Compatibilité des modèles à équations linéaires et de l'analyse claasificatoire: un exemple. Un modèle à équations linéaires est construit pour examiner les effets de la réussite en mathématiques et des sentiments par rapport à l'école sur la représentation de soi. Les résultats indiquent un bon ajustement avec les données. Une analyse classificatoire des deux variables exogènes. réussite en mathématiques et sentiments par rapport à l'école. a fait ressortir sept sous-groupes. Le modèle ne s'ajuste pas aux données dans chaque sous-groupes. impliquant que des processus différents étaient en jeux à l'intérieur de chaque sous-groupes. L'estimation paramètrique dans chaque sous-groupe montre. en effet. que la contribution de la réussite en math et les sentiments par rapport à l'école diffèrent dans chaque sous-groupes. et que différents processus sont en jeux. La conclusion est que 1 analyse classificatoire peut clarifier et améliorer les modèles à équations linéaires.
Bollen, K. & Long, J.S. ( 1993). Introduction. In Bollen, K. & Long, J.S. (eds.), Testing Structural Equation Models. London: Sage.
2.
Bulcock, J. ( 1995). Measurement models of the Quality of School Life for Grade 6 students. Unpublished manuscript, Memorial University of Newfoundland.
3.
Covington, M. ( 1984). The self-worth theory of achievement motivation: Findings and implications. Elementary School Journal, 85, 5-20.
4.
Diener, C. & Dweck, C. ( 1978). An analysis of learned helplessness: Continuous changes in performance, strategy, and achievement cognitions following failure . Journal of Personality and Social Psychology, 36, 451-462.
5.
Hayduk, L. ( 1987). Structural Equation Modelling with LISREL: Essentials and Advances. London: John Hopkins .
6.
Hoyle, R. ( 1995). The structural equation modelling approach: Basic concepts and fundamental issues. In Hoyle, R. (ed.), Structural Equation Modelling: Concepts, Issues, and Applications. London: Sage .
7.
Hoyle, R. & Panter, A. ( 1995). Writing about structural equation models. In Hoyle, R. (ed.), Structural Equation Modelling: Concepts, Issues, and Applications. London: Sage.
8.
McCallum, R. ( 1995). Model specification: Procedures, strategies, and related issues. In Hoyle, R. (ed.), Structural Equation Modelling: Concepts, Issues, and Applications . London: Sage.
9.
Milligan, G. & Cooper, M. ( 1987). Methodology Review: Clustering methods. Applied Psychological Measurement, 11, 329-354.
10.
Milligan, G. & Cooper, M. ( 1985). An examination of procedures for determining the number of clusters in a data set. Psychometrika, 50, 159-179.
11.
Nelson Canada (1984). Canadian Test of Basic Skills: Levels 5-18. Toronto: Nelson.
12.
SAS (1990). SAS/STAT User's Guide . Cary, NC: SAS Institute .
13.
Scheibler, D. & Schneider, W. ( 1985). Monte Carlo tests of the accuracy of cluster analysis algorithms: A comparison of hierarchical and nonhierarchical methods. Multivariate Behavioural Research, 20, 283-304.
14.
Sobel, M. ( 1994). Causal inference in latent variable models. In A. von Eye & C. Cloog (eds.), Latent Variables Analysis: Applications for Developmental Research. London: Sage.
