Académique Documents
Professionnel Documents
Culture Documents
Michel Tenenhaus
1. Les données de Kendall
2
S um m a
X
XX
1
X2
X
3
X4
X5
X
X
6
X
X7
X
81
X
9
1
X1
X
0
11
1
234
5
61
72
58
78
838
97
51
70
1
925
0
1
890
1
95
09
98
81
80
73
83
69
89
749
98
61
80
54
68
56
59
284
58
76
5
65
88
84
49
285
58
87
7
76
77
68
1
750
96
58
66
6
97
98
88
88
1
818
08
0
91
80
98
99
89
98
1
819
09
0
91
90
99
97
88
88
598
98
81
80
41
1
70
1
2
0
1 0
1
7
01
3
0
11
00
90
1
30
41
1
71
1
0
080
3
95
19
18
02
0
5
41
1
72
1
4
0
1 0
7
0
828
1
8
1 0
3
0
7
61
9
13
85
0
49
444
54
76
8
81
94
8
96
38
252
66
75
6
41
85
8
75
1
420
75
36
64
6
61
96
6
78
98
988
76
81
60
81
77
7
79
58
667
86
67
8
61
88
8
48
86
433
67
26
4
61
79
8
47
85
442
68
35
4
42
80
7
88
1
950
26
79
88
9
32
81
6
88
1
850
36
78
85
8
92
82
7
8
19
11
00
1
3
01
8
01
80
80
1
723
7
0
99
1
910
3
09
1
91
90
80
92
8
14
7
18
0
11
00
2
09
79
1
980
62
95
7
74
59
324
44
45
4
72
86
7
85
48
234
56
55
6
1
227
7
0
98
1
950
35
67
64
5
62
38
5
35
35
003
30
05
0
42
39
4
33
00
004
40
05
0
43
60
5
69
1
430
13
32
27
3
53
51
4
78
1
430
25
53
48
3
33
32
5
77
1
930
25
37
55
2
23
33
5
77
1
930
22
36
45
2
33
44
6
43
38
113
33
25
2
63
75
4
33
09
010
23
15
3
93
86
5
56
68
222
45
66
3
43
97
6
1
480
8
913
97
53
2
43
98
6
69
97
91
128
0
55
2
13
6
0
19
9
19
0
11
0
10
1
00
1
8
0
110
1
00
0
14
6
0
10
9
19
0
11
0
10
1
0
10
1
0
10
10
1
00
0
14
7
01
8
02
12
1
0 2
0
03
01
00
14
3
02
8
01
10
1
0 0
0
00
01
00
34
43
9
82
45
362
13
33
8
74
74
7
69
88
68
188
0
86
5
94
1
65
9
07
1
720
15
57
84
5
94
1
8
16
07
0
1
930
15
79
94
4
04
1
77
3
05
1
000
02
20
00
0
04
1
68
1
05
1
000
02
20
00
0
3
Tableau des corrélations
i o
e l a
X
X
X
X
X
X
X
X
X
X
XX
X
X
X1
2
3
1
41
5
1
6
1
7
1
8
1
9
0
6
9
8
4
6
2
87
9
8
6
5
8X
7
7
6 1
9
8
0
8
3
0
1
14
7
1
1
0
6X
7
4
4 2
4
2
3
4
0
2
1
70
6
6
4
4
8X
0
3
0 3
6
8
0
2
2
0
2
35
7
1
3
7
3X
6
5
7 4
2
8
1
5
1
2
0
80
6
5
4
2
1X
2
2
0 5
8
2
1
1
7
3
8
06
6
7
8
8
3X
7
7
6 6
7
4
4
0
0
5
0
60
1
6
0
5
6X
6
8
3 7
9
4
7
4
6
7
6
61
0
3
1
0
6X
5
9
8 8
8
1
1
9
6
1
5
76
3
0
7
5
9X
8
5
3 9
6
1
1
2
4
3
4
80
1
7
0
0
4X
8
3
3 1
5
4
0
3
4
7
2
85
0
5
0
0
4X
9
7
5 1
8
4
6
2
8
3
1
36
6
9
4
4
0X
6
9
8 1
7
3
7
7
0
6
2
76
5
8
8
9
6X
0
9
4 1
7
0
4
9
3
5
2
78
9
5
3
7
9X
9
0
6 1
6
9
4
0
0
7
0
63
8
3
3
5
8X
4
6
0 1
Dendrogram using Complete Linkage (Méthode des voisins les plus éloignés)
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
X6 6
X12 12
X8 8
X11 11
X5 5
X10 10
X13 13
X2 2
X4 4
X14 14
X7 7
X9 9
X15 15
X1 1
X3 3
5
Interprétation des blocs
Bloc 3 : Expérience
Form of letter of application, Experience, Suitability
Bloc 4 : Diplôme
Academic ability
6
3. Uni-dimensionabilité d’un bloc de variables
Question :
Un bloc de variables Xj est-il essentiellement
unidimensionnel ?
