Dérives lors d’innovations statistiques [r-libre/3598]

Frenette, Eric; Béland, Sébastien; Caron, Pier-Olivier; Hébert, Marie-Hélène, & Talbot, Nadine (2025). Dérives lors d’innovations statistiques. Paper presented at the 14e colloque Méthodes Quantitatives en Sciences Humaines (et santé) (MQSH), Montréal.

File(s) available for this item:

Microsoft Word - Frenette et al.docx
Content : Abstract

Download

Item Type:	Conference papers (unpublished)
Refereed:	Yes
Status:	Unpublished
Abstract:	Les effets pervers de la course aux publications sont nombreux : dégradation de la qualité des recherches, augmentation de publications prédatrices, fraude et mauvaise conduite scientifique, stress et épuisement professionnel, et fragmentation des recherches pour augmenter le nombre de publications. Un autre effet pervers invalidant souvent les résultats obtenus consiste à proposer à tout prix des innovations statistiques, sans considérer si cela est pertinent. Exemples tirés de la littérature scientifique : 1) Mauvaise utilisation de la Théorie de la Réponse à l’Item a. Non-vérification des conditions d’application : unidimensionnalité et indépendance locale b. Mauvais choix de modèle (modèle dichotomique vs données catégorielles) c. Critères non pertinents dans l’identification des items problématiques 2) Pas de vérification que les données sont Missing Completely At Random avant le traitement de données manquantes 3) Changement de philosophie sur la dimensionnalité en équations structurelles a. Au lieu de vérifier l’ajustement du modèle aux données, choix d’un modèle pour y forcer les données b. Ne pas effectuer d’analyses factorielles exploratoires. Utiliser celles confirmatoires en imposant des contraintes sur les saturations pour s’assurer d’obtenir les résultats escomptés c. Utilisation d’un modèle unidimensionnel (Bifacteur) avec des données multidimensionnelles i. Non-vérification de la présence d’un facteur dominant ii. Remplacement des facteurs de groupe par des facteurs communs iii. Surchargé de saturations (Bifacteur-ESEM, Bifacteur-SET, Bifacteur J-1) ce modèle qui reproduit presque parfaitement les corrélations (saturé) 4) Surreprésenter l’importance des résultats obtenus a. Mettre l’accent, dans la discussion, sur la contribution d’une variable dans un modèle de prédiction, alors que la saturation est faible (<,10), voire marginale b. Ajouter une variable fortement corrélée avec la variable dépendante afin d’obtenir un pourcentage de variance expliquée élevée La présente communication s’inscrit dans un processus de réflexion critique sur les dérives statistiques afin de promouvoir des pratiques rigoureuses et éthiques.
Official URL:	https://mqsh.teluq.ca
Depositor:	Caron, Pier-Olivier
Owner / Manager:	Pier-Olivier Caron
Deposited:	10 Jun 2025 13:53
Last Modified:	10 Jun 2025 13:53

Actions (login required)

RÉVISER