Académique Documents
Professionnel Documents
Culture Documents
AFC)
Driss BARI
1/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
2 Généralités de l'analyse des données multidimensionnelles
Caractéristiques et Finalités
Familles des méthodes
3 Analyse en Composantes Principales (ACP)
But de l'ACP
Tableau de données
Problématique et Objectifs de l'ACP
Composantes principales (CP) : Détermination et Propriétés
Etude du comportement des individus
Etude du comportement des variables
Aides à l'interprétation des CP
Problème de mise en oeuvre de l'ACP
Quelques exemples d'application de l'ACP
2/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
3/182
Analyse de données multidimensionnelles (ACP + AFC)
Références bibliographiques
Rèférences bibliographiques
GILBERT, Saporta
Probabilités, analyse des données et statistique .
Editions Technip, Paris, 2006.
JOLLIFFE, Ian.
Principal component analysis .
In : International encyclopedia of statistical science. Springer, Berlin,
Heidelberg, 2011. p. 1094-1096..
HUSSON, François, LÊ, Sébastien, et PAGÈS, Jérome.
Analyse de données avec R.
Dunod. 1995
EL KHATRI, Said.
Analyse descriptive des données multidimensionnelle (ACP + AFC) .
Manuel de cours. EHTP. 2016. 4/182
Analyse de données multidimensionnelles (ACP + AFC)
Caractéristiques et Finalités
Outline
1 Références bibliographiques
5/182
Analyse de données multidimensionnelles (ACP + AFC)
Caractéristiques et Finalités
Caractéristiques
Hypothèses,
Tests statistiques,
Courbes,
Projections planes,
6/182
Analyse de données multidimensionnelles (ACP + AFC)
Caractéristiques et Finalités
Caractéristiques
7/182
Analyse de données multidimensionnelles (ACP + AFC)
Caractéristiques et Finalités
Caractéristiques
8/182
Analyse de données multidimensionnelles (ACP + AFC)
Caractéristiques et Finalités
Caractéristiques
9/182
Analyse de données multidimensionnelles (ACP + AFC)
Caractéristiques et Finalités
Caractéristiques
10/182
Analyse de données multidimensionnelles (ACP + AFC)
Caractéristiques et Finalités
Caractéristiques
11/182
Analyse de données multidimensionnelles (ACP + AFC)
Caractéristiques et Finalités
Finalité
Avec l'analyse multidimensionnelle, on accepte
une légère perte en information an d'obtenir
un grand gain en signication
12/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
13/182
Analyse de données multidimensionnelles (ACP + AFC)
Analyse descriptive
14/182
Analyse de données multidimensionnelles (ACP + AFC)
Rôle :
Etendre les propriétés constatées sur un échantillon à
toute la population et vérier, éventuellement,
l'adéquation des hypothèses
Méthodes décisionnelles classiques multidimensionnelles :
La Régression Multiple : Une variable quantitative
à expliquer par p autres variables quantitatives
L'Analyse Discriminante : Une variable qualitative
à expliquer à l'aide de p variables quantitatives.
15/182
Analyse de données multidimensionnelles (ACP + AFC)
Notions de base
Deux types de variables :
Population (limitée ou de grande taille) : ensemble des individus à
étudier.
Echantillon : partie de la population (n individus) sur laquelle est
eectuée l'étude.
Individus : appartenant à la population
Variable (caractère) : caractéristique des individus, dénie sur la
population.
17/182
Analyse de données multidimensionnelles (ACP + AFC)
Notions de base
Variable quantitative : valeurs réelles
discrète (exemple : âge, nombre d'enfants)
continue (exemple : taille, température)
Variable qualitative :
nominale (exemple: couleur [jaune, vert, ..], type de brouillard
[radiatif, evaporation, mélange, ...])
ordinale (exemple: taille de voiture [petite, moyenne, grande]).
18/182
Analyse de données multidimensionnelles (ACP + AFC)
19/182
Analyse de données multidimensionnelles (ACP + AFC)
20/182
Analyse de données multidimensionnelles (ACP + AFC)
Corrélation : sxy
r (x, y ) =
sx sy
−1 ≤ r (x, y ) ≤ 1
L'équation de régression linéaire liant deux variables x et y s'écrit sous la
forme s y
y= r (x, y ).x + b
sx
Le carré du coecient de corrélation r (x, y )exprime le pourcentage de
2
variance expliquée
21/182
Analyse de données multidimensionnelles (ACP + AFC)
22/182
Analyse de données multidimensionnelles (ACP + AFC)
But de l'ACP
Outline
1 Références bibliographiques
But de l'ACP
But de l'ACP
But de l'ACP
descriptive qui permet de
L'ACP est une méthode
résumer,
synthétiser
ou condenser
fois).