Réponse :
1) La première valeur propre 1 de l’analyse en
composante principale du bloc est supérieure à 1,
les autres sont inférieures à 1.
2) Chaque variable est plus corrélée à la première
composante principale qu’aux autres composantes
principales.
3) Chaque variable Xj a une corrélation supérieure
à 0.5, en valeur absolue, avec la première composante.
7
Application : ACP de chaque bloc
Bloc 1
c
e e
p e
o
1
C
6
61X
7
1
82X
7
8
63X
0
6
34X
2
9
15X
5
7
86X
2
9
77X
1
3
08X
9
E
Bloc 1 unidimensionnel
8
Application
Bloc 2 Bloc 3
c
c
gee
C
C
0
2
2
0 1
1
6
3
6
0 2
2
4
4
0
0 3
3
E
E
oo
1
1
X
1X
1
X
1X
7
X
3X
8
9
4. Fiabilité de l’instrument de mesure
Mesure globale de l’homogénéité d’un bloc de
variables positivement corrélées entre elles :
L’Alpha de Cronbach
Question :
Comment mesurer globalement la fiabilité de
l’instrument de mesure ?
C’est à dire le niveau d’homogénéité d’un bloc
de variables xi positivement corrélées entre elles ?
Réponse :
où : vraie mesure
xi item n° i
ei erreur de mesure
de Cronbach = Cor 2 ( H , )
p
Cov( x , x )i j
p
Var ( xi )
i j
i
1
p 1 Var ( H ) p 1 Var ( H )
Var ( H ) p Cor ( x j , xk )
j k
est grande.
13
de Cronbach pour items centrées-réduites
Le rapport
p
Cov( x , x )
i j
i j
p 1 Var ( H )
devient : 1
Cor ( xi , x j )
2 p ( p 1) i j pr
p
Var ( H ) 1 ( p 1)r
14
Application : de Cronbach de chaque bloc
Bloc 1
i o
e l
X
X
X
X
X
X11
1
2
1
5
6
8
0
1
1
7
1
06
7X
1
0
8
6
4
21
2X
1
8
0
6
8
83
7X
7
6
6
0
1
06
5X
1
4
8
1
0
04
8X
0
2
8
0
0
04
9X
6
1
3
6
4
40
6X
7
2
7
5
8
96
0X
Item-total Statistics
l
14
7
X
X
X
Item-total Statistics
17
Bloc 3
o
e l
X11
9
X
X
X
Item-total Statistics
18
5. ACP des données de Kendall
n c e
og fe S
V
V
ou
o
la
C
al
ta
at
ar
t
a
9
96
6
91
6
6
1
87
3
82
7
3
6
20
2
23
0
2
1
79
1
74
9
1
98
95
35
46
12
67
06
28
66
89
82
91 0
95
41 1
30
51 2
54
81 3
49
81 4
52
01 5
E
19
ACP des données de Kendall
a
e n
p o
12
3
4
2X
8X
1X
3X
5X
4X
9X
0
0X
6
5X
6
5X
3X
5X
8X
6X
0X
E x
a
4
p o
12
3
4
8X
7X
7X
3X
6X
8X
1X
6X
2X
0X
7X
2X
3X
8X
8X
E x
R
a
R .
