Académique Documents
Professionnel Documents
Culture Documents
1. INTRODUCTION. Lanalyse en composantes principales (Hotelling, 1933) est une mthode descriptive qui a pour but lanalyse des tableaux de donnes qui ne prsentent pas de structure particulire, cest dire, des observations ne comportant priori aucune distinction, ni entre variables, ni entre individus. lobjectif de lACP est de rsumer linformation contenue dans un tableau, constitu souvent dun nombre lev de lignes et de colonnes, en quelques reprsentations graphiques deux dimensions, plus un certain nombre de caractristiques numriques destines faciliter. LACP est utilise Dans le cas plusieurs individus (n individus) mesurs par rapport un grand nombre de variables mtriques X1, X 2,....,X p . Ces variables sont la plupart du temps corrles entre elles et dtiennent des parts peu prs gales dexplication des variations observes dans les donnes.
De point de vue gomtrique, le nuage de points reprsentant les donnes sinscrit dans un espace p dimensions puisque chaque
point reprsente un individu mesur par rapport X1, X 2,....,X p , ce qui est pratiquement impossible reprsenter. En plus la dispersion du nuage de points sur les diffrentes dimensions est peu prs gale. Pour rsoudre le problme, lACP effectue une simple rotation des axes pour obtenir de nouveaux axes appels composantes qui sont non corrles et sont variance ordonne. Pour illustrer le principe de lACP, considrons le cas dun nuage de points hypothtiques pour 2 variables normales centres rduites (moyennes nulles et variances unitaires) X1 et X 2 .
Figure 1 : Nuage de donnes hypothtiques dans un espace 2 dimensions Chaque point reprsente un individu mesur par rapport X1 et X 2 , on voit bien une corrlation positive entre les 2 variables . La variance totale, V( X1 )+V( X 2 )=2, est partage peu prs galement entre X1 et X 2 .
Lanalyse en composantes effectue une rotation rigide des axes pour obtenir deux nouveaux axes Y1 et Y2 appels composantes. La figure 2 indique que cest selon Y1 que la variation dans les donnes est maximale, tandis quelle est minimale selon Y2. Les 2 composantes sont non corrles, la dispersion sur Y1 est beaucoup plus forte que celle sur Y2 les composantes sont donc variance ordonne.
Figure 2 : Rotation orthogonale des axes dans un espace 2 dimensions De faon gnrale, lanalyse en composantes principales permet dobtenir de nouvelles variables, appeles composantes, qui seront non corrles et variance ordonne. Un petit nombre de ces composantes permettra souvent dexpliquer la plus grande partie de la variance observe. Ce petit nombre de ces composantes sont appeles composantes principales.
2. CALCUL ET INTERPRETATION DES COMPOSANTES. On dispose de n individus caractriss par p variables mtriques. Les donnes se reprsentent sous la forme dun tableau appel matrice des donnes de dimensions n p. Les p variables sont le plus souvent de nature diffrente, cest la raison pour laquelle les variables seront centres et rduites pour homogniser les units. On remplace les variables initiales par les variables centres rduites correspondantes, lanalyse portera donc sur la matrice X des donnes centres rduites. A partir des variables initiales, lACP consiste calculer des nouvelles variables, appeles composantes et qui sont des combinaisons linaires des variables initiales. Ces composantes sont non corrles et de variance ordonne, un nombre rduit de ces composantes rsume les variables initiales en minimisant la perte dinformation due cette rduction.. On dfinit la premire composante C1 comme une combinaison linaire des variables centres rduites X1, X 2,....,X p :
C1 a11X1 a 21X 2 ...a p1X p Telle que la variance de C1 soit maximale. La deuxime composante C2 est aussi une combinaison linaire des mmes variables : C2 a12X1 a 22X 2 ...a p2X p telle que C2 est non corrle avec
C1 corrlation ( C1, C2 ) = 0, et C2 possde la variance maximale parmi toutes les combinaisons linaires qui ne sont pas corrles avec C1 . Il en est ainsi pour les autres
