Vous êtes sur la page 1sur 10

Interprtation des rsultats

Sous SPSS 17

b.a
-Elle Permet de voir la prsence d inter corrlation entre les variables pour pouvoir
en extraire des dimensions plus globales.
- lanalyse en composantes principale na dintrt que si lensemble des
variables sont corrles entre elles ;
- Plus on est proche de 1 ou -1 plus les 2 variables sont corrls par exemple le CA
avec la part de march sont corrls(0,689)
- Problme: plus grand est le nombre des variables ,plus il est difficile davoir
une ide prcise du degr de corrlation entre elles.

- solution : le test Bartlett et le KMO


Nota: le test Bartlett est
sensible la taille de
lchantillons ,plus N est
grande plus le test est moins
significatif ;

-Le test da Bartlett permet de vrifier la corrlation des variables


entres elles
-Comment lire ce test ?
*si la signification (Sig.) tend vers 0.000, cest trs significatif,
*infrieur 0.05 significatif,
*entre 0.05 et 0.10 acceptable
*et au dessus de 0.10, on rejette.
Nota:
KMO | Recommandation

>0,9 | trs excellent


0,8+ | Excellent
0,7+ | Moyen
0,6 | Mdiocre
0,5 | Misrable
<0,50 | Inacceptable

-KMO est un indice qui permet de vrifier la corrlation des


variables globalement ,il doit tre suprieur 0,5 sinon on doit
calculer le KMO pour chaque variables pour voir son niveau de
corrlation avec les autres afin retrancher celles qui ne
prsentent pas une corrlation significative avant de procder
lanalyse en composantes principales
- Mais comment calculer le KMO pour chaque variable ?
- Matrices anti-images
- La portion importante considrer ici est le diagonale apparaissant
dans le tableau corrlation anti-images(,694 | ,774 | ) ces valeurs
correspondent aux mesures KMO calculs pour chaque variable afin de
mesurer sa corrlation avec les autres.
-Ce tableau permet de calculer la variances explique par les composantes principales
dans notre cas la premire composante principale explique 60,776% tandis que la
deuxime explique 15,809% de la variance totale .
- au total notre ACP va permettre de reprsenter 76,585% de la variance prsente dans
nos donnes laide de deux composantes indpendantes .
- on ne peut retenir une composante qui nexplique pas plus de 1. Nota: ce critre appel aussi
critre de KMO peut tre
vrifier par un autre test
celui-ci appel Scree
test de Cattell (le coude )
Nota: ce test vient confirmer
le nombre composantes
extraites en fonction du
critre KMO

On ne retient
que les
composantes
qui expliquent
plus dune
valeur propre

- La premire composante explique plus de 4 valeurs propres


- La deuxime composante explique plus dune valeurs propres
- La troisime composante explique moins dune valeurs propres
donc elle est rejete.
- cest la matrices des poids factoriels ( ????)

-1 |elle contient les coefficients permettant


dexprimer chacune des variables en fonction
des composantes extraites

- par exemple le CA peut tre prsenter


comme suit :
CA =0,955 C1+0,180 C2 ;)
- Ou encore pour la part du march :
Pm= 0,791 C1 0,430 C2

-2 |On peut dire aussi quun changement


dune unit C1 entrainera un changement
correspondant de 0,955 units dans le CA
,alors quun changement dune unit de C2
Provoquera 0,180 units de changement dans
le prix

-3 |On peut aussi interprter les poids factoriels comme coefficients de corrlation entre les
composantes principales et les variables. puisque les diffrentes composantes extraites sont
indpendantes .
- on peut quil y a une corrlation de 0,955 entre le CA et C1 , ou encore 91,2% (0,955^2) de
variance commune entre ces deux score.
-Ce tableau reprsente la
qualit dextraction pour
chaque variable

- par exemple on peut


constater que 94,4% de la
variance du variable CA
est expliqu par les deux
composantes extraites.

Nota: cette variance


commune est la somme des
carrs des poids factoriels
examins prcdemment :
(0,995^2 )+(0,180^2)=
0,944