Analyse de données - analyse

factorielle des correspondances,

classification hiérarchique et analyse
en composantes principales

1
Sommaire
Introduction.................................................................................................................................2

1. L’analyse factorielle des correspondances......................................................................3

1.1.Tableau des valeurs propres .........................................................................................3
1.2. Interprétations des axes 1 et 2 .....................................................................................3
1.3. Interprétations des axes 3 et 4 .....................................................................................5

2. La classification hiérarchique..........................................................................................6
2.1. La procédure RECIP/SEMIS ......................................................................................7
2.2. La procédure PARTI/DECLA ....................................................................................8
2.2.1. Recherche de la meilleure partition.....................................................................8
2.2.2. Réalisation de la coupure en 4 classes.................................................................9
2.2.3. Interprétations....................................................................................................11

3. L’analyse en composantes principales..........................................................................14

3.1. Statistiques élémentaires............................................................................................14
3.2. Matrice des corrélations.............................................................................................14
3.3. Tableau des valeurs propres ......................................................................................14
3.4. Interprétation des 2 premiers facteurs ......................................................................15
3.4.1. Cercle des corrélations.......................................................................................15
3.4.2. Représentation des individus..............................................................................16
3.5. Interprétation du 3e facteur ......................................................................................18
3.5.1. Cercle des corrélations.......................................................................................18
3.5.2. Représentation des individus..............................................................................18
3.6. Examen des 3 aides à l’interprétation........................................................................19
3.6.1. Distance à l’origine............................................................................................20
3.6.2. Contributions des individus................................................................................20
3.6.3. Qualité de représentation des individus.............................................................20
Conclusion................................................................................................................................21

Introduction

2
Le tableau de données décrit le nombre d’étudiants inscrits dans l’enseignement
supérieur selon les académies de la France métropolitaine et les différents types
d’établissements au cours de l’année 2007-2008 (cf. Annexe 1).

Ainsi, au cours de cette période, 2 229 075 étudiants sont répartis dans 26
académies et dans 8 établissements d’enseignement supérieur.

Quelques remarques sur certains établissements :

STS : Sections de Techniciens Supérieurs

CPCGE : Classes Préparatoires aux Concours des Grandes Écoles

Écoles de commerce : concerne aussi les écoles de comptabilité, de vente et de

gestion.

Autres : INP, universités de technologie, formations comptables, écoles normales

supérieures, facultés privées, écoles juridiques et administratives, écoles supérieures
artistiques et culturelles, écoles paramédicales et sociales, préparations intégrées.

Afin d'étudier les différentes relations entre les deux ensembles de données, les
académies d’une part et les établissements d’enseignement supérieur d’autre part,
nous réalisons successivement trois types d’analyse de données : l’analyse
factorielle des correspondances, la classification hiérarchique et l’analyse en
composantes principales.

1. L’analyse factorielle des correspondances.

1.1.Tableau des valeurs propres

Valeur Pourcentage
Numéro Pourcentage
propre cumulé
1 0,0318 53,23 53,23
2 0,0110 18,40 71,64
3 0,0091 15,24 86,88
4 0,0050 8,42 95,29
5 0,0014 2,39 97,68
6 0,0009 1,46 99,14
7 0,0005 0,86 100,00

Au vu du tableau des valeurs propres et des pourcentages de la variance expliquée,

nous retenons uniquement les 4 premiers axes puisque ces derniers expliquent 95 %
de la variance totale.

1.2. Interprétations des axes 1 et 2

3
Pour une meilleure interprétation de l’analyse factorielle des correspondances, il est
nécessaire de connaître les effectifs théoriques afin de mieux décrire les liens entre
les 2 variables qualitatives (cf. Annexe 1). Il est utile aussi de se référer aux
contributions et cosinus carrés des individus et des variables (cf. Annexe 2).

Analyse du 1er facteur (pourcentage de la variance expliquée 53.23 %) :

Concernant les académies, Paris contribuent très fortement au 1er axe (quasiment
75 %). Elle s’oppose aux 3 autres modalités (Limoges, Orléans et Caen) qui
contribuent nettement plus faiblement à cet axe.
Concernant les établissements d’enseignement, la modalité « Autres » contribue
assez fortement au 1er axe (42 %) et dans une moindre mesure, « IUT », « STS » et
« écoles de commerce ». Au niveau de la disposition, « Autres » et « écoles de
commerce » sont opposées à « STS » et « IUT ».
Ainsi, tout ceci se traduit de la manière suivante :
- Il existe une surreprésentation de l’académie de Paris dans les
établissements d’enseignement « autres ». Cela se confirme au vu de la
comparaison entre les effectifs observés et théoriques. En effet, l’effectif
observé est de 75 235 qui est supérieur à l’effectif théorique valant 42
107.
- À l’inverse, l’académie de Paris est sous-représentée dans les IUT et STS.
Les effectifs observés sont bien inférieurs aux effectifs théoriques.
- Les académies de Limoges, Orléans et Caen sont quant à elles sous-
représentées dans les écoles de commerce et dans les établissements
« autres ».
- À l’inverse, elles sont surreprésentées dans les IUT et STS.
À noter que l’académie de Clermont, qui ne contribue quasiment pas à la formation
de l’axe 1, est bien représentée sur cet axe (son cosinus carré vaut 0.84). Ainsi, les