24/182
Analyse de données multidimensionnelles (ACP + AFC)
But de l'ACP
Exemple élémentaire
On considère l'échantillon constitué par :
16 pays (ou individus) sur lesquels on a relevé les valeurs de deux
variables: l'espérance de vie (EVI), et le taux d'analphabétisme (ANA)
en 1970
25/182
Analyse de données multidimensionnelles (ACP + AFC)
But de l'ACP
Exemple élémentaire
On considère l'échantillon constitué par :
16 pays (ou individus) sur lesquels on a relevé les valeurs de deux
variables: l'espérance de vie (EVI), et le taux d'analphabétisme (ANA)
en 1970
25/182
Analyse de données multidimensionnelles (ACP + AFC)
But de l'ACP
Exemple élémentaire
On considère l'échantillon constitué par :
16 pays (ou individus) sur lesquels on a relevé les valeurs de deux
variables: l'espérance de vie (EVI), et le taux d'analphabétisme (ANA)
en 1970
26/182
Analyse de données multidimensionnelles (ACP + AFC)
But de l'ACP
Exemple élémentaire
Transformation linéaire et orthogonale
Repère initial = (ANA,EVI) =⇒ Nouveau repère = (progrès, déphasage
entre ANA et EVI)
27/182
Analyse de données multidimensionnelles (ACP + AFC)
Tableau de données
Outline
1 Références bibliographiques
Tableau de données
Tableau de données
L'ACP s'intéresse à des tableaux de données rectangulaires avec des
individus en lignes et des variables quantitatives en colonnes.
p variables
x11 . . . x1 p
. . . . .
.
X = . xij . . n Individus
. . . . .
xn 1 . . . xnp
29/182
Analyse de données multidimensionnelles (ACP + AFC)
Tableau de données
30/182
Analyse de données multidimensionnelles (ACP + AFC)
Tableau de données
On dispose ainsi de :
24 individus (lignes) : modèles de voitutres
6 variables (colonnes) : Cylindrée, Puissance, Vitesse (km/h),
Poids (kg), Longueur (cm) et Largeur (cm)
Question
Analyser les caracteristiques de cet ensemble de 24 modèles de voitures
selon les 6 critères ?
31/182
Analyse de données multidimensionnelles (ACP + AFC)
Tableau de données
32/182
Analyse de données multidimensionnelles (ACP + AFC)
Tableau de données
Question
Pourquoi faut il éviter cette méthode ?
32/182
Analyse de données multidimensionnelles (ACP + AFC)
Tableau de données
Question
Pourquoi faut il éviter cette méthode ?
si p et/ou n est grand, la méthode devient complexe et lourde
si des couples de variables sont corrélés ou anti-corrélés, l'analyse
sera redondante
32/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
35/182
Analyse de données multidimensionnelles (ACP + AFC)
36/182
Analyse de données multidimensionnelles (ACP + AFC)
37/182
Analyse de données multidimensionnelles (ACP + AFC)
38/182
Analyse de données multidimensionnelles (ACP + AFC)
Qualité de l'image :
Restitue dèlement la forme générale du nuage
Meilleure représentation de la diversité et de la variabilité
Ne perturbe pas les distances entre individus
39/182
Analyse de données multidimensionnelles (ACP + AFC)
40/182
Analyse de données multidimensionnelles (ACP + AFC)
Réponse
41/182
Analyse de données multidimensionnelles (ACP + AFC)
42/182
Analyse de données multidimensionnelles (ACP + AFC)
43/182
Analyse de données multidimensionnelles (ACP + AFC)
44/182
Analyse de données multidimensionnelles (ACP + AFC)
Notion d'inertie
très lisible lorsqu'on projette cet objet sur les axes (ou plans) de plus
grand allongement,
et très peu importante en projection sur les axes de très faible
allongement.