composantes C3, C4,....,Cp , chacune d'elles ayant variance maximale parmi toutes les combinaisons linaires de X1, X 2,....,X p qui ne sont pas corrles avec les composantes prcdentes. On dmontre que les variances correspondant aux composantes sont les valeurs propres positifs de la matrice de corrlation et les vecteurs propres correspondants fournissent les coefficients tre attribues aux variables X1, X 2,....,X p pour constituer ces combinaisons linaires appeles composantes. Les composantes sont toujours de moyennes nulles et de variances gales aux valeurs propres ordonns : 1 2 ..... p 0 . i la valeur propre exprime en pourcentage indique le p pourcentage de la variance totale explique par la composante Ci . Ces pourcentages cumuls
1 1 2 1 2 3 , , , etc. indiquent le p p p
pourcentage de la variance totale explique par la premire composante, les deux premires composantes, les trois premires composantes, etc. 3. INTERPRETATION DES RESULTATS DE LACP. Le principe dune ACP est donc de remplacer les variables initiales, gnralement corrles, par des variables non corrles de variances progressivement dcroissantes, les premires pouvant faire lobjet dune interprtation particulire et les dernires pouvant tre ngliges. Lanalyse en composantes principales passe par les tapes suivantes :
3.1. Reprage des observations aberrantes. Les individus pour lesquels des donnes sont manquantes, aussi les donnes aberrantes ou extrmes influencent la moyenne et la variance et risquent de fausser lanalyse, do la ncessit de leur limination. 3.2. Matrice de corrlation des variables initiales. Lanalyse de la matrice de corrlation permet didentifier des groupes de variables corrles entre elles. Plus on identifie de corrlation, plus lACP donnera des axes factoriels reprsentatifs des observations et donc une forte reprsentation de linformation par les axes. 3.3. Choix des composantes principales. Une rgle empirique, celle-ci due Cattell (1966) et appele test du talus (scree test) se fonde sur le graphique des valeurs propres de R en fonction de leur rang; habituellement, la dcroissance est rapide au dbut et lente par la suite. On retiendra les composantes dont les valeurs propres correspondantes sont audessus de la droite joignant les dernires valeurs propres. Par exemple, si le graphique avait lallure suivante:
Valeur propre
0 1 2 3 4 5 6 7 8 9
Numro de composant
on aurait retenu une seule composante selon Cattell, et 4 selon Kaiser. 3.4. Interprtation des axes factoriels. On se base sur les corrlations entre les composantes principales et les variables initiales, ces corrlations peuvent tre reprsentes par un graphique appel cercle de corrlation. On cherche les variables initiales qui sont fortement corrles avec les axes, ce qui permet de donner une interprtation aux axes. Il faut regarder le niveau de corrlation de la variable avec laxe ainsi que le sens de la corrlation (positive ou ngative). 3.5. Reprsentation des individus. Les coordonnes en composantes (factor scores), c'est--dire les cordonnes des individus sur les composantes principales C1, C2,....,Cr , o r p, peuvent tre reprsents graphiquement afin examines afin dtablir dune part des liens entre les variables et les individus et dautre part, effectuer une typologie.
4. APPLICATION NUMERIQUE. Etude du comportement bancaire des clients dune banque. Une agence bancaire ralise une tude visant mieux connatre la situation et le comportement de sa clientle partir des donnes figurant dans ses fichiers informatiques de gestion. Elle a constitu un chantillon de 50 clients titulaires dun compte courant appartenant des mnages diffrents. Pour dcrire lchantillon, lagence a relev 11 variables quantitatives exprimant leur comportement bancaire :
SOLDE : Solde moyen du compte. CHEQUE : Montant moyen des chques tirs lors du dernier semestre. NB_DEC : Nombre de mois avec dcouvert lors de lanne prcdente. MT_DEC : Montant cumul des dcouverts lors de lanne prcdente. NB_PR : Nombre de produits de la banque utiliss en plus du compte courant. NB_EMP : Nombre demprunts divers effectus lors des cinq dernires annes. MT_EMP : Montant total des emprunts effectus lors des cinq dernires annes. P_VA_D_E : Pourcentage de variation des dpts dpargne pour les douze derniers mois. MT_DEP_E : Montant total des dpts sur les comptes dpargne effectus lors de lanne prcdente. MT_RET_E : Montant total des retraits sur les comptes dpargne effectus lors de lanne prcdente. P_VA_R_E : Pourcentage de variation des retraits sur les comptes dpargne pour les douze derniers mois.
