Acp

Analyse en Composantes Principales (ACP)
Principes et pratique de l’ACP
Ricco RAKOTOMALALA
Université Lumière Lyon 2
Ricco Rakotomalala
Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1
PLAN
1. Position du problème
2. ACP : calculs via la diagonalisation de la matrice des corrélations
3. ACP : calculs via la décomposition en valeurs singulières
4. Pratique de l’ACP
5. Rotation des axes pour une meilleure interprétation
6. Les logiciels (SPAD, SAS, Tanagra et R)
7. Plus loin (1) avec l’ACP : techniques de ré-échantillonnage
8. Plus loin (2) : test de sphéricité et indice(s) MSA
9. Plus loin (3) : ACP sur les corrélations partielles, gestion de « l’effet taille »
10. Plus loin (4) : analyse en facteurs principaux
11. Bibliographie
Ricco Rakotomalala
Construire un nouveau système de représentation
(composantes principales, axes factoriels, facteurs : combinaisons linéaires des variables originelles)
qui permet synthétiser l’information
Ricco Rakotomalala
Analyser un tableau de données – Variables toutes quantitatives Variables « actives » quantitatives
c.-à-d. seront utilisées pour la
j : 1,, p construction des facteurs
Modele CYL PUISS LONG LARG POIDS V.MAX

Alfasud TI 1350 79 393 161 870 165
Les données « autos » Audi 100 1588 85 468 177 1110 160
Simca 1300 1294 68 424 168 1050 152
(Saporta, 2006 ; page 428) Citroen GS Club 1222 59 412 161 930 151
Fiat 132 1585 98 439 164 1105 165
Lancia Beta 1297 82 429 169 1080 160
Peugeot 504 1796 79 449 169 1160 154
Renault 16 TL 1565 55 424 163 1010 140
Renault 30 2664 128 xij 452 173 1320 180
i : 1,, n Toyota Corolla 1166 55 399 157 815 140
Alfetta 1.66 1570 109 428 162 1060 175
Individus actifs
Princess 1800 1798 82 445 172 1160 158
Datsun 200L 1998 115 469 169 1370 160
Taunus 2000 1993 98 438 170 1080 167
Rancho 1442 80 431 166 1129 144
Mazda 9295 1769 83 440 165 1095 165
Opel Rekord 1979 100 459 173 1120 173
Lada 1300 1294 68 404 161 955 140
Questions :
(1) Quelles sont les véhicules qui se ressemblent ? (proximité entre les individus)
(2) Sur quelles variables sont fondées les ressemblances / dissemblances
(3) Quelles sont les relations entre les variables
Ricco Rakotomalala
Position du problème (1)
Analyse des proximités entre les individus
Ricco Rakotomalala
Que voit-on dans ce graphique ? Positionnement des individus (2 variables)
1. Les variables CYL et PUISS sont liées.
CYL x PUIS
2. « Opel Reckord » et « Taunus 2000 (Ford) » ont le
même profil (caractéristiques) Renault 30
120
3. « Renault 30 » et « Toyota Corolla » ont des
Datsun 200L
profils opposés…
Alfetta 1.66
Un graphique ne fait que révéler des informations
100
Opel Rekord
présentes dans le tableau de données ! Fiat 132 Taunus 2000
PUISS
Modele CYL PUISS Audi 100
Mazda 9295
Toyota Corolla 1166 55 Lancia Beta Princess 1800
80
Rancho
Alfasud TI Peugeot 504
Citroen GS Club 1222 59
Simca 1300 1294 68
Simca
Lada 1300
1300
Lada 1300 1294 68
Lancia Beta 1297 82
60
Citroen GS Club
Alfasud TI 1350 79 Toyota Corolla Renault 16 TL
Rancho 1442 80
Renault 16 TL 1565 55 1000 1500 2000 2500 3000
Alfetta 1.66 1570 109 CYL
Fiat 132 1585 98
Audi 100 1588 85
Mazda 9295 1769 83
Peugeot 504 1796 79
Princess 1800 1798 82
Que faire si on veut prendre en compte (p >
Opel Rekord 1979 100
Taunus 2000 1993 98 2) variables simultanément ?
Datsun 200L 1998 115
Renault 30 2664 128
Tableau trié selon CYL
Ricco Rakotomalala
Positionnement des individus (p >2)
60 100 160 175 140 170

Impossible de créer un nuage à « p » dimensions.
1500 2500
CYL On pourrait croiser les variables 2 à 2, mais :
1. Très difficile de surveiller plusieurs cadrans en
100
même temps.
PUISS
2. Etiqueter les points rendrait le tout illisible.
60
460
LONG
400
175
LARG
160
Ce type de représentation n’est utile que pour

effectuer un diagnostic rapide et repérer les points
1200
POIDS atypiques.
800
170
V.MAX Ex. Renault 30 : le plus gros moteur, la plus

140
puissante, une des plus lourdes, la plus rapide.

1500 2500 400 440 800 1200
Ricco Rakotomalala
Positionnement des individus – Principe de l’ACP (1) – Notion d’inertie
Principe : Construire un système de représentation de

d (i, i' )   xij  xi ' j 
p
dimension réduite (q << p) qui préserve les distances entre Distance euclidienne 2 2
les individus. On peut la voir comme une compression avec entre 2 individus (i, i’) j 1
perte (contrôlée) de l’information.
Un critère global : distance entre l’ensemble des individus pris 2 à 2, 1 n n
inertie du nuage de points dans l’espace originel. Elle traduit la quantité Ip  2

2n
 d
i 1 i '1
2
(i, i' )
d’information disponible.
1 n 2
Autre écriture de l’inertie : écart par rapport au barycentre G (vecteur I p   d (i, G)
n i 1
constitué des moyennes des p variables)
CYL x PUIS
120
L’inertie indique la dispersion autour du barycentre,
100
PUISS
c’est une variance multidimensionnelle (calculée sur
p dimensions) 80
60 G
1000 1500 2000 2500 3000
Ricco Rakotomalala CYL

Positionnement des individus – Principe de l’ACP (1) – Régression orthogonale
Habituellement on (a) centre et (b) réduit les variables. On parle
1 n
d’ACP normée. xij  x j xj   xij
n i 1
(a) Pour que G soit situé à l’origine [obligatoire] zij 
 xij  x j 
1 n
sj s 2j 
2
(b) Pour rendre comparables les variables exprimées sur des n i 1
échelles (unités) différentes [non obligatoire]
Cas particulier de 2 variables c.r. (1) Trouver la première composante F1 qui maximise l’écartement
(Ip = p =2) Minimisation
global des points par rapport à l’origine :
1 n 2
F2
CYL x PUIS F1 1   Fi1  1.796628
89.83% n i 1
3
10.17%
1 est la part d’inertie expliquée par le 1er axe
 89.83%
2
Ip factoriel (ou 1ère composante)

1
PUISS.CR
(2) Trouver la 2nde composante F2 qui traite l’inertie non-expliquée

0
O (résiduelle) par F1 (par conséquent, F2 est non corrélée avec F1)

-1
1 n 2  2 
-2
2   Fi 2  0.203372   10.17% 
I 
n i 1  p 
-3
-3 -2 -1 0 1 2 3
p
CYL.CR
(3) Et bien évidemment : 
k 1
k  1.797  0.203  2  I p
Maximisation Les inerties expliquées s’additionnent. Prendre tous les « p » facteurs

Ricco Rakotomalala
Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/
possibles permet de récupérer toute l’information disponible ! 9
Préservation des proximités (1) Les proximités entre individus sont préservées si on prend un nombre q de
dans le repère réduit composantes suffisamment représentatives (en terme de % d’inertie exprimée)
(2) Si on prend les « p » facteurs, on retrouve les distances dans le repère originel
Distances dans le repère originel Si on ne tient compte que de la 1ère
(variables centrées et réduites) composante (1 = 89.83%), les distances

sont approximées. On constate néanmoins
d 2 (1,2)  (1.2814  (1.1273 )) 2  (1.4953  (1.2933 )) 2
 0.06455 que les proximités sont assez bien
d 2 (2,6)  1.14415 respectées (globalement).
d 2 (1,6)  1.72529 d 2F1  (1,2)  (1.9335  1.7117 ) 2
 0.06340
Modele CYL PUISS Modele F1 (89.83%) F2 (10.17%)
d 2F1  (2,6)  0.92783
1 Toyota Corolla -1.2814 -1.4953 1 Toyota Corolla 1.9635 0.1513
2 Citroen GS Club -1.1273 -1.2933 2 Citroen GS Club 1.7117 0.1174 d 2F1  (1,6)  1.147632
3 Simca 1300 -0.9292 -0.8389 3 Simca 1300 1.2502 -0.0639
4 Lada 1300 -0.9292 -0.8389 4 Lada 1300 1.2502 -0.0639
5 Lancia Beta -0.9209 -0.1319 5 Lancia Beta 0.7444 -0.5580
Si on tient compte des 2 composantes, on
6 Alfasud TI -0.7751 -0.2834 6 Alfasud TI 0.7484 -0.3477
7 Rancho -0.5219 -0.2329 7 Rancho 0.5337 -0.2044 retrouve les distances exactes entre les
8 Renault 16 TL -0.1835 -1.4953 8 Renault 16 TL 1.1871 0.9276
individus.
9 Alfetta 1.66 -0.1697 1.2316 9 Alfetta 1.66 -0.7509 -0.9909
10 Fiat 132 -0.1284 0.6761 10 Fiat 132 -0.3873 -0.5689 d 2F1 , F2  (1,2)  (1.9635  1.7117 ) 2  (0.1513  0.1174 ) 2
11 Audi 100 -0.1202 0.0196 11 Audi 100 0.0711 -0.0989  0.06455
12 Mazda 9295 0.3779 -0.0814 12 Mazda 9295 -0.2097 0.3248
d 2F1 , F2  (2,6)  1.14415
13 Peugeot 504 0.4522 -0.2834 13 Peugeot 504 -0.1194 0.5201
14 Princess 1800 0.4577 -0.1319 14 Princess 1800 -0.2304 0.4169 d 2F1 , F2  (1,6)  1.72529
15 Opel Rekord 0.9558 0.7771 15 Opel Rekord -1.2254 0.1263
16 Taunus 2000 0.9943 0.6761 16 Taunus 2000 -1.1812 0.2250
17 Datsun 200L 1.0081 1.5346 17 Datsun 200L -1.7980 -0.3723 Une des questions clés de l’ACP est de
18 Renault 30 2.8408 2.1911 18 Renault 30 -3.5581 0.4594
définir le nombre de composantes « q »
Données centrées et réduites Coordonnées dans le
à retenir pour obtenir une
repère factoriel approximation suffisamment
Ricco Rakotomalala
satisfaisante !!! 10
Position du problème (2)
Analyse des relations entre les variables
Ricco Rakotomalala
Relations entres variables – Principe de l’ACP (2) – Matrice des corrélations
 xij  x j xim  xm 
Le coefficient de corrélation mesure la liaison (linéaire) 1 n
n i 1
entre deux variables Xj et Xm rjm 
s j  sm
60 100 160 175 140 170
1500 2500
CORR CYL PUISS LONG LARG POIDS V.MAX CYL
CYL 1 0.797 0.701 0.630 0.789 0.665
100
Matrice des corrélations R PUISS 0.797 1 0.641 0.521 0.765 0.844 PUISS
60
LONG 0.701 0.641 1 0.849 0.868 0.476
460
sur les données « autos » LARG 0.630 0.521 0.849 1 0.717 0.473 LONG
400
POIDS 0.789 0.765 0.868 0.717 1 0.478
175
V.MAX 0.665 0.844 0.476 0.473 0.478 1 LARG
160
1200
POIDS
Elle traduit numériquement ce que l’on peut observer dans
800
170
V.MAX
les graphiques croisés des variables
140
1500 2500 400 440 800 1200
POIDS CYL PUISS LONG LARG V.MAX

