Aide À L'interprétation

Version 5.
SPAD••Base
Aide à l’interprétation
CISIA-CERESTA - 261 rue de Paris - 93556 MONTREUIL Cedex

tel : +33 (0)1 55 82 15 15 - Fax : +33 (0)1 43 63 21 00
e-mail : cisia@fr.inter.net - Web : http://www.cisia.com
SPAD!!Base
Aide à l’interprétation
SPAD•Base®
Le logiciel décrit dans le manuel est diffusé dans le cadre d'un accord de licence
d'utilisation et de non divulgation, et ne peut être utilisé ou copié qu'en conformité avec les
stipulations de l'accord. Toute copie du programme sur cassette, disque ou autre support à
des fins autres que l'usage personnel du programme par le licencié est interdite par la loi.
Les informations figurant dans ce manuel sont sujettes à révision sans préavis et ne
présentent aucun engagement de la part du CISIA.
© copyright 2001, CISIA!!CERESTA. Tous droits réservés
ISBN 2-906711-31-4
Centre International de Statistique et d'Informatique Appliquées

261 rue de Paris, 93556 Montreuil Cedex (France)
Tel : 01 55 82 15 15 – Fax : 01 43 63 21 00
e-mail : cisia@fr.inter.net – Web : http://www.cisia.com/
Sommaire
AVANT-PROPOS ....................................................................................................... 8
LES MÉTHODES DE DESCRIPTION STATISTIQUE 9
TRIS À PLAT / HISTOGRAMMES (STATS) ............................................................ 10

1. Histogrammes................................................................................................................................... 10
2. Variables continues .......................................................................................................................... 11
3. Variables nominales ......................................................................................................................... 12
4. Variables groupées ........................................................................................................................... 12
5. Discrétisation .................................................................................................................................... 13
TABLEAUX CROISÉS (TABLE) .............................................................................. 15

1. Tableau de contingence ................................................................................................................... 15
2. Tableau de moyennes ...................................................................................................................... 16
3. Tableaux de fréquence ..................................................................................................................... 17
CARACTÉRISATION AUTOMATIQUE D’UNE VARIABLE NOMINALE (DEMOD) 18

1. DEMOD-1 : Caractérisation de la variable par les variables nominales........................................... 18
2. DEMOD-2 : Tableaux croisant la variable à décrire avec les variables nominales.......................... 20
3. DEMOD-3 : Caractérisation d’un groupe d’individus par les variables nominales ........................... 21
4. DEMOD-4 : Caractérisation d’une variable nominale par les modalités .......................................... 22
5. DEMOD-5 : Caractérisation d’un groupe d’individus par les modalités (Tri par valeurs-tests) ........ 23
6. DEMOD-6 : Caractérisation d’un groupe d’individus par les modalités (Tri par % de la modalité
dans le groupe) ...................................................................................................................................... 26
7. DEMOD-7 : Caractérisation d’un groupe d’individus par les modalités (Tri par % du groupe dans la
modalité) ................................................................................................................................................ 27
8. DEMOD-11 : Caractérisation d’une variable nominale par les variables continues......................... 29
9. DEMOD-12 : Statistiques par modalité des variables continues (Tableaux de moyennes)............. 30
10.DEMOD-13 : Caractérisation d’un groupe d’individus par les variables continues .......................... 31
CARACTÉRISATION AUTOMATIQUE D’UNE VARIABLE CONTINUE (DESCO). 33

1. DESCO-1 : Caractérisation par les modalités .................................................................................. 33
2. DESCO-2 : Caractérisation par les variables nominales.................................................................. 34
3. DESCO-3 : Statistiques sommaires des variables continues........................................................... 35
4. DESCO-4 : Caractérisation par les variables continues................................................................... 35
ANALYSE BIVARIÉE (BIVAR) ................................................................................ 37

1. BIVAR-1 : Statistiques sommaires des variables continues actives ................................................ 37
2. BIVAR-2 : Moyennes et valeurs-test des modalités sur le plan défini par les variables nominales
illustratives ............................................................................................................................................. 38
4
3. BIVAR-3 : Corrélations entre les variables continues illustratives et les variables continues
définissant le plan .................................................................................................................................. 39
MARQUAGE SÉMANTIQUE DE MODALITÉS DE VARIABLES NOMINALES

(MSMOD).................................................................................................................. 41
LES ANALYSES FACTORIELLES 45
ANALYSE EN COMPOSANTES PRINCIPALES (COPRI) ...................................... 46

1. Les données et les objectifs ............................................................................................................. 46
2. Choix du thème actif ......................................................................................................................... 47
3. COPRI-1 : Statistiques sommaires des variables continues ............................................................ 48
4. COPRI-2 : Matrice des corrélations .................................................................................................. 49
5. COPRI-3 : Matrice des valeurs-tests ................................................................................................ 50
6. COPRI-4 : Tableau des valeurs propres .......................................................................................... 50
7. COPRI-5 : Intervalles laplaciens d'Anderson (seuil: 0.95)................................................................ 51
8. COPRI-6 : Coordonnées, Corrélations, Anciens axes unitaires....................................................... 52
8.1 Coordonnées des variables actives ............................................................................................................ 52
8.2 Corrélations des variables actives avec les facteurs .................................................................................. 53
8.3 Anciens axes unitaires................................................................................................................................ 54
8.4 Note sur les Cosinus Carrés et les Contributions ....................................................................................... 54
9. COPRI-7 : Coordonnées, Corrélations des variables illustratives avec les 5 premiers axes........... 56
10.COPRI-8 : Matrice des corrélations permutée suivant le premier facteur ........................................ 57
11.COPRI-9 : Coordonnées, Contributions, Cosinus Carrés des individus actifs................................. 57
11.1 Coordonnées des individus actifs ............................................................................................................... 57
11.2 Contributions des individus actifs ............................................................................................................... 58
11.3 Cosinus Carrés des individus actifs ............................................................................................................ 60
12.COPRI-10 : Coordonnées, Cosinus Carrés des individus illustratifs................................................ 61
12.1 Coordonnées des individus illustratifs......................................................................................................... 61
12.2 Cosinus Carrés des individus illustratifs ..................................................................................................... 62
13.COPRI-11 : Coordonnées des modalités illustratives ...................................................................... 63
14.COPRI-12 : Valeurs-tests des modalités illustratives ....................................................................... 64
ANALYSE DES CORRESPONDANCES BINAIRES (CORBI) ................................ 66

1. Présentation du tableau analysé ...................................................................................................... 66
2. CORBI-1 : Tableau des valeurs-propres .......................................................................................... 66
3. CORBI-2 : Coordonnées, Contributions, Cosinus Carrés des fréquences actives .......................... 67
3.1 Coordonnées des fréquences actives......................................................................................................... 67
3.2 Contributions des fréquences actives ......................................................................................................... 68
3.3 Cosinus carrés des fréquences actives ...................................................................................................... 69
4. CORBI-4 : Coordonnées, Contributions, Cosinus Carrés des individus actifs................................. 70
4.3 Cosinus carrés des individus actifs............................................................................................................. 72
5. Interprétation générale...................................................................................................................... 73
ANALYSE DES CORRESPONDANCES MULTIPLES (CORMU) ........................... 74

1. Présentation du thème analysé ........................................................................................................ 74
2. CORMU-1 : Tris à plat des variables actives.................................................................................... 75
3. CORMU-2 :Tableau de Burt ............................................................................................................. 77
4. CORMU-3 : Profils horizontaux du tableau de Burt.......................................................................... 77
5. CORMU-4 : Tableau des valeurs propres ........................................................................................ 78
6. CORMU-5 :Coordonnées des modalités actives.............................................................................. 79
7. CORMU-6 :Contributions des modalités actives .............................................................................. 80
8. CORMU-7 : Cosinus carrés des modalités actives .......................................................................... 82
9. CORMU-8 : Coordonnées des modalités actives et illustratives...................................................... 84
10.CORMU-9 : Valeurs-tests des modalités actives et illustratives ...................................................... 85
11.CORMU-10 : Coordonnées, Contributions, Cosinus Carrés des individus actifs............................. 87
11.3 Cosinus Carrés des individus actifs ............................................................................................................ 88
12.CORMU-11 : Coordonnées, Cosinus Carrés des individus illustratifs ............................................. 90
13.CORMU-12 : Corrélations entre les variables continues et les facteurs .......................................... 90
ANALYSE DES CORRESPONDANCES MULTIPLES AVEC CHOIX DES

MODALITÉS ACTIVES (COREM)............................................................................ 92
DESCRIPTION DES AXES FACTORIELS (DEFAC)............................................... 93

1. DEFAC-1 : Description de l’axe par les individus actifs et illustratifs ............................................... 93
2. DEFAC-2 : Description de l’axe par les modalités actives et illustratives ........................................ 94
3. DEFAC-3 : Description de l’axe par les variables continues illustratives ......................................... 96
CLASSIFICATION ET TYPOLOGIE 97
CLASSIFICATION SUR FACTEURS (RECIP / SEMIS) .......................................... 98

1. Justification du passage aux coordonnées factorielles .................................................................... 98
2. Les techniques de classification ....................................................................................................... 98
3. La Classification Ascendante Hiérarchique – RECIP ....................................................................... 99
3.1 CLASSIF-3 : Description des 30 noeuds d'indices les plus élevés ........................................................... 100
3.2 CLASSIF-4 : Description des 30 nouveaux éléments terminaux .............................................................. 101
3.3 CLASSIF-5 : Coordonnées et valeurs-tests des noeuds terminaux.......................................................... 101
3.4 CLASSIF-6 : Description des noeuds de la hiérachie (au dessus des noeuds terminaux) ....................... 103
4. La Classification Mixte – SEMIS..................................................................................................... 104
4.1 Paramètres de fonctionnement de SEMIS................................................................................................ 105
4.2 CLASSIF-1 : Classification mixte sur les 14 premiers axes factoriels....................................................... 106
4.3 CLASSIF-2 : Résultats du croisement ...................................................................................................... 107
COUPURE DE L’ARBRE ET DESCRIPTION DES CLASSES (PARTI/DECLA)... 110

