Académique Documents
Professionnel Documents
Culture Documents
Introduction
i 1 2 3 : : : n
1 0 1 0 0 n1
X1
m1 1 0 0 0
1 1 1 0 0
Xp
mp 0 0 0 1 nm
p p p p np
Lanalyse des correspondances multiples est une gnralisation de lanalyse des correspondances (simples) permettant dtudier Exemple Correspondance plus de 2 variables qualitatives. Elle permet donc dtudier les liaisons qui existent entre plusieurs Acc Acc Acc variables qualitatives sur une mme population. id 1 2 3 1 0 0 0 Lorsque les variables tudies ne sont pas qualitatives, il est tou2 0 0 0 3 0 0 0 jours possible dutiliser lAFCM en transformant les variables 4 0 0 0 27 1 0 0 quantitatives en variables qualitatives en regroupant les valeurs des 28 0 1 0 Marg variables initiales en classes. 6 4 7 e
active
Tableau des correspondances mod_ Acc 4 0 1 1 1 0 0 7 Acc 5 1 0 0 0 0 0 4 Fidnon 0 0 0 0 1 1 11 Fidnsp 0 1 1 1 0 0 13 Fidoui 1 0 0 0 0 0 4 Prixnon 0 0 0 0 1 1 18 Prix -oui 1 1 1 1 0 0 10 Rep -non 0 0 0 0 0 0 5 Rep -nsp 0 0 0 1 0 1 7 Rep -oui 1 1 1 0 1 0 16 Satis fnon 0 0 0 0 1 1 13 Sati sfoui 1 1 1 1 0 0 15 Marg e active 5 5 5 5 5 5 140
Rsum
Proportion d'inertie
X1
:::
:::
Xp
a
1 : : : i : Rparation : :
Satisfaction Accueil Prix Fidlit
Dimension Inertie peut Khi-deux Expliqubeaucoup Cumul Ecart-type 2 Le tableau Correspondence prcdent tre Sig. vu (avec dimagination) Multiple Corres 1 Multiple ,539 ,270 ,270 ,036 -,105 2 ,324contingence entre ,162 ,432 ,050 comme un tableau de la variable individus et Rcapitulatif du trait 3 ,491traitement ,242 ,553 Rcapitulatif du des observations ,121 4 variable une m modalits X. ,472 ,223 ,111 ,664 5 ,459 ,211 ,105 ,769 Observations On une analyse des correspondances (simples) de valides 6 procde alors ,423 ,179 ,090 ,859 Observations valides actives 7 28 ,370 ,137 ,069 ,927 actives ce tableau. 8 ,272 ,074 ,037 ,965 Observations actives Observations actives 9 ,221 ,049 ,024 ,989 On considre le nuage N .I / 0 des individus et le nuage Navec .J /valeurs des avec valeurs ,149 10 ,022 ,011 1,000 manquantes Total manquantes 2,000 280,000 1,000(a) 1,000 1,000 (modalits) des variables. Observations Observations a 378 degrs de libert supplmentaires 0 Total Linertie des points colonnes(a) supplmentaires des nuages est : Caractristiques
: : :0 : : :
0 0 0 0
N 5 5 5 5 5
Pourcentage Total
28
In28 D
2 -,745 -1,153 Inertie ,157 ,171
Contribution
Total
Exemple
a. Limit aux 5 premires observations Rcapitulatif des observations Satisfaction Rparation Rep-oui Rep-oui Rep-oui Rep-nsp Rep-nsp Accueil 5 4 4 4 4
a
1 2 3 4 5
100,0% Cest--dire, le nombre moyen de modalits 1.,143 Acc 3 j moins ,050 ,344 ,558 ,150 ,011 ,048des X ,040 ,104 Historique des itrations Acc 4 ,050 -1,033 ,499 ,150 ,099 ,356 ,083 ,439 100,0% En gnral, les taux dinertie explique par ,038 chaque axe propre sont Acc 5 ,029 -,669 ,422 ,171 ,024 ,016 ,075 ,030 ,104 Fid-non ,079 ,280 -1,081 ,121 ,011 ,283 ,051 ,756 ,807 trs infrieurs aux taux de lAFC. Fid-nsp ,093 ,209 ,879 ,107 ,008 ,221 ,038 ,670 ,707 Variance explique Fid-oui ,029slection -1,449 ,116 axes ,171 ,111 ne retenir ,001 ,350 ,002 ,352 Nombre Un critre de des est de que les axes corNombre Total Variance Augmentatio Prix-non ,129 ,606 Explique -,056 ,071 ,087 ,001 ,660 ,006 d'itrations ,666 d'itrations n Perte Prix -oui ,071 -1,090 ,101 ,129 suprieures ,157 ,002 1=p ,660 . ,006 ,666 respondants aux valeurs propres 15(a) 15(a) 2,159490 ,000009 2,840510
Rep-non Rep-nsp ,036 ,050 ,093 ,107 1,000 1,025 1,111 -,428 ,164 ,150 ,107 ,070 ,096 ,128 ,136 ,028 ,014 ,012 1,000 ,229 ,345 ,646 ,646 ,268 ,061 ,042 ,042 ,497 ,406 ,688 ,688 -1,017
Exemple Satisf-non
Satisf-oui Total actif
a Le processus a Le processus,114 d'itration s'est interrompu car la valeur test de la convergence atteinte. d'itratio Rep-oui ,124 -,160 ,086 ,003 ,009 ,021 ,034 a t,055
du -,748 Rcapitulatif -,190 ,093 2,000
,864 ,219
modle ,111
1,000
a Normalisation principale
Variance explique Pourcentage de variance Inertie explique ,539 53,936 ,324 32,444 ,864 ,432 43,190
Alpha d Cronba ,7 ,4
,671