POIDS 1.000 0.789 0.765 0.868 0.717 0.478
CYL 0.789 1.000 0.797 0.701 0.630 0.665
On peut essayer de la réorganiser manuellement pour mieux PUISS 0.765 0.797 1.000 0.641 0.521 0.844
faire apparaître les « blocs » de variables mais…. LONG 0.868 0.701 0.641 1.000 0.849 0.476
LARG 0.717 0.630 0.521 0.849 1.000 0.473
V.MAX 0.478 0.665 0.844 0.476 0.473 1.000
(1) Ce ne sera jamais parfait

(2) La manipulation est inextricable dès que le nombre de variables est élevé
Ricco Rakotomalala
Relations entres variables – Principe de l’ACP (2) – Construction des composantes
p
1   rj2 ( F1 )
Construire la première composante F1 qui permet de maximiser le carré de
sa corrélation avec les variables de la base de données
j 1
Habituellement, Inertie totale = Somme des variances des variables

Ip  p
Lorsque les données sont réduites (ACP normée), Inertie totale = Trace(R) = p
1
Part d’inertie expliquée par F1 =
p
p
De nouveau, on observe la décomposition de l’information en composantes non
corrélées (orthogonales)

k 1
k p
Axis Eigen value Proportion (%) Cumulative (%)

1 4.421 73.68% 73.68%
2 0.856 14.27% 87.95%
Exemple de traitement pour les p = 6 3 0.373 6.22% 94.17%
4 0.214 3.57% 97.73%
variables de la base de données
5 0.093 1.55% 99.28%
6 0.043 0.72% 100.00%
Tot. 6 - -
Ricco Rakotomalala
Relations entres variables – Principe de l’ACP (2) – Approximation des corrélations
ACP sur les p = 6 variables,
1
Correlation scatterplot (PCA_1_Axis_1 vs. PCA_1_Axis_2) Liaison de la variable « poids » avec le 1er axe
cercle des0.9
corrélations.
0.8 rpoids ( F1 )  0.905 et
2
rpoids ( F1 )  0.819
0.7
0.6
0.5
LARG
LONG
14%0.4 La représentation de la variable n’est pas
0.3 POIDS
0.2
complète, on a besoin d’un second facteur F2
PCA_1_Axis_2
0.1
0
-0.1
-0.2
CYL
rpoids ( F2 )  0.225 et
2
rpoids ( F2 )  0.050
-0.3
PUISS
-0.4
-0.5 V.M AX
-0.6 Si on exploite tous les « p » facteurs
-0.7
p
r
-0.8
-0.9
-1
2
poids ( Fk )  0.819  0.050    1
-1 -0.9-0.8-0.7-0.6-0.5-0.4-0.3-0.2-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 k 1
PCA_1_Axis_1 74%
Approximation assez bonne parce que POIDS et CYL
L’ACP produit aussi une

rpoids,cyl  0.789 sont bien représentées sur le 1er facteur
q 1
approximation dans l’espace des
rpoids,cyl ( F1 )   rpoids ( Fk )  rcyl ( Fk )  0.90519  0.89346  0.809
variables (approximation des k 1
corrélations)
[Ex. si on ne prend en compte que
rpoids,v.max  0.478
« q = 1 » facteur] rpoids,v.max ( F1 )  0.90519  0.75471  0.683
Approximation mauvaise parce que V.MAX est mal représentée sur le
Ricco Rakotomalala
premier facteur [(0.75471²)=57% de l’information seulement] 14
Les mains dans le cambouis : comment sont obtenus les résultats de l’ACP ?
Ricco Rakotomalala
Objectif des calculs
Construire un ensemble de composantes (F1, F2, …, Fk,…), combinaisons linéaires des variables
originelles (centrées et réduites), dont on peut apprécier la qualité de restitution de l’information à
travers l’inertie reproduite (k)
 F1  a11 z1  a21 z 2    a p1 z p (1 )



 Comment obtenir les coefficients
 Fk  a1k z1  a2 k z 2    a pk z p (k )
 « ajk » à partir des données ?

 Fp  a1 p z1  a2 p z 2    a pp z p ( p )
Qui permettent de calculer les coordonnées des Que l’on interprétera en calculant leur corrélations (et
individus dans le repère factoriel, et de juger de leur autres indicateurs dérivés : CTR et COS²) avec les
proximité dans les différents plans factoriels variables originelles (X1, X2, …, Xp)
Fik  a1k zi1  a2 k zi 2    a pk zip

rx j ( Fk )
Valeur de la variable Z2 (X2 après centrage et Plus la corrélation est élevée en valeur absolue, plus forte est
réduction) pour l’individu n°i l’influence de la variable sur le facteur
Ricco Rakotomalala
Calcul via la diagonalisation de la matrice des corrélations
Calcul uniquement dans l’espace des variables,

mais résultats disponibles pour les deux points de vue (individus et variables)
Ricco Rakotomalala
#chargement du fichier de données
autos <- read.table(file="autos.txt",sep="\t",row.names=1,header=T,dec=".")
#calcul de la matrice des corrélations

autos.cor <- cor(autos)
print(autos.cor)
#trace de la matrice = inertie totale Valeurs propres = k

print(sum(diag(autos.cor)))
#diagonalisation avec la fonction eigen

autos.eigen <- eigen(autos.cor)
print(autos.eigen)
#calcul des corrélations des variables avec les composantes

cor.factors <- NULL
for (j in 1:ncol(autos)){
rf <- sqrt(autos.eigen$values[j])*autos.eigen$vectors[,j]
cor.factors <- cbind(cor.factors,rf)
Vecteurs propres = ajk
}
rownames(cor.factors) <- colnames(autos)
colnames(cor.factors) <- paste("F",1:ncol(autos),sep="")
Corrélations
#affichage des 2 premières composantes seulement variables x facteurs
print(cor.factors[,1:2])
rx j ( Fk )  k  a jk
Ricco Rakotomalala
Calcul via la décomposition en valeurs singulières de la matrice des données
centrées et réduites
Montre bien le caractère dual de l’analyse
Ricco Rakotomalala
z ij On obtient les coordonnées
factorielles des individus avec
Fik   k  uik
#affichage des 3 premières obs. de Z

print(head(autos.cr,3))
#décomposition en valeurs singulières

svd.autos <- svd(autos.cr)
print(svd.autos,digits=3)
#calcul des inerties associées aux composantes

print(svd.autos$d^2/nrow(autos))
Principe de la SVD
 
Z vk   k uk
Z  UV T avec  
Z T uk   k vk
V correspond aux vecteurs propres c.-à-d. les coef. ajk
 k2
Calcul des inerties : k 
n
Ricco Rakotomalala
Que lire et comment lire les résultats de l’ACP ?
Ricco Rakotomalala
Détermination du nombre de composantes à retenir
Ricco Rakotomalala
Valeurs propres et détection empirique du nombre « q » de facteurs à retenir
(1) Tableau des valeurs propres

Axis Eigen value Difference Proportion (%) Cumulative (%)
1 4.420858 3.564796 73.68% 73.68%
2 0.856062 0.482996 14.27% 87.95% Indications : (1) sur l’importance des composantes, (2) sur
3 0.373066 0.159144 6.22% 94.17%
l’évolution de l’importance cumulée, (3) sur la qualité de
4 0.213922 0.121121 3.57% 97.73%
5 0.092801 0.049511 1.55% 99.28% l’information restituée par les « q » premiers facteurs.
6 0.04329 - 0.72% 100.00%
Tot. 6 - - -
(2) Eboulis des valeurs propres : « scree plot »
« Règle du coude » de Cattell, négliger les composantes qui

Scree plot
emmènent peu d’informations additionnelles. Très performante
4
lorsqu’il y a des « blocs » de variables. Fournit surtout des
scénarios de solutions.
3
Problème : Intégrer le coude dans la sélection ? Ici, q = 2 ou q = 1 ?

