Analyse en Composante Principale (ACP)

L'ACP est une méthode statistique exploratoire et descriptive multidimensionnelle appartenant à la famille des méthodes factorielles. Elle
s’intéresse à des tableaux de données rectangulaires de nature quantitative avec des lignes d'individus et des colonnes de variables. L'objectif de
l'analyse en composantes principales est de synthétiser, résumer et hiérarchiser les informations contenues dans ces tableaux. Pour ce faire,
l'ACP fournit des graphiques (nuages d'individus, nuages de variables) qui permettent de visualiser les données, de mesurer la qualité de la
projection à l’aide du pourcentage d'information ou le pourcentage d'inertie, de mesurer la qualité de la représentation et la contribution d'un
individu ou d'une variable à la construction d'un axe.

Les variables utilisées pour faire l’ACP sont :

AGE :
SBES : Score de bien-être subjectif, plus le score est élevé, plus l’enquêtée est satisfaite globalement de sa vie
StanSSW : a demander a Surpris
StanSPANEB: Balance des Affects (évaluation émotionnelle). Pour un score situé dans l’intervalle [0 ; 0.5], ce sont les affects négatifs qui
dominent le plus les émotions de l’individu ; pour un score situé dans l’intervalle [0.5 ; 1], ce sont les affects positifs qui dominent le plus ses
émotions. 
TotMenaj : Nombre de personne dans le ménage
NVie : Niveau de vie. Il est calculé en divisant le revenu disponible du ménage par le nombre d’unités de consommation.
StandSKonMetodPF : Niveau de connaissance des méthodes de contraception
StandSItilMetodPF : Niveau d’utilisation des methodes PF
VizPrenatal : Nombre de visite prénatal
Fecondite : Nombre de naissances vivantes des participantes

Code R pour la lecture du fichier de données

> swb <- read.csv("C:/Users/Shedna Italis/Desktop/TextAnalysis/SubWB.csv", quote = "", header=TRUE)
> dim(swb)
[1] 102 13

1. Justification de l’ACP
La corrélation de certaines variables du tableau de données justifie l’utilisation de l’ACP. Pour vérifier cette corrélation, il nous faut le tableau de
corrélation entre les variables quantitatives. Analysons le tableau suivant :
> tabcor <- cor(swb[,2:13])
> round(tabcor, 2)
Age SBES StanSSWL StanSPANEB TotMenaj NVie StandSKonMetodPF StandSItilMetodPF VizPrenatal Fecondite RIVG SSNCSR
Age 1.00 0.02 -0.06 0.08 -0.12 0.22 -0.14 0.01 0.25 0.06 -0.12 0.29
SBES 0.02 1.00 0.77 0.81 -0.29 0.27 -0.02 -0.05 0.03 0.13 -0.07 0.14
StanSSWL -0.06 0.77 1.00 0.25 -0.19 0.11 0.19 -0.16 0.04 0.11 0.07 0.11
StanSPANEB 0.08 0.81 0.25 1.00 -0.26 0.31 -0.19 0.08 0.01 0.11 -0.17 0.11
TotMenaj -0.12 -0.29 -0.19 -0.26 1.00 -0.37 0.21 -0.02 0.05 -0.07 0.06 0.06
NVie 0.22 0.27 0.11 0.31 -0.37 1.00 -0.09 0.05 0.00 0.15 -0.02 0.01
StandSKonMetodPF -0.14 -0.02 0.19 -0.19 0.21 -0.09 1.00 -0.15 -0.03 -0.07 0.08 -0.04
StandSItilMetodPF 0.01 -0.05 -0.16 0.08 -0.02 0.05 -0.15 1.00 0.19 0.12 -0.11 0.25
VizPrenatal 0.25 0.03 0.04 0.01 0.05 0.00 -0.03 0.19 1.00 -0.36 -0.13 0.68
Fecondite 0.06 0.13 0.11 0.11 -0.07 0.15 -0.07 0.12 -0.36 1.00 -0.14 0.27
RIVG -0.12 -0.07 0.07 -0.17 0.06 -0.02 0.08 -0.11 -0.13 -0.14 1.00 -0.29
SSNCSR 0.29 0.14 0.11 0.11 0.06 0.01 -0.04 0.25 0.68 0.27 -0.29 1.00

Les variables SBES, StanSSWL, StanSPANEB, VizPrenatal, SSNCSR sont très corrélées linéairement positivement entre elles. Certaines variables
sont corrélées négativement c’est le cas de Fecondite et VizPrenatal. Donc, l’utilisation de l’ACP est justifiée par la corrélation de ces variables.