6.2. Le modèle
X1 = 11Y1 + … + 1mYm + e1
..
.
Xi = i1Y1 + … + imYm + ei
..
.
Xp = p1Y1 + … + pmYm + ep
Les données
p variables X1,…, Xp centrées-réduites.
Choix de m
Nombre de valeurs propres supérieures à 1.
23
Application Kendall
n c e
o
g fe S
V
o
uo
la
C
al
ta
at
ar
t
9
6
69
61
6
8
7
38
72
3
2
0
22
03
2
7
9
17
94
1
9
8
9 5
3
5
4 6
1
2
6 7
0
6
2 8
6
6
8 9
8
2
9 1 0
9
5
4 1 1
3
0
5 1 2
5
4
8 1 3
4
9
8 1 4
5
2
0 1 5
E
24
Calcul des saturations (loadings) ij
j1 j1
25
Application Kendall
Matrice des corrélations entre les variables et les
2
u
facteurs
e a
nn
ij hi
paoc
12
3
4
2 X
5
8
2
9X 1
X
6
3
8
7
9X 2
2 X
9
0
0
0X 3
3 X
6
0
5
1X 4
6 X
9
8
5
8X 5
2 X
5
8
2
0X 6
1 X
3
6
1
8X 7
3
X
X
8
1
6
5
0
5
5
9
00
X X
9
4
7
0
58
X X
1
3
8
6
69
X X
1
8
1
5
21
X X
1
2
5
8
35
X X
1
0
4
0
4X
5 X
1
6
5
3
8X
5 1
X
EEx
a
4P.
26
Calcul des spécificités i
m
Var(Xi ) 1 ij
2
j1
i
hi2 = Var(ei) =
communauté spécificité
Qualité de la décomposition
Var(Xi ) p
i 1
i1 ...
i
2
im
i
2
i
i
p
Variance
expliquée j ij2 28
i 1
6.4. Décomposition de R en AF orthogonale
Formules de décomposition :
R = +
30
6.5. Les objectifs de l’AF orthogonale
L’analyse factorielle orthogonale consiste à rechercher
une décomposition de la matrice des corrélations R de
la forme :
R = +
Les ij sont les saturations et les i les spécificités.
R=
ti o n
re l a
X
X
X
XX
X
X
X
X
X
X
XX
X
X
1
23
4
5
1
6
1
71
8
19
11
0
6
4
0
4
9
8
4
36
6
2
6
8
8
7X
9
8
6
58
7
7
6 1
7
4
9
4
0
5
3
00
0
1
8
1
8
4X
7
1
1
06
7
4
4 2
4
6
4
9
3
4
0
92
9
1
2
7
4
0X
6
6
4
48
0
3
0 3
4
4
6
9
0
4
2
00
0
2
8
3
2
5X
7
1
3
73
6
5
7 4
1
1
2
0
1
4
1
22
7
0
8
8
5
0X
6
5
4
21
2
2
0 5
2
4
8
9
1
5
7
83
7
8
2
0
1
6X
6
7
8
83
7
7
6 6
3
5
7
8
4
1
0
85
1
0
4
6
0
0X
1
6
0
56
6
8
3 7
0
3
9
1
7
6
6
67
3
6
4
6
4
1X
0
3
1
06
5
9
8 8
3
0
8
3
1
9
6
91
4
5
1
7
9
6X
3
0
7
59
8
5
3 9
1
3
6
0
1
8
4
13
8
4
1
8
2
0X
1
7
0
04
8
3
3 1
6
9
5
8
0
0
4
87
6
2
4
8
3
5X
0
5
0
04
9
7
5 1
6
9
8
1
6
8
80
3
7
1
4
3
2
6X
6
9
4
40
6
9
8 1
3
4
7
8
7
6
0
76
0
2
3
7
7
6X
5
8
8
96
0
9
4 1
4
1
7
1
4
4
3
45
3
2
0
7
9
8X
9
5
3
79
9
0
6 1
4
9
6
2
4
3
0
27
7
0
9
6
0
3X
8
3
3
58
4
6
0 1
32
em=4 n
p o
1
2
34
5
8
2
9 X
3
8
7
9 X
9
0
0
0 X
6
0
5
1 X
9
8
5
8 X
̂
5
8
2
0 X
3
6
1
8 X
1
6
5
0 X
5
5
9
0 X
4
7
0
5 X
3
8
6
6 X
8
1
5
2 X
2
5
8
3 X
0
4
0
4 X
6
5
3
8 X
X
XXXX
1
X2
X3
X
4
X5
X
6
X7
X
1
8
X1
9
111
01
23
R Xbe1 p r o
2
8
0
1
.