2
Tout dépend de la valeur propre associée au coude, si elle est
faible, il faut exclure la composante associée.
1
Mais, en pratique, (a) il faut au moins « q = 2 » afin de pouvoir

0
1 2 3 4 5 6
réaliser les représentations graphiques; (b) il faut aussi pouvoir
Component
interpréter les composantes.
Ricco Rakotomalala
Valeurs propres et détection numérique du nombre « q » de facteurs à retenir (ACP normée) [1]
Règle de Kaiser-Guttman : si les variables sont

indépendantes deux à deux, les valeurs propres k 1 4.420858 3.564796 73.68% 73.68%
seraient toutes égales à 1. 2 0.856062 0.482996 14.27% 87.95%
3 0.373066 0.159144 6.22% 94.17%
4 0.213922 0.121121 3.57% 97.73%
Remarque 1 : cette règle ne tient pas compte du tout des 5 0.092801 0.049511 1.55% 99.28%
6 0.04329 - 0.72% 100.00%
caractéristiques des données. Tot. 6 - - -
Remarque 2 : On peut aussi voir le seuil « 1 » comme la
moyenne des valeurs propres.
Règle de Karlis-Saporta-Spinaki : rendre la règle plus p 1 6 1

seuil  1  2  1 2  2.08465
stricte en tenant compte des caractéristiques (n et p) n 1 18  1
des données.
p 1 1 4.420858 3.564796 73.68% 73.68%
  1 2 2 0.856062 0.482996 14.27% 87.95%
n 1 3
4
0.373066
0.213922
0.159144
0.121121
6.22%
3.57%
94.17%
97.73%
5 0.092801 0.049511 1.55% 99.28%
A droite, nous avons 2 x écart-type des 6 0.04329 - 0.72% 100.00%
v.p. sous H0  un test unilatéral à 5% Tot. 6 - - -
Ricco Rakotomalala
Valeurs propres et détection numérique du nombre « q » de facteurs à retenir (ACP normée) [2]
Test des « bâtons brisés » de Frontier (1976) et

Legendre-Legendre (1983) : si l’inertie était répartie
1 1 1 1 1 1
aléatoirement sur les axes, la distribution des v.p. b1        2.45
suivrait la loi des « bâtons brisés ». 1 2 3 4 5 6
Problème : les tables sont rarement accessibles. Eigenvalues - Significance

Broken-stick
Heureusement les valeurs critiques à 5% peuvent être Axis Eigenvalue
critical values
obtenues très facilement. 1 4.420858 2.45
2 0.856062 1.45
p
1
bk  
3 0.373066 0.95
4 0.213922 0.616667
mk m 5 0.092801 0.366667
6 0.04329 0.166667
La composante est validée si : k  bk

1 1 1 1
b3      0.95
3 4 5 6
Toutes les approches sont cohérentes : q = 1 seul facteur semble suffire dans cette étude. Par
commodité (hum, pas si sûr, cf. interprétation et rotation des axes), on en choisira q = 2.
Ricco Rakotomalala
Caractérisation des composantes par les variables
Analyse des relations entre les variables via les composantes
Ricco Rakotomalala
Caractérisation des facteurs à l’aide des variables – Cercle des corrélations
Contributions : influence de la variable dans la

Cosinus carré : qualité de
définition de la composante (rarement fournie
représentation de la variable
car redondante avec CORR et COS²)
sur la composante. On peut la
Corrélation : degré de liaison de la rx2j ( Fk ) p
CTR jk  ;  CTR jk  1 cumuler sur les q premières
variable avec la composante k j 1
Axis_1 Axis_2
composantes.
p
COS 2jk  rx2j ( Fk )
 rx2j ( Fk )  k
j 1
POIDS
Corr.
0.905
CTR (%)
19%
COS² (%)
82 % (82 %)
Corr.
0.225
CTR (%)
6%
COS² (%)
5 % (87 %)
q
CYL 0.893 18% 80 % (80 %) -0.115 2% 1 % (81 %)
COS 2jq   COS 2jk
PUISS 0.887 18% 79 % (79 %) -0.385 17% 15 % (93 %)
k 1
LONG 0.886 18% 79 % (79 %) 0.381 17% 15 % (93 %) p
LARG
V.MAX
0.814
0.755
15%
13%
66 % (66 %)
57 % (57 %)
0.413
-0.574
20%
38%
17 % (83 %)
33 % (90 %)
 COS
k 1
2
jk 1
Var. Expl. 4.42086 74 % (74 %) 0.85606 14 % (88 %)
Correlation scatterplot (PCA_1_Axis_1 vs. PCA_1_Axis_2)

1
0.9
0.8
0.7
0.6
0.5
0.4
LARG
LONG On observe (axe 1 : 74%) un
On utilise souvent le « cercle 0.3 POIDS « effet taille » marqué, que l’on
0.2
PCA_1_Axis_2
des corrélations » pour 0.1 peut lier à « l’encombrement /

0
CYL
-0.1 gamme » des véhicules ; mais
obtenir une vision synthétique -0.2
-0.3
PUISS
aussi (axe 2 : 14%), une
immédiate. -0.4
-0.5 V.M AX
caractérisation par les
-0.6
-0.7 performances (sportivité).
-0.8
-0.9
-1
Ricco Rakotomalala -1 -0.9-0.8-0.7-0.6-0.5-0.4-0.3-0.2-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

PCA_1_Axis_1
27
Reconstitution des corrélations – Corrélation reproduite et résiduelle
A nombre de composantes fixé, on peut

comparer les corrélations brutes calculées (en
bleu) sur les données originelles, et celles
estimées à partir du repère factoriel (en vert).
Nous avons choisi q = 2 pour les données
« AUTOS ».
q
rˆq ( x j , x j ' )   rx j ( Fk )  rx j ' ( Fk )
k 1
Entre parenthèses la différence entre les corrélations 
L’approximation sera d’autant meilleure que les

variables sont bien représentées dans le repère
sélectionné.
COS² des variables cumulé pour les 2 premières composantes

Ricco Rakotomalala
Caractérisation des composantes par les individus
Analyse des proximités entre individus via leurs coordonnées factorielles
Ricco Rakotomalala
1 n 2 1 n p 2 1 n 2
I p   d (i, G )   zij   d i
di² indique la part de l’individu dans l’inertie totale (dans l’espace originel
N.B.
n i 1 n i 1 j 1 n i 1 – variables c.r.). C’est le carré de la distance à l’origine.
Caractérisation des facteurs à l’aide (4) Les cos² s’ additionnent.

(1) Coordonnée factorielle de l’individu Fik
des individus – Coordonnées, (permet de situer le positionnement Qualité des représentations sur les
contributions et cos² relatif des observations). q = 2 premiers facteurs.
Axe 1 Axe 2
Lecture : Les véhicules se N° Modele Coord. CTR Cos² Coord. CTR Cos² SUM(COS²)
caractérisent par l’encombrement 1 Alfasud TI -2.139 6% 56% -1.786 21% 39% 94%
2 Audi 100 1.561 3% 37% 1.527 15% 35% 71%
(axe 1, illustrés par les véhicules {9, 3 Simca 1300 -1.119 2% 58% 0.675 3% 21% 79%
10, 13}) et la performance (axe 2, 4 Citroen GS Club -2.574 8% 98% -0.113 0% 0% 98%
5 Fiat 132 0.428 0% 16% -0.696 3% 41% 57%
avec surtout {1, 2, 11}). 6 Lancia Beta -0.304 0% 8% 0.196 0% 3% 12%
7 Peugeot 504 0.684 1% 31% 0.933 6% 58% 88%
8 Renault 16 TL -1.948 5% 67% 0.980 6% 17% 84%
Remarque : {6, 16 et 5} sont mal 9 Renault 30 4.410 24% 89% -1.064 7% 5% 94%
représentés sur les q = 2 premières 10 Toyota Corolla -3.986 20% 98% -0.236 0% 0% 98%
11 Alfetta 1.66 0.438 0% 4% -1.912 24% 82% 86%
composantes parce qu’ils ne se 12 Princess 1800 1.018 1% 53% 0.842 5% 36% 89%
distinguent ni par l’ encombrement 13 Datsun 200L 2.941 11% 78% 0.559 2% 3% 81%
14 Taunus 2000 1.315 2% 70% -0.487 2% 10% 80%
(proche de la moyenne) ni par la 15 Rancho -0.691 1% 24% 0.898 5% 41% 65%
performance (se situent dans la 16 Mazda 9295 0.386 0% 22% -0.356 1% 19% 40%
17 Opel Rekord 2.290 7% 86% -0.104 0% 0% 86%
moyenne). 18 Lada 1300 -2.709 9% 93% 0.144 0% 0% 93%
(3) Cos² : indique la qualité de la représentation

(2) Contribution : indique l’influence de
de l’individu sur le facteur (fraction de son inertie
l’individu dans la définition du facteur
restituée par le facteur)
F 2 n
Fik2 p
CTRik  ;  CTRik  1
ik
COSik2  ;  COSik2  1
n  k i 1 2
d i j 1
Ricco Rakotomalala
Représentation graphique des plans factoriels
Ce graphique fait en très grande partie la Premier plan factoriel

popularité de l’ACP. On peut y juger
visuellement des proximités (dissemblances)
4
entre les individus.
2
Et on peut comprendre le pourquoi des
Comp.2 (14%)
Audi 100
Renault 16 TLRancho Peugeot 504
proximités en considérant dans le même Simca 1300 Princess 1800
Datsun 200L
Lada 1300 Lancia Beta
0
temps le cercle des corrélations. Citroen GS Club
Toyota Corolla Mazda 9295
Opel Rekord
Taunus 2000
Fiat 132
Renault 30
Alfasud TI
-2
Correlation scatterplot (PCA_1_Axis_1 vs. PCA_1_Axis_2) Alfetta 1.66
1
0.9
0.8
0.7
0.6
-4
0.5
LARG
0.4 LONG
0.3 POIDS
0.2
PCA_1_Axis_2
0.1
0
-0.1 CYL -4 -2 0 2 4
-0.2
-0.3
-0.4
PUISS Comp.1 (74%)
-0.5 V.M AX
-0.6
-0.7
-0.8 Remarque : certains proposent de mêler les deux représentations dans
-0.9
-1 un graphique dit « biplot ». Attention, les proximités individus-variables
-1 -0.9-0.8-0.7-0.6-0.5-0.4-0.3-0.2-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PCA_1_Axis_1 n’ont pas vraiment de sens. Ce sont les directions qui importent dans ce
cas.
Ricco Rakotomalala
Variables illustratives
Renforcer l’interprétation des composantes
Ricco Rakotomalala
Variables illustratives
Var. illustrative qualitative Var. illustratives quantitatives
Modele FINITION PRIX R.POID.PUIS