4
étudiants de cette académie sont d’une part, surreprésentés dans les IUT et les STS
et d’autre part, sous-représentés dans les établissements « autres ».
De même , les établissements CPCGE et IUFM contribuent très peu à la variance
de l’axe, mais sont bien représentés sur ce 1er axe (respectivement 0.62 et 0.56 aux
cosinus carrés). Ainsi, les étudiants de l’académie de Paris sont très présents dans
les CPCGE, mais sont sous-représentés dans les IUFM.

Analyse du 2e facteur (pourcentage de la variance expliquée 18.40 %) :

À propos des établissements d’enseignement, cet axe oppose les écoles
d’ingénieurs et les universités qui contribuent, à eux deux, à plus de 60 % à la
formation de cet axe.
Pour les académies, Amiens contribue assez fortement à cet axe et dans une
moindre mesure Nantes, s’opposent toutes les deux à Aix-Marseille.
Ainsi, les académies d’Amiens et de Nantes sont surreprésentées dans les écoles
d’ingénieurs alors que l’académie d’Aix-Marseille est sous-représentée.
À l’inverse, les étudiants de l’académie d’Aix-Marseille ont tendance à aller plus à
l’université plutôt que dans des écoles d’ingénieurs.

Bien que les académies de Bordeaux et de Besançon contribuent peu à la variance

de l’axe 2, leur représentation graphique est bonne. En effet, la valeur aux cosinus
carrés vaut respectivement 0.74 et 0.68. Ainsi, les étudiants de l’académie de
Bordeaux sont surreprésentés dans les universités et sous-représentés en écoles
d’ingénieurs. Inversement, l’académie de Besançon est surreprésentée dans les
écoles d’ingénieurs et sous-représentée dans les universités.

1.3. Interprétations des axes 3 et 4

Analyse du 3e facteur (pourcentage de la variance expliquée 18.40 %) :

5
L’axe 3 est constitué principalement des écoles de commerce concernant les
établissements d’enseignement et de Reims, Versailles et Créteil concernant les
académies.
Cela se traduit par une surreprésentation (respectivement sous-représentation) des
académies de Reims et Versailles (respectivement Créteil) dans les écoles de
commerce.
Bien que la contribution à la variance de l’axe 3 soit faible pour la modalité « écoles
d’ingénieurs », cette dernière est bien représentée sur cet axe (la valeur du cosinus
carré vaut 0.53). Ainsi, l’académie de Versailles est surreprésentée dans ce type
d’établissement d’enseignement (l’effectif observé vaut 11 321 alors que l’effectif
théorique vaut 8 139). Inversement, l’académie de Créteil est sous-représentée dans
les écoles d’ingénieurs (l’effectif observé vaut 5 024 alors que l’effectif théorique vaut
6 029).
De même, l’académie de Rouen est bien représentée sur cet axe (la valeur du
cosinus carré vaut 0.62). Sa position traduit une surreprésentation dans les écoles
d’ingénieurs et dans les écoles de commerce.

Analyse du 4e facteur (pourcentage de la variance expliquée 8.42 %) :

Bien que l’intérêt de cet axe soit marginal, nous avons quand même des
interprétations utiles.
Effectivement, à propos des établissements d’enseignement, cet axe oppose les IUT
aux écoles d’ingénieurs. Concernant les académies, il oppose Grenoble à Versailles
et Lyon.
Ainsi, l’académie de Grenoble est surreprésentée dans les IUT et sous-représentée
dans les écoles d’ingénieurs (1 519 observés, 4 099 en théorie)
À l’inverse, les académies de Versailles et de Lyon sont surreprésentées dans les
écoles d’ingénieurs et sous-représentées dans les IUT.

2. La classification hiérarchique

Cette méthode permet aussi de présenter les proximités entre les individus (c’est-à-
dire les académies) en procédant de cette manière :
- regroupement en classes de 2 individus les plus proches
- regroupement par 2 des classes les plus proches
- réitération de l’étape précédente jusqu’à obtenir une unique classe
Remarque : la distance euclidienne usuelle sera utilisée pour calculer les
ressemblances entre les individus. Le critère de Ward sera utilisé pour calculer
l’écart entre deux sous-ensembles disjoints.

Pour effectuer cette classification, nous utilisons 2 types de procédure :

1) RECIP/SEMIS qui permet de choisir les niveaux de coupure de l’arbre
hiérarchique (aussi appelé dendrogramme).
2) PARTI-DECLA qui permet d’obtenir une ou plusieurs partitions des
individus. Cette procédure propose aussi la description statistique des
partitions choisies.

