Vous êtes sur la page 1sur 8

Travaux pratique SUR SPSS

DRISS NEGRO
Compte rendu

le tableau ci-dessous présente les donne sur les types de voiture et les
caractéristiques de chaque voiture:

analyse descriptive des donnes:


 Les caractéristiques uni variées sont données par le calcul de
la moyenne, l’écart type, maximum et minimum de chaque variable :

2
 Le tableau suivant donne les coefficients de corrélation calculée
entre les 7 variables :

 le coeficient de correlation entre les variable est donnee par :


𝑐𝑜𝑣(𝑋, 𝑌)
𝜌𝑋𝑌 =
𝜎𝑋 𝜎𝑌
 on observe dans le tableau ci-dessus que la majorite de coefficient
est superieur a 0.7 (𝜌 > 0.7) donc : les variables X et Y sont fortement
corrélées.

 Le tableau suivant donne la valeur de KMO calculé pour les


données utilisées et aussi le résultat de test de sphéricité

 La valeur de KMO Ca vaut dire est très


obtenue (0.6) donc est significative (0.000<0.5).
supérieur a (0.5)

3
1. eme règle : L’examination du tableau variance totale explique nous
montre qu’on peut retenir 3 axes factoriels selon le critère de kaiser
on a 3 valeurs propres : ⋋1=4.617, ⋋ 2=0.879, ⋋ 3=0.304.
2. eme règle : L’application du deuxième critère porte sur la restitution
minimale d’information nous indique qu’on peut choisir 3 valeurs
propres vu que leur cumul d’information des trois premières valeurs
propres dépassé 90%.
C1 + C2 + C3 = 76.951+14.647+5.061 =96.659.
3. eme règle : Pour cela on observe le graphique des valeurs propres et on ne
retient que les valeurs qui se trouvent à gauche du point d’inflexion :il ya deux
valeur propre.

4
 Le tableau « matrice de composantes « affiché ci-dessous permet d’extraire les
coefficients qui chaque composante Yi par rapport aux 7 variables explicatives
introduites dans l’étude de la maladie infarctus.


ous pouvons donner les combinaisons linéaires des trois axes principaux
en tenant compte les trois équations suivantes :
Y1 = 0.961X1 +0.905X2 +0.751X3 +0.910X4 +0.920X5 +0.789X6
Y2 = 0.11X1 +0.382X2 +0.618X3 +0.176X4 +0.303X5 +0.477X6
Y3 = 0.151X1 +0.015X2 +0.203X3 +0.347X4 +0.055X5 +0.341X6
 Nous pouvons retrouver la décomposition des valeurs propres. Par
exemple, la première valeur propre est égale à :
⋋ 1= (0.961)2+(0.905)2+(0.751)2+(0.910)2+(0.920)2+(0.798)2= 4.167 . Même valeur
dans le tableau précédant.
 Le tableau ci-dessous représente la qualité de chaque viable : On observe que
tous les variable supérieur a (0.5)

Les proportions de variabilité expliquées par


le modèle pour chaque variable sont les
sommes des carrés des coefficients de
corrélation sur les facteurs. Par exemple, la
qualité de représentation de la variable
Fréquence Cardiaque est:
(0.961)2+(0.011)2+(0.151)2=0.946≈ 0.947

5
 A partir du graphique, nous pouvons conclure qu’on peut regrouper les 6
variables en deux sous groupes.
 Le premier groupe contient les trois variables à savoir: vitesse,
puissance et cylindrée .
 Le deuxième groupe regroupe les trois variables a savoir :poids
,longeur et largeur.

Premiere
groupe

Deusieme
group

Nous concluons dans le graph ci-dessus que les deux group ont le même effet sur
la voiture .

 la methode varimax : La méthode VARIMAX s’applique lorsque la


plupart des variables sont représentées sur un seul axe. Il s’agit d'une

6
méthode de rotation orthogonale qui minimise le nombre de variables qui
ont des corrélations importantes avec un facteur.

7
C’est une matrice unitaire il n’ya pas
de covariance et la corrélation entre
les facteurs.

 Le tableau suivant présente les nouveaux coordonnées pour chaque


observation par rapport aux nouveaux axes construits (Y1 ,Y2 ,Y3).

 On obtient ainsi les projections des individus actifs de l'ACP sur le


graphique-plan fac1_1 × fac2_1.

Vous aimerez peut-être aussi