Variables non utilisées pour la construction des Alfasud TI 2_B 30570 11.01
composantes. Mais utilisées après coup pour Audi 100 3_TB 39990 13.06
Simca 1300 1_M 29600 15.44
mieux comprendre / commenter les résultats. Citroen GS Club 1_M 28250 15.76
Fiat 132 2_B 34900 11.28
Lancia Beta 3_TB 35480 13.17
Peugeot 504 2_B 32300 14.68
Ex. Les caractéristiques intrinsèques des véhicules Renault 16 TL 2_B 32000 18.36
Renault 30 3_TB 47700 10.31
sont les variables actives (largeur, poids, puissance, Toyota Corolla 1_M 26540 14.82
Alfetta-1.66 3_TB 42395 9.72
etc.). En illustratives, on utilise des variables Princess-1800 2_B 33990 14.15
introduisant des considérations subjectives (prix, Datsun-200L 3_TB 43980 11.91
Taunus-2000 2_B 35010 11.02
gamme) ou calculées après coup pour une Rancho 3_TB 39450 14.11
Mazda-9295 1_M 27900 13.19
meilleure interprétation (rapport poids/puissance). Opel-Rekord 2_B 32700 11.20
Lada-1300 1_M 22100 14.04
Ricco Rakotomalala
Variables illustratives quantitatives
  yi  y Fik  Fk  n 
1 n 1 n
Fik  yi  y 
n i 1
ry ( Fk )   i 1
s y  sFk s y  k
Calculer les corrélations des variables supplémentaires avec Correlation scatterplot (PCA_1_Axis_1 vs. PCA_1_Axis_2)
1
les facteurs. c.-à-d. calculer le coefficient de corrélation 0.9
entre les coordonnées des « n » individus sur les facteurs et 0.8

0.7
les valeurs prises par la variable illustrative. Il est possible 0.6
R.Poid.Puis
0.5
LARG
de les placer dans le cercle des corrélations. 0.4 LONG
0.3 POIDS
0.2
PCA_1_Axis_2
0.1
CORR Comp.1 Comp.2 0

Prix CYL
-0.1
PRIX 0.772 -0.087
-0.2
R.POID.PUIS -0.589 0.673 -0.3
PUISS
-0.4
-0.5 V.M AX
Tester la « significativité » du lien avec la statistique -0.6
basée sur la transformation de Fisher -0.7

-0.8
Lien significatif à (~) 5% si -0.9
 1 1 r  -1
u y  n  3   ln  uy  2 -1 -0.9-0.8-0.7-0.6-0.5-0.4-0.3-0.2-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
 2 1 r 
PCA_1_Axis_1
SIGNIF. Comp.1 Comp.2

PRIX 3.975 -0.337
Le rapport poids/puissance n’est pas lié positivement avec
R.POID.PUIS -2.619 3.158 le poids parce que les voitures lourdes sont
comparativement plus puissantes.
Ricco Rakotomalala
1
 gk 
ng
F
i: yi  g
ik
Comp.1 Comp.2
Variables illustratives qualitatives
FINITION n_g Moyenne Valeur.Test Moyenne Valeur.Test

1_M 5 -2.0004 -2.43 0.0226 0.06
2_B 7 0.2353 0.37 -0.0453 -0.16
3_TB 6 1.3924 1.93 0.0340 0.11
Comparer les moyennes des composantes Premier plan factoriel

conditionnellement aux groupes définis par les
modalités de la variable illustrative qualitative.
4
Possibilité de tester la significativité de l’écart par
rapport à l’origine (moyenne des composantes = 0) avec
2
la « valeur test » (Morineau, 1984).
Comp.2 (14%)
Audi 100
Princess 1800
Simca 1300 Datsun 200L
 gk  Fk  gk  0 Lada 1300 Lancia Beta
0
M
Citroen GS Club TBOpel Rekord
VTgk  
Toyota Corolla
B 9295
Mazda Taunus 2000
Fiat 132
n  ng s 2
n  ng k Renault 30

Fk
 Alfasud TI
-2
n 1
Alfetta 1.66
n 1 ng ng
-4 Conclusion : La finition progresse avec la
Ecart significatif à (~) 5% si VTgk  2 « gamme / encombrement », elle n’a aucun
lien avec la « sportivité ».
-4 -2 0 2 4
Comp.1 (74%)
Remarque : On pourrait également s’appuyer sur
l’ANOVA pour comparer les moyennes, et/ou calculer
le rapport de corrélation.
Ricco Rakotomalala
Individus illustratifs (supplémentaires)
Positionner de nouveaux individus
Ricco Rakotomalala
Pourquoi des individus illustratifs (supplémentaires) ?
Plusieurs raisons possibles :

1. Des individus collectés après coup que l’on aimerait situer par rapport à ceux de
l’échantillon d’apprentissage (les individus actifs).
2. Des individus appartenant à une population différente (ou spécifique) que l’on
souhaite positionner.
3. Des observations s’avérant atypiques ou trop influentes dans l’ACP que l’on a
préféré écarter. On veut maintenant pouvoir juger de leur positionnement par
rapport aux individus actifs.
Modele CY L PUISS LONG LARG POIDS V.MAX

Peugeot 604 2664 136 472 177 1410 180
Peugeot 304 S 1288 74 414 157 915 160
Plutôt cas n°2 ici, on souhaite situer 2 Peugeot supplémentaires (même

s’il y a déjà la Peugeot 504 parmi les individus actifs).
Ricco Rakotomalala
Calculs pour les individus illustratifs
Description des véhicules Moyennes et écarts-type calculés sur
Peugeot 604 2664 136 472 177 1410 180 l’échantillon d’apprentissage (individus
Peugeot 304 S 1288 74 414 157 915 160 actifs, n = 18).
Moyenne 1631.667 84.611 433.500 166.667 1078.833 158.278
Ecart-type 363.394 19.802 21.484 5.164 133.099 11.798

Peugeot 604 2.8408 2.5951 1.7920 2.0010 2.4881 1.8411 Description après centrage-réduction
Peugeot 304 S -0.9457 -0.5359 -0.9076 -1.8719 -1.2309 0.1460
Attribute Comp.1 Comp.2 Coefficients des

CYL 0.424936 -0.1241911 Premier plan factoriel
PUISS 0.4217944 -0.4157739 fonctions de
LONG 0.4214599 0.4118177 projection =
LARG 0.3869222 0.446087
vecteurs propres
4
POIDS 0.430512 0.2426758
V.MAX 0.3589443 -0.6198626 issus de l’ACP
Comp.1 Comp.2
2
Modele
Comp.2 (14%)
Audi 100
Peugeot 604 5.5633 -0.3386
Peugeot 304 S -2.2122 -1.2578 Simca 1300 Princess 1800
Datsun 200L
Lada 1300 Lancia Beta
0
Coordonnées factorielles des individus Citroen GS Club
Opel Rekord
Taunus 2000
Fiat 132
Peugeot 604
illustratifs : produit scalaire entre Peugeot 304 S Renault 30
description (c.r.) et vecteurs propres. Alfasud TI

-2
Alfetta 1.66
-4
Les positionnements confirment ce que l’on sait

de ces véhicules : « 604 », statutaire (proche de la
Renault 30); « 304 S », plutôt petite sportive -4 -2 0 2 4
(proche de l’Alfasud) Comp.1 (74%)
Ricco Rakotomalala
Objectif : obtenir des composantes plus facilement interprétables
Ricco Rakotomalala
p
Rotation VARIMAX (démarche)
La composante est issue d’une maximisation globale 1   rj2 ( F1 )
j 1
Mais, il se peut très bien que chaque variable présente individuellement une
corrélation « moyenne » avec la composante. L’interprétation est difficile.
Attribute Axis_1 Axis_2
- Corr. % (Tot. %) Corr. % (Tot. %)
LONG 0.88615 79 % (79 %) 0.38103 15 % (93 %)
LARG 0.81354 66 % (66 %) 0.41274 17 % (83 %) Correlation scatterplot (PCA_1_Axis_1 vs. PCA_1_Axis_2)
1
POIDS 0.90519 82 % (82 %) 0.22453 5 % (87 %)
0.9
F2 * F2
CYL 0.89346 80 % (80 %) -0.11491 1 % (81 %) 0.8
V.MAX 0.75471 57 % (57 %) -0.57352 33 % (90 %) 0.7 F1 *
0.6
PUISS 0.88686 79 % (79 %) -0.38469 15 % (93 %)
0.5
Var. Expl. 4.42086 74 % (74 %) 0.85606 14 % (88 %) LARG
0.4 LONG
0.3 POIDS
0.2
PCA_1_Axis_2
FF1
L’idée est de faire pivoter les facteurs (à nombre de facteurs fixés) de 0.1
0
CYL1
manière à rendre plus tranchées (clarifier) les liaisons ou non-liaisons -0.1
-0.2
des variables avec l’un des facteurs (on peut préserver ou non -0.3
PUISS
-0.4
l’orthogonalité). L’interprétation des facteurs est facilité. -0.5 V.M AX
-0.6
-0.7
Attribute Axis_1 Axis_2 -0.8
- Corr. % (Tot. %) Corr. % (Tot. %) -0.9
-1
LONG 0.91748 84 % (84 %) -0.2978 9 % (93 %) -1 -0.9-0.8-0.7-0.6-0.5-0.4-0.3-0.2-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
LARG 0.88379 78 % (78 %) -0.22608 5 % (83 %) PCA_1_Axis_1
POIDS 0.8286 69 % (69 %) -0.42801 18 % (87 %)

CYL 0.59598 36 % (36 %) -0.67549 46 % (81 %)
Méthode : Rotation VARIMAX (orthogonale)
V.MAX 0.18928 4 % (4 %) -0.92881 86 % (90 %)
PUISS 0.41314 17 % (17 %) -0.87397 76 % (93 %) Principe : maximiser la variance des carrés des
Var. Expl. 2.87114 48 % (48 %) 2.40578 40 % (88 %) corrélations intra-facteurs (c.-à-d. les rendre les
plus différents possibles les uns des autres).
L’explication globale est préservée (88% de l’inertie), mais la répartition entre Cf. https://onlinecourses.science.psu.edu/stat505/node/86
les composantes a été modifiée (48% - 40% vs. 74% - 14%)
Ricco Rakotomalala
Rotation VARIMAX (représentation des individus)
On retrouve les 2 dimensions : « encombrement /

gamme » vs. « performances ».
Premier plan factoriel
Finalement, plus que par sa taille, la Renault 30 se
distingue avant tout par ses performances
2
(cylindrée, puissance et surtout v.max).