6
 2.1. La procédure RECIP/SEMIS
Les regroupements successifs sont décrits dans le tableau suivant :
Nb
d'éléments Poids du Indice de
Numéro Ainé Benjamin
terminaux noeud niveau
du noeud
27 5 18 2 95412,00 0,00008
28 14 1 2 192134,00 0,00011
29 8 7 2 129189,00 0,00012
30 22 6 2 151483,00 0,00012
31 9 20 2 87094,00 0,00013
32 12 27 3 117475,00 0,00014
33 15 3 2 113990,00 0,00016
34 4 28 3 297688,00 0,00020
35 29 24 3 196675,00 0,00022
36 13 25 2 266051,00 0,00029
37 11 30 3 307434,00 0,00038
38 23 31 3 136278,00 0,00052
39 33 37 5 421424,00 0,00073
40 38 17 4 188784,00 0,00074
41 2 16 2 151468,00 0,00082
42 35 32 6 314150,00 0,00101
43 10 40 5 272833,00 0,00123
44 26 21 2 207548,00 0,00157
45 41 39 7 572892,00 0,00174
46 44 36 4 473599,00 0,00232
47 43 34 8 570521,00 0,00255
48 42 47 14 884671,00 0,00323
1046490,0
49 46 45 11 0,00503
0
1931160,0
50 49 48 25 0,00813
0
2229080,0
51 19 50 26 0,02826
0
Somme des
indices de 0,05982
niveau

Lecture :
- le nœud 27 résulte du regroupement du nœud 5 (Caen) et du nœud 18
(Orléans-Tours). Il est donc constitué de 2 éléments.
- le nœud 32 résulte du regroupement du nœud 12 (Limoges) et du nœud
27(cf. ci- dessus). Il est donc constitué de 1 + 2 éléments soit 3 éléments.

À partir de ces données, il est possible de construire le dendogramme suivant :

7
 2.2. La procédure PARTI/DECLA
La procédure PARTI/DECLA construit des partitions par coupure de l’arbre
d'agrégation obtenu précédemment avec la procédure RECIP/SEMIS.
2.2.1. Recherche de la meilleure partition

8
Étudions d’abord l’histogramme des indices de niveau :

D’après ce graphique, nous remarquons des sauts pour une coupure en 4 classes
(les 3 dernières barres) et pour une coupure en 3 classes (les 2 dernières barres).
Cependant, il est difficile de choisir clairement le nombre de classes.
C'est pourquoi nous nous référons à SPAD qui peut déterminer les 3 meilleures
répartitions qui sont les suivantes :
- 4 classes
- 5 classes
- 7 classes
Nous choisissons donc une coupure en 4 classes.

2.2.2. Réalisation de la coupure en 4 classes

Afin d’obtenir le contenu de chacune des 4 classes, il suffit de couper le
dendogramme de cette manière :

9
 Coupure en 4 classes

Il en résulte :
Classe 1 (Effectif : 13)

N. B. Seuls les 10 premiers sont affichés

Classe 2 (Effectif : 7)

Classe 3 (Effectif : 5)

10
 Classe 4 (Effectif : 1)

RK (Rang) : rang de l’individu. Plus le rang de l’individu est grand, plus celui-ci se
trouve éloigné du centre de gravité de sa classe.
Distance : carré de la distance entre l’individu et le centre de gravité de sa classe.

Graphiquement, nous obtenons :

2.2.3. Interprétations
Pour interpréter les différentes classes, nous nous intéressons uniquement aux
informations suivantes qui sont présentes dans les tableaux de résultats :
- GLOBAL : pourcentage de la fréquence dans l’échantillon.
Ici, il correspond à la somme d’étudiants inscrits dans un établissement dans toutes
les académies divisées par le nombre total d’étudiants.

11
Par exemple, le 54.99% pour les universités du tableau ci-dessous, s’obtient en
faisant la somme de tous les effectifs des étudiants en universités des 26 académies
(1 225 717) divisés par le nombre total d’étudiants en France (2 229 075).
Logiquement, les pourcentages obtenus sont les mêmes quelle que soit la classe.
- FRE/CLA : pourcentage de la fréquence dans la classe.
Il s’agit du même type de calcul que précédemment sauf qu’ici, plutôt que de prendre
l’ensemble des étudiants français, nous prenons uniquement ceux appartenant à la
classe étudiée.
Ainsi, par exemple, le 6.22% pour les IUT du tableau ci-dessous, s’obtient en
sommant tous les effectifs des étudiants en IUT des 13 académies qui forment la
classe 1 divisé par le nombre total d’étudiants dans cette classe.
Ainsi, les pourcentages obtenus dépendent directement de chaque classe.
Classe 1 :

Les académies appartenant à cette classe sont caractérisées par un pourcentage

important d’étudiants à l’université (59.14%). Dans une moindre mesure, 10.77% des
étudiants de cette classe sont inscrits en STS et 10.66% dans les autres
établissements.
De plus, nous remarquons que les proportions d’étudiants dans les universités, les
IUT, les STS et les IUFM sont plus importantes que les proportions de l’échantillon
global. Par exemple, dans les académies de la classe 1, il y a 6.22% d’étudiants en
IUT alors que si nous prenons en compte tous les étudiants de la France
métropolitaine, seuls 5.18% sont inscrits en IUT.
À l’inverse, toujours par rapport à la tendance générale, nous voyons que les
académies de la classe 1 possèdent des pourcentages moins élevés d’étudiants en
CPCGE, en écoles de commerce, en écoles d’ingénieurs et dans les autres
établissements. Par exemple, nous comptons 4.88 % d’étudiants en école
d’ingénieurs dans toute la France alors qu’il n’y en a que 3.33% dans les académies
de la classe 1.