2. Détermination des composantes principales

> Ana_ACP <- PCA(swb[,2:13])
> Ana_ACP$eig
eigenvalue percentage of variance cumulative percentage of variance
comp 1 2.6945354578 22.454462148 22.45446
comp 2 2.0110696520 16.758913767 39.21338
comp 3 1.5101597723 12.584664769 51.79804
comp 4 1.2303606958 10.253005798 62.05105
comp 5 1.0315428674 8.596190562 70.64724
comp 6 0.9007093673 7.505911394 78.15315
comp 7 0.8048487138 6.707072615 84.86022
comp 8 0.7156091573 5.963409644 90.82363
comp 9 0.5644695502 4.703912918 95.52754
comp 10 0.4411291241 3.676076034 99.20362
comp 11 0.0953596746 0.794663955 99.99828
comp 12 0.0002059674 0.001716395 100.00000

Selon le critère de Kaiser qui consiste à retenir les composantes principales de variance (valeurs propres) > 1, on retient 5 composantes
principales qui expliquent 70.65% de l’inertie.
3. Interprétation des composantes principale
Interprétation des composantes principales retenues à l’aide des variables initiales Pour interpréter les composantes principales retenues à
l’aide des variables initiales on va faire l’étude des corrélations entre composantes principales et variables initiales. Pour ce faire, le programme
R suivant permet de produire plusieurs résultats.
$cor
Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
Age 0.2660282 0.43941912 -0.19348071 -0.30274309 0.55364278
SBES 0.8814942 -0.30465420 0.28672889 0.03536827 -0.15502023
StanSSWL 0.5977122 -0.35473835 0.53515585 0.08909778 0.09946695
StanSPANEB 0.7854501 -0.13784010 -0.05518561 -0.01937390 -0.32676060
TotMenaj -0.4952899 0.17344496 0.37537503 0.33824448 -0.05744959
NVie 0.5057677 -0.07839847 -0.37176421 -0.27656278 0.30963052
StandSKonMetodPF -0.1868647 -0.19642077 0.58155203 0.20872758 0.36942782
StandSItilMetodPF 0.1087846 0.45220004 -0.25049334 0.22611466 -0.45630201
VizPrenatal 0.1806618 0.75316817 0.44362800 -0.34023519 -0.07387899
Fecondite 0.2936771 -0.03319649 -0.37001357 0.75014063 0.33492155
RIVG -0.2547601 -0.38901017 0.14306653 -0.32506769 0.06378029
SSNCSR 0.3753498 0.76245553 0.25850667 0.24374441 0.13699151

La composante 1 est fortement liée de manière positive avec les variables SBES, StanSPANEB et plus ou moins liée avec StanSSWL et Nvie. Elle
est négativement liée à TotMenag.
La composante 2 est fortement liée avec les variables Visite prénatale et SSNCRS
La composante 3 est faiblement liée avec la variable StandSKonMetodPF
La composante 4 est liée à la variable Fecondite
Et la dernière composante est faiblement corrélée avec la variable âge
4. Représentation des individus sur les différentes dimensions
Les individus les mieux représentés sur l’axe 1

> tablecos2=Ana_ACP$ind$cos2
> tablecos2axe1=tablecos2[,1]
> tablecos2axe1[tablecos2axe1>0.5]
28 38 43 80 83 85 88 93 102
0.5380102 0.5162778 0.6999536 0.5289302 0.6173850 0.5016337 0.5369969 0.5349372 0.5537640

Individus mieux représentés sur l’axe 2

tablecos2axe2=tablecos2[,2]
> tablecos2axe2[tablecos2axe2>0.25]
1 2 4 6 13 14 17 19 29
0.2961334 0.5620107 0.4841827 0.6187344 0.3485992 0.3265069 0.6460841 0.4446832 0.3812641
44 46 51 52 53 54 57 62 67
0.3308577 0.3051577 0.3938442 0.4164066 0.3013656 0.5848414 0.4825327 0.5398572 0.5089002
68 70 72 73 74 79 83 87 88
0.5140737 0.3529280 0.3165502 0.4726864 0.3268935 0.3089769 0.2712825 0.3639514 0.2633252
94 97 100 101
0.3461957 0.2831975 0.2658117 0.2994018