Renault 16 TL
Toyota Corolla Modele CYL PUISS LONG LARG POIDS V.MAX

1
Lada 1300 Rancho

Comp.2* (40%)
Simca 1300
Citroen GS Club Audi 100 Alfasud TI 1350 79 393 161 870 165
Peugeot 504
Princess 1800 Toyota Corolla 1166 55 399 157 815 140
Lancia Beta
Lada 1300 1294 68 404 161 955 140
0
Citroen GS Club 1222 59 412 161 930 151

Mazda 9295 Datsun 200L Simca 1300 1294 68 424 168 1050 152
Fiat 132
Alfasud TI Opel Rekord
Taunus 2000 Renault 16 TL 1565 55 424 163 1010 140
-1
Alfetta 1.66 1570 109 428 162 1060 175

Lancia Beta 1297 82 429 169 1080 160
Alfetta 1.66 Rancho 1442 80 431 166 1129 144
-2
Taunus 2000 1993 98 438 170 1080 167

Renault 30
Fiat 132 1585 98 439 164 1105 165
Mazda 9295 1769 83 440 165 1095 165
Princess 1800 1798 82 445 172 1160 158
-2 -1 0 1 2
Peugeot 504 1796 79 449 169 1160 154
Comp.1* (48%) Renault 30 2664 128 452 173 1320 180
Opel Rekord 1979 100 459 173 1120 173
Audi 100 1588 85 468 177 1110 160
Datsun 200L 1998 115 469 169 1370 160
Ricco Rakotomalala
Préambule : les signes des vecteurs propres sont fixés arbitrairement, ils peuvent
être différents d’un logiciel à l’autre. Ce n’est pas un problème. Le plus important
est que les positions relatives entre les individus (proximités) et les variables
(corrélations) soient préservées.
Ricco Rakotomalala
SPAD
La référence de l’analyse de
données « à la française ».
Cercle des corrélations Représentation des individus

Ricco Rakotomalala
SAS avec les PROC PRINCOMP et PROC FACTOR
La seconde est préférable car fournit des sorties plus détaillées et
réalise les rotations
proc factor data = mesdata.autos Résultats après rotation

corr
method = principal
n=2 Matrice de rotation des facteurs
rotate=varimax (changement de base),  = -
plots=all;
41.25° »
var cyl puiss long larg poids v_max;
run;
 cos  sin  
 
 sin  cos 
Résultats avant rotation
Cos² cumulé sur les 2

premières composantes.
Ricco Rakotomalala
R
Avec pléthore de packages : ade4, ca, FactoMineR, psych, etc.
#exemple avec le package psych qui propose la rotation VARIMAX

library(psych)
library(GPArotation)
autos.varimax <- principal(autos,nfactors=2,rotate="varimax")
print(autos.varimax,digits=4)
Les tests basés sur le rapport de

vraisemblance sont plus adaptés
aux techniques de « factor
analysis » (cf. la doc de psych)
Ricco Rakotomalala
Tanagra
ACP et Rotation VARIMAX
Ricco Rakotomalala
Attention, ce sont des procédures purement mécaniques. Les résultats doivent
être validés par l’interprétation des facteurs.
Ex. Toutes pousseront (à tort, on le sait maintenant) à négliger le 2nd facteur pour
les données AUTOS
Ricco Rakotomalala
Analyse parallèle
Déterminer la distribution des k sous H0 (absence de lien entre les variables)
Démarche : Variante : On peut aussi générer

1. Mélanger aléatoirement les valeurs à l’intérieur des colonnes, en aléatoirement des colonnes de valeurs
traitant les colonnes de manière indépendante  le lien entre les suivant une gaussienne avec même
variables est complètement cassé (on est sous H0) moyenne et écart-type.
2. Réaliser l’ACP sur cette nouvelle version des données, collecter les
v.p.
3. Répéter T fois les opérations (1) et (2)
Variante : Plutôt que la moyenne, on
4. On obtient pour chaque k une collection de v.p., on en déduit la
peut aussi prendre le quantile d’ordre 0.95
moyenne k qui sert de seuil critique
pour un test unilatéral à 5%
5. On décide que la composante k est pertinente si k > k
(0.95) Critical
Component Eigenvalue
value
1 4.4209 2.2255
2 0.8561 1.6438
3 0.3731 1.2513
4 0.2139 0.9783
5 0.0928 0.7357
6 0.0433 0.4874
Données « AUTOS », seuil critique : Représentation graphique des v.p.

quantile d’ordre 0.95 des v.p. sous H0 et des seuils pour chaque « k »
Ricco Rakotomalala sous Tanagra
Analyse bootstrap
Evaluer la significativité des v.p. successifs c.-à-d. « k > 1 » significativement ?
Démarche :
1. Effectuer un tirage aléatoire avec remise de n observations parmi n (certains
individus se répètent ainsi)
2. Réaliser l’ACP sur cette nouvelle version des données, collecter les v.p.
4. On obtient pour chaque k une collection de v.p., on en déduit la distribution
empirique. Pour chaque « k », on calcule le quantile d’ordre 0.05 (k0.05)
5. On déduit que la composante k est pertinente si k0.05 > 1 L’idée est de procéder à un test de
significativité à 5% (la v.p. est-elle
significativement plus grande que 1 ?)
Component (0.05) Lower bound
1 3.692685
2 0.513354
3 0.229661
Remarque : ceci étant, il faut être prudent. Si on s’intéresse à
4 0.096113
l’intervalle de confiance bootstrap à 90%, on se rend compte que
5 0.037946
celui du 2nd facteur couvre la valeur « 1 ».
6 0.006305
Component (0.05) Lower bound (0.95) Upper bound

Données « AUTOS » : seul le premier facteur
1 3.692685 4.975922
est significatif, le quantile d’ordre 0.05 des
2 0.513354 1.42439
v.p. issus du bootstrap est > 1 3 0.229661 0.577211
4 0.096113 0.295001
5 0.037946 0.122611
Ricco Rakotomalala
6 0.006305 0.052366
49
Analyse bootstrap
Evaluer le recouvrement entre les k successifs. La composante « k » est pertinente si k > k+1 significativement.
Démarche :
1. Effectuer un tirage aléatoire avec remise de n observations parmi n
(certains individus se répètent ainsi)
2. Réaliser l’ACP sur cette nouvelle version des données, collecter les
v.p.
4. On obtient pour chaque k une collection de v.p., on en déduit la
distribution empirique. Pour chaque « k », on calcule l’intervalle de
confiance à 90% avec les bornes = les quantiles d’ordre 0.05 et 0.95 On retrouve l’idée du coude : est-ce que la
[k0.05 ; k0.95] composante « k » amène de l’information
additionnelle significative par rapport aux
5. On déduit que la composante k est pertinente si k0.05 > k+10.95 c.-à-
suivantes ?
d. la borne basse de « k » est-elle plus grande que la borne haute de
« k+1 » (y a-t-il un décalage significatif ?). 5
Scree test
4
Component (0.05) Lower bound (0.95) Upper bound
1 3.692685 4.975922
3
2 0.513354 1.42439
Eigenvalue
3 0.229661 0.577211
4 0.096113 0.295001 2
5 0.037946 0.122611
6 0.006305 0.052366 1
Données « AUTOS » : dans le tableau des intervalles de confiance, on

0
effectue les comparaisons en décalé avec les quantiles successifs. 0 1 2 3

Component
4 5 6
Ricco Rakotomalala Graphiquement, on voit mieux (Tanagra)

Tester l’intérêt de l’ACP en vérifiant s’il est possible de compresser
efficacement l’information disponible
Mesurer le degré de redondance des données
Ricco Rakotomalala
Test de sphéricité de Bartlett
Basée sur l’analyse de la matrice des corrélations R
H0 : les variables sont deux à deux indépendantes R = matrice unité
2 situations extrêmes (rappel : |R| = produit des valeurs propres de R)

|R| = 1, les variables sont deux à deux orthogonales, ACP inutile, impossible de résumer l’information
|R| = 0, il y a une colinéarité parfaite (le 1er facteur explique 100% de l’inertie totale)
Attention ! Quand « n » est grand, rejet

 2p 5 2  p ( p  1) 
Statistique de test : B   n  1   ln R     quasi systématique de H0 car les ddl ne
 6   2  tiennent pas compte de « n »
R CYL PUISS LONG LARG POIDS V.MAX