Classe 2 :

12
Dans les 7 académies présentes dans cette classe, près d’un étudiant sur deux
étudie à l’université. Par ailleurs, 14.75% étudient dans d’autres établissements et
12.45% dans les STS.
Globalement, par rapport à tous les étudiants français, les étudiants des académies
de la classe 2 sont plus présents dans les établissements suivants : STS, Écoles
d’ingénieurs, IUT, Autres et IUFM.
À l’inverse, ils sont moins nombreux en CPCGE, universités et en écoles de
commerce. Par exemple, seulement 2.60% des étudiants des académies de la
classe 2 sont inscrits en école de commerce alors que le pourcentage vaut 4.29%
pour l’ensemble des académies.

Classe 3 :

Dans cette classe, nous trouvons des pourcentages plus élevés, comparés à la
tendance générale, concernant le nombre d’étudiants en écoles d’ingénieurs, de
commerce, en IUFM et CPCGE.
En revanche, les pourcentages d’étudiants en IUT, universités, STS et autres
établissements dans ces académies sont moins importants que ceux de l’échantillon
global.

Classe 4

Cette classe, qui se résume à un seul individu (l’académie de Paris), possède une
similarité avec les autres classes dans la mesure où plus d’un étudiant sur deux de

13
 cette académie est inscrit en université. En revanche, la particularité de cette classe
est que plus de 25% des étudiants sont dans d’autres établissements (contre 14.13%
pour l’échantillon global). Cette académie contient aussi des pourcentages
d’étudiants en écoles de commerce et CPCGE plus élevés par rapport à ceux qui
prennent en compte toutes les Académies françaises.
Inversement, l’académie de Paris a des proportions d’étudiants en universités,
écoles d’ingénieurs, IUFM, STS et IUT inférieurs à celles observées dans toutes les
académies. Par exemple, 0.72% des étudiants parisiens sont inscrits à l’IUT alors
que sur l’ensemble des académies métropolitaines, le pourcentage vaut 5.18 %.

3. L’analyse en composantes principales

3.1. Statistiques élémentaires
Écart-
Libellé de la variable Moyenne Minimum Maximum
type
Universités 47143,00 32576,60 3689 156743
IUT 4440,50 2051,04 369 8349
IUFM 2596,58 1441,46 258 6443
STS 8616,35 4325,76 500 18304
CPCGE 2956,15 2788,36 102 14325
Écoles d'ingénieurs 4181,27 3125,65 0 11321
École de commerce 3682,23 4194,95 66 20113
Autres 12117,60 13896,80 587 75235

3.2. Matrice des corrélations

Université Écoles École de

IUT IUFM STS CPCGE Autres
s d'ingénieurs commerce
Universités 1,00
IUT 0,47 1,00
IUFM 0,82 0,72 1,00
STS 0,86 0,73 0,87 1,00
CPCGE 0,94 0,28 0,72 0,75 1,00
Écoles
d'ingénieur 0,77 0,61 0,82 0,79 0,73 1,00
s
École de
0,85 0,15 0,64 0,62 0,94 0,65 1,00
commerce
Autres 0,89 0,16 0,57 0,68 0,96 0,63 0,88 1,00

Remarque : la trace de la matrice est égale à 8

3.3. Tableau des valeurs propres

Valeur Pourcentag Pourcentage

Numéro
propre e cumulé
1 5,9754 74,69 74,69
2 1,3663 17,08 91,77

14
 3 0,2589 3,24 95,01
4 0,1783 2,23 97,24
5 0,1027 1,28 98,52
6 0,0717 0,90 99,42
7 0,0353 0,44 99,86
8 0,0115 0,14 100,00

Pour résumer le tableau de départ, nous n’utilisons pas les résultats de ces 8 étapes,
mais uniquement les premières qui correspondent à des variances expliquées
importantes. Nous remarquons d'une part que la variance expliquée par l’axe 4 est
faible : 2.23 %. D’autre part, les 3 premières étapes fournissent l’essentiel de
l’information soit 95.01 % de la variance totale. Ainsi, nous retenons uniquement les
3 premières étapes.

3.4. Interprétation des 2 premiers facteurs

3.4.1. Cercle des corrélations

Remarque : la première composante (facteur 1) résume 74.69% du tableau et la

seconde (facteur 2) 17.08 % donc l'information fournie par ces 2 composantes est de
91.77%.