Individus mieux représentés sur l’axe 3

tablecos2axe3=tablecos2[,3]
> tablecos2axe3[tablecos2axe3>0.15]
7 9 10 12 13 18 22 23 24
0.1838977 0.2872537 0.2578254 0.2856118 0.1772699 0.1758915 0.4625192 0.1583499 0.1980535
30 41 45 46 47 49 55 56 58
0.2628025 0.5319350 0.2706449 0.2729230 0.2526878 0.2201812 0.1886653 0.4335310 0.2361886
61 63 67 68 70 71 72 73 75
0.1814450 0.2396611 0.2620583 0.1926761 0.3952251 0.3646439 0.1725167 0.2427763 0.2674045
80 82 86 89 91 93 94 95 96
0.2453234 0.1603708 0.3985369 0.8530407 0.2865498 0.1770430 0.2079367 0.4150019 0.2189154
99
0.2178566

Individus mieux représentés sur l’axe 4

tablecos2axe4=tablecos2[,4]
> tablecos2axe4[tablecos2axe4>0.1]
1 5 8 14 15 16 20 21 22
0.1519990 0.1457642 0.1175492 0.2694024 0.3085514 0.1086910 0.3290296 0.2777917 0.1548008
 29 30 32 34 35 36 38 40 44
0.1915985 0.1003051 0.5466105 0.1613920 0.3084802 0.2295033 0.1001419 0.3924359 0.1278473
47 48 50 51 53 55 56 59 69
0.1237353 0.2738851 0.2977740 0.1104369 0.1973867 0.3301478 0.1694869 0.3437527 0.3306180
71 75 76 77 82 86 90 92 95
0.4447897 0.4524215 0.2064261 0.2461499 0.1316207 0.1751481 0.2511197 0.1640490 0.1372970
97 98 101
0.1236730 0.2263278 0.1313631

Individus mieux représentés sur l’axe 5

> tablecos2axe4=tablecos2[,5]
> tablecos2axe4[tablecos2axe4>0.05]
3 5 6 7 8 11 12 15 16
0.33451845 0.39382208 0.05347201 0.10531255 0.08992302 0.19109805 0.56116555 0.07611554 0.16218794
21 24 25 26 29 30 31 32 35
0.13828561 0.31373340 0.09141566 0.08161664 0.06131938 0.36258885 0.05010477 0.07728293 0.44008621
36 37 38 39 40 42 45 48 50
0.06932998 0.13651045 0.05181971 0.36384587 0.36333381 0.17964239 0.29744863 0.05601876 0.08720570
53 54 57 58 60 61 62 68 72
0.08722783 0.05928949 0.16856948 0.07371005 0.40606473 0.06853209 0.16233624 0.11092631 0.18052042
74 79 82 84 87 92 93 96 97
0.14402603 0.09768356 0.29830382 0.17804835 0.08704581 0.07496398 0.07644411 0.11505327 0.14464849
98 99 100 101 102
0.11528103 0.09484405 0.05978418 0.32579479 0.22669303