CYL 1 0.797 0.701 0.630 0.789 0.665
PUISS 0.797 1 0.641 0.521 0.765 0.844
LONG 0.701 0.641 1 0.849 0.868 0.476
Données
LARG 0.630 0.521 0.849 1 0.717 0.473 « AUTOS »
POIDS 0.789 0.765 0.868 0.717 1 0.478
V.MAX 0.665 0.844 0.476 0.473 0.478 1
Déterminant 0.001213 <<< les variables sont fortement redondantes
B 95.11988 Conclusion : rejet de H0, les variables ne sont pas indép. 2 à 2. Il est possible de compresser
ddl 15
p-value <0.00001 l’information avec l’ACP. Efficacement même si l’on en juge la valeur de |R|.
Effectivement, on a vu que F1 représentait 74% de l’info dispo.
Remarque : une variante de ce test peut être utilisée pour détecter le nombre de composantes
« significatives », mais elle s’avère trop permissive en pratique.
Ricco Rakotomalala
MSA : Measure of sampling adequacy [ou indice KMO (Kaiser – Mayer – Olkin)]
Idée du MSA : confronter la matrice des corrélations brutes avec la matrice des corrélations partielles.
Si MSA  1, l’ACP peut agir efficacement parce que corrélations partielles sont quasi-nulles (en valeur
absolue) ; si MSA << 1, problème car pas de redondance entre les variables.
Corrélations brutes entre les Corrélations partielles c.-à-d. après avoir

variables prises 2 à 2 (rjm) retranché l’influence des (p-2) autres (r*jm)
R CYL PUISS LONG LARG POIDS V.MAX PARTIAL R CYL PUISS LONG LARG POIDS V.MAX
CYL 1 0.797 0.701 0.630 0.789 0.665 CYL 1 0.107 -0.060 0.109 0.320 0.189
PUISS 0.797 1 0.641 0.521 0.765 0.844 PUISS 0.107 1 -0.083 -0.334 0.652 0.841
LONG 0.701 0.641 1 0.849 0.868 0.476 LONG -0.060 -0.083 1 0.582 0.530 0.090
LARG 0.630 0.521 0.849 1 0.717 0.473 LARG 0.109 -0.334 0.582 1 0.127 0.331
POIDS 0.789 0.765 0.868 0.717 1 0.478 POIDS 0.320 0.652 0.530 0.127 1 -0.611
V.MAX 0.665 0.844 0.476 0.473 0.478 1 V.MAX 0.189 0.841 0.090 0.331 -0.611 1
Les corrélations brutes et partielles sont majoritairement différentes, les relations entre 2 variables
quelconques sont fortement déterminées par les autres.
  r 
2
jm
j m j
MSA  Données « AUTOS »
  r     r  * 2
2
jm jm MSA = 0.740
j m j j m j
MSA est plus un indice de compressibilité de

l’information qu’un indicateur de l’intérêt d’une
ACP pour un fichier de données !
http://peoplelearn.homestead.com/Topic20-
Ricco Rakotomalala FACTORanalysis3a.html
Indice MSA par variable
MSA par variable : détecter les variables qui se détachent des autres, ceux dont la corrélation partielle
reste proche de la corrélation brute c.-à-d. qui participent peu à la redondance globale  plus l’indice est
faible, plus la variable est faiblement liée globalement aux autres.
 r 
2 R CYL PUISS LONG LARG POIDS V.MAX
jm r CYL 1 0.797 0.701 0.630 0.789 0.665
m j
MSAj 
 r    r  * 2 PARTIAL R CYL PUISS LONG LARG POIDS V.MAX
2
jm jm r* CYL 1 0.107 -0.060 0.109 0.320 0.189
m j m j
0.797 ²  0.701 ²    0.665 ²

MSACYL   0.940
0.797²  0.701²    0.665²   0.107²  (0.06)²    0.189² 
MSA
CYL 0.940 « CYL » est la variable la plus liée à l’ensemble des autres
PUISS 0.674
LONG 0.803
LARG 0.784
POIDS 0.693
V.MAX 0.598 « V.MAX » est celle qui participe le moins à la tendance collective
Ricco Rakotomalala
Retrancher l’influence d’une ou plusieurs variables qui pèsent sur toutes les autres
dans l’analyse
Une manière de gérer « l’effet taille » qui écrase souvent la 1ère composante
Ricco Rakotomalala
Problème de « l’effet taille » en ACP
1
0.9
0.8
0.7
Ex. « CYL » pèse sur
0.6
l’ensemble des variables,
« Effet taille » : parfois, une ou plusieurs 0.5
0.4
LARG
LONG
0.3 POIDS
déterminant le 1er
variables pèsent sur l’ensemble des autres et 0.2
PCA_1_Axis_2
0.1 facteur, et entraînant
0
déterminent fortement les résultats, -0.1

-0.2
CYL
avec lui l’ensemble des
-0.3
notamment en pesant exagérément sur la 1ère -0.4
PUISS autres variables.
-0.5 V.M AX
composante qui semblent concentrer toute -0.6

-0.7
-0.8
l’information disponible. -0.9

-1
-1 -0.9-0.8-0.7-0.6-0.5-0.4-0.3-0.2-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PCA_1_Axis_1
CORR CYL PUISS LONG LARG POIDS V.MAX

CYL 1 0.797 0.701 0.630 0.789 0.665
Solution : analyser les relations entre les PUISS 0.797 1 0.641 0.521 0.765 0.844
variables après avoir retranché (en Corrélation LONG 0.701 0.641 1 0.849 0.868 0.476
LARG 0.630 0.521 0.849 1 0.717 0.473
contrôlant) l’influence de ou des variables brutes POIDS 0.789 0.765 0.868 0.717 1 0.478
V.MAX 0.665 0.844 0.476 0.473 0.478 1
incriminées c.-à-d. au lieu de diagonaliser la
matrice des corrélations brutes, baser l’ACP CORR/CYL PUISS LONG LARG POIDS V.MAX
sur les corrélations partielles (la nature de PUISS 1 0.192 0.041 0.368 0.697
LONG 0.192 1 0.736 0.719 0.018
l’information traitée est différente) Corrélations
LARG 0.041 0.736 1 0.461 0.093
partielles / CYL POIDS 0.368 0.719 0.461 1 -0.102
V.MAX 0.697 0.018 0.093 -0.102 1
Ex. Voir la différence entre les corrélations « PUISS x POIDS »
Matrice à diagonaliser
selon que l’on contrôle ou non l’influence de CYL ; voir aussi la
relation « POIDS x V.MAX »
Ricco Rakotomalala
ACP à partir de la matrice des
corrélations partielles Il y a 2 composantes à
proc factor data = mesdata.autos analyser, de manière évidente
corr maintenant : avec 1 = 2.41 et
method = principal
n=2 2 = 1.61.
plots=all;
var puiss long larg poids v_max;
partial cyl;
run;
PCA_2_Axis_1 vs. PCA_2_Axis_2 Renault 16 TL

1
2
0.9 Peugeot 504
0.8
Princess 1800
0.7
1 100 Rancho
0.6 Audi
0.5
Lada 1300
Simca 1300 Toyota Cor
0.4 Datsun 200L
Citroen GS Club
PCA_2_Axis_2
0.3 Mazda 9295
0
Long Larg
r s_LARG_1
r s_LONG_1
0.2 r s_POI DS_1
Opel Rekord Taunus 2000

PCA_2_Axis_2
0.1 Poids Renault 30

0 Lancia Beta
-0.1 -1
-0.2 Fiat 132
-0.3
-0.4
-0.5 -2 Alfasud TI
-0.6
-0.7
-0.8 Puiss r s_PUI SS_1
-3 Alfetta 1.66
-0.9
V.max
r s_V. MAX_1
-1 -3 -2 -1 0 1 2
-1 -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 PCA_2_Axis_1
PCA_2_Axis_1
De nouveaux types de résultats apparaissent.
Les 2 dimensions apparaissent nettement. (1) Encombrement / Ex. Eu égard à sa cylindrée, la RENAULT 30 :
gamme : à cylindrée égale, on distingue les voitures 1. N’est pas si encombrante (moins que les autres même)
longues/larges/lourdes des autres. (2) Performances : la puissance et la 2. N’est pas si performante (dans la moyenne simplement)
rapidité caractérisent les véhicules. Sans qu’il soit nécessaire de post- Ex. L’Alfasud Ti est une petite teigneuse
Ricco Rakotomalala
traiter cette fois-ci (rotation des axes).
Ex. Le moteur de la Renault 16 TL est vraiment sous exploité 57
Plutôt que de s’intéresser à la variabilité totale des variables, analyser
la variabilité partagée
Approche a priori préférable lorsque l’on cherche à structurer

l’information
On s’intéresse aux techniques non-itératives seulement
Ricco Rakotomalala
Gestion des variables non pertinentes en ACP
L’ACP cherche à reproduire toute la variabilité des données, c’est pour cette raison que la somme des
COS² des variables est égale à 1 lorsqu’on prend en compte tous les facteurs.
Cette idée n’est pas toujours pertinente quand des variables totalement étrangères à l’étude
s’immiscent dans le fichier de données. Elles pèsent de manière indue sur les résultats.
Ex. AUTOS + 6 variables N(0, 1) générées aléatoirement.
Modele CYL PUISS LONG LARG POIDS V.MAX RND1 RND2 RND3 RND4 RND5 RND6
Alfasud TI 1350 79 393 161 870 165 1.029 0.109 0.267 -0.949 0.053 -1.144
Audi 100 1588 85 468 177 1110 160 0.379 0.367 -1.054 0.106 1.316 1.632
Simca 1300 1294 68 424 168 1050 152 -0.346 0.737 -0.056 -0.430 0.274 1.044
Citroen GS Club 1222 59 412 161 930 151 0.849 0.494 -0.320 0.729 0.637 0.793
Fiat 132 1585 98 439 164 1105 165 -1.425 -0.210 0.535 -0.200 -1.983 0.832
Lancia Beta 1297 82 429 169 1080 160 0.890 0.071 -1.308 -0.971 -0.131 -1.134
Peugeot 504 1796 79 449 169 1160 154 -0.860 -0.001 -0.315 -1.329 -0.605 1.299
Renault 16 TL 1565 55 424 163 1010 140 2.379 -1.367 -0.633 -1.448 0.609 -0.175
Renault 30 2664 128 452 173 1320 180 -0.578 0.705 -1.304 2.124 -1.132 -2.091
Toyota Corolla 1166 55 399 157 815 140 0.381 0.330 0.121 -1.285 0.570 -1.628
Alfetta 1.66 1570 109 428 162 1060 175 0.204 0.287 -2.117 -1.675 0.111 2.773
Princess 1800 1798 82 445 172 1160 158 0.216 0.549 -0.619 -0.096 -1.632 -0.066
Datsun 200L 1998 115 469 169 1370 160 0.603 0.914 1.403 -0.371 -1.892 0.681
Taunus 2000 1993 98 438 170 1080 167 -0.326 0.857 -0.565 1.455 0.370 -0.656
Rancho 1442 80 431 166 1129 144 -0.787 0.948 -1.389 -0.377 -0.139 -0.721
Mazda 9295 1769 83 440 165 1095 165 -0.931 1.222 -0.133 -1.090 -1.201 0.187
Opel Rekord 1979 100 459 173 1120 173 0.984 0.831 -0.138 0.545 -1.730 1.459
Lada 1300 1294 68 404 161 955 140 0.986 0.791 -0.100 0.037 0.221 0.764
Ces variables additionnelles vont masquer les relations existantes entre les autres
Ricco Rakotomalala
ACP sur AUTOS avec 6 Attribute Axis_1 Axis_2 Axis_3 Axis_4
- Corr. % (Tot. %) Corr. % (Tot. %) Corr. % (Tot. %) Corr. % (Tot. %)
-0.8847 78 % (78 %) -0.0295 0 % (78 %) -0.1463 2 % (80 %) -0.2681 7 % (88 %)
variables « bruitées » CYL
-0.8912 79 % (79 %) -0.0157 0 % (79 %) -0.0217 0 % (79 %) 0.0356 0 % (80 %)
PUISS
LONG -0.8452 71 % (71 %) -0.2290 5 % (77 %) 0.3167 10 % (87 %) -0.0911 1 % (88 %)
LARG -0.7702 59 % (59 %) -0.3696 14 % (73 %) -0.0191 0 % (73 %) -0.1024 1 % (74 %)
-0.8905 79 % (79 %) -0.0488 0 % (80 %) 0.1851 3 % (83 %) -0.1536 2 % (85 %)
Nombre de composantes POIDS
-0.7541 57 % (57 %) -0.1145 1 % (58 %) -0.0820 1 % (59 %) 0.1318 2 % (61 %)
V.MAX
Scree plot RND1 0.4695 22 % (22 %) -0.3550 13 % (35 %) 0.0293 0 % (35 %) -0.5753 33 % (68 %)
RND2 -0.4413 19 % (19 %) 0.4068 17 % (36 %) -0.2630 7 % (43 %) 0.5380 29 % (72 %)
5 RND3 0.0474 0 % (0 %) 0.7548 57 % (57 %) 0.3744 14 % (71 %) -0.3263 11 % (82 %)
RND4 -0.5592 31 % (31 %) 0.0730 1 % (32 %) -0.6058 37 % (69 %) -0.0873 1 % (69 %)
RND5 0.6468 42 % (42 %) -0.4995 25 % (67 %) -0.3422 12 % (78 %) 0.1718 3 % (81 %)
4
RND6 -0.0811 1 % (1 %) -0.3246 11 % (11 %) 0.7132 51 % (62 %) 0.4404 19 % (81 %)
Var. Expl. 5.40111 45 % (45 %) 1.42714 12 % (57 %) 1.36642 11 % (68 %) 1.09082 9 % (77 %)
3 2 (?)
L’effet taille subsiste : La « sportivité » est complètement noyée au milieu
2 4 (?) « encombrement / gamme » (masquée par) des variables « rnd »
1 Comp.2
PCA_1_Axis_1 vs. PCA_1_Axis_2
Datsun 200L Fiat 132
Toy ota Corolla
Mazda 9295
0
1 2 3 4 5 6 7 8 9 10 11 12
Component 1 Alf asud TI
Lada 1300
Simca 1300
Rancho
Princess 1800 Citroen GS Club
Par ex., l’Alfasud et l’Afetta n’ont rien à 0