On peut alors reprsenter les p variables Xj dansun tableau lo- a La valeur Alpha de Cronbach moyenne est base sur la valeur propre moyenne. a La valeur Alpha de Cro gique ou tableau disjonctif complet : 4. Interprtation dune AFCM Linterprtation dune AFCM est assez semblable celle dune Mesures de discrimination X1 Xp Mesures de dis AFC. i 1 m1 1 mp Elle repose surMesures linterprtation des axes puis des proximits entre de discrimination Mesu 1 0 1 1 0 les diffrentes modalits des variables. 2 1 0 1 0 Dimension Linterprtation des axes est faite comme en AFC, en se basant sur 3 0 0 0 0 1 2 Moyenne les contributions. Satisfaction ,646 ,042 ,344 : Satisfaction : On utilise aussi la contribution dune Rparation : ,455 ,279 variable ,367 : Rparation X Accueil ,584 ,473 ,528 Accueil n 0 0 0 1 CTR ,660 .Xj / D ,006 CTR .k/ Prix ,333 Prix La somme de chaque ligne est gale p , nombre de variables Xj . La somme de chaque colonne correspond leffectif marginal nk de chaque modalit k . On obtient alors le tableau :
Fidlit Total actif variance explique ,351 2,697 ,823 k 2Xj 1,622 ,587 2,159 43,190
discr.Xj ; / D p
CTR .Xj / 6 1
Vincent Jalby Universit de Limoges M1 Management de lInnovation - Analyse des donnes 2012-2013 VI. Analyse des correspondances multiples (AFCM) Page 1
Dimension 1 2
Variance explique Pourcentage Total (valeur de variance propre) Inertie explique 2,697 ,539 53,936 1,622 ,324 32,444
Total la variance des coordonnes Elle correspond de la variable sur 4,319 ,864 Moyenne ,671(a) 2,159 ,432 43,190 laxe.
Exemple
a La valeur Alpha de Cronbach moyenne est base sur la valeur propre moyenne.
Exemple
Mesures de discrimination
Mesures de discrimination Dimension 1 Satisfaction Rparation Accueil Prix Fidlit Total actif Pourcentage de variance explique ,646 ,455 ,584 ,660 ,351 2,697 53,936 2 ,042 ,279 ,473 ,006 ,823 1,622 32,444 Moyenne ,344 ,367 ,528 ,333 ,587 2,159 43,190
Exemple
X 3 X 2
X 3
X 4 X 1
X 5
6. Conseils dutilisation
On interprte ensuite le graphique principal en tenant compte des proximits entre les modalits des variables. Pour chaque variable, on regardera surtout laxe pour lequel la discrimination est la plus forte.
Exemple
Linterprtation dune AFCM est souvent dlicate et peut tre fausse par des variables trop htrognes . Il est donc souvent ncessaire de procder plusieurs analyses (informatiques) pour obtenir des rsultats plus facilement interprtables.
Effectif des modalits
Elle est donc dautant plus forte que leffectif de la modalit est faible. De nombreuses modalits faible effectif peuvent donc dsquilibrer une AFCM. Il est prfrable de limiter le nombre de modalits faible effectif, quitte rednir les modalits.
Nombre de modalits
Linertie apporte au nuage par une variable est : Il est aussi possible de reprsenter les individus en les tiquetant par une variable stratgique. In.Xj / D mi p 1
Elle est donc dautant plus importante que le nombre de modalits de la variable est important.
Vincent Jalby Universit de Limoges M1 Management de lInnovation - Analyse des donnes 2012-2013 VI. Analyse des correspondances multiples (AFCM) Page 2
Il est donc conseill de travailler avec des variables ayant des modalits en nombre comparable.
Factorisation > Codage Optimal > (ACM) Cette mthode produit une AFCM classique. Elle sapplique sur les tableaux des variables codes en valeurs entires (1; 2; : : : ). Il est possible de mettre des variables supplmentaires (hors analyse). Les rsultats sont assez sommaires et se limite ltude des discriminations et des graphiques des modalits.
AFC du tableau de contingence
Factorisation > Analyse des correspondances Elle consiste faire une AFC sur le tableau disjonctif donnant une AFCM la franaise. SPSS ne grant pas (directement) les tableaux de contingence, on transforme les variables en une unique variable dont les modalits sont la runion des modalits des variables initiales. Les rsultats obtenus sont exhaustifs, identiques ceux obtenus via la prcdente procdure, condition de choisir une normalisation Principale.
ACP catgorielle
Factorisation > Codage Optimal > (ACP Nominale) Adapt pour effectuer une analyse de type AFCM sur des variables quantitatives qui seront discrtises. On peut aussi lutiliser sur des variables qualitatives, en particulier ordinales. Les rsultats sont trs exhaustifs et sapparentent ceux obtenus avec les autres mthodes. Cette mthode offre de nombreuses options de transformation des variables et de mises en points supplmentaires.
Vincent Jalby Universit de Limoges M1 Management de lInnovation - Analyse des donnes 2012-2013 VI. Analyse des correspondances multiples (AFCM) Page 3