Nous voyons que toutes les variables sont liées fortement et positivement à l’axe 1
(leur coordonnée respective sur cet axe est supérieure à 0.85 sauf pour la variable
IUT où sa coordonnée vaut 0.57).
Concernant l’axe 2, seule la variable « IUT » est liée fortement à cet axe (0.72)
Graphiquement, le regroupement de toutes les variables à droite du cercle de
corrélation signifie que toutes les variables sont corrélées positivement entre elles.
Cela se confirme dans les matrices des corrélations puisque les coefficients de
corrélations sont tous strictement positifs. De plus, la majorité des variables sont

15
fortement corrélées entre elles puisque la plupart des coefficients de corrélation sont
proches de 1 :
Exemple : R(Universités, CPCGE) = 0.94 ; R(STS, IUFM)=0.87
Toutefois, quelques variables sont significativement non corrélées les unes par
rapport aux autres. Par exemple, « autres » et IUT sont quasiment orthogonaux. Là
aussi, ceci se confirme dans la matrice de corrélation puisque :
R (Autres, IUT) = 0.16 ; ou encore R(Écoles de commerce, IUT) = 0.15
3.4.2. Représentation des individus

16
Interprétation de l’axe 1 :

Plusieurs groupes de pays se distinguent :

- Le groupe, ou plutôt l’individu, atypique : l’académie de Paris (zone en rouge sur le
graphique). L’originalité de cette académie réside dans le fait qu’elle possède des
effectifs d’étudiants très élevés pour chacun des établissements sauf pour les IUT.
Exemple : 156 743 étudiants sont inscrits en université alors que la moyenne
par académie s’élève à 47 143.
- le groupe composé des académies de Lille, Versailles, Lyon, Toulouse et Nantes
(représenté en bleu) est caractérisé par un nombre important d’étudiants dans tous
les établissements d’enseignement.
- à l’opposé, les académies de Corse, Limoges, Caen, Besançon, Clermont, Dijon,
Reims et Poitiers, représentées en rose, possèdent peu d’étudiants dans tous les
établissements.
Exemple : l’académie de Corse compte seulement 3 689 étudiants en
université.

- le groupe contenant les académies de Créteil et de Rennes (zone en verte). Ces

académies possèdent les mêmes caractéristiques que le 2e groupe à la différence
que le nombre d’étudiants en école de commerce dans ces académies est faible.
Exemple : l’académie de Créteil compte 1 318 étudiants en école de
commerce alors qu’en moyenne, il y en a 3 682 par académie.

Interprétation de l’axe 2 :
L’intérêt de cet axe est plutôt marginal puisque les interprétations que nous allons
obtenir vont répéter les explications pour l’axe 1.
En effet, puisque seule la variable IUT est intéressante ici, en observant le graphique
ci-dessus, il est facile de voir que les 2 groupes signalés en vert et en bleu
rassemblent des académies ayant un nombre important d’étudiants en IUT. À

17
l’inverse, le groupe en rose contient des académies possédant peu d’étudiants en
IUT.

3.5. Interprétation du 3e facteur

3.5.1. Cercle des corrélations

Remarque : la 3e composante (facteur 3) résume 3.24% du tableau.

Certes l’intérêt de cet axe est faible, mais nous allons quand même voir qu’il apporte
des informations plus détaillées concernant la variable « écoles d’ingénieurs » (les
autres variables sont proches du centre et donc toute interprétation est hasardeuse).
3.5.2. Représentation des individus

18
3 groupes sont visibles :
- le groupe atypique formé uniquement par l’académie de Versailles (représenté en
bleu sur le graphique) se caractérise par un nombre très élevé d’étudiants en école
d’ingénieurs. En effet, il y en a 11 321 étudiants ce qui constitue l’effectif le plus
élevé parmi toutes les Académies françaises.
- le groupe délimité en vert comprenant les académies suivantes : Toulouse, Lyon,
Nantes, Amiens et Nancy-Metz. Suite à l’analyse du premier facteur, nous savons
que pour ces 3 premières académies, les effectifs en écoles de commerces sont
élevés. Mais grâce à l’examen de ce 3e facteur, nous pouvons y ajouter les
académies d’Amiens et de Nancy-Metz.
Exemple : l’académie de Nancy-Metz contient 5 814 étudiants en école
d’ingénieurs.
- le 3e groupe (en rouge) composé de 3 académies (Grenoble, Aix-Marseille et
Montpellier) est caractérisé par un faible nombre d’étudiants dans ce type
d’établissement.
Exemple : l’académie de Grenoble recense 1 519 étudiants en école
d’ingénieurs.