5. Les contributions des femmes sous PF au premier axe.

$contrib
Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
1 1.7151842947 2.052251732 0.0663943796 1.7217835559 2.780520e-07
2 0.0246031011 3.250192448 0.8836514050 0.3814601306 5.425563e-01
3 2.0895317443 0.083101000 0.1729578506 0.0435893198 4.039580e+00
4 0.7311795306 3.544209030 0.7691299994 0.0461310522 5.068079e-01
5 0.5385971977 0.431044052 0.1603014573 1.6649653418 5.365368e+00
6 0.2146325223 4.642553916 0.0003517481 0.4366207943 7.822022e-01
7 1.6238153964 0.610735555 2.4989519846 0.6462797145 2.095064e+00
8 0.0220757548 1.034550844 0.0337608577 0.8155700954 7.441454e-01
9 3.1878155876 0.034484733 3.7502973797 0.0091072651 2.341019e-03
10 2.2910456257 0.471605784 2.8395179632 1.1535017475 2.007219e-03
11 1.8819600413 0.326554922 0.8249557804 1.0785148712 2.487504e+00
12 0.0421313432 0.019276217 1.7781334859 0.5714641460 5.114637e+00
13 0.7476985366 1.762223043 1.1933662794 0.2474632039 9.476081e-02
14 0.0208719477 1.485041968 0.1735709919 2.0028229334 4.769728e-02
15 0.7426752824 0.829172707 0.0260930963 4.2796393494 1.259210e+00
16 0.6281814563 0.333133182 0.0215486726 0.6007577433 1.069226e+00
17 0.0782192749 3.084053030 0.0054170279 0.7623821994 3.769243e-02
18 2.1911222341 1.469845366 1.5456123535 0.0278532243 2.387824e-01
19 0.5282204900 1.264847746 0.0005747877 0.0025292683 1.678535e-01
20 0.7723386414 1.715160539 1.1493956594 4.5613840153 2.421858e-02
21 1.1324497676 0.018871359 0.8462027648 3.2744845365 1.944222e+00
22 0.1876745918 0.009349276 2.5438193405 1.0450093447 4.691030e-03
23 0.0085199457 0.143363874 0.5894785692 0.1971333896 1.466375e-03
24 1.5543960824 0.006485285 1.5910883997 0.0923457010 3.689845e+00
25 0.6300129117 0.041548216 0.6537244409 0.0573525088 6.749845e-01
26 1.9153508745 1.285570952 0.2122014753 0.9292150069 9.636740e-01
27 0.1158644604 0.052159717 0.0024332083 0.0560157845 2.059295e-01
28 0.9161676890 0.012859180 0.2996169943 0.1510040154 2.102351e-02
29 0.0030509092 1.269737919 0.6337286421 1.0429774938 3.981308e-01
30 0.0286009051 0.002171329 0.9141479660 0.4282529958 1.846448e+00
31 0.4401197764 0.825717744 0.4128253665 0.2959768590 5.293585e-01
32 0.0017549979 0.144613857 0.0045318649 4.2886464361 7.232210e-01
33 0.2196345753 0.358223425 0.0459283985 0.0366224862 1.608111e-01
34 0.3185205678 0.217167235 0.0266849765 0.8727907983 5.125686e-02
35 0.1279776739 0.002157770 0.1132277489 1.4941917671 2.542506e+00
36 0.1629514341 0.638544420 0.2677591372 1.0809800587 3.894889e-01
37 1.1099217098 0.806328717 0.0914489410 0.8309364728 1.462456e+00
38 5.1474253571 0.207441287 0.0013691718 2.1866225099 1.349579e+00
39 0.0879861514 0.311406639 0.0599414809 0.1013918757 1.642077e+00
40 0.0019926661 0.108768592 0.0015789617 1.5205363574 1.679110e+00
41 2.1016986701 0.105442523 5.8246427083 0.1293377421 4.395417e-02
42 0.9478827257 0.278181538 0.0219500139 0.2859429977 1.025956e+00
43 8.3478951492 0.090261278 2.9340987343 0.2518596996 5.336343e-01
44 0.1210525201 0.863376438 0.0410640070 0.5453121018 1.834479e-03
45 0.3201347597 0.001100286 1.1863784686 0.1239662663 1.908846e+00
46 0.0484357386 1.223033012 1.4566596643 0.5679551611 7.862745e-03
47 0.9304407681 0.089680674 1.2837166589 0.7715589458 9.936999e-04
48 0.9905837992 0.055705742 0.0008213491 1.9315987373 4.712237e-01
49 1.1478411938 0.176399808 1.7212931581 0.2269422271 4.669238e-04
50 0.1230080268 0.620705049 0.1091909657 2.0429598287 7.136136e-01
51 0.6967210276 1.973607837 0.0783178062 0.9045760525 2.663027e-01