45/182
Analyse de données multidimensionnelles (ACP + AFC)
Notion d'inertie
L'objet décrit dans l'exemple d'analogie est, dans notre cas, un nuage de
n points dans l'espace de dimension inférieur à p
46/182
Analyse de données multidimensionnelles (ACP + AFC)
maximisant i (OHi ) . 2
47/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
Principe de l'ACP
49/182
Analyse de données multidimensionnelles (ACP + AFC)
50/182
Analyse de données multidimensionnelles (ACP + AFC)
51/182
Analyse de données multidimensionnelles (ACP + AFC)
u~1 ⊥ u~2
le nuage de point a le plus grand allongement sur u~
2
Etape k:
Recherche de l'axe u~k (unitaire) tel que :
u~k ⊥ u~l ∀l ≤ k − 1
le nuage de point a le plus grand allongement sur u~k
52/182
Analyse de données multidimensionnelles (ACP + AFC)
Les vecteurs directeurs des axes recherchés sont les vecteurs propres
de la matrice de variance covariance (i.e. matrice d'inertie).
P
Ces vecteurs unitaires sont rangés dans l'ordre décroissant des valeurs
propres associées :
u~1 , u~2 , ..., et u~p avec λ1 > λ2 > ... > λp
Rappel
Le calcul des valeurs propres et des vecteurs propres peut s'eectuer en
résolvant les sytèmes suivants :
Valeurs propres λ : det( − λI) = 0
P
Vecteurs propres U ; U = λU
P
53/182
Analyse de données multidimensionnelles (ACP + AFC)
55/182
Analyse de données multidimensionnelles (ACP + AFC)
56/182
Analyse de données multidimensionnelles (ACP + AFC)
Variance totale
58/182
Analyse de données multidimensionnelles (ACP + AFC)
59/182
Analyse de données multidimensionnelles (ACP + AFC)
60/182
Analyse de données multidimensionnelles (ACP + AFC)
Variance résiduelle
61/182
Analyse de données multidimensionnelles (ACP + AFC)
62/182
Analyse de données multidimensionnelles (ACP + AFC)
p=6 ←→ 1
p = 16.6%
λ1 = 4.656 ←→ λ1
tr (D) = 77.6%
λ2 = 0.915 ←→ λ2
tr (D) = 15.254%
Une seule composante à retenir !!!
63/182
Analyse de données multidimensionnelles (ACP + AFC)
64/182
Analyse de données multidimensionnelles (ACP + AFC)
3. Critère de KAISER :
Lorsque les données sont centrées réduites, on retient les
composantes principales tel que λk > 1 pour k ≤ q
65/182
Analyse de données multidimensionnelles (ACP + AFC)
66/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
Projections planes
(O, u~ , u~ ), et (O, u~ , u~ ).
1 3 2 3
le montre facilement.
L'analyse est meilleure lorsque les
contributions sont élevées.
68/182
Analyse de données multidimensionnelles (ACP + AFC)
70/182
Analyse de données multidimensionnelles (ACP + AFC)
72/182
Analyse de données multidimensionnelles (ACP + AFC)
nuage
(OHi ) est grand ⇐⇒ (AHi ) est petit
2 2
2 2
~ i ) = OHi = Pzik
~ i , OH
cos 2 (OA
OA2i 2
k zik
2 puis trouver P
le meilleur plan contenant le premier axe factoriel
maximisant i (OHi ) . 2
~ i , Fk ) + cos 2 (OA
= cos 2 (OA ~ i , Fl )
75/182
Analyse de données multidimensionnelles (ACP + AFC)
76/182
Analyse de données multidimensionnelles (ACP + AFC)
Remarque pratique
Les observations projetées loin du centre (O ) qui méritent plus
d'attention car leur contribution au calcul de la variance est grande
77/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
82/182
Analyse de données multidimensionnelles (ACP + AFC)
83/182
Analyse de données multidimensionnelles (ACP + AFC)
Quelques exemples :
θ=0 variables parfaitement corrélées r (x m , x j ) = 1
θ = π/2 variables parfaitement décorrélées r (x m , x j ) = 0
θ=π variables parfaitement anti-corrélées r (x m , x j ) = −1
84/182
Analyse de données multidimensionnelles (ACP + AFC)
X 1 et X 2
85/182
Analyse de données multidimensionnelles (ACP + AFC)
X 1 et X 2 sont corrélées
X 2 et X 3
85/182
Analyse de données multidimensionnelles (ACP + AFC)
X 1 et X 2 sont corrélées
X 2 et X 3 sont non corrélées
X 2 et X 4
85/182
Analyse de données multidimensionnelles (ACP + AFC)
X 1 et X 2 sont corrélées
X 2 et X 3 sont non corrélées
X 2 et X 4 sont anti-corrélées