1. La procédure PARTI ....................................................................................................................... 110
1.1 PARTI-1 : Coupure 'a' de l'arbre en 9 classes .......................................................................................... 112
1.2 PARTI-2 : Coordonnées et valeurs-tests des centres de classes avant consolidation ............................. 112
1.3 PARTI-3 : Avant consolidation - Liste des individus actifs dans les classes de la partition ...................... 114
1.4 PARTI-4 : Avant consolidation - Appartenance des individus actifs dans les classes de la partition........ 114
1.5 PARTI-5 : Consolidation de la partition..................................................................................................... 115
1.6 PARTI-6 : Décomposition de l'inertie calculée sur 10 axes ...................................................................... 115
1.7 PARTI-8 : Coordonnées et valeurs-tests des centres de classes après consolidation ............................. 116
1.8 PARTI-9 : Avant consolidation - Liste des individus actifs dans les classes de la partition ...................... 116
1.9 PARTI-10 : Avant consolidation - Appartenance des individus actifs dans les classes de la partition...... 116
1.10 PARTI-11 : Edition des parangons ........................................................................................................... 117
1.11 PARTI-12 : Edition des individus à contribution maximale........................................................................ 117
2. La procédure DECLA...................................................................................................................... 118
CARACTÉRISATION DES CLASSES DE TYPOLOGIES (CLASS-MINER)......... 119
MARQUAGE SÉMANTIQUE DES CLASSES D’UNE PARTITION (MSCLA) ....... 120
GLOSSAIRE........................................................................................................... 121
BIBLIOGRAPHIE ................................................................................................... 126

SPAD Version 5.0 Avant-propos
Avant-propos
Dans la version 5.0 de SPAD, les résultats des différentes méthodes sont mis en forme dans
EXCEL. Pour obtenir ces résultats mis en forme, vous devez cocher l’option « Fichier pour
application tableur » dans l’onglet « Paramètres » de la méthode, puis après exécution de
la méthode cliquer sur l’icône EXCEL à droite de la méthode.
Cet habillage dans EXCEL génère des classeurs contenant des feuilles qui pour une
méthode donnée contiennent toujours les mêmes types de résultats. L’aide à l’interprétation
proposée est faite par rapport à ces feuilles EXCEL.
Les aides à l’interprétation ne contiennent pas de longs développements statistiques, si vous

le souhaitez il est préférable de consulter les ouvrages scientifiques diffusés par le
CISIA•CERESTA, en particulier :
Statistiques Exploratoire Multidimensionnelle

L. Lebart, A. Morineau, M. Piron (DUNOD)
Auquel il est fait référence dans l’aide en ligne du logiciel, à la rubrique « Objet » de la
méthode.
8
Les Méthodes de
Description Statistique
Les méthodes de « Description statistiques » sont les premières étapes indispensables à

l’analyse d’un corpus de données.
Les méthodes sont les suivantes :
STATS : Tris à plat, histogrammes, statistiques sur les variables continues.

TABLE : Tableaux croisés (effectifs & pourcentages, moyennes, fréquences)
DEMOD : Description automatique des modalités d’une variable nominale.
DESCO : Description automatique d’une variable continue.
BIVAR : Analyse bivariée (représentation graphique des liaisons entre 2 variables continues)
MSMOD : Marquage sémantique des modalités d’une variable nominale
Après l’indispensable procédure STATS, nous vous conseillons de consulter les sorties des
procédures DEMOD, DESCO, MSMOD qui figurent parmi les méthodes les plus puissantes
en matière d’analyse exploratoire. La procédure BIVAR est surtout utilisée pour sa
représentation graphique.
On travaille sur des données extraites d’une enquête d’opinion réalisée en 1978. Le fichier
contient les réponses de 1000 individus sur environ 50 questions extraites d’un questionnaire
qui porte sur les conditions de vie et les aspirations des français.
Le fichier de données utilisé est fourni avec le logiciel sous le nom ASPI1000.SBA
9
Tris à plat / Histogrammes (STATS)
Cette procédure fournit, dans un classeur Excel, l’ensemble des statistiques élémentaires
sur les variables nominales et continues. Le rapport obtenu constitue la « base statistique »
de l’enquête, à laquelle on pourra se référer à tout moment au cours de l’exploitation
statistique approfondie qui suivra.
Fichier utilisé : ASPI1000.SBA

Paramétrage de la méthode : On sélectionne toutes les variables nominales pour les tris à
plats et toutes les variables continues pour les histogrammes et statistiques sommaires.
1. Histogrammes
Estimation du salaire mensuel d'un ingénieur

Bornes Poids
Inf. strict. à 3000.00 2
3000.00 - 6000.00 80
6000.00 - 9000.00 438
9000.00 - 12000.00 216
12000.00 - 15000.00 27
15000.00 - 18000.00 29
18000.00 - 21000.00 9
21000.00 - 24000.00 0
24000.00 - 27000.00 0
27000.00 - 30000.00 1
Sup. à 30000.00 4
Chaque variable continue est découpée en N classes d’amplitudes égales. Le nombre de

classes est modifiable dans les paramètres. Les données manquantes sont exclues des
histogrammes.
Bornes : cette colonne donne les bornes inférieures et supérieures de chacune des
classes : la limite inférieure est inclue dans la classe, la limite supérieure est exclue.
Poids : cette colonne donne le poids des individus dans chaque classe.
Si les individus ont un poids uniforme, le poids de la classe est égal au nombre d’individus
dans cette classe (effectif).
Il y a 438 individus qui estiment que le salaire mensuel d’un ingénieur est compris entre 6000
et 9000 Francs (Rappel : Il s’agit d’une enquête effectuée en 1978).
10
SPAD Version 5.0 Tris à plat / Histogrammes (STATS)
2. Variables continues
Pour les variables continues, la procédure STATS édite un tableau rassemblant les
principales statistiques dans la feuille Excel « Variables continues ».
Libellé Effectif Poids Moyenne Ecart-type Minimum Maximum

Estimation du salaire mensuel d'un ingénieur 806 806,00 8 478,73 3 668,95 2 000,00 70 000,00
Estimation du revenu mensuel d'un médecin 713 713,00 19 383,90 12 608,80 3 500,00 99 000,00
Age de l'enquêté(e) 1 000 1 000,00 42,68 17,50 18,00 90,00
Nombre de non-réponses au questionnaire 1 000 1 000,00 4,05 4,19 0,00 47,00
Age de fin d'étude 997 997,00 17,29 3,88 6,00 39,00
Revenu personnel souhaité 915 915,00 7 244,48 4 756,78 0,00 70 000,00
Estimation du revenu minimum d'une famille de 2 enfants 897 897,00 5 561,89 2 423,40 1 500,00 40 000,00
Nombre de jours de vacances en été 1 000 1 000,00 18,31 19,37 0,00 99,00
coefficient de ponderation 1 000 1 000,00 1,00 0,09 0,92 1,20
Tous les calculs sont effectués hors données manquantes (194 individus n’ont pas donné
d’estimation du salaire mensuel d’un ingénieur). Les moyennes et les écart-types tiennent
compte du poids des individus.
• Libellé : Libellé complet de la variable continue.
• Effectif : Effectif des individus qui ont répondu.
• Poids : Poids des individus qui ont répondu. L’effectif et le poids sont identiques lorsque
l’on n’utilise pas de pondération.
• Moyenne : Moyenne pondérée de chacune des variables.
• Ecart-type : Ecart-type pondéré de chacune des variables.
• Minimum : Valeur minimale non pondérée de chacune des variables.
• Maximum : Valeur maximale non pondérée de chacune des variables.
Libellé Effectif Poids Moyenne Ecart-type Minimum Maximum

Estimation du salaire mensuel d'un ingénieur 806 806,00 8 478,73 3 668,95 2 000,00 70 000,00
Estimation du revenu mensuel d'un médecin 713 713,00 19 383,85 12 608,83 3 500,00 99 000,00
Age de l'enquêté(e) 1 000 1 000,00 42,68 17,50 18,00 90,00
Nombre de non-réponses au questionnaire 1 000 1 000,00 4,05 4,19 0,00 47,00
Age de fin d'étude 997 997,00 17,29 3,88 6,00 39,00
Revenu personnel souhaité 915 915,00 7 244,48 4 756,78 0,00 70 000,00
Estimation du revenu minimum d'une famille de 2 enfants 897 897,00 5 561,89 2 423,40 1 500,00 40 000,00
Nombre de jours de vacances en été 1 000 1 000,00 18,31 19,37 0,00 99,00
Par défaut, les statistiques contiennent deux décimales dans Excel.
11
3. Variables nominales
Les tris à plat des variables nominales apparaissent dans la feuille Excel « Variables
Nominales ». Chaque tri à plat est constitué de 4 composantes :
• Le libellé complet de la variable (60 caractères au plus).
Puis pour chaque modalité
• Effectif : L’effectif absolu de la modalité, c’est-à-dire le nombre d’individus qui ont choisi
cette modalité.
• % / Total : La part de l’effectif de la modalité dans l’ensemble des observations y compris
les données manquantes.
• % / Expr. : La part de l’effectif de la modalité dans l’ensemble des données exprimées
c’est-à-dire sans les données manquantes.
Regardez-vous la télévision ...

Effectif % / Total % / Expr.
tous les jours 419 41,90 41,90
assez souvent 226 22,60 22,60
pas très souvent 231 23,10 23,10
jamais 124 12,40 12,40
Total 1 000 100,00 100,00
Pour que la société change, faut-il ...