La procdure SPSS pour effectuer lanalyse en composantes principales est la suivante : - Analyse Factorisation Analyse factorielle - Dans Variables, slectionner toutes les variables mtriques factoriser. - Dans Caractristiques, cocher caractristiques uni varies et coefficients de corrlation. - Dans Extraction, cocher Graphique des valeurs propres et dans nombre de facteurs saisissez 2. - Dans Facteurs, cocher Enregistrer dans des variables. - Dans Rotation, cocher Carte factorielle. - Dans Option, cocher Classement des variables par taille et Supprimer les valeurs absolues infrieures 0,10 ; ceci permettra de slectionner les variables les plus importantes et cacher celles qui nexpliquent pas les dimensions. Les rsultats de lanalyse sont :
SOLDE CHEQUE NB_DEC MT_DEC NB_PR NB_EMP MT_EMP P_VA_D_E MT_DEP_E MT_RET_E P_VA_R_E
En rapportant lcart type la moyenne, on peut conclure que toutes les variables sont trs disperses, ce qui indique un comportement trs htrogne des clients. b) Matrice de corrlation des variables initiales.
SOLDE CHEQUE NB_DEC MT_DEC NB_PR NB_EMP MT_EMP P_VA_D_E MT_DEP_E MT_RET_E P_VA_R_E Corrlation SOLDE 1,000 ,450 -,293 -,223 ,087 -,130 -,138 ,634 ,704 -,154 -,295 CHEQUE ,450 1,000 -,256 -,239 ,244 ,129 ,095 ,247 ,346 ,067 -,088 NB_DEC -,293 -,256 1,000 ,745 -,346 -,075 -,218 -,409 -,425 -,216 ,066 MT_DEC -,223 -,239 ,745 1,000 -,136 -,090 ,027 -,282 -,310 -,054 ,191 NB_PR,087 ,244 -,346 -,136 1,000 ,393 ,805 ,217 ,067 ,709 ,063 NB_EMP -,130 ,129 -,075 -,090 ,393 1,000 ,411 -,100 -,165 ,343 -,066 MT_EMP -,138 ,095 -,218 ,027 ,805 ,411 1,000 -,083 -,214 ,847 ,253 P_VA_D_E ,634 ,247 -,409 -,282 ,217 -,100 -,083 1,000 ,890 -,089 -,348 MT_DEP_E ,704 ,346 -,425 -,310 ,067 -,165 -,214 ,890 1,000 -,207 -,393 MT_RET_E -,154 ,067 -,216 -,054 ,709 ,343 ,847 -,089 -,207 1,000 ,169 P_VA_R_E -,295 -,088 ,066 ,191 ,063 -,066 ,253 -,348 -,393 ,169 1,000
Dans lensemble, les variables sont faiblement corrles entre elles. On note cependant une corrlation relativement forte entre Pourcentage de variation des dpts dpargne pour les douze derniers mois et montant total des dpts sur les comptes dpargne effectus lors de lanne prcdente. c) Choix des composantes principales.
SPSS a calcul 11 composantes, la premire a une valeur propre , cest dire variance de 3,436 qui reprsente 31,237 % de la variance totale des variables initiales. Les 2 premires composantes contribuent, ensemble, 58,844 % de la variance initiale.
Valeur propre
0 1 2 3 4 5 6 7 8 9 10 11
Numro de composant
Selon le graphique des valeurs propres, on peut retenir deux composantes principales. En effet, la diffrence de variance entre la deuxime composante et la troisime est trs importante.