2
3.
6
4
2.
4
1
9
.8
2
2
.3
9
4
.
3
8
64
07
5
2
2
47
2
8
80
7
43
23
X b2
4
2
4
6
.
4
6.
1
3
9.
4
9
6
.4
0
1
.5
2
.
5
9
73
5
63
5
4
6
59
3
4
53
9
03
28
X b
3
0
6
0
8
.
2
0.
3
1
2
-.
0
7
1
.1
0
2
.2
3
5
.
3
1
44
5
22
4
1
2
60
0
00
3
12
85
X b
4
4
6
2
7
.
3
7.
1
2
4.
4
3
2
.3
4
5
.5
2
3
.
5
6
36
0
63
0
2
98
4
9
33
3
08
58
X 5b
8
3
1
3
.
8
2.
0
8
6.
7
2
7
.8
6
4
.7
3
.
3
7
64
2
52
4
6
6
80
5
8
67
5
02
54
X 6b
8
9
3
7
.
8
3.
1
2
0.
7
2
6
.8
2
.8
3
6
.
7
4
55
6
24
3
6
0
48
3
5
52
4
92
09
X 7 b
3
0
1
8
.
2
4.
2
6
2.
2
8
4
-
.2
5
1
.4
2
0
.
3
4
64
2
60
5
1
0
34
3
7
64
0
43
04
X 8 b
8
5
2
3
.
8
2.
2
3
4.
8
3
5
.8
2
6
.8
9
.
7
3
85
2
45
8
3
1
37
6
4
01
5
42
97
X 9 b
1
9
2
1
.
2
6.
7
3
2.
3
4
3
.3
2
0
.2
3
4
.
3
8
52
4
37
0
3
9
66
0
0
72
0
98
75
X 1 b
0
7
5
2
5
.
8
0.
3
2
8.
7
6
5
.8
2
0
.7
2
3
.
7
4
65
8
55
0
6
8
06
7
8
89
7
13
83
X 1 1b
8
5
2
4
.
8
3.
2
4
7.
8
3
9
.8
5
3
.8
3
.
7
0
55
0
44
7
0
1
56
0
3
78
9
19
64
X 1 2 b
8
6
4
2
.
8
2.
2
6
4.
7
0
0
.8
0
1
.8
1
0
.
8
9
05
8
95
1
4
5
45
9
5
15
1
17
11
X 1 3 b
7
9
4
0
.
7
8.
3
0
3.
7
8
3
.7
4
2
.8
7
8
.
8
6
25
6
25
6
3
5
28
5
39
9
75
06
X 1 4 b
5
4
0
4
.
5
9.
2
8
2.
5
2
.5
7
8
.5
4
5
.
5
0
58
04
3
0
5
95
7
8
85
6
10
54
X 1 5 b
4
3
0
0
.
5
3.
7
3.
5
2
8
.4
5
.5
1
8
.
5
2
44
97
8
4
5
79
5
5
39
4
16
45
RaX e1 si d
0
5
0
5
.
0
2
-.
1
4
-.
0
1
0
-
.2
0
6
.0
2
7
.
0
3
60
6
81
2
4
1
50
3
1
31
7
46
47
1
0
3
-
.
8
0
-.
0
0
-.
1
2
.X
5
0
7
.0
2
3
.