52 0.3848212276 1.014324783 0.0001573920 0.0466403803 1.484475e-02
53 0.4885866564 1.548841031 0.2127753852 1.6581575212 8.739933e-01
54 0.2956704115 2.852180835 0.0293964354 0.0452025404 5.637109e-01
55 0.0308911785 1.183181233 2.0946934454 4.4991162932 1.942021e-01
56 0.0154451837 0.119513462 3.3034089418 1.5851442833 4.003168e-01
57 0.1170975443 4.264680312 1.3630333439 0.9272193385 2.904547e+00
58 0.3147944467 1.056661568 1.7147258038 0.7764869829 7.834261e-01
59 0.3218895161 0.359093502 0.0007115048 3.7804128033 6.458013e-01
60 0.5142120903 0.702313704 0.1553910462 0.1327102504 6.198402e+00
61 0.9407044370 0.490606863 0.7803670654 0.0363621533 4.315027e-01
62 0.0761556711 4.275159214 1.0989220655 0.9394085042 2.506275e+00
63 0.0309973295 0.151311751 0.4023694756 0.0565335860 2.615106e-02
64 0.0218496792 3.106471994 0.4829949438 0.5993279621 1.077664e-01
65 1.4484700171 0.568229080 0.8596949093 0.6112306088 1.533004e-01
66 0.0338467474 0.351007923 0.2059031405 0.2006645227 3.377859e-03
67 0.0009698434 0.821233650 0.5631657494 0.0005756813 1.689712e-03
68 0.0030361454 2.945316360 1.4700720299 0.4591364916 1.239028e+00
69 0.0013994219 0.006907871 0.4569095387 1.8238859127 2.844266e-01
70 0.3341070875 1.490583892 2.2228955594 0.0050097273 1.696636e-06
71 0.0582065290 0.190416536 1.7950692354 2.6875548991 5.689518e-02
72 0.2875736962 1.327797848 0.9636619473 0.0541618006 1.476235e+00
73 0.5904075228 3.494728886 2.3902916936 0.0951545955 1.913139e-01
74 0.0674866817 0.680657008 0.0410175080 0.0003587752 5.846592e-01
75 0.0065768591 0.298438073 1.3602210563 2.8247132617 6.090594e-04
76 0.0579146967 2.507296934 0.8594275272 5.1522015671 8.486169e-01
77 1.4031869512 0.683879287 0.0228177897 1.6892230482 3.205999e-03
78 0.9540164831 0.499835075 0.0073275931 0.6724526023 3.028243e-01
79 0.1427123345 0.661007406 0.0177150063 0.0518329658 4.074193e-01
80 3.8464172491 0.006946197 3.1831562987 0.0137356034 1.554515e-02
81 0.9544612515 0.783203932 0.0353779757 0.0079952564 1.158110e-01
82 0.4403939705 0.145186700 0.8945985972 0.9011924657 2.436112e+00
83 8.2250713991 4.842416814 0.0514382225 0.0201926457 1.551646e+00
84 0.0057526890 0.701280680 0.0723390379 0.0076876516 1.174276e+00
85 1.5297299880 0.065228538 0.5394173847 0.4902019746 5.467835e-02
86 0.1877471028 0.519718787 3.2861178024 1.7725992767 4.423915e-01
87 0.2734648323 1.502060237 0.0532286900 0.0370771400 7.003766e-01
88 1.6945826277 1.113371541 0.4807510168 0.0466534502 1.611598e-01
89 0.0126867947 0.071580398 4.9571528584 0.1978994925 4.084944e-03
90 1.6046477349 1.547995898 1.4560876085 3.2488326499 5.020065e-02
91 0.6320072044 0.726758199 1.8209049742 0.0326517948 2.576766e-01
92 1.3805115616 0.006260253 0.0719818470 1.6814004739 9.164218e-01
93 6.4506121880 0.694532924 3.8092355287 0.4067663553 2.407902e+00
94 0.4983245543 1.202911003 0.9621598274 0.0793979266 1.160515e-02
95 0.0025887772 0.542857559 2.3385709793 0.9496247134 1.766822e-02
96 4.9054588042 0.426217574 6.8510186358 3.6879078939 5.271247e+00
97 1.0086904431 1.764287757 0.0002755173 1.2593590913 1.756846e+00
98 1.7845421432 0.664659163 0.0126951296 3.0601577488 1.859126e+00
99 1.7179086877 1.287790799 2.2546042795 0.2240337573 1.436962e+00
100 0.0396188218 0.829003670 0.0606778661 0.3768639035 3.635034e-01
101 0.0080465567 1.766626124 0.0073973988 1.2669460404 3.747781e+00
102 3.8957408001 0.753410378 0.0618208468 0.0016275056 4.165816e+00

Pour une forte contribution on doit avoir 100/102=0.98039

Donc, les individus qui ont une forte contribution à l’axe 1 sont : 1, 3, 7, 9, 10, 11, 18, 21, 24, 26