Renault 30 Opel Rekord
Taunus 2000
PCA_1_Axis_2
Peugeot 504
Comp.1
faire avec ces voisins !!!
-1 Lancia Beta
Remarque : En réalité, il faut trouver la

dimension « sportivité » sur le 5ème facteur,
Renault 16 TL
que nous n’avons pas retenu avec les -2 Alf etta 1.66
critères usuels.
Audi 100
-4 -3 -2 -1 0 1 2 3 4
Ricco Rakotomalala
60
PCA_1_Axis_1

Principe de l’analyse en facteurs principaux (Principal Factor Analysis)
En théorie, l’analyse en facteur principaux correspond à une démarche de modélisation. On

cherche à construire des facteurs (F1, F2, …, Fq) [on parle aussi de « variables latentes »] qui
permettent de reproduire au mieux les variables originelles.
 x1  a11F1  a12 F2   a1q Fq  e1 ej sont des termes d’erreur puisqu’une

 modélisation n’est jamais parfaite.

x  a F  a F  a F  e
 p p1 1 p2 2 pq q p
En pratique, il s’agit simplement de diagonaliser une variante de la matrice des corrélations mettant en
exergue la variance partagée entres les variables. L’approche fournit des résultats très similaires à ceux de
l’ACP. C’est pour cette raison qu’elles sont souvent confondues d’ailleurs.
Quelques définitions et formules
• R²j est la « communalité » (communality). Il s’agit du coefficient de détermination de la régression de Xj sur

les (p-1) autres variables. Ainsi, R²j correspond à la part de variance de Xj expliquée par les autres. Cette
quantité doit être modélisée.
• uj est « l’uniqueness », uj = 1 – R²j. C’est la proportion de la variance de Xj non expliquée par les autres
variables. Elle ne doit pas être modélisée.
Ricco Rakotomalala
Analyse en Facteurs Principaux (AFP)
Ricco Rakotomalala
Analyse en facteurs principaux [AFP] (Outil « Principal Factor Analysis » dans Tanagra)
CYL PUISS LONG LARG POIDS V_MA RND1 RND2 RND3 RND4 RND5 RND6
CYL 1 0.80 0.70 0.63 0.79 X
0.66 -0.28 0.24 -0.06 0.57 -0.55 -0.13
PUISS 0.80 1 0.64 0.52 0.77 0.84 -0.38 0.35 -0.11 0.43 -0.58 0.07
Matrice des corrélations LONG 0.70 0.64 1 0.85 0.87 0.48 -0.29 0.22 -0.01 0.31 -0.48 0.31
LARG 0.63 0.52 0.85 1 0.72 0.47 -0.19 0.25 -0.19 0.48 -0.26 0.11
(usuelle) POIDS 0.79 0.77 0.87 0.72 1 0.48 -0.36 0.27 -0.01 0.35 -0.62 0.09
V_MA 0.66 0.84 0.48 0.47 0.48 1 -0.31 0.27 -0.19 0.38 -0.45 0.11
X
RND1 -0.28 -0.38 -0.29 -0.19 -0.36 -0.31 1 -0.44 0.02 -0.18 0.37 -0.02
RND4 et RND5 sont fortuitement (très RND2 0.24 0.35 0.22 0.25 0.27 0.27 -0.44 1 0.08 0.43 -0.25 0.01
malencontreusement) corrélées avec RND3 -0.06 -0.11 -0.01 -0.19 -0.01 -0.19 0.02 0.08 1 -0.03 -0.38 -0.02
RND4 0.57 0.43 0.31 0.48 0.35 0.38 -0.18 0.43 -0.03 1 -0.14 -0.24
les variables initiales. C’est une RND5 -0.55 -0.58 -0.48 -0.26 -0.62 -0.45 0.37 -0.25 -0.38 -0.14 1 -0.02
difficulté supplémentaire. RND6 -0.13 0.07 0.31 0.11 0.09 0.11 -0.02 0.01 -0.02 -0.24 -0.02 1
CYL 0.84 0.80 0.70 0.63 0.79 X
0.66 -0.28 0.24 -0.06 0.57 -0.55 -0.13
PUISS 0.80 0.92 0.64 0.52 0.77 0.84 -0.38 0.35 -0.11 0.43 -0.58 0.07
Matrice H = (hjm) à LONG 0.70 0.64 0.93 0.85 0.87 0.48 -0.29 0.22 -0.01 0.31 -0.48 0.31
LARG 0.63 0.52 0.85 0.88 0.72 0.47 -0.19 0.25 -0.19 0.48 -0.26 0.11
diagonaliser pour la PFA. On a POIDS 0.79 0.77 0.87 0.72 0.92 0.48 -0.36 0.27 -0.01 0.35 -0.62 0.09
V_MA 0.66 0.84 0.48 0.47 0.48 0.88 -0.31 0.27 -0.19 0.38 -0.45 0.11
remplacé « 1 » par les X
RND1 -0.28 -0.38 -0.29 -0.19 -0.36 -0.31 0.34 -0.44 0.02 -0.18 0.37 -0.02
communalités dans la RND2 0.24 0.35 0.22 0.25 0.27 0.27 -0.44 0.39 0.08 0.43 -0.25 0.01
RND3 -0.06 -0.11 -0.01 -0.19 -0.01 -0.19 0.02 0.08 0.45 -0.03 -0.38 -0.02
diagonale. RND4 0.57 0.43 0.31 0.48 0.35 0.38 -0.18 0.43 -0.03 0.61 -0.14 -0.24
RND5 -0.55 -0.58 -0.48 -0.26 -0.62 -0.45 0.37 -0.25 -0.38 -0.14 0.69 -0.02
RND6 -0.13 0.07 0.31 0.11 0.09 0.11 -0.02 0.01 -0.02 -0.24 -0.02 0.51
R²cyl = 0.84  coefficient de détermination de la régression de CYL sur les autres variables (PUISS,
LONG, …, RND6). Seule cette fraction doit être intégrée dans la modélisation.
Ricco Rakotomalala
AFP sur les données AUTOS + RND – Tableau des valeurs propres
Moyenne des valeurs Somme des valeurs de la diagonale

propres, peut être utilisée principale de la matrice à diagonaliser
comme seuil pour la sélection
des facteurs
On en sélectionne 4 si on se
fie à ce critère
On modélise plus que la

H n’est pas semi-définie variance commune, une
positive, il est normal que correction dans l’autre
l’on puisse obtenir des v.p. sens est nécessaire
négatives
Au final, on modélise bien la

variabilité commune
Ricco Rakotomalala
AFP sur les données AUTOS + RND - 4 facteurs sélectionnés
R²j restituée sur les 4 premiers facteurs = somme du carré des « loadings »
R²j à modéliser
Les variables initiales sont plutôt bien modélisées
La « sportivité / performance »
n’apparaît que sur le 4ème facteur
PFA_1_Axis_1
Princess vs.
1800PFA_1_Axis_4
Renault 16 TL
Rancho Lada 1300
Datsun 200L
Toujours « encombrement / gamme », mais RND4 et RND5 pèsent Peugeot 504
Audi 100
Simca 1300
Renault 30 Taunus 2000 Toyota Coroll
toujours beaucoup trop. Citroen GS Club
0 Opel Rekord
Attention : « loadings  corrélation». Elles correspondent aux
Mazda 9295Lancia Beta
coefficients standardisés de la régression de chaque variable avec
PFA_1_Axis_4
Fiat 132
les facteurs (dans les faits, la lecture est très similaire à celle de
-1 Alfasud TI
l’ACP).
-2
Dans le plan factoriel (1, 4), on retrouve les
proximités que nous avions constaté lors
de l’ACP sur les variables originelles (CYL, Alfetta 1.66
Ricco Rakotomalala …, V.MAX) -2 -1 0 1

