AMD

I. CODES ACP:

# 1. charger la librairie
library(FactoMineR)

# 2. lecture des donn�es

tableau=read.table(file='C:/AMD/diffactif.txt',row.names=1,sep = "", dec=".")
tableau

#3. Stat descriptive pour les variables(moyenne, �cart type, max, min)
round(apply(tableau,2,mean,na.rm=T),2)
round(apply(tableau,2,sd,na.rm=T),2)
round(apply(tableau,2,max,na.rm=T),2)
round(apply(tableau,2,min,na.rm=T),2)

#4. Stat descriptive pour les individus(moyenne, �cart type, max, min)
round(apply(tableau,1,mean,na.rm=T),2)
round(apply(tableau,1,sd,na.rm=T),2)yj
round(apply(tableau,1,max,na.rm=T),2)
round(apply(tableau,1,min,na.rm=T),2)

#5. ACP
acp=PCA(tableau,scale.unit=T,graph=F)# pour commencer l'ACP
#5.1.valeurs propres
acp$eig
#repr�senter les vp
plot(acp$eig[,1],type="c")
100/6#contribution moyenne des valeurs propres
#5.2. Etude du nuage des variables
# Qualit� de la repr�sentation des variables
# Cercle de correlation pour visualiser la qualit� de la repr�sentation
x11()
x=sin(seq(-pi,pi,length=100))
y=cos(seq(-pi,pi,length=100))
library(MASS)
eqscplot(x,y,lty=2,pch="*",cex=.7, xlab='facteur 1',ylab='facteur
2');abline(h=0,v=0,lty=2,col=1)
points(acp$var$cor[,1:2], pch=15,cex=.8)
text(acp$var$cor[,1:2],labels=names(tableau),cex=.8,col=4)
#pour d�terminer les variables les mieux expliqu�es par les facteurs
round(acp$var$cos2,2)
# coordonn�es des variables sur les facteurs
round(acp$var$coord,3)
# Corr�lation entre variables et composantes principales
round(acp$var$cor,3)

# Corr�lation entre variables

round(cor(tableau),2)

#5.3. Etude du nuage des individus

# les plus fortes contributions (>contribution moyenne=100/14)

100/14
acp$ind$contrib

# les coord(signes)
round(acp$ind$coord,2)

#les cos2 pour compl�ment d�individus pour chaque facteur

round(acp$ind$cos2,2)

# R�alisez la repr�sentation des individus dans le premier plan factoriel

x11()
plot(acp$ind$coord[,1:2],pch=8,cex=.5)
text(acp$ind$coord[,1:2],labels=rownames(tableau),cex=.8,col=4)
abline(h=0,v=0,lty=2,col=2)

# R�alisez la repr�sentation simultann�e:

x11()
PCA(tableau,scale.unit=T,graph=T)
II. CODES AFC:
#1. lecture des donn�es

library(FactoMineR)

enfant=read.table(file='C:/AMD/enfant.txt',header=T,row.names=1)
enfant

#Distribution de fr�quences conjointe

100*round(prop.table(as.matrix(enfant)),4)

#2. Liste des modalit�s des colonnes :

sort(names(enfant))

#3. Liste des modalit�s des lignes :

sort(rownames(enfant))

#4. Etude des distributions marginales (facultative)

#4.1) Modalit�s des lignes

#4.1..1) Effectif par modalit�s des lignes

some.ligne=apply(enfant,1,sum)
some.ligne

#4.1.2) Fr�quence par modalit�s des lignes

freq.ligne=100*some.ligne/sum(some.ligne)
round(freq.ligne,2)

#4.1.3) Diagramme illustratif : modalit�s des lignes et fr�quences

x11()

barplot( round(freq.ligne,2))
#4.1.4) tableau de fr�quences des lignes

100*round(prop.table(as.matrix(enfant),1),4)
#4.2) Modalit�s des colonnes

#4.2.1) Effectif par modalit�s des colonnes

some.colonne=apply(enfant,2,sum)
some.colonne

#4.2.2) Fr�quence par modalit�s des colonnes

freq.colonne=100*some.colonne/sum(some.colonne)
round(freq.colonne,2)

#4.2.3) Diagramme illustratif : modalit�s des colonnes et fr�quences

barplot( round(freq.colonne,2))

#4.2.4) tableau de fr�quences des colonnes

100*round(prop.table(as.matrix(enfant),2),4)

#5) AFC

#5.1) test du Chi 2 (test d�ind�pendance)

chisq.test(enfant)

#5.2) Valeurs propres et choix des facteurs

#LAMDA moyen = Somme(lamda i)/ min(c-1,l-1) = X-squared/(4*sum(enfant))

137.5779/(4*sum(enfant))

#Les valeurs propres :

enfant.AFC=CA (enfant,graph=F)
enfant.AFC$eig

#5.3) Choix des modalit�s lignes

enfant.AFC$row
#Contribution moyenne
100/15

#5.4) Choix des modalit�s colonnes :

enfant.AFC$col
#Contribution moyenne
100/5

#10) Plan factoriel

#10.1) Repr�sentation graphique

plot.CA(enfant.AFC,axes=c(1,2),title='plan factoreil(1,2)',cex.main=.5,cex=.6)