Vous êtes sur la page 1sur 26

L’ANALYSE

EN COMPOSANTES
PRINCIPALES

A.C.P.

Remarque: Les aspects mathématiques et les démonstrations


seront développés en cours

Pierre-Louis Gonzalez
INTRODUCTION

Données : n individus observés sur p variables quantitatives.

L’A.C.P. permet d’explorer les liaisons entre variables et les


ressemblances entre individus.

Résultats :

Ö Visualisation des individus


(Notion de distances entre individus)

Ö Visualisation des variables


(en fonction de leurs corrélations)

2
INTERPRÉTATION DES RÉSULTATS

c Mesurer la qualité des représentations obtenues :

z critère global
z critères individuels

d « Donner des noms aux axes »


Expliquer la position des individus

e Utilisation éventuelle de variables supplémentaires


(illustratives)

3
I. L’ANALYSE EN COMPOSANTES PRINCIPALES

LE PROBLÈME

1. LES DONNÉES

p variables quantitatives observées sur n individus.

X1 X2 Xj Xp
x11 x1j x1p
x12 x 2j x 2p

X n x12 x ij x ip individu e'i


(n,p)

x1n x nj x pn
Variable Xj
p

INDIVIDU = Élément de Rp
VARIABLE = Élément de Rn

4
On cherche à représenter le nuage des individus.

A chaque individu noté ei, on peut associer un point dans


Rp = espace des individus.

X3
x 3i
ei

x1i
1
X

x 2i

X2

A chaque variable du tableau X est associé un axe de Rp.

Impossible à visualiser dès que p > 3.

5
2. PRINCIPE DE L’A.C.P.

On cherche une représentation des n individus


e1 , e 2 . .. e n , dans un sous-espace Fk de Rp de
dimension k (k petit 2 ; 3 ...)
(par exemple un plan)
Autrement dit, on cherche à définir k nouvelles
variables combinaisons linéaires des p variables
initiales qui feront perdre le moins d’information
possible.

Ces variables seront appelées « composantes principales »,


les axes qu’elles déterminent : « axes principaux »
les formes linéaires associées : « facteurs principaux »

6
« Perdre le moins

d’information possible »

Fk devra être « ajusté » le mieux possible au nuage


c
des e i : la somme des carrés des distances des e i à Fk
doit être minimale.

d Fk est le sous-espace tel que le nuage projeté


ait une inertie (dispersion) maximale.

c et d sont basés sur les notions de : distance


projection orthogonale

7
ei

ej

Δ2 fi
βi 
βj  fj

αi αj Δ1

La distance entre fi et fj est inférieure à la distance entre ei et ej

8
3. LE CHOIX DE LA DISTANCE ENTRE INDIVIDUS

yB B


Dans le plan :
A
yA d 2 (A, B) = (x B − x A ) + (y B − y A )
2 2


xA xB

Dans l’espace Rp à p dimensions, on généralise cette notion : la


distance euclidienne entre deux individus s’écrit :

(
e i = x1i x 2i ... x ip )
ej = (x 1
j x 2j ... x ) p
j

( ) ( ) ( ) ( )
2 2 2
d 2 e i , e j = x1i − x1j + x 2i − x 2j + . .. x ip − x pj

(e , e ) = ∑ (x )
p
2
d 2
i j
k
i − x kj
k =1

! Le problème des unités ?

9
Pour résoudre ce problème, on choisit de transformer les données
en données centrées-réduites.

L’observation x ik est alors remplacée par :

x ik x k
UNITÉS D’ÉCART TYPE :
sk
où : x k = moyenne de la variable X k
Δ k = écart-type de la variable X k

Exemple :

Puissance moyenne de 30 voitures = 92 ch


Ecart-type = 24 ch
Renault 21 TXI : 140 ch

La Renault 21 TXI a une puissance qui est de :


140 − 92
= 2 écarts-type au-dessus de la moyenne.
24

10
4. INERTIE TOTALE

n
d (e i , g)
1 2
Ig = ∑
i n
= somme pondérée des carrés des distances des individus au
centre de gravité g .

L’inertie mesure la dispersion totale du nuage de points.


L’inertie est donc aussi égale à la somme des variances des variables
étudiées.
En notant V la matrice de variances-covariances :

⎛ s1 s12 ........ s1p ⎞


2

⎜ ⎟
............