X 6 et X 7
85/182
Analyse de données multidimensionnelles (ACP + AFC)
X 1 et X 2 sont corrélées
X 2 et X 3 sont non corrélées
X 2 et X 4 sont anti-corrélées
X 6 et X 7 on ne peut rien dire
X 1 et z k
85/182
Analyse de données multidimensionnelles (ACP + AFC)
X 1 et X 2 sont corrélées
X 2 et X 3 sont non corrélées
X 2 et X 4 sont anti-corrélées
X 6 et X 7 on ne peut rien dire
X 1 et z k sont corrélées
X 4 et z k
85/182
Analyse de données multidimensionnelles (ACP + AFC)
X 1 et X 2 sont corrélées
X 2 et X 3 sont non corrélées
X 2 et X 4 sont anti-corrélées
X 6 et X 7 on ne peut rien dire
X 1 et z k sont corrélées
X 4 et z k sont anti-corrélées
X 6 et z k
85/182
Analyse de données multidimensionnelles (ACP + AFC)
X 1 et X 2 sont corrélées
X 2 et X 3 sont non corrélées
X 2 et X 4 sont anti-corrélées
X 6 et X 7 on ne peut rien dire
X 1 et z k sont corrélées
X 4 et z k sont anti-corrélées
X 6 et z k sont non corrélées
85/182
Analyse de données multidimensionnelles (ACP + AFC)
86/182
Analyse de données multidimensionnelles (ACP + AFC)
87/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
Interprétation des CP
1 Donner un sens à chaque axe factoriel en étudiant les variables
initiales fortement corrélées (positivement ou négativement)
avec cet axe.
Recherche lexicale (ou recherche de mots) qui peut résumer un ou
des groupe(s) de variables initiales . . .
Interprétation des CP
90/182
Analyse de données multidimensionnelles (ACP + AFC)
Interprétation des CP
91/182
Analyse de données multidimensionnelles (ACP + AFC)
Interprétation des CP
Qualité d'ajustement par le meilleur plan (F , F ) est 92.85%
1 2
92/182
Analyse de données multidimensionnelles (ACP + AFC)
Interprétation des CP
93/182
Analyse de données multidimensionnelles (ACP + AFC)
94/182
Analyse de données multidimensionnelles (ACP + AFC)
Interprétation des CP
typologie :
95/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
97/182
Analyse de données multidimensionnelles (ACP + AFC)
98/182
Analyse de données multidimensionnelles (ACP + AFC)
99/182
Analyse de données multidimensionnelles (ACP + AFC)
Pratique
1 Plusieurs variables continues sont corrélées (ou anti-corrélées) ?
(linear relationship)
2 L'indice de KMO (Kaiser-Meyer-Olkin) qui tend vers 1 ? (sampling
adequacy)
3 La signication de Bartlett tend vers 0 ? (suitable for data
reduction)
En pratique:
Les données sont factorisables si au moins 2 conditions parmi ces 3
conditions sont favorables.
100/182
Analyse de données multidimensionnelles (ACP + AFC)
Choix de la matrice Ω ou ?
P
101/182
Analyse de données multidimensionnelles (ACP + AFC)
Diagonalisation de pour p n?
P
102/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
104/182
Analyse de données multidimensionnelles (ACP + AFC)
But de l'AFC
Outline
1 Références bibliographiques
But de l'AFC
But de l'AFC
But de l'AFC
106/182
Analyse de données multidimensionnelles (ACP + AFC)
Tableau de données
Outline
1 Références bibliographiques
Tableau de données
108/182
Analyse de données multidimensionnelles (ACP + AFC)
Tableau de données
Outline
1 Références bibliographiques
111/182
Analyse de données multidimensionnelles (ACP + AFC)
112/182
Analyse de données multidimensionnelles (ACP + AFC)
113/182
Analyse de données multidimensionnelles (ACP + AFC)
114/182
Analyse de données multidimensionnelles (ACP + AFC)
Objectif de l'AFC
Objectif
Tenant compte de la variabilité des poids de lignes et de
115/182
Analyse de données multidimensionnelles (ACP + AFC)
Modèle d'indépendance
Outline
1 Références bibliographiques
Modèle d'indépendance
Modèle d'indépendance
Rappel
Deux événements A et B indépendants :
P(A et B) = P(A) × P(B)
Modèle d'indépendance
118/182
Analyse de données multidimensionnelles (ACP + AFC)
Modèle d'indépendance
D 2 = n.ϕ2
Lorsque I et J sont indépendantes, on montre que D suit une loi de χ à
2 2
(n − 1) × (p − 1) degrès de liberté.