PFA_1_Axis_1
65
AFP et Rotation VARIMAX - 4 facteurs sélectionnés
Le principe de la rotation des axes reste

valable : on effectue une rotation pour 4
facteurs.
L’inertie
expliquée par les
4 facteurs reste
la même après
rotation.
Encombrement /
gamme Sportivité / performances, avec RND5 qui On peut oublier…
s’immisce malheureusement
Ricco Rakotomalala
Analyse de Harris
Exacerber les corrélations en les divisant par les « uniqueness »
Ricco Rakotomalala
Harris – Matrice à diagonaliser et Tableau des valeurs propres
CYL 5.35 7.24 6.50 4.59 7.22 X
4.89 -0.88 0.76 -0.20 2.29 -2.48 -0.45
h jm
h*jm  PUISS 7.24 11.94 8.49 5.41 10.00 8.87 -1.67 1.61 -0.53 2.49 -3.72 0.37
u j  um
LONG 6.50 8.49 12.55 9.00 11.57 5.10 -1.30 1.03 -0.07 1.82 -3.17 1.62
LARG 4.59 5.41 9.00 7.33 7.50 3.98 -0.67 0.91 -0.75 2.23 -1.35 0.46
POIDS 7.22 10.00 11.57 7.50 12.10 5.05 -1.58 1.28 -0.06 2.05 -4.02 0.48
Souligner d’autant plus les V_MAX 4.89 8.87 5.10 3.98 5.05 7.48 -1.12 1.00 -0.76 1.75 -2.37 0.46
RND1 -0.88 -1.67 -1.30 -0.67 -1.58 -1.12 0.51 -0.70 0.03 -0.35 0.82 -0.04
corrélations qu’elles concernent des RND2 0.76 1.61 1.03 0.91 1.28 1.00 -0.70 0.64 0.14 0.88 -0.57 0.02
variables fortement liées aux autres RND3 -0.20 -0.53 -0.07 -0.75 -0.06 -0.76 0.03 0.14 0.82 -0.06 -0.93 -0.04
RND4 2.29 2.49 1.82 2.23 2.05 1.75 -0.35 0.88 -0.06 1.56 -0.40 -0.55
(R²j  1  uj  0) RND5 -2.48 -3.72 -3.17 -1.35 -4.02 -2.37 0.82 -0.57 -0.93 -0.40 2.21 -0.04
RND6 -0.45 0.37 1.62 0.46 0.48 0.46 -0.04 0.02 -0.04 -0.55 -0.04 1.03
Seuil (possible) = Moyenne des valeurs sur la Eboulis des valeurs propres
diagonale de la matrice à traiter = TRACE / p
Scree plot
48
46
44
42
40
38
36
34
32
30
28
Eigenvalue
26
24
22
20
18
16
2 facteurs
14
12
10
8
6
4
2
0
1 2 3 4 5 6 7 8 9 10 11 12
Component
Les deux points de vue convergent pour une solution en q = 2 facteurs

Ricco Rakotomalala
Harris – Tableau des « loadings » et représentation des individus
R²j restituée sur les q = 2 premiers facteurs : somme du carré des « loadings »
p
Estimations plutôt bonnes individuellement et globalement, car : 6.03354   Rˆ 2j  (6.03354/8.36437) = 72% de la
j 1
variabilité initiale a été reproduite.
Le rôle de V.MAX et sa relation avec PUISS

apparaît dès le 2nd facteur maintenant.
On retrouve les résultats de l’ACP sur variables originelles

sans qu’il soit nécessaire de procéder à une rotation des axes.
Résultat confirmé par la représentation des individus.
Harris_1_Axis_1 vs. Harris_1_Axis_2

Audi 100
Renault 16 TL
Variance non pondéré expliquée : somme des Peugeot 504
1
carrés des loadings des variables avec le facteur : Rancho
Simca 1300
Princess 1800
Datsun 200L
(0.86673² + ... + 0.12942²) = 5.16276

Harris_1_Axis_2
Lancia Beta
Lada GS
Citroen 1300
Club
0 Opel Rekord
Et, 5.16276 + 0.87078 = 6.03354 Taunus 2000

Fiat 132
-1
Renault 30
Alfetta 1.66
Alfasud TI
-1 0 1
Harris_1_Axis_1
Ricco Rakotomalala
« Factor scores » - Les coefficients des fonctions de projection
L’analyse en facteurs principaux et l’analyse de Harris fournissent les

coefficients permettant de projeter les individus dans le repère
factoriel… avec une information supplémentaire : la crédibilité de la
fonction de projection. Indicateur de fiabilité du facteur.
Correspond au carré de la corrélation entre
la variable latente théorique (à estimer) et
son estimation par le facteur (cf. doc SAS).
Plus il est proche de 1, plus le facteur est

crédible ; plus il s’éloigne de 1, moins
intéressant est le facteur. Selon certaines
références,  0.7 indique une bonne
stabilité.
Paramètres pour le centrage et Coefficients permettant de calculer les coordonnées

réduction des variables factorielles des individus (éventuellement
supplémentaires) à partir de leur description.
Ricco Rakotomalala
Ricco Rakotomalala
Les ouvrages incontournables sur l’analyse de données
Escofier B., Pagès J., « Analyses factorielles simples et multiples », Dunod, 2008.
Lebart L., Morineau A., Piron M., « Statistique exploratoire multidimensionnelle », Dunod, 3ème édition, 2000.
Saporta G., « Probabilités, Analyse des Données et Statistique », Technip, 2006.
Tenenhaus M., « Statistique : Méthodes pour décrire, expliquer et prévoir », Dunod, 2006.
Tutoriels et supports de cours (innombrables sur le web) avec, entres autres,

Tutoriel Tanagra, http://tutoriels-data-mining.blogspot.fr/ ; voir la section « Analyse Factorielle ».
Les plus complets (Tanagra, code source R, SAS, etc.), certains traitant le fichier AUTOS :
• « ACP – Description de véhicules » (Mars 2008)
• « Analyse en composantes principales avec R » (Mai 2009)
• « ACP avec R – Détection du nombre d’axes » (Juin 2012)
• « ACP sous R – Indice KMO et test de Bartlett » (Mai 2012)
• « ACP sur corrélations partielles (suite) » (Juin 2012)
• « ACP avec Tanagra – Nouveaux outils » (Juin 2012)
• « Analyse en facteurs principaux » (Sept. 2012)
Ricco Rakotomalala

Acp

Transféré par

Droits d'auteur :

Formats disponibles

Acp

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Acp

Transféré par

Droits d'auteur :

Formats disponibles

Analyse en Composantes Principales (ACP)

Principes et pratique de l’ACP

Modele CYL PUISS LONG LARG POIDS V.MAX

60 100 160 175 140 170

Ce type de représentation n’est utile que pour

V.MAX Ex. Renault 30 : le plus gros moteur, la plus

puissante, une des plus lourdes, la plus rapide.

Principe : Construire un système de représentation de

perte (contrôlée) de l’information.

Un critère global : distance entre l’ensemble des individus pris 2 à 2, 1 n n

inertie du nuage de points dans l’espace originel. Elle traduit la quantité Ip  2

1000 1500 2000 2500 3000

Ricco Rakotomalala CYL

(b) Pour rendre comparables les variables exprimées sur des n i 1

échelles (unités) différentes [non obligatoire]

Ip factoriel (ou 1ère composante)

(2) Trouver la 2nde composante F2 qui traite l’inertie non-expliquée

O (résiduelle) par F1 (par conséquent, F2 est non corrélée avec F1)

Maximisation Les inerties expliquées s’additionnent. Prendre tous les « p » facteurs

Distances dans le repère originel Si on ne tient compte que de la 1ère

(variables centrées et réduites) composante (1 = 89.83%), les distances

60 100 160 175 140 170

POIDS CYL PUISS LONG LARG V.MAX

(1) Ce ne sera jamais parfait

Habituellement, Inertie totale = Somme des variances des variables

Axis Eigen value Proportion (%) Cumulative (%)

Approximation assez bonne parce que POIDS et CYL

L’ACP produit aussi une

 F1  a11 z1  a21 z 2    a p1 z p (1 )

Fik  a1k zi1  a2 k zi 2    a pk zip

Calcul uniquement dans l’espace des variables,

#calcul de la matrice des corrélations

#trace de la matrice = inertie totale Valeurs propres = k

#diagonalisation avec la fonction eigen

#calcul des corrélations des variables avec les composantes

Montre bien le caractère dual de l’analyse

#affichage des 3 premières obs. de Z

#décomposition en valeurs singulières

#calcul des inerties associées aux composantes

V correspond aux vecteurs propres c.-à-d. les coef. ajk

(1) Tableau des valeurs propres

(2) Eboulis des valeurs propres : « scree plot »

« Règle du coude » de Cattell, négliger les composantes qui

Problème : Intégrer le coude dans la sélection ? Ici, q = 2 ou q = 1 ?

Mais, en pratique, (a) il faut au moins « q = 2 » afin de pouvoir

Règle de Kaiser-Guttman : si les variables sont

Règle de Karlis-Saporta-Spinaki : rendre la règle plus p 1 6 1

p 1 1 4.420858 3.564796 73.68% 73.68%

  1 2 2 0.856062 0.482996 14.27% 87.95%

v.p. sous H0  un test unilatéral à 5% Tot. 6 - - -

Test des « bâtons brisés » de Frontier (1976) et

Problème : les tables sont rarement accessibles. Eigenvalues - Significance

La composante est validée si : k  bk

Contributions : influence de la variable dans la

Correlation scatterplot (PCA_1_Axis_1 vs. PCA_1_Axis_2)

des corrélations » pour 0.1 peut lier à « l’encombrement /

Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/

A nombre de composantes fixé, on peut

Entre parenthèses la différence entre les corrélations 