Effectif % / Total % / Expr.
réformes progres. 490 49,00 63,06
changements radicaux 258 25,80 33,20
ne sait pas 29 2,90 3,73
Total 777 77,70 100,00
Interprétation
Pour la variable « Regardez-vous la télévision », la part des modalités par rapport au total
est identique à la part des modalités par rapport aux données exprimées. Cette variable ne
contient pas de données manquantes. La variable suivante contient des données
manquantes et les pourcentages ne sont pas égaux.
On note que 49% des personnes interrogées pensent que, pour changer la société, il faut
des réformes progressives. Mais parmi les réponses exprimées, cette opinion est partagée
en fait par 63.06% des individus.
Par défaut, les données manquantes ne sont pas recodées : elles n’apparaissent pas dans
une modalité explicite (modifiez le paramétrage si besoin).
Dans le cas de l’utilisation d’une variable de pondération, les sorties dans Excel n’éditent que
les résultats pondérés, les sorties fournies dans l’éditeur contiennent les résultats pondérés
et non pondérés, permettant de mesurer l’impact de la pondération sur la distribution de
chaque variable.
4. Variables groupées
De façon courante dans les enquêtes, on trouve des batteries de variables admettant la
même liste de modalités : Possédez-vous (oui / non) un instrument de musique, un
ordinateur, un téléphone portable, etc. Ou encore : Etes-vous satisfait (tout à fait / un peu /
pas du tout) par la qualité du service, la rapidité de la livraison, l’accueil, etc.
12
L’option « Variables groupées » est une option d’édition (Tris édités par modalités dans le
paramétrage) qui donne les résultats (effectifs et pourcentages) d’une modalité choisie pour
chacune des variables. Cette édition peut-être triée.
Le tri par modalités concerne des variables nominales ayant les mêmes intitulés de
modalités. Par exemple des variables qui ont 2 modalités : oui et non.
Distribution de la réponse : oui

Pour les variables : Effectif % / Total % / Expr.
Possession ou usage d'une télévision couleur 373 37,30 37,41
Possession ou usage d'une machine à laver la vaisselle 211 21,10 21,10
Possédez vous des valeurs mobilières ? 121 12,10 12,10
Possédez vous des biens immobiliers ? 81 8,10 8,11
Distribution de la réponse : non

Pour les variables : Effectif % / Total % / Expr.
Possédez vous des biens immobiliers ? 918 91,80 91,89
Possédez vous des valeurs mobilières ? 879 87,90 87,90
Possession ou usage d'une machine à laver la vaisselle 789 78,90 78,90
Possession ou usage d'une télévision couleur 624 62,40 62,59
Pour chaque modalité, on obtient la liste des fréquences pour l’ensemble des variables
nominales choisies.
Le listage des résultats se compose de 4 colonnes :
• L’intitulé complet de la variable.
• Effectif : l’effectif absolu de la modalité, c’est-à-dire le nombre d’individus qui ont choisi
cette modalité.
• % / Total : la part de l’effectif de la modalité dans l’ensemble des observations y compris
les données manquantes : % / TOTAL.
• % / Expr : la part de l’effectif de la modalité dans l’ensemble des données exprimées,
c’est-à-dire sans les données manquantes.
L’interface de paramétrage permet de regrouper « à chaud » des modalités.
5. Discrétisation
Pour les variables continues, l’interface de paramétrage vous permet d’en demander soit les
« Statistiques sommaires et histogrammes », soit la discrétisation. Cette option consiste à
considérer une variable continue comme une variable nominale, chaque valeur de la variable
continue étant considérée comme une modalités. Cette option est intéressante pour détecter
les valeurs aberrantes et déterminer les bornes de découpages en classes des variables
continues. Les résultats sont dans la feuille « Variables discrétisées ». Dans l’exemple on
discrétise la variable Age.
13
Age de l'enquêté(e)
Effectif % / Total % / Expr. % Cum.
18.000000 19 1,90 1,90 1,90
19.000000 21 2,10 2,10 4,00
20.000000 15 1,50 1,50 5,50
21.000000 21 2,10 2,10 7,60
22.000000 24 2,40 2,40 10,00
23.000000 21 2,10 2,10 12,10
24.000000 29 2,90 2,90 15,00
25.000000 28 2,80 2,80 17,80
78.000000 5 0,50 0,50 97,30

79.000000 10 1,00 1,00 98,30
80.000000 5 0,50 0,50 98,80
81.000000 4 0,40 0,40 99,20
82.000000 3 0,30 0,30 99,50
83.000000 1 0,10 0,10 99,60
84.000000 2 0,20 0,20 99,80
86.000000 1 0,10 0,10 99,90
90.000000 1 0,10 0,10 100,00
Total 1 000 100,00 100,00
Pour chaque valeur de la variable, on obtient l’effectif (ou le poids si le calcul est pondéré), le
pourcentage par rapport à l’ensemble de l’échantillon ( % / Total), le pourcentage par rapport
à ceux qui ont donné une réponses (% / Expr.). La colonne % Cum donne le pourcentage
cumulé .
Dans notre exemple, 28 personnes ont 25 ans soit 2,8 % de l’échantillon et 17,8 % des
personnes ont entre 18 et 25 ans (% cum).
14
Tableaux Croisés (TABLE)
La procédure TABLE est conçue pour le calcul et l’édition massive de tableaux croisés.
Cette procédure fournit, dans un classeur Excel, l’ensemble des tableaux croisés demandés
par l’utilisateur. On peut à partir de cette procédure obtenir des tableaux de contingence, des
tableaux de moyenne ou encore des tableaux de fréquence.
Tous les tableaux croisés apparaissent dans la feuille « Tableaux croisés ».
1. Tableau de contingence
Les tableaux de contingence peuvent contenir le poids des individus de chaque case, les
pourcentages lignes et les pourcentages colonnes (optionnels). On choisit ici d’éditer ces
trois composantes dans un même tableau.
Dans cette exemple, nous croisons la variable V11 (en ligne) avec la variable V25 (en
colonne).
Les individus ont un poids uniforme et les individus présentant une donnée manquante ont
été abandonnés (option par défaut).
Les marges du tableau apparaissent par défaut.
Dans chaque case, on retrouve les trois statistiques suivantes :
• Effectifs : effectif pondéré correspondant au nombre d’individus présentant les deux
modalités croisées.
• % ligne : pour chaque case d’une ligne, il correspond à l’effectif pondéré de la case sur
l’effectif total de la ligne. Pour chaque ligne, on obtient un pourcentage ligne total de
100%.
• % colonne : pour chaque case d’une colonne, il correspond à l’effectif de la case sur
l’effectif total de la colonne. Pour chaque colonne, on obtient un pourcentage colonne
total de 100%.
En ligne Sexe de la personne interrogée

En colonne Votre travail présente-t-il des risques pour la santé ?
Effectifs
beaucoup de
% ligne peu de risques aucun risque ENSEMBLE
risques
% colonne
masculin 77 123 129 329
23,4% 37,4% 39,2% 100,0%
71,3% 64,1% 46,7% 57,1%
féminin 31 69 147 247
12,6% 27,9% 59,5% 100,0%
28,7% 35,9% 53,3% 42,9%
ENSEMBLE 108 192 276 576
18,8% 33,3% 47,9% 100,0%
100,0% 100,0% 100,0% 100,0%
Interprétation
77 hommes pensent que leur travail présente beaucoup de risque pour la santé.
15
SPAD Version 5.0 Tableaux Croisés (TABLE)
Le tableau montre également que 424 individus ont été abandonnés puisque le tableau
comptabilise 576 réponses alors que le fichier contient 1000 enquêtés.
D’après les pourcentages en ligne, on note que 23.4% des hommes qui ont répondu aux
deux questions pensent que leur travail présente beaucoup de risque pour la santé contre
seulement 12.5% chez les femmes.
De même, d’après les pourcentages en colonne, on remarque que parmi les personnes qui
pensent que leur travail présente beaucoup de risque pour la santé, il y a 71.3% d’hommes
et 28.7% de femmes.
2. Tableau de moyennes
Les tableaux de moyennes peuvent contenir le poids des individus de chaque case, la
moyenne pondérée et l’écart-type pondéré de la variable continue dans chaque case. Ces
trois composantes sont éditées dans le même tableau.
Dans cet exemple, nous souhaitons visualiser l’âge moyen en fonction du sexe et du risque
pour la santé que représente le travail. Nous croisons donc les variables V11 et V25 et nous
demandons la moyenne de la variable V37.
On a choisi de faire apparaître les données manquantes dans ce tableau (optionnel). Leur
présence n’influe pas sur les moyennes et les écarts-types mais permet d’obtenir de
l’information sur les individus qui n’ont pas répondu à la question.
Chaque case du tableau contient les trois statistiques suivantes :
• Moyenne : moyenne pondérée calculée à partir des valeurs prises sur les individus
présentant les deux modalités croisées.
• Ecart-type : ecart-type pondéré calculé à partir des valeurs prises sur les individus
• Effectif : effectif ou poids correspondant au nombre d’individus présentant les deux

Moyennes de Age de l'enquêté(e)
Moyennes
beaucoup de reponse
Ecart-type peu de risques aucun risque ENSEMBLE
risques manquante
Effectifs
masculin 38,30 38,76 38,16 54,21 43,13
11,90 12,33 12,67 21,77 17,35
77 123 129 140 469
féminin 37,52 37,57 36,71 46,83 42,28
13,82 11,97 13,41 19,67 17,61
31 69 147 284 531
ENSEMBLE 38,07 38,33 37,39 49,27 42,68
12,48 12,22 13,09 20,68 17,50
108 192 276 424 1 000
Interprétation
Sur ce tableau, on note que l’âge moyen des 147 femmes qui pensent que leur travail ne
présente aucun risque pour la santé est de 36.7 ans. Elles sont sensiblement plus jeunes
que les autres.
16
SPAD Version 5.0 Tableaux Croisés (TABLE)
La moyenne d’âge des enquêtés qui n’ont pas répondu à la question sur les risques du
travail est nettement plus élevée que celle des autres enquêtés : 54.2 ans pour les hommes
et de 46.8 ans pour les femmes. On peut supposer que ces cases contiennent notamment
des retraités et des personnes sans activité professionnelle.
3. Tableaux de fréquence
Les tableaux de fréquence peuvent contenir en plus de la fréquence, le poids des individus
de chaque case, les pourcentages lignes et les pourcentages colonnes. Toutes ces
composantes sont éditées dans le même tableau.
Dans cet exemple, nous souhaitons visualiser la fréquence du nombre de jours de vacances
en été en fonction du sexe et du risque que représente le travail pour la santé. Nous croisons
donc les variables V11 et V25 et nous demandons la fréquence de la variable V49.
On a choisi de faire apparaître les données manquantes dans ce tableau (optionnel).
Chaque case du tableau contient les quatre statistiques suivantes :
• Fréquence : somme du nombre de jours de vacances pris en été par les individus
• Effectif : effectif ou poids correspondant au nombre d’individus présentant les deux
• % ligne : pour chaque case d’une ligne, il correspond à l’effectif pondéré de la case sur
l’effectif total de la ligne. Pour chaque ligne, on obtient un pourcentage ligne total de
100%.
• % colonne : pour chaque case d’une colonne, il correspond à l’effectif de la case sur
l’effectif total de la colonne. Pour chaque colonne, on obtient un pourcentage colonne
total de 100%.

