corrections

index.Rmd

@@ -103,7 +103,7 @@ L'AFE vise à explorer la structure sous-jacente d'une base de donnée en identi
 Cette notion de facteur latent est au coeur de l'analyse factorielle exploratoire. En effet l'idée centrale de cette méthode est que nos variables mesurées sont influencées par ces facteurs latents, et que ces facteurs vont expliquer la structure des relations des variables entre elles. Chaque facteur latent est associé à un groupe de variables qui partagent une variance commune. En d'autres termes, le facteur latent "capture" l'information partagée par un ensemble de variables.
 Supposons que nous avons une base de données constituée de variables mesurant un ensemble de critères observables. Par exemple, lors d'un match de rugby nous avons collecté le nombre de mètres parcourus, de points marqués, du nombre de passes, de plaquages... On pourrait postuler l'existence de facteurs latents qu'on pourrait appeler "performance" et "vision de jeu". Ces deux facteurs latents ne peuvent pas être mesurés directement, mais peuvent être postulés pour tenter d'expliquer la variation commune de nos variables observées/mesurées.
 
-Notre objectif lorsque l'on réalise une AFE sera d'identifier le nombre et la nature de ces facteurs latents et de comprendre comment ils sont associés et reliés aux variables mesurées. Cette méthode va donc permettre de faire émerger un pattern de relations entre ces variables. La structuration des facteurs obtenus ne sera peut-être pas exactement celle envisagée au départ, mais l'AFE, bien que mentionnée comme exploratoire, nécessite d'avoir des hypothèses concernant l’existence des facteurs latents précisément testés. 
+Notre objectif lorsque l'on réalise une AFE sera d'identifier le nombre et la nature de ces facteurs latents et de comprendre comment ils sont associés et reliés aux variables mesurées. Cette méthode va donc permettre de faire émerger un pattern de relations entre ces variables. La structuration des facteurs obtenus ne sera peut-être d'ailleurs pas exactement celle envisagée par les hypothèses de départ, c'est en cela que l'AFE est exploratoire. 
 
 Ainsi, si on cherche à explorer et à identifier des dimensions explicatives sous-jacentes, qui influencent nos variables, comme c'est souvent le cas en SHS, l'AFE s'avérera être un bon choix.
 Autre avantage important de l'analyse factorielle exploratoire, c'est qu'elle peut être associée à une analyse factorielle confirmatoire afin d'étayer les résultats obtenus. Nous reviendrons plus tard dans cet article sur l'analyse factorielle confirmatoire.
@@ -118,7 +118,7 @@ En réalité, les différences entre ces deux méthodes sont importantes, bien q
 
 ACP et AFE ont comme objectif commun la réduction de l'information, mais elles ne vont pas du tout opérer de la même manière.
 
-  - l'ACP : l'objectif est de réduire la dimensionnalité des données en utilisant les composantes principales. L'ACP va transformer les variables observées en un ensemble de variables non corrélées, que l'on appelle composantes principales. Dans l'ACP nous n'allons pas rechercher des facteurs latents.
+  - l'ACP : l'objectif est de réduire la dimensionnalité des données en utilisant les composantes principales. L'ACP va transformer les variables observées en un ensemble de variables non corrélées, que l'on appelle composantes principales.
   La composante principale est une combinaison linéaire des variables originales qui capture le plus possible de variance présente dans les données. Ces composantes principales sont classées par ordre décroissant de l'importance de la variance qu'elles capturent. Tout l'enjeu de l'ACP est de définir des composantes principales qui permettent de réduire la dimensionnalité des données tout en conservant l'information essentielle contenue dans les variables d'origine. Les composantes principales étant des variables non corrélées entre elles, cela simplifie l'interprétation des relations entre les observations. Pour résumer, l'objectif principal de l'ACP est de synthétiser nos données en composantes principales en tentant de conserver le maximum de variance des variables de notre base de données.
   - L'AFE : vise à explorer la structure sous-jacente des données en identifiant des facteurs latents qui expliquent les relations entre les variables observées. L'objectif est de réduire la dimensionnalité des données en se centrant sur la variance partagée entre les variables et non sur l'ensemble des données. Dans le cadre de l'AFE, une partie de la variance des données ne sera pas retenue dans le modèle. L'objectif n'étant pas de conserver le maximum de variance de notre jeu de données, mais bien de se centrer sur la variance partagée entre les différentes variables. 
 
@@ -165,7 +165,7 @@ La subjectivité de l'interprétation peut aussi être une limite, notamment sur
 En SHS aujourd'hui l'AFE est surtout utilisée en psychologie, et ce depuis de nombreuses années.
 La validation des tests psychométriques constitue un exemple classique de l’utilisation de l'AFE et de son utilisation conjointe avec l'Analyse factorielle confirmatoire (AFC). Afin de réaliser des tests standardisés pour évaluer des processus psychologiques, les psychologues ont recours à ce couple d’analyses factorielles, en réalisant une analyse factorielle exploratoire sur un premier échantillon et une analyse factorielle confirmatoire sur un second échantillon (ayant tous 2 les mêmes caractéristiques).
 
-Les psychologues se sont tournés vers ces techniques de réduction des dimensions car, pour la plupart de leurs études, ils souhaitent se centrer sur la variance partagée entre chaque item, plutôt que de chercher à conserver la variance totale d'un ensemble de variables. Le processus méthodologique alors suivi permet de faire émerger une structure factorielle sans nécessairement la totalité des variables présentes. Cette structure factorielle permet d'observer comment les variables du jeu de données rendent compte des facteurs latents qui les sous-tendent. L'objectif finalement est de savoir *"Est-ce que je mesure bien ce que je pense mesurer ?"*. En d'autres termes, est-ce que les questions posées aux répondants sont adaptées pour accéder à une dimension latente non appréhendable directement. 
+Les psychologues se sont tournés vers ces techniques de réduction des dimensions car, pour la plupart de leurs études, ils souhaitent se centrer sur la variance partagée entre chaque item, plutôt que de chercher à conserver la variance totale d'un ensemble de variables. Le processus méthodologique alors suivi permet de faire émerger une structure factorielle sans nécessairement la totalité des variables présentes. Cette structure factorielle permet d'observer comment les variables du jeu de données rendent compte des facteurs latents qui les sous-tendent. L'objectif est de savoir *"Est-ce que je mesure bien ce que je pense mesurer ?"*. En d'autres termes, est-ce que les questions posées aux répondants sont adaptées pour accéder à une dimension latente non appréhendable directement. 
 
 
 <div class="alert alert-danger" role="warning">