1964(Exempletirde PLSPathModeling parM.Tenenhaus) Ingalitagricole
GINI: Ingalitdanslarpartition desterres FARM: %fermierspossdantlamoitidesterres(>50%) RENT: %fermierslocataires

Dveloppementindustriel
GNPR: PNBparhabitant($1955) LABO: %d actifsdanslagriculture
CoursdeStatistiqueMultivarieApprofondie
46

Unexemple:Linstabilitpolitique

Instabilitpolitique
INST: Instabilitdel excutif (4561) ECKS: Nbdeconflitsviolentsentrecommunauts(4661) DEAT: Nbdemortsdansdesmanifestations(5062) DSTAB: Dmocratiestable DINS: Dmocratieinstable DICT: Dictature

CoursdeStatistiqueMultivarieApprofondie

47

Unexemple:Lemodle

CoursdeStatistiqueMultivarieApprofondie

48

Unexemple:EstimationavecPLS

CoursdeStatistiqueMultivarieApprofondie

49

Unexemple:Lesestimations
(1) EstimationexternedeYi: Y1 =w11Gini+w12Farm+w13Rent Y2 =X2w2 Y3 =X3w3 (2)EstimationinternedeZi: Z1 =sign(cor(1,3)Y3 =(+1)Y3 Z2 =sign(cor(2,3)Y3 =(1)Y3 Z3 =sign(cor(3,1)Y1 +sign(cor(3,2)Y2 =(+1)Y1 +(1)Y2
CoursdeStatistiqueMultivarieApprofondie
50

Unexemple:Lemodleexterne
Variable latente Ingalit agricole Variables manifestes gini farm rent Dvpt industriel gnpr labo inst ecks Instabilit politique deat demostab demoinst dictatur
CoursdeStatistiqueMultivarieApprofondie

Poids externe 0,032 0,077 0,085 0,573 -0,766 0,424 0,198 0,130 -0,714 0,084 0,569

Corrlations 0,977 0,986 0,516 0,950 -0,955 0,352 0,816 0,794 -0,866 0,094 0,733
51

Unexemple:Lemodleinterne
R (Instabilit politique / 1) :

R
0,622

R(Bootstrap)
0,657

Ecart-type
0,076

Ratio critique (CR)

8,167

Path coefficients (Instabilit politique / 1) :

Variable latente
Ingalit agricole Dvpt industriel

Valeur
0,215 -0,695

Ecart-type
0,097 0,097

t
2,206 -7,128

Pr > |t|
0,033 0,000

Equation du modle :
Instabilit politique = 0,215*Ingalit agricole-0,695*Dvpt industriel

CoursdeStatistiqueMultivarieApprofondie

52

Unexemple:Lesvariableslatentes
Ingalit agricole
arg aus aut bel bol bre can chi .. sv esp sue sui tai ru eu uru ven rfa you 0,953 1,265 0,404 -0,848 1,115 0,789 -1,539 1,239 0,013 0,811 -0,870 -1,568 -0,030 0,112 0,187 0,685 1,149 -0,199 -2,153

Dvpt industriel
-0,238 -1,371 -0,253 -1,530 1,584 0,654 -1,680 0,324 1,094 0,516 -1,410 -1,640 0,898 -2,059 -2,016 -0,179 -0,252 -1,104 0,654

Instabilit politique
-0,751 1,601 0,464 0,881 -1,503 -0,268 0,972 -0,016 -1,386 -0,411 1,605 1,605 0,030 1,063 0,964 1,299 -1,142 0,477 -0,152 53

CoursdeStatistiqueMultivarieApprofondie

Unexemple:Rpartitiondespays
2 ind bol hon egy nic 0,5 pan

1,5 lib 1 phi sv tai

perguaira

you

Dvpt industriel

pol -3 -2,5 -2

jap irl -1 fin

dom equ sal bre gre esp colcos cub

chi

0 -0,5 -0,5 0 0,5 aut uru 1arg ven 1,5 ita 2

-1,5

dan

fra pb sue bel

nor lux -1 rfa nz -1,5 aus

sui can

-2

eu ru

-2,5

Ingalit agricole

CoursdeStatistiqueMultivarieApprofondie

54

Unexemple:Lesindicesglobaux

1 GoF = Communauti R 2 ( Inst.Pol.) = 0.611 0.622 = 0.610 3

CoursdeStatistiqueMultivarieApprofondie
55

Comparaisondesapproches LISRELetPLS

56

Diffrencesthoriques 1

Critre Objectif Mthodologie Variableslatentes (VL) Relationsentreles VLetlesVM Optimalit Qualitdessous modles

ApprochePLS Orienteverslaralisationdes prvisions Basesurvariance CombinaisonlinairedesesVM Typerflectifouformatif Pourlaprcisiondesprvisions

LISREL(LinearStructural Relationship) Orienteverslestimationdes paramtres Basesurcovariance Combinaisonlinairedetoutesles VM Typerflectif Pourlaprcisiondesparamtres