Frequences de Nombre de jours de vacances en été
beaucoup de reponse
Fréquences peu de risques aucun risque ENSEMBLE
risques manquante
Effectifs
% ligne
% colonne
masculin 1 033,0 1 981,0 1 927,0 2 894,0 7 835,0
77 123 129 140 469
13,2% 25,3% 24,6% 36,9% 100,0%
64,3% 60,2% 43,2% 32,3% 42,8%
féminin 574,0 1 308,0 2 536,0 6 058,0 10 476,0
31 69 147 284 531
5,5% 12,5% 24,2% 57,8% 100,0%
35,7% 39,8% 56,8% 67,7% 57,2%
ENSEMBLE 1 607,0 3 289,0 4 463,0 8 952,0 18 311,0
108 192 276 424 1 000
8,8% 18,0% 24,4% 48,9% 100,0%
100,0% 100,0% 100,0% 100,0% 100,0%
Interprétation
Les 77 hommes, pour lesquels le travail présente beaucoup de risques pour la santé, ont
pris en tout 1033 jours de vacances en été.
17
Caractérisation automatique d’une variable
nominale (DEMOD)
L’intérêt de cette procédure est de caractériser une variable nominale particulière en

explorant automatiquement l’ensemble des liaisons qu’elle entretient avec toutes les autres
variables du fichier, quelque soit leur type.
Elle est particulièrement adaptée en vue de réaliser un score, une segmentation ou encore
une analyse discriminante.
Cette procédure permet l’édition de nombreux tableaux de résultats dans un classeur Excel,
qui par défaut, ne sont pas tous édités.
Le tableau suivant résume les possibilités de caractérisation statistique proposées par la
procédure DEMOD.
Eléments à caractériser Eléments caractérisants
• Des groupes d’individus (définis par les modalités • Les modalités

de la variable nominale à caractériser)
• Les variables nominales
En d’autres termes, on décrit chaque modalité de la variable
à caractériser par l’ensemble des éléments caractérisants. • Les variables continues
• La variable nominale à caractériser • Les modalités

On recherche parmi tous les éléments caractérisants ceux • Les variables nominales
dont la liaison avec la variable nominale à caractériser est la
plus significative. • Les variables continues
Un groupe d’individus est défini par une modalité de la variable à caractériser. Par exemple,
les enquêtés qui ont répondu « oui » à la question « La famille est le seul endroit où l’on se
sente bien » constituent un groupe d’individus. Il y a donc autant de groupes d’individus que
de modalités dans la variable à caractériser. On parlera aussi de classe pour faire la
distinction entre cette modalité à caractériser et les modalités des variables caractérisantes.
Paramétrage de la méthode : Dans cette exemple, la variable à caractériser est la variable
V1 « La famille est le seul endroit où l’on se sent bien ? ». Toutes les autres variables du
fichier, nominales et continues, sont sélectionnées comme caractérisantes à l’exception du
coefficient de pondération (V50).
1. DEMOD-1 : Caractérisation de la variable par les variables

nominales
La caractérisation d’une variable nominale par les autres variables nominales s’appuie sur
les tableaux croisant la variable à caractériser et les autres variables. On calcule la
statistique du Khi-2 associée au croisement des deux variables et la probabilité de dépasser
la valeur calculée (test du Khi-2). On associe une valeur-test à cette probabilité. La valeur-
test est la valeur de la loi normale centrée réduite qui a la même probabilité d’être dépassée.
18
SPAD Version 5.0 Caractérisation automatique d’une variable nominale (DEMOD)
Le paramètre Nominales caractéristiques ordonnées par valeurs-tests permet de lister les

variables nominales par ordre décroissant des valeurs-tests associées (les variables les plus
caractéristiques sont en tête). Sinon, elles seront listées dans l’ordre d’apparition dans le
fichier de base.
Le tableau ci-après permet d’évaluer les liaisons entre la variable nominale à décrire et les
autres variables nominales.
Ce tableau est constitué de 6 colonnes :
• Libellé de la variable : libellé complet de chacune des variables nominales.
• Khi-2 : statistique du Khi-2 associée au croisement de deux variables nominales.
• Nb. de degrés de liberté : le nombre de degrés de liberté de la loi du Khi-2 résulte de la
formule suivante : ( ! -1 ) * ( c-1 ) où ! et c sont les nombres de modalités de la variable
caractérisante et de la variable nominale à décrire (y compris les modalités formées par
les réponses manquantes).
• Effectifs théoriques inférieurs à 5 : nombre de cases du tableau comportant un effectif
théorique inférieur à 5 (l’effectif théorique est l’effectif que l’on aurait eu en cas
d’indépendance entre les 2 variables).
• Valeur-test : valeur-test associée à chaque variable nominale caractérisante.
• Probabilité : probabilité relative au test du Khi-2.
Le tableau suivant a été tronqué.

Caractérisation par les questions de la variable
La famille est le seul endroit oú l'on se sente bien
Effectifs
Nb. de degrés Valeur-
Libellé de la variable Khi-2 théoriques Probabilité
de liberté Test
inférieur à 5
La famille est le seul endroit oú l'on se sente bien 2000,00 4 5 99,99 0,000
Opinion à propos du mariage 323,75 8 7 99,99 0,000
La mère au foyer est un mode de garde ... 235,18 10 7 99,99 0,000
Diplôme de l'enquêté(e) en 5 classes 167,66 8 5 11,74 0,000
Diplôme d'enseignement général le plus élevé obtenu 177,89 12 9 11,65 0,000
Etes-vous gêné par les bruits ? 138,33 6 6 10,78 0,000
Taille d'agglomération (en nombre d'habitants) 135,22 8 5 10,34 0,000
Regardez-vous la télévision ... 125,55 6 4 10,19 0,000
Age de l'enquêté(e) en 5 classes 127,77 8 5 9,99 0,000
Age et sexe de l'enquêteur 84,47 6 4 8,05 0,000
La crèche est un mode de garde ... 91,43 10 8 7,81 0,000
…
Interprétation
La première ligne du tableau correspond au croisement de la variable nominale avec elle-
même. Les lignes suivantes indiquent que de toutes les variables, c’est l’opinion à propos du
mariage qui est la plus liée avec la variable à caractériser. On trouve ensuite l’opinion sur le
mode de garde de la mère au foyer. Les valeurs-tests associées à ces deux variables sont
maximales (99.99).
Les résultats de ces tests sont à prendre avec précaution. Les tableaux croisant la variable
nominale à décrire avec les deux variables précédentes comportent 7 cases d’effectifs
théoriques inférieurs à 5. On pourra vérifier avec l’édition des tableaux qu’il s’agit des cases
définies par les données manquantes.
19
La caractérisation d’une variable nominale par les variables nominales permet d’obtenir
l’édition de tableaux de contingence édités dans la feuille Excel intitulée DEMOD-2.
2. DEMOD-2 : Tableaux croisant la variable à décrire avec les

variables nominales
Dans l’onglet de paramétrage, il existe cinq items permettant de commander l’édition de ces
tableaux :
L’item Non spécifie qu’aucun tableau ne sera édité (option par défaut).
L’item Tous dans l’ordre initial permet d’éditer tous les tableaux croisés dans l’ordre des
variables nominales sur le fichier de base.
L’item Tous dans l’ordre des valeurs-tests permet d’éditer ces tableaux dans l’ordre des
valeurs-tests décroissantes, c’est-à-dire du plus caractéristique au moins caractéristique.
L’item Nombre (50 par défaut) fixe le nombre de tableaux croisés retenus. Les tableaux
édités seront ceux dont la valeur-test associée est la plus élevée.
L’item Seuil donne en pourcentage le seuil de probabilité (1% par défaut) au-dessous duquel
les tableaux seront édités.
Le tableau suivant est un exemple de tableau croisé entre la variable nominale à décrire « La
famille est le seul endroit où l’on se sente bien) et une variable nominale caractérisante
« Opinion sur le mariage ».
Opinion à propos du mariage
Effectif
*Reponse
% en ligne oui non Ensemble
manquante*
% en colonne
196 33 2 231
union indissoluble 84,8 14,3 0,9 100,0
34,9 7,7 25,0 23,1
226 114 2 342
dissout si pb. grave 66,1 33,3 0,6 100,0
40,3 26,5 25,0 34,2
127 259 1 387
dissout si accord 32,8 66,9 0,3 100,0
22,6 60,1 12,5 38,7
12 25 2 39
ne sait pas 30,8 64,1 5,1 100,0
2,1 5,8 25,0 3,9
0 0 1 1
*Reponse manquante* 0,0 0,0 100,0 100,0
0,0 0,0 12,5 0,1
561 431 8 1000
Ensemble 56,1 43,1 0,8 100,0
100,0 100,0 100,0 100,0
Ce tableau donne les pourcentage lignes et colonnes ainsi que l’effectif de chaque case. Cet
effectif est la somme des poids des individus de la case quand les individus ont des poids
différents. Les pourcentages sont calculés sur les poids des individus des cases (cf. page
15).
Interprétation
20
On lit dans ce tableau qu’il existe une sur-représentation des enquêtés pensant que l’union
est indissoluble parmi ceux qui pensent que la famille est le seul endroit où l’on se sent bien
(34.9% contre 23.1% dans la population). D’autre part, les enquêtés estimant que le mariage
doit être dissous en cas d’accord entre les deux parties sont nettement sous-représentés
(22.6% contre 38.7% dans la population).
3. DEMOD-3 : Caractérisation d’un groupe d’individus par les

variables nominales
Pour caractériser un groupe d’individus par les variables nominales on procède de la
manière suivante. On compare, à l’aide de la statistique du Khi-2, le profil de la variable dans
le groupe d’individus au profil global de la variable dans la population. A la probabilité critique
relative au test, on associe une valeur-test. Celle-ci est le fractile de la loi normale centrée
réduite correspondant à cette probabilité.
Les variables nominales sont ensuite rangées par ordre décroissant des valeurs-tests. Plus
la valeur-test est grande, plus la variable nominale est caractéristique du groupe d’individus.
Trois modes d’édition sont proposés dans les paramètres :
• L’item Toutes permet de lister l’ensemble des variables nominales caractérisantes dans
l’ordre des valeurs-tests décroissantes, c’est-à-dire de la plus caractéristique à la moins
caractéristique.
• L’item Nombre (50 par défaut) fixe le nombre de variables nominales à éditer pour
chacune des modalités à caractériser. Ce sont les variables dont la valeur-test est la plus
élevée (en valeur absolue).
• L’item Seuil (paramètre choisi dans l’exemple) fixe le seuil de probabilité en pourcentage
(1% par défaut) au-dessous duquel les variables nominales sont éditées. Cela
correspond à une valeur-test supérieure à 2.32 en valeur absolue. Pour allonger la liste
des variables à éditer, il suffit d’augmenter ce seuil (2% par exemple).
Le tableau ci-après est constitué de 5 colonnes :