Modèle d'indépendance
Si D > T . alors
2
0 95
120/182
Analyse de données multidimensionnelles (ACP + AFC)
Modèle d'indépendance
Pratique : Test de χ 2
P(D 2 < χ2 ) = α
Si α tend vers 0 (inférieur à 0.05), on peut accepter que D est non nulle
2
121/182
Analyse de données multidimensionnelles (ACP + AFC)
Modèle d'indépendance
122/182
Analyse de données multidimensionnelles (ACP + AFC)
Modèle d'indépendance
123/182
Analyse de données multidimensionnelles (ACP + AFC)
Modèle d'indépendance
Si :
Khi2 observée > Khi2 critique
ou
Le degré de signication < 0.05
Alors :
L'âge et l'appréciation sont bien liés.
124/182
Analyse de données multidimensionnelles (ACP + AFC)
Modèle d'indépendance
125/182
Analyse de données multidimensionnelles (ACP + AFC)
Modèle d'indépendance
Modèle d'indépendance
127/182
Analyse de données multidimensionnelles (ACP + AFC)
Modèle d'indépendance
128/182
Analyse de données multidimensionnelles (ACP + AFC)
Modèle d'indépendance
129/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
131/182
Analyse de données multidimensionnelles (ACP + AFC)
132/182
Analyse de données multidimensionnelles (ACP + AFC)
133/182
Analyse de données multidimensionnelles (ACP + AFC)
i i
X X 1 fij 2
= fi. − f.j
f.j f.j
i j
X X (fij − fi. f.j )2 D2
= = = ϕ2
fi. f.j n
i j
total du tableau.
Etudier l'inertie des nuages des prols lignes (NI ) revient à étudier
l'écart à l'indépendance.
Idem pour le nuage des prols colonnes (NJ ) :
Inertie(NJ /GJ ) = Inertie(NI /GI ) (dualit é)
134/182
Analyse de données multidimensionnelles (ACP + AFC)
135/182
Analyse de données multidimensionnelles (ACP + AFC)
ACP AFC
l'ACP permet de décrire la l'AFC permet de décrire la liaison
variabilité de p variables entre I et J en étudiant la
quantitatives en étudiant la structure de ϕ via la recherche
2
ACP AFC
Les point Ii sont munis du Chaque point Ii est muni
même poids pi = 1/n d'un poids pi = fi.
La distance utilisée est la La distance utilisée est la
distance euclidienne distance de Khi2
les colonnes (variables) sont ni les lignes ni les colonnes
centrées ne sont centrées
Les points existent dans un Les points existent dans un
espace de dimension espace de dimension
r = min(p, n) r = min(p − 1, n − 1)
137/182
Analyse de données multidimensionnelles (ACP + AFC)
138/182
Analyse de données multidimensionnelles (ACP + AFC)
Qualité d'ajustement
Qualité d'ajustement
140/182
Analyse de données multidimensionnelles (ACP + AFC)
141/182
Analyse de données multidimensionnelles (ACP + AFC)
142/182
Analyse de données multidimensionnelles (ACP + AFC)
143/182
Analyse de données multidimensionnelles (ACP + AFC)
144/182
Analyse de données multidimensionnelles (ACP + AFC)
145/182
Analyse de données multidimensionnelles (ACP + AFC)
146/182
Analyse de données multidimensionnelles (ACP + AFC)
Pratique
La contribution d'une modalité est un compromis opérationnel entre
distance à l'origine et poids
Les contributions des modalités indiquent dans quelle mesure on
peut considérer qu'un axe est dû à un élément ou à quelques
éléments
L'interprétation des graphese est basée sur les points remarquables
ayant une bonne qualité de représentation
La qualité de représentation indique dans quelle mesure l'écart d'un
prol au prol moyen est complétement représenté par l'axe ou par
un plan
Les points extrêmes ne sont pas nécessairement ceux qui contribuent
le plus à la construction des axes
147/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
des prols-lignes
des prols-colonnes
En Pratique
On peut projeter simultanément les deux nuages sur un même plan.