0
5
60
1
52
0
9
0
5
38
2
5
44
1
36
86
3
0
0
-
.
0
2
-.
0
1
6.
0
7
-
.X
1
0
.0
1
6
.
0
4
50
4
53
0
0
9
2
01
5
8
46
1
31
45
8
0
0
2
-
.
0.
0
2
7
-.
0
4
3
-
.X
9
0
6
.0
1
.
2
0
00
1
64
0
1
4
1
81
3
01
3
78
91
0
0
1
-
.
0
2
-.
0
6
-.
0
1
6
-
.X
0
4
5
.0
2
0
.
0
50
2
75
0
4
3
13
0
0
12
3
90
24
2
0
0
.
0
4
-.
0
1
8
-.
0
5
-
.X
0
3
5
.0
6
.
0
0
70
66
0
7
0
7
80
4
2
71
7
44
32
0
5
1
-
.
9
0
-.
0
4
-.
3
0
.X
0
9
.0
0
4
.
0
7
40
5
07
0
3
1
82
7
2
54
5
87
27
0
2
0
1
-
.
1
-.
0
2
5.
0
3
.X
0
0
.0
8
.
0
10
88
0
2
8
43
4
0
93
5
87
02
5
0
4
0
.
0
2
-.
5
3.
0
0
2
-
.X
0
7
5
.0
3
.
0
00
49
0
7
0
41
0
93
5
09
82
0
1
0
4
-
0
1.
0
2
3.
6
4
.X
0
5
4
.0
0
.
0
10
71
0
2
5
6
92
9
23
7
60
5
50
0
9
0
0
-
.
0
10
7.
0
7
1
-
.X
3
1
.0
2
3
.
0
32
0
71
0
5
2
50
5
1
74
71
0
19
5
0
0
2
.
0
1.
0
3
4
-0
7
3
-
.X
0
1
3
.4
7
.
0
90
6
41
0
2
8
81
0
0
62
72
9
13
0
8
0
1
.
0
1.
0
3
6
-.
0
6
-X
2
0
1
.0
3
8
.
1
00
2
41
0
0
7
1
79
1
52
0
93
03
0
5
0
8
-
.
0
-.
0
4.
2
0
8
-
.X
2
0
40
0
9
.
0
0
22
31
0
1
2
0
01
8
55
1
14
08
0
4
6
0
-
.
1
0
-.
0
2
7
-.
1
0
6
.X
0
4
5
.0
3
1
0
3
40
3
21
4
7
2
22
2
5
09
35
3
8
E xtr a c
a
R.e s i d
b
R.epr o
34
6.6. Les méthodes de rotation
Formule de décomposition (p = 3, m = 2) :
1 Cor(X1 , X 2 ) Cor(X1 , X 3 )
R 1
Cor(X 2 , X 3 )
1
1 0
TT '
0 1 35
Les méthodes de rotation
1 Cor(X1 , X 2 ) Cor(X1 , X 3 )
R 1 Cor(X 2 , X 3 )
Var(X 3 )
11 12 1 0 0
11 21 31
21 22 TT ' 0 2 0
12 22 32
31 32 0 0 3
I
Nouvelle matrice des saturations après rotation :
Objectifs :
e l
X
X
X
X11
19
4
7
8
6
6
77X
0
3
1
65X
3
0
7
36X
1
7
0
55X
6
3
5
08X
5
6
5
80X
e2 a
R (Xj;Y1,Y2) n
p o
1
2c
0
5XX
3
4
7
2
X
X
X
X
X
=
0
8X
4
6XX
0
5XX
E
Seulement dans a
2
39
l’option ACP
Exemple avec les blocs 2 et 3
Component Plot
1.0
x7
x4
.5
x14
0.0
x1
x15
Component 2
-.5 x9
-1.0
-1.0 -.5 0.0 .5 1.0
Component 1
40
Utilisation de la rotation Varimax
a
e n
s
p o
1
2 C
1
2
8
8 1
0
5 X
8
8 2
3
4
7
2
X
XE *
0
8 XR
4
6 X
0
5 X
E
a
2 T ( TT = I )
a
p
p
1
2
o
X
4
7
6
4 X
==
7
5 X
8
3 X
3
5 X
1
3 X
E
R41
a
R
Utilisation de la rotation varimax
Component Plot in Rotated Space
1.0 x4
x7
x14
.5
x15
x1
0.0 x9
Component 2
-.5
-1.0
-1.0 -.5 0.0 .5 1.0
Component 1 42
Exemple Kendall complet
Application (ACP + Varimax)
a
p o
p o
12
3
4
6
0
8
6X
6
2
1
8X
1
8
7
8X
6
5
2
2X
8
4
6
2X
3
9
9
4X
6
2
3
1X
7
6
7
1X
3
2
2
2X
8
2
1
9X
7
2
6
8X
6
7
8
6X
1
9
9
7X
7
4
8
2X
1
7
7
5X
E x
R
a
R .