ModleexternemeilleurcarlesVL ModleinternemeilleurcarlesVL sontcontenuesdanslespacede sontestimedansunespacenon leursVM restreint

57

CoursdeStatistiqueMultivarieApprofondie

Diffrencesthoriques 2
Critre Hypothses Complexit modle Taillechantillon Donnes manquantes Identification Consistance Domaines ApprochePLS Unidimensionnalit(rflectif) Grande(ex:100VL,1000VM) 30100cas NIPALS Danslecadredumodle rcursif,toujoursidentifie Consistance ausenslarge Marketing,analysesensorielle LISREL(LinearStructural Relationship) Multinormalitdesdonnes+ unidimensionnalit Rduiteoumodr(<100VM) 200800cas Prtraitement Dpenddumodle:aumoins3 VMparVLpourtre correctementidentifie Consistancedesestimations Sociologie,psychologie
58

CoursdeStatistiqueMultivarieApprofondie

Unexemple:Unquestionnairedesatisfaction
NousdevronsutiliserunmodlesimplificarLISRELneconvergepassurunmodle complexe(modlebassurlECSI,EuropeanCustomerSatisfactionIndex)
Image
Attentes

Valeur perue

Satisfaction

Fidlit

Qualit perue

CoursdeStatistiqueMultivarieApprofondie

59

Application Modleinterne
Modleinterne Lasatisfactionestunprocessuscomplexeauquelparticipenttoutesles variableslatentes. PourPLS(XLSTAT):

Satg =0,170 Image + 0,290 Attente + 0,470VP + 0,019QP

PourLISREL(AMOS):

Satg =0,228 Image + 0,329 Attente + 0,408VP + 0,005QP

CoursdeStatistiqueMultivarieApprofondie

60

Application ModleinternepourlapprochePLS
Schmadecausalit(R2 etcorrlations)
R2=0,284 0,532 Attentes clients 0,413 0,549 0,611 Qualit perue R2=0,331 CoursdeStatistiqueMultivarieApprofondie
61

Image

0,697 Valeur perue R2=0,532 0,750 0,558

0,662

0,412

Satisfaction clients R2=0,716

0,264

Fidlit clients R2=0,380

Application ModleinternepourlamthodeLISREL
Schmadecausalit(R2 etcorrlations)
R2=0,31 0,56 Attentes clients 0,51 0,69 0,77 Qualit perue R2=0,48 CoursdeStatistiqueMultivarieApprofondie
62

Image

0,81 Valeur perue R2=0,60 0,88 0,75

0,56

0,77

Satisfaction clients R2=0,88

0,51

Fidlit clients R2=0,60

Application Lemodleexterne Lavariablelatentesatisfaction

ApprochePLS:
Sat = 0,116 VM 1 + 0,106 VM 2 + 0,109 VM 3 + ... + 0, 086 VM 12
oVMi reprsentelavariablemanifestei associelavariablelatente satisfaction

MthodeLISREL:
Pasdquationsdecetype

CoursdeStatistiqueMultivarieApprofondie

63

Conclusions

Lesdeuxmodlesobtenussontassezdiffrents PLSsousestimelesparamtresdumodleinterne Lesindicesdevalidationnesontpascomparables:

PourlamthodeLISREL,ilssontbasssurlechi2 PourlapprochePLS,ilssontbasssurlesestimationsdesvariables latentes

Pouruneapplicationrelleetcomplexe,lapprochePLSestplus adapte,deplus,danslemilieuoprationnel,onchercheplus desprvisionsquedesestimationsprcisesdesparamtres. LamthodeLISRELestintressantedupointdevuedesavalidit thoriqueetdeloptimalitdesestimationsdesparamtres.Elle sappliquedanslecadredelavalidationdunethorie.

64

CoursdeStatistiqueMultivarieApprofondie

Bibliographie
HoyleR.,1995,Structuralequationmodeling:concepts,issuesandapplications,SAGE Publications JreskogK.&SrbomD.,1989,LISREL7 Aguidetotheprogramandapplications,Second Edition,SPSSPublications. LohmllerJ.B.,1987,LVPLS1.8ProgramManual,UniversitaetzuKoehn,Zentralarchiv fuerEmpirischeSozialforschung,Kln. RousselP.,DurrieuF.,CampoyE.,ElAkremiA.,2002,MthodesdquationsStructurelles: RechercheetApplicationsenGestion,Economica,Paris,2002 TenenhausM.,1998,LaRgressionPLS,EditionsTechnip,Paris. TenenhausM.,1999, LapprochePLS ,RevuedeStatistiqueApplique,47(2),540. TenenhausM.,EspositoVinziV.,ChatelinY.M.,andLauroC.(2005).PLSPathModeling, ComputationalStatistics&DataAnalysis,48:159205. WoldH.(1982),SoftModelling:ThebasicdesignandsomeextensionsinJreskogK. andWoldH.(Eds.), Systemunderindirectobservation,vol.2, NorthHolland,Amsterdam,1 54.
CoursdeStatistiqueMultivarieApprofondie
65