3.6. Examen des 3 aides à l’interprétation

19
 3.6.1. Distance à l’origine
Cette colonne est un critère « d’originalité ». En effet, cela permet de trouver
facilement quelles sont les académies les plus « moyennes » (c’est-à-dire les plus
proches du centre de gravité) et celles qui sont les plus « originales » (c’est-à-dire les
plus éloignées du centre de gravité). Ainsi, nous retrouvons le fait que Paris soit
clairement une académie atypique. Dans une moindre mesure, il y a les académies
de Versailles, Lille, Corse et Lyon.
3.6.2. Contributions des individus
Elles permettent de détecter les académies qui contribuent le plus à la formation des
axes.
Ainsi, les académies qui contribuent essentiellement à la formation du premier axe
sont : Paris (33.6 %), Versailles (13.1%), Corse (9%) et Lille (8.5%). Cela se retrouve
bien sur le graphique de représentation des individus du facteur 1 (cf. 3.4.2) puisque
ces 4 académies sont placées aux extrémités de l’axe 1 (à gauche comme à droite).
De la même manière, les académies jouant un rôle important dans la formation du
2nd axe sont : Paris (54.6%), Lille (10.2%) et Créteil (10%).
Enfin, les académies de Versailles (21.3%), Grenoble (20.6%) et Lyon (15.6%) sont
les principaux acteurs de la formation du 3e axe.

3.6.3. Qualité de représentation des individus

Mis en évidence par le paramètre « cosinus carrés », cela permet de repérer quelles
académies sont bien expliquées par un axe.
La plupart des 26 académies sont bien représentées sur le 1er plan factoriel (axe 1
et 2) puisque la somme des cosinus carrés est supérieure à 0.7). Seules celles de
Grenoble, de Montpellier et d’Aix-Marseille sont mal représentées sur ce plan et se
situent donc proches du centre. En revanche, elles sont bien représentées sur l’axe
3.

20
Conclusion

Au terme de cette étude, nous avons effectué trois types d’analyse de données :
l’analyse factorielle des correspondances, la classification hiérarchique et une
analyse en composantes principales.
Ces trois méthodes ont permis d’obtenir plusieurs informations sur les effectifs
d’étudiants dans l’enseignement supérieur au cours de l’année 2007-2008.
Ces trois analyses présentent des résultats plus ou moins similaires. Cependant,
nous avons pu voir que, dans le cadre de cette étude, l’analyse en composantes
principales fournit moins d’informations précises comparées aux deux autres
méthodes.
Globalement, nous avons pu voir que les académies métropolitaines présentent des
effectifs variés selon les types d’établissements. De plus, nous avons identifié
plusieurs similitudes, mais aussi des disparités entrent certaines académies.

Plus précisément, nous pouvons retenir plusieurs éléments intéressants :

- l’académie de Paris possède un nombre très élevé d’étudiants dans chaque type
d’établissement (excepté pour les IUT). C'est pourquoi 13.3 % des étudiants français
métropolitains font partie de cette académie. De plus, cette académie connaît du
succès pour les autres établissements, les écoles de commerce et les CPCGE.
- dans une moindre mesure, les académies de Versailles, Lille, Lyon et Créteil
présentent aussi des effectifs importants en général et des caractéristiques plus ou
moins homogènes selon les établissements d’enseignement. Certaines d’entre elles
peuvent contenir un nombre particulièrement important d’étudiants dans un
établissement précis. C’est le cas notamment de l’académie de Versailles qui compte
12 083 étudiants en école de commerce.
- viennent ensuite les autres académies qui s’inscrivent dans la moyenne c’est-à-dire
qu’elles possèdent des effectifs proches de la moyenne pour chaque établissement
(Exemple : Nancy-Metz, Montpellier, Grenoble…)
- enfin, les académies restantes, telles que celles de la Corse, de Limoges et de
Besançon, peuvent être qualifiées de petites académies puisqu’elles possèdent des
effectifs extrêmement faibles.