149/182
Analyse de données multidimensionnelles (ACP + AFC)
150/182
Analyse de données multidimensionnelles (ACP + AFC)
151/182
Analyse de données multidimensionnelles (ACP + AFC)
152/182
Analyse de données multidimensionnelles (ACP + AFC)
153/182
Analyse de données multidimensionnelles (ACP + AFC)
154/182
Analyse de données multidimensionnelles (ACP + AFC)
155/182
Analyse de données multidimensionnelles (ACP + AFC)
156/182
Analyse de données multidimensionnelles (ACP + AFC)
157/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
158/182
Analyse de données multidimensionnelles (ACP + AFC)
159/182
Analyse de données multidimensionnelles (ACP + AFC)
160/182
Analyse de données multidimensionnelles (ACP + AFC)
2. Statistiques descriptives
Analyse
Statistiques descriptives
Descriptives
161/182
Analyse de données multidimensionnelles (ACP + AFC)
2. Statistiques descriptives
La boîte de dialogue Descriptives apparaît alors :
On choisit les variables adaptées à l'analyse en les sélectionnant
dans la partie gauche puis en cliquant sur la èche qui pointe vers la
droite.
Cliquer sur options et cocher moyenne, écart type, variance, mini
et max
162/182
Analyse de données multidimensionnelles (ACP + AFC)
3. Exécution de l'ACP
Analyse
Réduction des dimensions
Analyse factorielle :
163/182
Analyse de données multidimensionnelles (ACP + AFC)
3. Exécution de l'ACP
La boîte de dialogue Analyse factorielle apparaît alors :
De même qu'en haut, sélectionner les variables adaptées à l'analyse
Sur votre gauche il y a 5 boites de dialogue d'options à examiner une
à une.
164/182
Analyse de données multidimensionnelles (ACP + AFC)
3. Exécution de l'ACP
La boîte de dialogue Analyse factorielle : Caractéristiques apparaît.
Dans Statistiques, cliquer sur Structure initiale
Dans Matrice de corrélation, cliquer sur Coecients et indice de
KMO et test de sphéricité de Bartlett
Ensuite, cliquer sur poursuivre
165/182
Analyse de données multidimensionnelles (ACP + AFC)
3. Exécution de l'ACP
3. Exécution de l'ACP
167/182
Analyse de données multidimensionnelles (ACP + AFC)
3. Exécution de l'ACP
168/182
Analyse de données multidimensionnelles (ACP + AFC)
169/182
Analyse de données multidimensionnelles (ACP + AFC)
170/182
Analyse de données multidimensionnelles (ACP + AFC)
172/182
Analyse de données multidimensionnelles (ACP + AFC)
173/182
Analyse de données multidimensionnelles (ACP + AFC)
174/182
Analyse de données multidimensionnelles (ACP + AFC)
Outline
1 Références bibliographiques
175/182
Analyse de données multidimensionnelles (ACP + AFC)
176/182
Analyse de données multidimensionnelles (ACP + AFC)
2. Exécution de l'AFC
Analyse
Réduction des dimensions
Analyse des correspondances
177/182
Analyse de données multidimensionnelles (ACP + AFC)
2. Exécution de l'AFC
La fenêtre Analyse des correspondances apparait :
1. Sélectionnez une variable de Ligne. (cliquer sur la èche)
2. Sélectionnez une variable de Colonne. (cliquer sur la èche)
3. Cliquer sur dénir intervalle ( pour la Ligne puis pour la Colonne):
valeur mini = 1 ; valeur maxi = 4 dans le cas des variables à 4
modalités, puis Cliquer sur mettre à jour
4. Contrainte de modalité : aucun puis cliquer sur Poursuivre
178/182
Analyse de données multidimensionnelles (ACP + AFC)
2. Exécution de l'AFC
Cliquer sur Modèle, la fenêtre : Analyse des correspondances :
Modèle apparait :
* Dimensions de la solution : 2 ?
* Mesure de distance : choisir Khi-deux
* Méthode de standardisation : Moyennes de lignes et de colonnes
sont supprimées et Symétrique Poursuivre
179/182
Analyse de données multidimensionnelles (ACP + AFC)
2. Exécution de l'AFC
Cliquer sur Statistiques, la fenêtre : Analyse des correspondances :
Statistiques apparait, alors Cochez :
1. Tableau des correspondances
2. Caractéristiques des points lignes
3. Caractéristiques des points colonnes
4. Prols lignes
5. Prols colonnes
puis cliquer sur Poursuivre
180/182
Analyse de données multidimensionnelles (ACP + AFC)
2. Exécution de l'AFC
181/182
Analyse de données multidimensionnelles (ACP + AFC)
MERCI
MERCI
N.B.: C'est la première version des mes slides de cours, si vous notez
182/182