• Variables caractéristiques : libellé complet de la variable nominale caractérisante.
• Khi-2 : il s’agit de la valeur de la statistique du Khi-2 associée au test de comparaison
des deux profils. Cette statistique du Khi-2 dépend du poids des individus.
• Nb. de degrés de liberté : cette colonne donne le nombre de degrés de liberté de la loi
du Khi-2. Ce nombre s’obtient en prenant le nombre de modalités de la variable nominale
caractérisante (y compris la modalité formée par les éventuelles réponses manquantes)
moins un.
• Valeur-test : cette colonne indique la valeur-test associée à chacune des variables.
• Probabilité : cette colonne donne la probabilité associée à la statistique du Khi-2.
La première ligne du tableau donne le libellé de la modalité à caractériser, ainsi que l’effectif
et le poids des individus dans cette modalité.
Dans cet exemple, nous présentons uniquement les résultats de la modalité Oui. Rappelons
que la variable à caractériser est la variable V1 « La famille est le seul endroit où l’on se sent
bien ? ».
21
Caractérisation par les questions des modalités de la variable

oui (Poids = 561.000 Effectif = 561 )
Nb. de degrés Valeur-
Variables caractéristiques Khi-2 Probabilité
de liberté Test
La famille est le seul endroit oú l'on se sente bien 439,00 2 99,99 0,000
Opinion à propos du mariage 82,52 4 8,30 0,000
Diplôme de l'enquêté(e) en 5 classes 70,06 4 7,55 0,000
Diplôme d'enseignement général le plus élevé obtenu 74,54 6 7,45 0,000
Taille d'agglomération (en nombre d'habitants) 56,77 4 6,66 0,000
Regardez-vous la télévision ... 50,66 3 6,44 0,000
Age de l'enquêté(e) en 5 classes 51,72 4 6,29 0,000
La mère au foyer est un mode de garde ... 42,99 5 5,38 0,000
Age et sexe de l'enquêteur 36,94 3 5,34 0,000
Heure de coucher 39,75 6 4,89 0,000
Parcipation à une action de défense de l'environnement 15,24 1 3,73 0,000
Statut d'occupation du logement en 4 classes 19,99 3 3,58 0,000
Type d'emploi 21,97 4 3,54 0,000
La préservation de l'environnement est une chose ... 21,51 4 3,48 0,000
Vous arrive-t-il d'inviter des amis à déjeuner ? 16,27 2 3,44 0,000
Statut d'occupation du logement 21,00 4 3,42 0,000
Avez-vous des conflits (travail et vie personnelle) ? 13,45 2 3,04 0,001
Profession de l'enquêté(e) en 7 classes 23,24 7 2,96 0,002
L'enquêté(e) s'est-il (elle) montré(e) intéressé(e) ? 14,12 3 2,78 0,003
Possession ou usage d'une télévision couleur 11,59 2 2,74 0,003
Interprétation
La première variable de ce tableau est la variable de la modalité à caractériser. Sa valeur-
test est très grande. Elle est ramenée à un seuil maximal 99.99. Ceci est dû au fait que la
modalité à caractériser appartient à cette variable.
La variable sur l’opinion à propos du mariage est celle dont le profil dans la classe est le plus
différent du profil global dans l’échantillon. C’est la variable nominale qui a la plus grande
valeur-test. Cela signifie que les personnes qui pensent que la famille est le seul endroit où
l’on se sente bien n’ont pas la même opinion à propos du mariage que l’ensemble des
enquêtés de l’échantillon.
4. DEMOD-4 : Caractérisation d’une variable nominale par les

modalités
On compare, pour chaque modalité caractérisante, le profil global de la variable à
caractériser au profil de cette variable pour les individus de la modalité. Cette comparaison
est effectuée à l’aide de la statistique du Khi-2. On associe une valeur-test à la probabilité
associée à la statistique du Khi-2 et on range les modalités par ordre décroissant des
valeurs-tests. La valeur-test est le fractile de la loi normale centrée réduite correspondant à
cette probabilité.
L’édition des modalités les plus caractéristiques suit la même logique que dans le cas de la
caractérisation par les variables nominales. Trois items sont proposés : Toutes, Nombre et
Seuil (option choisie dans l’exemple).
Le tableau suivant liste les modalités qui caractérisent le plus la variable nominale « La
famille est le seul endroit où l’on se sente bien ». Afin de limiter la longueur de ce tableau, on
ne publie ici que les modalités dont la valeur-test est supérieure à 5.

• Libellé des variables : libellé complet de la variable.
• Modalités caractérisantes : libellé complet de la modalité caractérisante.
22
• Khi-2 : statistique du Khi-2 associée au test de comparaison des deux profils.

La statistique du Khi-2 est calculée avec les poids des individus. Lorsque les individus
ont un poids uniforme, on utilise les effectifs.
• Valeur-test : valeur-test de chacune des modalités caractérisantes.
• Probabilité : probabilité associée à la statistique du Khi-2.
• Poids : poids des individus de la modalité caractérisante.
Tous les Khi-2 du tableau ont 2 degrés de liberté. En effet la variable « La famille est le seul
endroit où l’on se sente bien » possède deux modalités (« oui » et « non »), et les réponses
manquantes forment une troisième modalité.
Caractérisation par les modalités de la variable

Modalités Valeur-
Libellé des variables Khi-2 Probabilité Poids
caractéristiques Test
La famille est le seul endroit oú l'on se sente bien non 569,00 99,99 0,000 431,00
La famille est le seul endroit oú l'on se sente bien oui 439,00 99,99 0,000 561,00
Opinion à propos du mariage dissout si accord 89,79 9,14 0,000 387,00
Opinion à propos du mariage union indissoluble 78,54 8,51 0,000 231,00
Taille d'agglomération (en nombre d'habitants) Paris 70,26 8,01 0,000 326,00
Diplôme d'enseignement général le plus élevé obtenu université,gde école 63,09 7,56 0,000 142,00
Diplôme de l'enquêté(e) en 5 classes Université,gde école 61,19 7,44 0,000 150,00
Regardez-vous la télévision ... tous les jours 59,22 7,31 0,000 419,00
Age de l'enquêté(e) en 5 classes 65 ans et plus 43,08 6,13 0,000 169,00
Age et sexe de l'enquêteur femme plus 38 ans 41,10 5,97 0,000 338,00
Diplôme d'enseignement général le plus élevé obtenu baccalauréat (1/2) 40,69 5,94 0,000 162,00
Age de l'enquêté(e) en 5 classes Moins de 25 ans 40,35 5,91 0,000 150,00
Taille d'agglomération (en nombre d'habitants) moins de 2.000 39,59 5,85 0,000 83,00
La mère au foyer est un mode de garde ... assez satisfaisant 37,61 5,68 0,000 129,00
Diplôme d'enseignement général le plus élevé obtenu aucun 35,88 5,53 0,000 189,00
Diplôme de l'enquêté(e) en 5 classes Aucun 35,88 5,53 0,000 189,00
Diplôme de l'enquêté(e) en 5 classes CEP ou fin études 35,49 5,49 0,000 321,00
Diplôme d'enseignement général le plus élevé obtenu CEP ou fin études 35,49 5,49 0,000 321,00
Nombre d'enfants considéré comme idéal aucun 35,36 5,48 0,000 51,00
Regardez-vous la télévision ... jamais 34,88 5,44 0,000 124,00
Diplôme de l'enquêté(e) en 5 classes Bac - Brevet sup. 33,31 5,30 0,000 182,00
Parcipation à une action de défense de l'environnement oui 30,67 5,05 0,000 126,00
Interprétation
Les deux premières lignes du tableau concernent les propres modalités de la variable à
caractériser. Ce sont bien sûr les plus caractéristiques (valeurs-tests bornées à la valeur
maximale 99.9).
Les modalités « dissous si accord » et « union indissoluble » de la variable « Opinion à
propos du mariage » sont ensuite les modalités qui caractérisent le plus la variable « La
famille est le seule endroit où l’on se sente bien ».

modalités (Tri par valeurs-tests)
On recherche les modalités des variables caractérisantes (par exemple le sexe de la
personne interrogée) qui caractérisent le plus la modalité à décrire (par exemple le groupe
des individus qui ont répondu « oui » à la question sur la famille). On examine par exemple
s’il y a une sur-représentation des hommes chez les enquêtés qui ont répondu « oui » à la
question sur la famille.
23
Il s’agit d’évaluer l’écart entre le pourcentage de la modalité caractérisante dans la classe

