Évaluation de l'ajustement dans les modèles d'analyse factorielle ordinale : SRMR vs. RMSEA

Cette étude introduit la théorie statistique de l'utilisation de l'Erreur Quadratique Moyenne Standardisée (SRMR) pour tester l'ajustement proche dans l'analyse factorielle ordinale. Nous comparons également la précision des intervalles de confiance (IC) et des tests d'ajustement proche basés sur le SRMR avec ceux obtenus à partir de l'Erreur Quadratique Moyenne d'Approximation (RMSEA). L'implémentation actuelle (biaisée) pour le RMSEA ne rejette jamais qu'un modèle s'ajuste étroitement lorsque les données sont binaires et rejette presque invariablement le modèle dans de grands échantillons si les données se composent de cinq catégories. Le RMSEA non biaisé produit de meilleurs taux de rejet, mais il n'est suffisamment précis que lorsque le nombre de variables est petit et que le degré de décalage est faible. En revanche, dans toutes les conditions simulées, les tests d'ajustement proche basés sur le SRMR montrent des taux d'erreur de type I acceptables. Les tests SRMR d'ajustement proche sont également plus puissants que ceux utilisant le RMSEA non biaisé.