Cette recherche introduit un cadre d'évaluation post-sélection pour l'analyse factorielle partiellement exploratoire (PEFA) utilisant une approximation variationnelle régularisée avec des priors spike and slab. La méthode récupère les structures de chargement et le nombre de facteurs en convertissant les solutions convergées en modèles de covariance via une sélection dure ou douce.
- Déduit les degrés de liberté et les diagnostics d'ajustement absolu incluant RMSEA, SRMR, CFI et TLI.
- Calcule des critères relatifs tels que AIC, BIC et ELBO pour la comparaison de modèles.
- Propose une règle de gain sans échelle avec un gardien de chute soutenue pour déterminer le nombre de facteurs.
- Les simulations montrent que les indices absolus suivent la récupération du chargement tandis que la règle de gain récupère précisément la dimensionnalité vraie.
Le cadre aide les utilisateurs à évaluer l'ajustement du modèle et à sélectionner le nombre de facteurs plus robustement, comme démontré par des performances améliorées par rapport aux modèles confirmatoires dans un exemple PID-5 de 100 éléments.