(i.e. la modalité à caractériser) et le pourcentage de cette modalité dans la population
globale. Pour chacune des modalités des variables nominales, le logiciel calcule la
probabilité d’observer un écart au moins aussi grand que celui qui s’est réalisé, dans
l’hypothèse où la modalité serait distribuée dans la classe comme dans la population. Cette
probabilité évalue en quelque sorte l’importance de l’écart entre les deux pourcentages. Plus
la probabilité est faible, plus l’écart est jugé significatif et plus la valeur-test associée à cette
probabilité est forte (la valeur-test est le fractile de la loi normale correspondant à la même
probabilité).
Dans le menu Options, on trouve les deux paramètres suivants : le Poids relatif minimal
d’une modalité et les Modalités conservées.
Le paramètre Poids relatif minimal d’une modalité permet d’écarter de l’édition les modalités
dont le poids en pourcentage est jugé trop faible (2% par défaut). Seules les modalités dont
le poids est supérieur à ce pourcentage seront utilisables. Si l’on choisit le paramètre
Pourcentage de la modalité dans le groupe comme critère de tri des modalités, cette option
ne s’applique pas.
L’item Si sur-représentées du paramètre Modalités conservées permet de ne retenir que les
modalités dont le pourcentage dans le groupe est plus élevé que le pourcentage dans la
population totale. L’item Si sur ou sous-représentées (item choisi ici) permet de retenir les
modalités sur et sous-représentées. En effet, les modalités rares d’un groupe peuvent avoir
de l’intérêt : on caractérise le groupe par les items qui y sont sous-représentés.
Le tableau donnant la caractérisation d’un groupe d’individus par les modalités varie selon le
critère de tri et de sélection des modalités adopté dans le paramétrage. Lors du
paramétrage, il convient de choisir l’un des critères de tri suivants : Valeur-test, Pourcentage
de la modalité dans le groupe (Sortie DEMOD-6) ou Pourcentage du groupe dans la
modalité (Sortie (DEMOD-7).
Le paramètre Valeur-test permet d’éditer les modalités caractéristiques les plus marquantes
pour chaque modalité de la variable nominale à caractériser. Par défaut, le logiciel
sélectionne les modalités dont la valeur-test est supérieure à 2 en valeur absolue (seuil de
1% ou probabilité critique 0.01).
Ce tableau se décompose en 8 colonnes :

• Libellé de la variable : libellé complet de la variable dont la modalité caractérisante est
issue.
• Modalité caractérisante : libellé complet de la modalité caractérisante.
• % de la modalité dans la classe : équivaut à l’effectif de la modalité dans la classe
divisé par l’effectif de la classe.
• % de la modalité dans l’échantillon : équivaut à l’effectif de la modalité dans la
population globale divisé par l’effectif de l’ensemble de la population.
• % de la classe dans la modalité : équivaut à l’effectif de la modalité dans la classe
divisé par l’effectif de la modalité dans la population globale.
Les effectifs sont des poids si les individus sont pondérés.
En réalité, les pourcentages précédents sont calculés à partir du poids des individus. Les
résultats seront différents si le poids des individus est uniforme (comme c’est le cas ici)
ou si les individus ont des poids différents.
• Valeur-test : cette colonne donne la valeur-test associée à chacune des modalités.
24
Lorsque la valeur-test est positive, cela signifie que la modalité est sur-représentée dans
la classe. La modalité est sous-représentée si la valeur-test est négative. Si la variable
caractérisante a seulement 2 modalités et pas de données manquantes, les valeurs-tests
associées sont opposées et égales en valeur absolue.
• Probabilité : cette colonne donne la probabilité associée à la valeur-test.
• Poids : il s’agit du poids des individus dans la modalité caractérisante : effectif si le poids
des individus est uniforme (comme c’est le cas ici) et somme des poids des individus si
ceux-ci ont des poids différents.
Les modalités caractérisantes sont rangées par valeur-test décroissante (option par défaut).
Les modalités les plus caractéristiques pour lesquelles la valeur-test est la plus grande (et où
la probabilité est la plus faible) seront éditées en premier (pour réduire l’encombrement,
seules les modalités dont la valeur-test est supérieure à 6 en valeur absolue ont été
conservées).
Caractérisation par les modalités des classes de la variable

Classe: oui (Effectif: 561 - Pourcentage: 56.10)
% de la % de la % de la classe
Modalités Valeur-
Libellés des variables modalité dans modalité dans dans la Probabilité Poids
la classe l'échantillon modalité
La famille est le seul endroit oú l'on se sente bien oui 100,00 56,10 100,00 36,81 0,000 561
Opinion à propos du mariage union indissoluble 34,94 23,10 84,85 10,44 0,000 231
Regardez-vous la télévision ... tous les jours 55,79 41,90 74,70 10,15 0,000 419
La mère au foyer est un mode de garde ... très satisfaisant 89,48 78,60 63,87 9,46 0,000 786
Age et sexe de l'enquêteur femme plus 38 ans 44,21 33,80 73,37 7,92 0,000 338
Diplôme d'enseignement général le plus élevé obtenu CEP ou fin études 41,53 32,10 72,59 7,26 0,000 321
Diplôme de l'enquêté(e) en 5 classes CEP ou fin études 41,53 32,10 72,59 7,26 0,000 321
Age de l'enquêté(e) en 5 classes 65 ans et plus 24,06 16,90 79,88 6,99 0,000 169
Taille d'agglomération (en nombre d'habitants) moins de 2.000 13,37 8,30 90,36 6,97 0,000 83
Diplôme d'enseignement général le plus élevé obtenu aucun 25,85 18,90 76,72 6,43 0,000 189
Diplôme de l'enquêté(e) en 5 classes Aucun 25,85 18,90 76,72 6,43 0,000 189
Diplôme de l'enquêté(e) en 5 classes Bac - Brevet sup. 11,41 18,20 35,16 -6,20 0,000 182
Statut d'occupation du logement locataire 43,49 52,30 46,65 -6,26 0,000 523
Statut d'occupation du logement en 4 classes locataire 43,49 52,30 46,65 -6,26 0,000 523
La mère au foyer est un mode de garde ... assez satisfaisant 6,77 12,90 29,46 -6,45 0,000 129
Age de l'enquêté(e) en 5 classes Moins de 25 ans 8,38 15,00 31,33 -6,55 0,000 150
Diplôme d'enseignement général le plus élevé obtenu baccalauréat (1/2) 9,09 16,20 31,48 -6,82 0,000 162
La préservation de l'environnement est une chose ... très importante 56,51 65,70 48,25 -6,94 0,000 657
Age et sexe de l'enquêteur femme moins 39 ans 42,60 52,60 45,44 -7,13 0,000 526
Diplôme de l'enquêté(e) en 5 classes Université,gde école 6,77 15,00 25,33 -8,20 0,000 150
Diplôme d'enseignement général le plus élevé obtenu université,gde école 6,06 14,20 23,94 -8,32 0,000 142
Taille d'agglomération (en nombre d'habitants) Paris 19,25 32,60 33,13 -10,15 0,000 326
Opinion à propos du mariage dissout si accord 22,64 38,70 32,82 -11,81 0,000 387
La famille est le seul endroit oú l'on se sente bien non 0,00 43,10 0,00 -35,71 0,000 431
Profession de l'enquêté(e) (ou dernière exercée) salarié agricole 0,00 0,00 0,00 -99,99 0,000 0
Age et sexe de l'enquêteur inconnu 0,00 0,00 0,00 -99,99 0,000 0
Interprétation
Tout d’abord, on s’intéresse aux modalités sur-représentées dans le groupe d’individus
définis par la modalité « oui » de la question sur la famille.
La modalité qui caractérise le mieux ce groupe d’individus est la modalité à caractériser elle-
même. La valeur-test associée fixe la limite supérieure de toute valeur-test dans le contexte
de cette variable.
On note que la modalité « union indissoluble » de la variable « Opinion à propos du
mariage » est celle qui caractérise le mieux la variable à décrire (valeur-test la plus élevée).
Parmi les enquêtés qui pensent que la famille est le seul endroit où l’on se sente bien, 34.9%
(% de la modalité dans la classe) pensent que l’union est indissoluble. Seulement 23.1% de
l’échantillon (% de la modalité dans l’échantillon) a cette opinion à propos du mariage. De
plus, 84.8% (% de la classe dans la modalité ) des enquêtés qui pensent que le mariage est
indissoluble se trouvent dans cette classe.
25
Si l’on regarde les modalités des variables caractérisantes qui sont sous-représentées, on
remarque que celle qui caractérise le mieux la modalité à décrire (valeur-test la plus
négative) est la modalité « dissous si accord » de la question sur l’opinion à propos du
mariage. Seulement 22.6% des enquêtés estimant que la famille est le seul endroit où l’on
se sente bien pensent que le mariage doit être dissous si accord contre 38.7% dans
l’échantillon interrogé (Valeur-test = -11.81).