43
Application (ACP + Varimax)
Présentation améliorée
a
p o
p o
12
3
4
8X
7X
7X
3X
6X
8X
1
9X
6
1X
2X
0X
7X
2X
3X
7
8
2X
8X
E x
R
a
R .
ˆ ˆ '
a j (X 'X)1 X 'Yj ( ˆ )1
ˆ
j
45
Application (ACP + Varimax)
Coefficients appliqués aux variables centrées-réduites
e C
p o
1
2
3
4
7
2
3
1X
6
9
7
9X
0
2
4
7X
8
0
8
8X
9
1
1
8X
4
5
1
1X
3
8
0
9X
4
6
5
2X
3
2
0
0X
4
5
6
0X
6
8
1
8X
6
4
9
8X
8
2
9
4X
6
6
6
1X
3
1
5
0X
E x
R
C46
Estimation des facteurs
a
u m
c
ctt
te
te
ee
uu
1
88
481
1
1
86
742
9
0
76
683
6
5
29
874
9
1
60
515
9
5
95
176
0
6
03
077
7
1
59
718
1
6
45
299
5
5
06
491
2 0
9
77
451
1 1
1
84
261
0 2
5
31
951
7 3
1
04
061
0 4
4
01
381
7 5
7
03
151
3 6
5
24
131
5 7
7
59
951
5 8
2
81
391
0 9
7
35
182
5 0
a
L .
i
47
7. Test de sphéricité de Bartlett
Test : H0 : R = Identité
(aucune corrélation entre les X)
2p 5
2
(n 1 ) ln | R |
6
2p 5
(n 1 ) rik2
6 ik
p(p 1)
est supérieur au seuil 2
1- 2
48
Application
a
K
3A
0BA
5Sd
0 S
49
8. Kaiser-Meyer-Olkin Measure
of Sampling Adequacy
La corrélation partielle
Xi = i0 + i1Y1 + … + imYm + i
Xk = k0 + k1Y1 + … + kmYm + k
g e
e C
X
X
X
XX
X
X
X
X
XX
X
X
1
X
2
X
34
5
6
17
1
8
1
9
11
10
1
Xa 1
2
7
7
3
1
9
1
37
2
1
9
4
1
03
4
6
4
40
2
57
2
8
1
4
8
2
6
6X
8
4
4
3
0
9
4a
7
9
0
0
17
1
42
4
2
2
1
5
6
7
4
4X
0
9
6
8
2
4
0a
5
4
1
6
67
0
03
2
X a4
1
5
7
8
8
0
0
33
1
1
4
6
6
07
8
8
5
35
0
65
X a5
1
3
1
2
4
4
6
01
3
2
2
9
2
34
0
3
8
27
3
59
X a6
0
3
4
9
0
2
2
86
9
9
8
5
3
48
1
5
0
25
3
92
1
6
0
6
4
8
0
0X
0
7
3
4
4
1
34
6
4
8
91
0
0a
7
5
3
9
4
7
9
6
4
7X
8
0
0
3
1
0
61
2
0
0
47
2
8a
8
6
X a
9
5
7
6
6
0
1
1
18
5
3
6
5
5
41
0
5
1
74
4
00
X 1a
4
6
4
1
0
4
6
35
2
8
9
0
5
82
0
1
3
28
9
56
X 1a
2
7
4
1
1
3
6
23
8
2
8
2
6
95
4
7
2
06
1
39
1
0
0
5
7
2
7
8X
5
9
7
4
5
9
16
7
4
8
67
4
41
8a
0
3
2
6
1
9
0
8X
0
4
3
8
3
7
00
2
4
9
14
2
21
3 a
X 1 a
2
0
5
5
4
5
0
66
9
5
7
9
2
02
8
0
5
34
2
17
X 1 a
7
1
7
1
4
2
2
55
6
9
0
2
2
55
6
0
6
98
3
75
a
M .e
51