21
 Annexe 1 : Tableau de données

Effectifs de l'enseignement supérieur par académie en 2007-2008

22
 Source : http://media.education.gouv.fr/file/2008/76/0/chap6-2_33760.pdf (p.2)
Écoles Écoles de
Académies Universités IUT IUFM STS CPCGE Autres
d'ingénieurs commerce
Aix-Marseille 63 634 56 119 4 210 5 286 3 168 3 091 10 336 10 257 3 219 3 519 2 781 4 977 4 548 4 383 10 161 14 425
Amiens 17 571 23 574 2 763 2 220 2 000 1 298 5 777 4 309 1 076 1 478 4 123 2 091 1 157 1 841 8 404 6 059
Besançon 16 623 18 830 2 514 1 774 1 360 1 037 4 626 3 442 904 1 181 2 686 1 670 382 1 471 5 149 4 840
Bordeaux 64 439 58 042 5 161 5 467 3 176 3 197 10 603 10 608 2 805 3 640 3 685 5 148 5 543 4 534 10 142 14 919
Caen 21 344 20 529 2 888 1 934 1 406 1 131 4 786 3 752 1 184 1 287 1 220 1 821 524 1 603 3 981 5 277
Clermont-
24 380 2 714 1 312 4 810 1 348 2 176 1 206 5 313
Ferrand 23 787 2 241 1 310 4 348 1 492 2 110 1 858 6 114
Corse 3 689 3 063 369 289 258 169 500 560 102 192 0 272 66 239 587 787
Créteil 74 461 67 975 8 349 6 403 4 312 3 744 11 941 12 424 3 146 4 262 5 024 6 029 1 318 5 309 15 067 17 472
Dijon 22 687 22 929 2 776 2 160 1 523 1 263 5 252 4 191 1 514 1 438 1 750 2 034 1 777 1 791 4 420 5 894
Grenoble 44 079 46 217 7 417 4 353 2 220 2 546 10 082 8 447 2 600 2 898 1 519 4 099 3 622 3 610 12 510 11 880
Lille 84 504 85 754 7 956 8 077 6 047 4 723 18 304 15 673 5 355 5 377 8 040 7 606 4 654 6 698 21 091 22 042
Limoges 12 187 12 132 1 797 1 143 727 668 3 208 2 217 510 761 1 055 1 076 126 948 2 453 3 118
Lyon 85 122 83 878 6 660 7 901 3 982 4 620 11 976 15 330 5 326 5 260 10 957 7 439 7 552 6 551 20 964 21 560
Montpellier 57 324 49 531 3 859 4 665 2 758 2 728 10 033 9 053 2 182 3 106 2 464 4 393 3 237 3 869 8 220 12 732
Nancy-Metz 41 766 43 850 5 441 4 130 2 651 2 415 8 426 8 015 2 326 2 750 5 814 3 889 1 318 3 425 12 004 11 271
Nantes 51 505 59 715 5 745 5 625 2 840 3 289 15 133 10 914 3 851 3 744 7 197 5 296 4 674 4 664 17 652 15 349
Nice 29 455 28 872 3 827 2 720 1 918 1 590 4 919 5 277 2 237 1 810 1 352 2 561 4 279 2 255 4 519 7 421
Orléans-Tours 31 278 31 936 4 579 3 008 2 438 1 759 7 672 5 837 2 298 2 003 2 250 2 833 1 434 2 494 6 130 8 209
Paris 156 743 163 815 2 141 15 430 4 380 9 023 16 172 29 941 14 325 10 272 8 804 14 529 20 113 12 795 75 235 42 107
Poitiers 26 668 24 962 3 174 2 351 1 654 1 375 5 316 4 562 1 221 1 565 1 501 2 214 2 143 1 950 3 718 6 416
Reims 17 582 22 356 3 005 2 106 1 512 1 231 5 401 4 086 1 217 1 402 2 199 1 983 4 400 1 746 5 341 5 746
Rennes 58 795 59 510 6 812 5 605 2 588 3 278 13 216 10 877 3 606 3 732 6 522 5 278 2 055 4 648 14 630 15 296
Rouen 24 574 27 045 3 904 2 547 1 874 1 490 5 590 4 943 1 421 1 696 3 204 2 399 3 030 2 112 5 587 6 952
Strasbourg 43 177 37 109 3 968 3 495 2 151 2 044 6 040 6 782 2 301 2 327 2 795 3 291 475 2 899 6 579 9 538
Toulouse 62 392 62 418 6 333 5 879 2 813 3 438 10 360 11 408 3 428 3 914 8 274 5 536 4 022 4 875 15 890 16 044
Versailles 89 738 91 770 7 091 8 644 6 443 5 055 13 546 16 773 7 358 5 755 11 321 8 139 12 083 7 168 19 311 23 588

23
Remarque : les nombres en rouge sont les effectifs théoriques que nous avons calculés.

24
 Annexe 2
Contributions des
fréquences actives
Distance
Poids
Libellé de la variable à Axe 1 Axe 2 Axe 3 Axe 4
relatif
l'origine
Universités 54,99 0,00785 1,30 24,76 7,96 8,58
IUT 5,18 0,17386 21,88 3,14 1,64 16,05
IUFM 3,03 0,07274 3,87 0,11 2,65 0,04
STS 10,05 0,06292 12,10 6,48 0,61 19,84
CPCGE 3,45 0,04695 3,18 0,05 0,49 0,02
Écoles d'ingénieurs 4,88 0,15534 0,90 38,29 8,65 44,96
École de commerce 4,29 0,27322 14,43 7,53 67,60 2,31
Autres 14,13 0,12060 42,34 19,64 10,41 8,19

Cosinus carrés des

fréquences actives
Distance
Poids
Libellé de la variable à Axe 1 Axe 2 Axe 3 Axe 4
relatif
l'origine
Universités 54,99 0,00785 0,10 0,63 0,17 0,10
IUT 5,18 0,17386 0,77 0,04 0,02 0,09
IUFM 3,03 0,07274 0,56 0,01 0,11 0,00
STS 10,05 0,06292 0,61 0,11 0,01 0,16
CPCGE 3,45 0,04695 0,62 0,00 0,03 0,00
Écoles d'ingénieurs 4,88 0,15534 0,04 0,56 0,10 0,30
École de commerce 4,29 0,27322 0,39 0,07 0,53 0,01
Autres 14,13 0,12060 0,79 0,13 0,06 0,02