modalités (Tri par % de la modalité dans le groupe)
Cette sortie est en tout point identique à la sortie DEMOD-5 à l’exception du mode de tri des
modalités caractérisantes.
Le paramètre Pourcentage de la modalité dans le groupe permet de lister les modalités les
plus consensuelles de la classe. Ce sont les modalités qui, parmi les modalités
caractéristiques, sont les mieux représentées dans la classe (recouvrement maximum de la
classe).
Une façon de typer un groupe d’individus est en effet de regarder les modalités les plus
fréquentes dans la classe (pourcentage de la modalité dans la classe). En effet, si tous les
individus d’un groupe possèdent une certaine modalité, on peut s’attendre à ce que cette
modalité soit une caractéristique de ce groupe. On liste les modalités par ordre décroissant
de leur importance dans le groupe d’individus à décrire.
On prendra garde cependant qu’une modalité peut être très fréquente dans un groupe
d’individus sans pour autant être caractéristique de ce groupe. Une modalité qui est
possédée par 90% de la population globale et par 90% du groupe considéré n’est
évidemment pas caractéristique du groupe. C’est pourquoi il convient de se restreindre aux
modalités déclarées caractéristiques au vu du critère de la valeur-test (celles qui ont par
exemple une valeur-test supérieure à 2 en valeur absolue).
issue.
• % de la modalité dans la classe : équivaut à l’effectif de la modalité dans la classe
divisé par l’effectif de la classe.
• % de la modalité dans l’échantillon : équivaut à l’effectif de la modalité dans la
population globale divisé par l’effectif de l’ensemble de la population.
En réalité, les pourcentages précédents sont calculés à partir du poids des individus. Les
résultats seront différents si le poids des individus est uniforme (comme c’est le cas ici)
ou si les individus ont des poids différents.
26
On s’est limité aux modalités dont le pourcentage dans la classe est supérieur à 50%.
La classe: oui (Effectif: 561 - Pourcentage: 56.10) contient ...
% de la % de la
Modalités Valeur-
Libellés des variables modalité dans modalité dans Probabilité Poids
la classe l'échantillon
La famille est le seul endroit oú l'on se sente bien oui 100,00 56,10 36,81 0,000 561
Parcipation à une action de défense de l'environnement non 92,87 87,40 5,80 0,000 874
Possédez vous des biens immobiliers ? non 92,87 91,80 1,28 0,101 918
Faites-vous partie d'une association confessionnelle ? non 92,34 93,10 -0,95 0,170 931
La mère au foyer est un mode de garde ... très satisfaisant 89,48 78,60 9,46 0,000 786
A souffert d'état dépressif ces quatre dernières semaines : non 89,30 87,40 1,95 0,026 874
Possédez vous des valeurs mobilières ? non 88,24 87,90 0,27 0,393 879
Possession ou usage d'une machine à laver la vaisselle non 78,97 78,90 0,02 0,493 789
A souffert de nervosité ces quatre dernières semaines : non 76,47 72,60 3,02 0,001 726
La société francaise a-t-elle besoin de se transformer ? oui 71,30 75,90 -3,80 0,000 759
Etes-vous gêné par les bruits ? pas du tout 65,24 60,60 3,33 0,000 606
Comparée aux personnes de votre âge, votre santé est ... satisfaisante 62,39 60,00 1,68 0,047 600
La vue sur l'extérieur vous plaît-elle ? beaucoup 57,22 51,60 3,96 0,000 516
La préservation de l'environnement est une chose ... très importante 56,51 65,70 -6,94 0,000 657
Regardez-vous la télévision ... tous les jours 55,79 41,90 10,15 0,000 419
Possession ou usage d'une télévision couleur non 55,44 62,40 -5,10 0,000 624
A qui incombent les travaux ménagers et les soins enfants ? homme et femme 55,08 59,90 -3,46 0,000 599
L'enquêté(e) s'est-il (elle) montré(e) intéressé(e) ? assez 55,08 54,20 0,57 0,285 542
Opinion sur le cadre de vie quotidien satisfait 54,19 54,90 -0,45 0,328 549
Vous arrive-t-il d'inviter des amis à déjeuner ? souvent 52,76 60,60 -5,71 0,000 606
Les découvertes scientifiques améliorent-elles la vie ? oui, un peu 52,23 50,90 0,89 0,188 509
Sexe de la personne interrogée féminin 51,34 53,10 -1,20 0,115 531
Vous imposez-vous régulièrement des restrictions ? oui 51,34 56,90 -3,96 0,000 569
Appartenance à au moins une association non 50,62 46,40 2,97 0,002 464
Les dépenses de logement sont pour vous ... pas de gros problème 50,45 44,40 4,30 0,000 444
Interprétation
On compare la colonne % de la modalité dans la classe avec la colonne % de la modalité
dans l’échantillon.
Le groupe d’individus à caractériser est constitué des enquêtés qui ont répondu « oui » à la
question sur la famille (la première ligne du tableau indique que 100% des individus de ce
groupe ont répondu « oui » à cette question).
La seconde ligne du tableau se lit de la façon suivante. Il y a 92.9% des individus du groupe
ont répondu « non » à la question « Participation à une action de défense de
l’environnement » alors qu’on en trouve en moyenne seulement 87.4% dans l’ensemble de
la population. C’est la modalité la plus consensuelle. La valeur-test de 5.80 associée à cette
variable mesure de l’importance de cet écart entre les pourcentages.

modalités (Tri par % du groupe dans la modalité)
Cette sortie est en tout point identique aux deux sorties précédentes (DEMOD-5 et DEMOD-
6) à l’exception du mode de tri des modalités caractérisantes.
Le paramètre Pourcentage du groupe dans la modalité permet de lister les modalités les plus
exclusives de la classe. Ce sont les modalités qui, parmi les modalités caractéristiques, sont
essentiellement dans cette classe et peu dans les autres (débordement minimum hors de la
classe).
Une façon de typer un groupe d’individus est de regarder les modalités qui sont bien
représentées dans le groupe et peu en dehors de ce groupe : ce sont les exclusivités de la
classe. On liste les modalités par ordre décroissant de leur degré d’exclusivité : le
pourcentage de la classe dans la modalité.
27
Il n’est pas suffisant qu’une modalité soit majoritaire dans un groupe d’individus (donc
minoritaire à l’extérieur) pour être une exclusivité caractéristique de ce groupe. Avec par
exemple seulement 40% dans le groupe d’individus, la modalité peut être caractéristique de
ce groupe lorsque les 60% restant sont dispersés au hasard dans 3 autres groupes à raison
de 20% par groupe. C’est pourquoi, dans le tableau suivant, on se restreint aux modalités
caractéristiques, sélectionnées par les valeurs-tests. Elles permettent de contrôler
l’importance de la modalité correspondante pour caractériser la classe.
issue.
• % de la classe dans la modalité : équivaut à l’effectif de la modalité dans la classe
divisé par l’effectif de la modalité dans la population globale.
Le tableau suivant donne les modalités des variables caractérisantes dont la part dans le
groupe est supérieure à 70% (% de la classe dans la modalité). On s’est également limité
aux modalités dont la valeur-test est supérieure à 2 (seuil de 1%).
Caractérisation par les modalités des classes de la variable

Appartiennent à la classe: oui (Effectif: 561 - Pourcentage: 56.10)
% de la classe
Modalités Valeur-
Libellés des variables dans la Probabilité Poids
modalité
La famille est le seul endroit oú l'on se sente bien oui 100,00 36,81 0,000 561
Profession de l'enquêté(e) (ou dernière exercée) exploitant agricole 90,63 4,11 0,000 32
Taille d'agglomération (en nombre d'habitants) moins de 2.000 90,36 6,97 0,000 83
Age et sexe de l'enquêteur homme plus 38 ans 85,71 3,61 0,000 35
Heure de coucher 21h. ou avant 84,93 5,31 0,000 73
Opinion à propos du mariage union indissoluble 84,85 10,44 0,000 231
A qui incombent les travaux ménagers et les soins enfants ? incombent à la femme 83,33 3,64 0,000 42
Age de l'enquêté(e) en 5 classes 65 ans et plus 79,88 6,99 0,000 169
La préservation de l'environnement est une chose ... peu importante 77,78 2,57 0,005 36
Type d'emploi Autres 77,08 2,93 0,002 48
Diplôme d'enseignement général le plus élevé obtenu aucun 76,72 6,43 0,000 189
Diplôme de l'enquêté(e) en 5 classes Aucun 76,72 6,43 0,000 189
Vous arrive-t-il d'inviter des amis à déjeuner ? jamais 75,00 4,46 0,000 120
Regardez-vous la télévision ... tous les jours 74,70 10,15 0,000 419
Profession de l'enquêté(e) (ou dernière exercée) ouvrier spécialisé 74,49 3,84 0,000 98
Age et sexe de l'enquêteur femme plus 38 ans 73,37 7,92 0,000 338
Profession de l'enquêté(e) en 7 classes ex. agr.-art-commer 72,63 3,37 0,000 95
Diplôme de l'enquêté(e) en 5 classes CEP ou fin études 72,59 7,26 0,000 321
Diplôme d'enseignement général le plus élevé obtenu CEP ou fin études 72,59 7,26 0,000 321
Statut d'occupation du logement propriétaire 70,69 5,95 0,000 290
Statut d'occupation du logement en 4 classes propriétaire 70,69 5,95 0,000 290
Evolution du niveau de vie des français depuis 10 ans beaucoup mieux 70,51 2,59 0,005 78
La crèche est un mode de garde ... ne sait pas 70,50 3,65 0,000 139
La préservation de l'environnement est une chose ... assez importante 70,47 5,97 0,000 298
Taille d'agglomération (en nombre d'habitants) 2.000 - 20.000 70,11 2,68 0,004 87
28
Interprétation
On note sur la première ligne que 100% des enquêtés qui ont répondu « oui » à la question
sur la famille se trouvent dans cette classe puisque le groupe est constitué par les individus
qui ont choisi la modalité « oui » à cette question.
La seconde ligne du tableau se lit de la façon suivante. 90.6% des enquêtés exploitants
agricoles sont rassemblés dans cette classe. Les autres sont répartis en dehors de la classe.
C’est la modalité la plus exclusive. La valeur-test 4.11 permet de juger de l’intérêt de cette
profession pour caractériser cette classe.
On lit sur la sixième ligne du tableau que 84.8% des individus qui ont choisi l’item « union
indissoluble » à la question « opinion sur le mariage » sont rassemblés dans le groupe
d’individus. Les autres sont répartis en dehors de ce groupe. La valeur-test 10.44 montre
l’intérêt de cet item pour caractériser le groupe (plus caractéristique bien que moins exclusive
que la précédente).
8. DEMOD-11 : Caractérisation d’une variable nominale par les

variables continues
Pour chaque variable continue caractérisante, on calcule la statistique de Fisher associée à
l’analyse de la variance où la variable continue est la variable à expliquer et la variable
nominale à décrire est le facteur. Pour chacune de ces statistiques de Fisher, on calcule la
probabilité associée. La valeur-test est la valeur de la loi normale centrée réduite qui a la
même probabilité d’être dépassée. L’analyse de la variance où la variable continue est « la
mieux prévisible » à l’aide du facteur correspond à celle où la statistique de Fisher est la plus
significative.
Le paramètre Continues ordonnées par valeur-test décroissante permet de lister les
variables continues caractérisantes par ordre décroissant des valeurs-tests associées (c’est-
à-dire, les plus caractéristiques en tête). Sinon, elles sont listées dans l’ordre d’apparition
dans le fichier de base.
Le tableau est constitué de 5 colonnes :

