1) Quel est l'intérêt de cette ACP ?

L’intérêt de cette ACP est double :

- Réduire le nombre de variables décrivant les marques de voitures en fournissant un
petit nombre de nouvelles variables (les composantes principales) les décrivant.
- Identifier les groupes des marques de voitures ayant les mêmes caractéristiques et
décrire ces groupes.
2) Quel est la pertinence cette ACP ?
Matrice des corrélations : Nous pouvons observer que toutes les variables
semblent fortement corrélées (>0.4), nous suggérant déjà quelques associations.

Indice de KMO et test de Bartlett : L’indice KMO de 0,705 DONC les corrélations
entre les variables sont de bonne qualité. Ensuite, le résultat du test de sphéricité de
Bartlett est significatif. Les corrélations ne sont donc pas toutes égales à zéro. Nous
pouvons donc poursuivre l'analyse.

Fiabilité du modèle : Alpha de crombach

Nous remarquons ici que la valeur du coefficient est de 0,623, ce qui est excellent,
puisqu’il dépasse le seuil minimum requis de 0,60

En conclusion, on peut dire que l’ACP est pertinente et qu’on a intérêt à garder tous
les élements.
3) Combien de composantes principales devrait-on retenir ? Justifier votre
réponse.
On ne retienne que les facteurs(composantes) ayant des valeurs propres
supérieures à 1.
nous constatons qu’un seul facteur (ou composante) possède une valeur propre plus
élevée que 1. Nous le conservons donc pour l'analyse
4) Interprétation de la Qualité de représentation:
La qualité de représentation des variables par les facteurs est évaluée par les taux
d’Extraction. Les variables qui présentent des taux faibles (moins de 0,5) sont
supprimées de l’analyse. On voit que les différentes variables sont bien représentées
par les facteurs (plus de 0.5).

5) Interprétation de la matrice des composantes (Les axes retenues) :

La matrice des composantes représente les corrélations existantes entre les
facteurs et les variables. Un coefficient élevé (en valeur absolue) indique que le
facteur et la variable sont étroitement corrélés, ou encore que la variable apporte
beaucoup de sens au facteur.

toutes les variables sont fortement corrélées (positivement) avec le premier facteur.
Or, cette matrice factorielle (sans rotation) permet rarement d’aboutir à des facteurs
pouvant être interprétés. En effet, il ressort que toutes les variables saturent
fortement sur le facteur 1 et aucune variable n’est associée avec le facteur 2. Il serait
très difficile avec une telle matrice d’interpréter les résultats.
6) En examinant les valeurs propres, déterminer le nombre d’axes pouvant
contenir au moins 90% de l’information totale.
le premier facteur explique à lui seul 77,6% de la variance totale (information) des 6
variables de l'analyse. L’axe 2 retient tout de même 15.254% de la variance totale,
ce qui conduit à un taux d’inertie expliquée de 92.854%, 2 axes

7) Justifier l'intérêt de faire une rotation à l'issu de cette ACP puis donner une
Interprétation des axes retenus.
Intérêt de la rotation : La rotation permet de transformer la matrice
factorielle(composantes) en une matrice plus simple et plus facile à interpréter, en
maximisant le poids de chaque variable sur un facteur et en le diminuant sur l’autre.

Comme le montre les résultats avant et après rotation, nous remarquons que les
variables sont beaucoup mieux réparties sur les deux facteurs. Par ex : la variable
cylindrée a vu ses coordonnées s’améliorer sur la 2ème composante et diminuer sur la
1ère (0.728 et 0.625 respectivement).
Interprétation des axes : L’axe 1 est représenté par les variables : poids, longueur
et largeur : ce sont les caractéristiques de « dimension » de la voiture. L’axe 2 est
représenté par les variables : puissance et vitesse : ce sont les caractéristiques de «
force du moteur ». Ainsi, le facteur 1 permettait de différencier les petites voitures
des grosses voitures alors que le deuxième différencie les voitures familiales ayant
un moteur moyen aux voitures sportives ayant un moteur très puissant. Nous
remarquons aussi que la variable cylindrée sature de façon importante sur les deux
facteurs (Ceci signifie qu’il faudrait probablement retirer cette variable qui ne se
positionne pas de façon adéquate sur un seul facteur et recommencer l’analyse).