...........

V= ⎜ 2
s2 ⎟
⎜ 2

⎝ p1
s s p ⎠

p
I g = ∑ si2
i =1

I g = Tr ( V)

Remarque 1 :
Dans le cas où les variables sont centrées réduites, la variance de
chaque variable vaut 1.
L’inertie totale est alors égale à p (nombre de variables).

11
Remarque 2 : Equivalence des deux critères concernant la « perte
d’information »
Projection orthogonale du nuage sur un sous-espace

ei

fi
F g

Soit F un sous-ensemble de Rp
f i la projection orthogonale de e i sur F
On va chercher F tel que :

∑ ei − f i
2
c pi soit minimal , ce qui revient d’après le
=
i 1

théorème de Pythagore à maximiser :


n

∑ pi f i − g
2
d i =1
, car on a :

2 2
ei − g = ei − f i + f i − g ∀i = 1 . .. n
2

n n n

∑ ∑ ∑
2 2
p i ei − g − pi ei − f i pi f i − g
2
Donc : =

i =1

i =1

i =1

quantité minimiser cette maximiser



fixe quantité (carrés l’inertie du
des distances entre nuage projeté
points individus et
leurs projections

12
II. LA SOLUTION DU PROBLÈME POSÉ

La recherche d’axes portant le maximum d’inertie équivaut à la


construction de nouvelles variables (auxquelles sont associées ces axes)
de variance maximale.

En d’autres termes, on effectue un changement de repère dans Rp de


façon à se placer dans un nouveau système de représentation où le
premier axe apporte le plus possible de l’inertie totale du nuage, le
deuxième axe le plus possible de l’inertie non prise en compte par le
premier axe, et ainsi de suite.

Cette réorganisation s’appuie sur la diagonalisation de la matrice de


variances-covariances.

13
1. SOLUTION

Axes principaux

On appelle axes principaux d’inertie les axes de direction des


vecteurs propres de V normés à 1.
Il y en a p.
Le premier axe est celui associé à la plus grande valeur propre λ 1 .

On le note u1 .
Le deuxième axe est celui associé à la deuxième valeur propre λ 2 .

On le note u 2 .

Composantes principales

A chaque axe est associé une variable appelée composante


principale.
La composante c1 est le vecteur renfermant les cordonnées des
projections des individus sur l’axe 1.
La composante c 2 est le vecteur renfermant les cordonnées des
projections des individus sur l’axe 2.
Pour obtenir ces coordonnées, on écrit que chaque composante
principale est une combinaison linéaire des variables initiales.

Exemple : c1 = u11 x1 + u12 x 2 + ... u1p x p

14
2. PROPRIÉTÉS DES COMPOSANTES PRINCIPALES

c La variance d’une composante principale est égale à


l’inertie apportée par l’axe principal qui lui est associé.

1ère composante c1 variance : λ 1

2ème composante c 2 variance : λ 2

3ème composante c 3 variance : λ 3

d Les composantes principales sont non corrélées


deux à deux.

En effet, les axes associés sont orthogonaux.

15
3. REPRÉSENTATION DES INDIVIDUS

La jème composante principale

⎛ c1j ⎞
⎜ j⎟
⎜ c2 ⎟
c =⎜ ⎟
j
........

fournit les coordonnées des n individus


⎜ ⎟
⎜ j⎟
⎝ cn ⎠ sur le jème axe principal.

Si on désire une représentation plane des individus, la meilleure sera celle


réalisée grâce aux deux premières composantes principales.

 ei

c2i 


g c1i 1


ej

! Attention à la qualité de représentation de chaque individu.

16
4. REPRÉSENTATION DES VARIABLES

Les « proximités » entre les composantes principales et les variables


initiales sont mesurées par les covariances, et surtout les corrélations.

( )
r c j , x i est le coefficient de corrélation linéaire entre c j et x i .

c2

xi
(
r c ,x2 i
)

(
r c1 , x i ) 1
c

CERCLE DES CORRÉLATIONS

17
5. INTERPRETATION DES « PROXIMITÉS » ENTRE

VARIABLES

On utilise un produit scalaire entre variables permettant d’associer


aux paramètres courants : écart-type, coefficient de corrélation
linéaire des représentations géométriques.