1,000
,557
1,000
,365
1,000
,806
1,000
,314
1,000
,877
1,000
,730
1,000
,840
1,000
,792
1,000
,258
La qualit de reprsentation exprime la part de la variance des variables initiales qui est restitue par les composantes retenues. Ainsi les deux composantes contribuent 63,2% de la variance du solde moyen du compte courant. Les deux composantes sont suffisantes pour synthtiser les variances de la majorit des variables. Les variables pourcentage de variation des retraits sur les comptes dpargne pour les douze derniers mois, nombre demprunts divers effectus lors des cinq dernires annes, montant cumul des dcouverts lors de lanne prcdente et montant moyen des chques tirs lors du dernier semestre ne sont pas bien prises en compte par les deux composantes retenues, ce qui suggre lexistence dune ou plusieurs autres composantes principales pertinentes. d) Interprtation des axes factoriels.
Composante 1 montant total des dpts sur les comptes d'pargne effectus lors de l'anne prcdante (en milliers) pourcentage de variation des dpts d'pargne pour les 12 derniers mois solde moyen du compte courant nombre de mois avec dcouvert sur le compte courant lors de l'anne prcdante montant cumul des dcouverts sur le compte couranr lors de l'anne prcdante (en milliers) montant moyen des chques tirs lors du dernier semestre pourcentage de variation des retraits sur les comptes d'pargne pour les 12 derniers mois montant total des emprunts effectus lors des 5 dernires annes (en milliers) montant total des retraits sur les comptes d'pargne effectus lors de l'anne prcdante (en milliers) nombre de produits de la banque utiliss en plus du compte courant nombre d'emprunts divers effectus lors des 5 dernires annes 2
,891
-,217
-,660
-,349
-,583
-,157
,518
,181
-,445
,244
,934
,888
,250
,862
,560
Diagramme de composantes
1,0 mt_emp mt_ret_e nb_pr
Composante 2
-,5
Composante 1
La matrice des composantes ou le diagramme des composantes, indiquent les corrlations des variables initiales avec les composantes principales. Ainsi la premire composante est fortement corrle positivement avec Montant total des dpts sur les comptes dpargne effectus lors de lanne prcdente, Pourcentage de variation des dpts dpargne pour les douze derniers mois et Solde moyen du compte. Elle est corrle ngativement avec Nombre de mois avec dcouvert lors de lanne prcdente et Montant cumul des dcouverts lors de lanne prcdente. On peut donc conclure que la premire composante met en opposition deux catgories de clients de comportements totalement oppos, dun ct, une catgorie de
clients quon peut qualifier dpargnants et dun autre ct, une deuxime catgorie de clients quon peut qualifier de dpensiers. La deuxime composante est fortement corrle avec Nombre demprunts divers effectus lors des cinq dernires annes, Montant total des retraits sur les comptes dpargne effectus lors de lanne prcdente et Nombre de produits de la banque utiliss en plus du compte courant. On peut comprendre de ces trois variables quil sagit dun comportement dinvestissement. Cette deuxime composantes principales permet de distinguer une troisime catgories de clients quon peut qualifier dinvestisseurs. e) Reprsentation des individus. La procdure SPSS pour laborer le graphe des individus est la suivante : - Slectionner dans le menu Graphes, Diagramme de disperssion. - Cliquer sur dfinir. - Faire glisser la variable REGR Factor Score 1 dans laxe X et REGR Factor Score 2 dans laxe Y. - Faire glisser la variable CLIENT vers tiqueter les observations par afin dafficher les numros des clients. - Cliquer sur Options et cocher Afficher le diagramme avec les tiquettes dobservations .
11 3
46 2 20 41 6 45 4 37 23 28 85 29 47 39 33 31 35 36 25 32 16 50 24 19 15 13 43 9 17 48 34 44 38 2 42 18 21 40 26 22 49 12 30 27
0 10 -1 7 1 3
14
-2 -3 -2 -1 0 1 2 3
Le graphe des individus indique que les clients 30 et 27 reprsentent les plus grands pargnants, les clients 10 et 14 sont des grands dpensiers alors que les clients 11 et 46 sont des grands investisseurs. Les clients proches du barycentre sont des clients dont le comportement nest pas trs bien dfinit.