Contributions des individus

actifs
Distance
Identificateu Poids
à Axe 1 Axe 2 Axe 3 Axe 4
r relatif
l'origine
Aix-Marseille 4,58 0,03419 0,42 11,76 0,21 0,12
Amiens 1,92 0,13498 0,04 21,89 0,24 0,04
Besançon 1,54 0,07547 1,03 7,16 0,32 0,01
Bordeaux 4,74 0,02922 0,64 9,28 0,48 0,18
Caen 1,67 0,05643 2,18 0,05 1,41 1,92
Clermont 1,94 0,01187 0,61 0,02 0,33 0,00
Corse 0,25 0,12463 0,22 0,96 0,95 0,20
Créteil 5,55 0,04131 3,38 0,37 10,82 0,16
Dijon 1,87 0,02189 0,87 0,09 0,38 1,20
Grenoble 3,77 0,05118 0,50 0,09 0,12 30,34
Lille 7,00 0,00976 0,82 0,91 0,62 0,00
Limoges 0,99 0,07977 1,86 0,45 1,05 0,90
Lyon 6,84 0,01881 0,35 0,27 1,40 18,35

25
Montpellier 4,04 0,04769 1,46 9,96 1,21 0,12
Nancy-Metz 3,58 0,03663 0,85 7,23 1,38 1,09
Nantes 4,87 0,03549 0,00 10,74 0,89 2,41
Nice 2,36 0,07955 0,20 6,70 8,80 2,84
Orléans 2,61 0,04844 2,89 0,02 0,06 3,70
Paris 13,36 0,18319 74,91 0,30 5,36 2,03
Poitiers 2,04 0,04505 1,72 2,46 0,56 0,85
Reims 1,82 0,14758 0,04 0,27 23,73 8,65
Rennes 4,86 0,02485 1,50 3,27 2,37 0,01
Rouen 2,21 0,04297 0,67 0,64 6,41 0,38
Strasbourg 3,03 0,06168 2,34 2,13 7,10 3,49
Toulouse 5,09 0,01595 0,08 2,35 0,01 7,25
Versailles 7,49 0,04292 0,44 0,61 23,80 13,77

26
 Cosinus carrés des individus actifs
Poids Distance à
Identificateur Axe 1 Axe 2 Axe 3 Axe 4
relatif l'origine
Aix-Marseille 4,58 0,03419 0,09 0,83 0,01 0,00
Amiens 1,92 0,13498 0,00 0,93 0,01 0,00
Besançon 1,54 0,07547 0,28 0,68 0,02 0,00
Bordeaux 4,74 0,02922 0,15 0,74 0,03 0,01
Caen 1,67 0,05643 0,73 0,01 0,14 0,10
Clermont 1,94 0,01187 0,84 0,01 0,13 0,00
Corse 0,25 0,12463 0,22 0,34 0,28 0,03
Créteil 5,55 0,04131 0,47 0,02 0,43 0,00
Dijon 1,87 0,02189 0,67 0,03 0,09 0,15
Grenoble 3,77 0,05118 0,08 0,01 0,01 0,79
Lille 7,00 0,00976 0,38 0,15 0,08 0,00
Limoges 0,99 0,07977 0,75 0,06 0,12 0,06
Lyon 6,84 0,01881 0,09 0,02 0,10 0,72
Montpellier 4,04 0,04769 0,24 0,57 0,06 0,00
Nancy-Metz 3,58 0,03663 0,21 0,61 0,10 0,04
Nantes 4,87 0,03549 0,00 0,68 0,05 0,07
Nice 2,36 0,07955 0,03 0,39 0,43 0,08
Orléans 2,61 0,04844 0,73 0,00 0,00 0,15
Paris 13,36 0,18319 0,97 0,00 0,02 0,00
Poitiers 2,04 0,04505 0,60 0,30 0,06 0,05
Reims 1,82 0,14758 0,00 0,01 0,80 0,16
Rennes 4,86 0,02485 0,39 0,30 0,18 0,00
Rouen 2,21 0,04297 0,23 0,07 0,62 0,02
Strasbourg 3,03 0,06168 0,40 0,13 0,35 0,09
Toulouse 5,09 0,01595 0,03 0,32 0,00 0,45
Versailles 7,49 0,04292 0,04 0,02 0,68 0,22

Bibliographie indicative
L'Analyse des données: Mode d'emploi, méthodes et études de cas
Thierry Foucart (1997)

Probabilités, analyses des données et statistiques

Gilbert Saporta (2006)

Analyse des données qualitatives

A-Michael Huberman et Matthew-B Miles (2003)

Analyses factorielles simples et multiples : objectifs, méthodes et interprétation

Brigitte Escofier et Jérôme Pagès (2008)
27
28