( )
n
1
x ,x =
i j
n ∑x
k =1
i
k x kj

On suppose les variables centrées.

z (x , x ) = Cov (x , x )
i j i j

( ) ∑ (x )
n
i 2 1 i 2
= x ,x =
i j
zz x k
n k =1
2
xi = s2i = variance de x i
2
Î zzz xi = écart-type de x i

zzzz Coefficient de corrélation linéaire

Cos ( X , X ) =
(X , X ) = Cov (X , X ) = r i j i j

Î
i j

X i
X j si s j (X , X )
i j

18
3
X
1
X

X2

X1 et X 2 ont une corrélation proche de 1.


X1 et X 3 ont une corrélation proche de 0.

19
III. VALIDITÉ DES REPRÉSENTATIONS

1. CRITÈRE GLOBAL

λi
mesure la part d’inertie expliquée par l’axe i.
λ 1 + λ 2 + ... λ p

λ1 + λ 2 est la part d’inertie expliquée par le


Exemple :
p

∑λ
i =1
i premier plan principal.

Ce critère (souvent exprimé en pourcentage) mesure le degré de


reconstitution des carrés des distances.

La réduction de dimension est d’autant plus forte que les variables


de départ sont plus corrélées.

20
Combien d’axes ?

Différentes procédures :

c Pourcentage d’inertie souhaité : a priori

d Diviser l’inertie totale par le nombre de variables initiales


Ö inertie moyenne par variable : I.M.
Conserver tous les axes apportant une inertie supérieure à cette
valeur I.M.
(inertie > 1 si variables centrées réduites).

e Histogramme

4
.. λ 1 = 4,5

3
2
. λ 2 = 3,8
λ 3 = 2,9

1 ....
λ1 λ 2 λ3 λ4 λ5 λ6 λ7

cassure

21
2. CRITÈRES INDIVIDUELS

Pour chaque individu e i , la qualité de sa représentation est définie


par le carré du cosinus de l’angle entre l’axe de projection et le
vecteur e i .
ei

axe 2

θ2 θ1 fi
θ
y axe 1

cos2 θ = cos2 θ1 + cos2 θ 2

En général, les qualités de représentation sont données axe par axe.


Pour avoir la qualité de représentation dans un plan, on additionne
les critères correspondant aux axes étudiés.

Ce critère n’a pas de signification pour les individus proches


! de g .

c regarder les distances des individus au centre de


gravité g

d utiliser le critère de cos2 pour les individus


suffisamment éloignés de g .

22
CONTRIBUTIONS

Il est très utile aussi de calculer pour chaque axe la contribution


apportée par les divers individus à cet axe.

Considérons la kème composante principale c k , soit c ik la valeur de la


composante pour le ième individu.

( )
n
1 k

2
c = λk
i =1 n i

La contribution de l’individu e i à la composante n° k est définie par :

1 k
( )
2
c
n i
λk

Remarque :

„ Il n’est pas souhaitable qu’un individu ait une contribution


excessive (car facteur d’instabilité) Î éliminer les individus
dont la contribution est trop importante.

„ Problème des enquêtes par sondage

23
3. REPRÉSENTATION DES VARIABLES

Le cercle des corrélations est la projection du nuage des variables sur le


plan des composantes principales.

corrélation = cosinus

c2




 

 c1

Les variables bien représentées sont celles qui sont proches du cercle :
celles qui sont proches de l’origine sont mal représentées.

24
4. INTERPRÉTATION EXTERNE : VARIABLES

ET INDIVIDUS SUPPLÉMENTAIRES

(ILLUSTRATIFS)

„ Variables

• Variable quantitative : On calcule le coefficient de


corrélation entre la variable supplémentaire et les composantes
principales.
Ceci permet sa représentation sur le cercle des corrélations.

zz Variable qualitative :

 Identification des individus de chaque catégorie de la


variable

  

   

    
 
     
 
    
 
  

25
 Représentation de chaque catégorie par son centre de gravité.

?
?

 Calcul du rapport de corrélation entre la variable qualitative


supplémentaire et chaque composante principale (test de Fischer-
Snedecor) ou valeur-test dans SPAD.

„ Individus

Individu de poids nul ne participant pas à l’analyse (fichier test).

Appliquer aux coordonnées de l’individu les expressions


définissant les composantes principales.

26