Kaiser-Meyer-Olkin Measure of Sampling Adequacy
r a
ik
2
ik
ik
2
ik
53
10. Autres méthodes d’extraction des
saturations
54
10.1 La matrice des saturations
Modèle : Xi = i1Y1 + … + imYm + ei
Décomposition de la variance :
m
Var(Xi ) 1 ij
2
j1
i
hi2 = Var(ei) =
communauté spécificité
Communauté initiale et finale :
m
h 2
i (Xi , Yj )
cor
j1
2
Décomposition de la variance :
De
Var(Xi ) 1 + ... +
2
i1
2
im + i
On déduit :
Var(Xi ) p
i 1
i1 ...
i
2
im
i
2
i
i
i1
Var(Xi ) - i = h i2 = i1 im
im
k1
Cor(X i , X k ) = i1 im
km
58
Méthode des facteurs principaux
Exemple p=3 et m=2
a
at i
c
c a
1 X
12
3
4
7
3
42
04
0
XX
0
6
86
91
0
XX
8
51
59
6X
0 X
8
79
55
7X
6 X
1
38
42
0X
5 X
7
02
21
4X
8 XX
5
32
13
6
1
6
89
2X
5
9X
9
9
61
0X
6
2X
5
9
16
7X
8
7X
7
6
38
6X
2
7X
1
4
30
04
1
XX
4
7
02
64
0
XX
6
69
68
9X
9 X
8
11
28
7X
6 X
E
Ea
x
4
60
Application Kendall
Facteurs Facteur principaux
ACP principaux + rotation varimax
n c e
o
o
g ff
e SS
n
V
T
u
o
Vu
l
o
VF
a
al
o
ta
al
t
aa
r
t
aa
t
ar
t
i
7
9
4
6
46
0
71
7
111
8
8
2
7
63
0
92
6
445
1
2
0
0
62
0
13
7
015
1
7
6
9
21
8
04
7
417
9
895
3
546
1
267
0
628
6
689
8
291 0
9
541 1
3
051 2
5
481 3
4
981 4
5
201 5
E x
61
Application Kendall
a
a c
oacrt
1
23
4
1
2
3
42FX
1
9 X
2
0 X
3
4 X
4
3 X
E
1RX
6 X
8 X
6 9X
114X
8 5X
632X
9 6X
7 2X
1
259
7X
E
R
a
R
62
10.5 Méthode des moindres carrées
où
63
Application Kendall
u a
n
a
i t i
c a
3
1 X
8
4 X
2
1 X
3
8 X
8
6 X
0
5 X
1
9 X
7
1 X
3
9 X
8
5 X
0
3 X
2
3 X
4
0 X
1
7 X
5
6 X
E
a
O
1
s 64
10.6 Méthodes des moindres carrés généralisée
(rik rˆik )2
Minimiser
ik
ik ˆ i
ˆk
où
r̂ij ˆ i1ˆ k1 ... ˆ im ˆ km
= Corrélation reproduite à l'aide du modèle
et rik rˆik
Cor(X i , X k | Y1 ,..., Ym ) Cor(ei , e k )
ˆ i
ˆk
calculé sur les données. 65
10.7 Méthode du maximum de vraisemblance
Modèle : Xi = i1Y1 + … + imYm + ei , Var(ei) = i
Hypothèse :
Les variables Xj suivent une loi multinormale de
moyenne et de matrice de covariance .
