Fiche de révision : Introduction à la Psychométrie et Analyse de Données

📋 Plan du Cours

1. Classes et quantiles dans une distribution normale
2. calcul du ESME s = 10 [ écart-type ] rxx = .92 [ fidélité ] ESME = 10 * .92 *(1-.92) [ cf
3. Méthodes d'échantillonnage et construction des quotas
4. Analyse factorielle : principes et interprétation

📖 1. Classes et quantiles dans une distribution normale

🔑 Notions clés & Définitions

• Par exemple : Une note T de 45 signifie que l'on se situe à 1/2 écart-type en dessous de la moyenne.
• Remarque : § Plus la fidélité d'un test est bonne, plus l'ESM est petit.
• Score NCE (Normal Curve Equivalent) : Une échelle de 1 à 100 mais n'est pas un rang percentile (cf.

📝 Points essentiels

• Le score NCE est une échelle conçue pour représenter la position relative d’un individu dans une population, avec une moyenne de 50 et un écart-type de 21.063.
• Les scores sten permettent de classer la population en catégories avec des bornes précises, facilitant la localisation dans une distribution normale.

💡 À retenir

Les scores NCE, sten et percentiles permettent de situer précisément un individu dans une distribution normale, en tenant compte des propriétés spécifiques de chaque échelle.

📖 2. calcul du ESME s = 10 [ écart-type ] rxx = .92 [ fidélité ] ESME = 10 * .92 *(1-.92) [ cf

🔑 Notions clés & Définitions

• Exemple : Dans la construction d'un test d'intelligence pour des adultes par la méthode des quotas, on con
• Erreur Standard de Mesure (ESM) : L'ESM quantifie la variabilité attendue des scores observés autour du score vrai d'un individu, en fonction de la fidélité du test et de la variabilité des scores.

📝 Points essentiels

• L'ESM permet de construire des intervalles de confiance autour d'un score observé pour évaluer la précision de la mesure.
• L'Erreur Standard de Mesure (ESM) quantifie la variabilité attendue des scores observés autour du score vrai d'un individu.

💡 À retenir

Maîtriser le calcul et l'interprétation de l'Erreur Standard de Mesure permet d'évaluer la précision d'un test psychométrique en fonction de sa fidélité et de la variabilité des scores.

📖 3. Méthodes d'échantillonnage et construction des quotas

🔑 Notions clés & Définitions

• Rappel : La force de la relation entre facteurs et variables est exprimée par le coefficient de saturation.

📝 Points essentiels

• La méthode des quotas construit un échantillon en respectant les proportions des catégories socioprofessionnelles, âge, sexe, et lieu d'habitation de la population de référence.
• La stratification divise la population en groupes homogènes avant échantillonnage, méthode probabiliste.
• La représentativité de l'échantillon garantit la validité des résultats d'une étude.
• Les quotas sont établis à partir de données statistiques officielles, comme celles de l'INSEE.
• La construction des quotas assure que l'échantillon reflète la diversité de la population cible.

💡 À retenir

La méthode des quotas et la stratification assurent la représentativité d'un échantillon en reproduisant fidèlement la structure de la population de référence.

📖 4. Analyse factorielle : principes et interprétation

🔑 Notions clés & Définitions

• DIMENSION : Une dimension en psychologie représente la variation d’un trait ou processus psychologique en i
• ECHANTILLON : Mais des carrés des écarts à la moyenne : 
• Notes : Des valeurs numériques attribuées aux observations ou variables, souvent utilisées pour quantifier ou classer des données dans une analyse.
• Valeurs propres : Méthode de calcul Décomposition en valeurs propres Estimation par moindres carrés, maximum de vraisemblance, etc.

📝 Points essentiels

• Les valeurs propres indiquent la quantité de variance expliquée par chaque composante factorielle.
• La communauté (h2) d'une variable représente la proportion de sa variance expliquée par les composantes retenues.
• La somme des valeurs propres correspond à la variance totale des variables initiales.
• L'interprétation factorielle repose sur la sélection d'un nombre restreint de composantes expliquant une part suffisante de la variance pour éviter une perte d'information.

💡 À retenir

L'analyse factorielle décompose la variance des données en composantes principales, permettant d'interpréter la structure sous-jacente des variables mesurées.

📅 Repères chronologiques

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre score NCE avec un rang percentile, alors que ce n’est pas le cas.
2. Croire que l’ESM est une erreur ou une erreur standard classique ; c’est une mesure spécifique liée à la fidélité.
3. Confondre stratification et méthode aléatoire simple dans l’échantillonnage.
4. Penser que les scores sten sont équivalents aux percentiles, alors qu’ils représentent des catégories.
5. Oublier que la somme des valeurs propres correspond à la variance totale, pas à une autre mesure.
6. Confondre communauté (h2) avec un indice de fiabilité ou fidélité.
7. Mal interpréter l’interprétation factorielle en ne tenant pas compte du nombre de composantes retenues.

✅ Checklist Examen

• Connaître la définition et l’interprétation du score NCE.
• Savoir calculer l’ESME à partir de la fidélité rxx.
• Expliquer le principe de la méthode des quotas dans l’échantillonnage.
• Définir ce qu’est une stratification et son rôle.
• Comprendre le concept de valeurs propres en analyse factorielle.
• Identifier ce que représente la communauté (h2) dans une analyse factorielle.
• Savoir que la somme des valeurs propres correspond à la variance totale.
• Expliquer comment interpréter une composante factorielle.
• Connaître les scores sten et leur utilité pour classer une population.
• Savoir différencier un score percentile d’un score NCE.
• Maîtriser le lien entre fidélité d’un test et l’ESM.
• Connaître le rôle de l’analyse factorielle dans l’interprétation des données psychométriques.
• Vérifier que l’échantillon respecte les proportions de la population via les quotas.
• Se rappeler que les scores NCE ont une moyenne fixée à 50.
• Comprendre le principe de décomposition en valeurs propres pour analyser la variance.
• Être capable d’interpréter un tableau de valeurs propres dans une analyse factorielle.