Notations :
S = matrice de covariances observée sur un échantillon de taille n
ˆ ˆ '
C ˆ matrice de covariance reconstituée par le modèle
Maximisation :
On recherche les saturations et les spécificités estimées
maximisant le logarithme de la vraisemblance des données :
1 1 1
L( S , C ) cste (n p 2) ln | S | (n 1) ln | C | (n 1) Tr C 1S
2 2 2
66
10.8 Test de validité du modèle à m facteurs
iqg m=4
iqg m=5
i m = 6q
g
11.2. Le modèle
X1 = 11Y1 + … + 1mYm + e1
..
.
Xi = i1Y1 + … + imYm + ei
..
.
Xp = p1Y1 + … + pmYm + ep
où :
- Les facteurs communs Yj peuvent être corrélés entre eux.
- Les facteurs spécifiques ei ,…, em sont tous non corrélés entre eux
et avec les facteurs communs. 69
Le modèle X1 = 11Y1 + … + 1mYm + e1
..
.
Xi = i1Y1 + … + imYm + ei
..
.
Xp = p1Y1 + … + pmYm + ep
X = ΛY + e
70
Le modèle de l’analyse factorielle oblique :
X = ΛY + e
E (YY ')
matrice des corrélations entre les facteurs communs
E (ee ')
matrice de covariance des facteurs spécifiques
1 Cor(X1 , X 2 ) Cor(X1 , X 3 )
R 1
Cor(X 2 , X 3 )
1
• Promax Rotation
An oblique rotation, which allows factors to be correlated.
This rotation can be calculated more quickly than a direct
oblimin rotation, so it is useful for large datasets.
73
Application aux données de Kendall
Matrice des corrélations entre les facteurs
Component 1 2 3 4
1 1.000 .325 .452 .046
2 .325 1.000 .156 .074
3 .452 .156 1.000 -.021
4 .046 .074 -.021 1.000
Extraction Method: Principal Component Analys is .
Rotation Method: Oblimin with Kaiser Normalization.
74
Matrice des saturations ih
Pattern Matrixa
Component
1 2 3 4
x5 .999 -.259 -.015 -.054
x11 .968 .020 -.087 -.037
x8 .967 .068 -.110 -.053
x6 .871 -.041 .096 .010
x10 .787 .237 -.007 -.052
x12 .750 .126 .195 .150
x13 .637 .206 .298 .232
x9 -.049 .870 -.094 .191
x1 -.038 .853 .066 -.153
x15 .263 .767 -.018 .069
x7 .026 -.304 .911 .027
x4 -.056 .209 .903 -.067
x2 .332 .071 .349 .236
x3 .000 .085 .016 .929
x14 .291 .321 .472 -.519
Extraction Method: Principal Component Analys is .
Rotation Method: Oblimin with Kaiser Normalization.
a. Rotation converged in 8 iterations.
Component
1 2 3 4
x8 .937 .361 .339 .000
x11 .934 .318 .354 .011
x5 .906 .059 .398 -.027
x6 .902 .257 .483 .045
x12 .886 .411 .550 .190
x10 .858 .488 .386 .002
x13 .849 .477 .613 .270
x2 .523 .251 .505 .249
x15 .507 .855 .219 .138
x9 .200 .853 .016 .255
x1 .261 .839 .185 -.093
x4 .417 .326 .912 -.072
x7 .339 -.152 .874 -.013
x14 .585 .451 .665 -.492
x3 .078 .157 .010 .935
Extraction Method: Principal Component Analys is .
Rotation Method: Oblimin with Kaiser Normalization.
Component
1 2 3 4
x8 .937
x11 .934
x5 .906
x6 .902
x12 .886 .550
x10 .858
x13 .849 .613
x2 .523 .505
x15 .507 .855
x9 .853
x1 .839
x4 .912
x7 .874
x14 .585 .665
x3 .935
Extraction Method: Principal Component Analys is .
Rotation Method: Oblimin with Kaiser Normalization.