• Libellé de la variable : numéro, libellé complet et abrégé de chaque variable continue.
• Fisher : statistique de Fisher associée à l’analyse de la variance où la variable à
expliquer est la variable continue caractérisante et le facteur est la variable nominale à
caractériser.
• Nb. de degrés de liberté : cette colonne indique le nombre de degrés de liberté du
dénominateur. Ce nombre correspond au second paramètre de la loi de Fisher. Il s’agit
du nombre d’individus qui se sont exprimés sur la variable continue moins le nombre de
modalités de la variable nominale à décrire (y compris la modalité formée par les
réponses manquantes).
• Valeur-test : valeur-test associée à chaque variable continue.
• Probabilité : probabilité associée à la statistique de Fisher.
Le tableau suivant liste les variables continues les plus caractéristiques de la variable
nominale à décrire, ici « La famille est le seule endroit où l’on ses sente bien ».
29
Caractérisation par les variables continues de la variable

Nb. de degrés
Libellé de la variable Fisher Valeur-Test Probabilité
de liberté
Age de fin d'étude 96,13 994 13,00 0,000
Age de l'enquêté(e) 67,91 997 10,99 0,000
Nombre de non-réponses au questionnaire 35,65 997 7,93 0,000
Nombre de jours de vacances en été 20,88 997 5,96 0,000
Estimation du revenu minimum d'une famille de 2 enfants 14,81 894 4,91 0,000
Revenu personnel souhaité 14,12 912 4,78 0,000
Estimation du salaire mensuel d'un ingénieur 1,32 803 0,63 0,264
Estimation du revenu mensuel d'un médecin 1,31 710 0,62 0,266
Le premier paramètre de la loi de Fisher (numérateur) est identique pour toutes les variables
continues puisqu’il s’agit du nombre de modalités de la variable à décrire (y compris la
modalité formée par les réponses manquantes) moins un.
Interprétation
Les variables « Age de fin d’études » et « Age de l’enquêté » sont donc les deux variables
continues les plus liées à l’opinion « La famille est le seul endroit où l’on se sente bien ».
Le paramètre Tableaux de moyennes permet de demander l’édition des statistiques
principales (moyenne et écart-type notamment) de la variable continue. Il y aura autant de
tableaux édités que de variables continues caractérisantes.
9. DEMOD-12 : Statistiques par modalité des variables continues

(Tableaux de moyennes)
L’édition de ces tableaux est commandée par les mêmes paramètres que l’édition des
tableaux croisés. On ne présentera ici que le tableau relatif à la variable « Age de
l’enquêté(e) ».
• Modalités : libellé complet de chacune des modalités de la variable nominale à décrire (y
compris celle formée par les réponses manquantes).
• Effectif : effectif des individus dans la modalité pour les individus qui ont une valeur sur
la variable continue.
• Poids : effectif pondéré des individus dans la modalité pour les individus qui ont une
valeur sur la variable continue.
• Moyenne : moyenne pondérée de la variable continue dans la modalité.
• Ecart-type : écart-type pondéré de la variable continue dans la modalité.
• Minimum : minimum de la variable continue dans la modalité.
• Maximum : maximum de la variable continue dans la modalité.
La dernière ligne du tableau donne les statistiques calculées sur l’ensemble de l’échantillon.
30
Age de l'enquêté(e)
Modalités Effectif Poids Moyenne Ecart-type Minimum Maximum
oui 561 561,00 47,897 17,591 18,000 90,000
non 431 431,00 35,729 14,704 18,000 84,000
*Reponse manquante* 8 8,00 51,375 18,069 27,000 81,000
Ensemble 1000 1000,00 42,680 17,496 18,000 90,000
Interprétation
Les personnes qui pensent que la famille est le seul endroit où l’on se sente bien ont en
moyenne 47.9 ans, contre 42.7 ans dans l’ensemble de l’échantillon. Les personnes dont
l’opinion est inverse ont en moyenne 35.7 ans.

variables continues
Une variable continue caractérise un groupe d’individus si sa moyenne dans la modalité de
la variable à décrire diffère significativement de la moyenne générale de la variable dans la
population. Le test mis en œuvre pour évaluer l’écart entre les deux moyennes est un test
non-paramétrique de comparaison de moyennes. Plus la valeur-test associée est grande,
plus l’écart est significatif et plus la variable est caractéristique (voir l’Annexe A consacrée
aux valeurs-tests). Les variables continues sont classées dans l’ordre décroissant des
valeurs-tests.
Pour l’édition des moyennes caractéristiques d’un groupe, les paramètres sont les mêmes
que dans le cas de la caractérisation d’un groupe d’individus par les variables nominales :
Toutes, Nombre et Seuil (option choisie dans l’exemple).
Le tableau suivant liste les variables continues pour lesquelles les moyennes dans la classe
(définie par la modalité à décrire) sont les plus différentes des moyennes générales dans
l’échantillon.
Caractérisation par les variables continues des modalités de la variable

oui (Poids = 561.00 Effectif = 561 )
Moyennes Ecart-type
Moyenne Ecart-type
Variables caractéristiques dans la dans la Valeur-Test Probabilité
générale général
modalité modalité
Age de l'enquêté(e) 47,897 42,680 17,591 17,496 10,65 0,000
Nombre de non-réponses au questionnaire 4,643 4,054 4,195 4,190 5,03 0,000
Revenu personnel souhaité 6537,470 7244,480 3512,310 4756,780 -5,10 0,000

Estimation du revenu minimum d'une famille de 2 enfants 5169,370 5561,890 1847,980 2423,400 -5,36 0,000
Nombre de jours de vacances en été 15,013 18,311 17,930 19,367 -6,09 0,000
Age de fin d'étude 15,937 17,286 3,496 3,883 -12,38 0,000
Ce tableau se compose de 5 colonnes :

• Variables caractéristiques : libellé complet des variables continues caractéristiques.
• Moyennes dans la modalité : moyenne pondérée du groupe d’individus pour chaque
variable continue.
• Moyenne générale : moyenne pondérée dans l’échantillon pour chaque variable
continue.
31
• Ecart-type dans la modalité : écart-type pondéré des individus du groupe.

• Ecart-type général : écart-type pondéré dans l’échantillon.
• Valeur-test : valeur-test associée à la variable continue.
• Probabilité : probabilité issue du test de comparaison de moyennes.
La première ligne du tableau donne le libellé complet de la modalité à caractériser, ainsi que
l’effectif, le poids des individus dans la modalité.
Interprétation
On note que les variables « Age de l’enquêté » et « Age de fin d’études » sont les deux
variables continues les plus caractéristiques de ce groupe d’individus. Cette classe se
caractérise par des personnes plus âgées que la moyenne et dont l’âge de fin d’études est
plus faible que la moyenne. Ainsi, les individus de cette classe ont 47.9 ans en moyenne
contre 42.7 ans dans l’échantillon. En moyenne, ils ont arrêté leurs études à 15.9 ans contre
17.3 pour l’ensemble de l’échantillon.
32
Caractérisation automatique d’une variable
continue (DESCO)
La procédure DESCO permet d’obtenir la caractérisation d’une ou plusieurs variables

continues en explorant l’ensemble des liaisons qu’elle entretient avec toutes les autres
variables du fichier quelque soit leur type.
Pour les réponses manquantes relatives à une variable continue, les individus sont éliminés
de l’analyse.
Paramétrage de la méthode : on caractérise la variable Age de fin d’études (V45). On
sélectionne toutes les variables nominales et continues caractérisantes à l’exception des
variables nominales redondantes (V49, V51, V52 et V54) et du coefficient de pondération
(V50).
1. DESCO-1 : Caractérisation par les modalités

La caractérisation par les modalités permet de détecter les modalités où la moyenne de la
variable continue à décrire est notablement différente de la moyenne générale.
Le logiciel effectue les calculs correspondant à un test de comparaison de moyennes. Plus la
valeur-test associée à ce test est grande, plus la modalité est caractéristique de la variable
continue (ici l’âge de fin d’études).

• Libellé de la variable : libellé complet de la variable nominale associée à la modalité.
• Modalité caractéristique : libellé complet de la modalité.
• Moyenne : moyenne pondérée de la variable continue pour les individus appartenant à
cette modalité.
• Ecart-type : écart-type pondéré de la variable continue pour les individus appartenant à
cette modalité.
• Valeur-test : valeur-test issue du test de comparaison de moyennes.
• Probabilité : probabilité issue du test de comparaison de moyennes.
• Poids : poids de la modalité ou effectif si le poids des individus est uniforme.
Dans ce tableau, on a choisi de n’éditer que 10 modalités. Il s’agit de celles qui ont la plus
grande valeur-test en valeur absolue.
33
SPAD Version 5.0 Caractérisation automatique d’une variable continue (DESCO)
Caractérisation par les modalités de la variable

Age de fin d'étude
Individus actifs ( 997.000)
Modalité Valeur-
Libellé de la variable Moyenne Ecart-type Probabilité Poids
caractéristique Test
Ensemble 17,29 3,88 997,00
Diplôme d'enseignement général le plus élevé obtenu université,gde école 23,32 2,97 19,98 0,000 142,00
La famille est le seul endroit oú l'on se sente bien non 19,08 3,65 12,69 0,000 430,00
Profession de l'enquêté(e) (ou dernière exercée) cadre supérieur 22,83 3,82 12,28 0,000 69,00
Age de l'enquêté(e) en 5 classes 25 à 34 ans 18,94 3,75 8,49 0,000 284,00
Diplôme d'enseignement général le plus élevé obtenu baccalauréat (1/2) 19,63 2,08 8,39 0,000 162,00
Heure de coucher entre 23h. et 24h. 19,79 4,20 8,02 0,000 134,00
Regardez-vous la télévision ... tous les jours 15,74 3,35 -10,64 0,000 416,00
Diplôme d'enseignement général le plus élevé obtenu aucun 14,40 2,98 -11,22 0,000 186,00
La famille est le seul endroit oú l'on se sente bien oui 15,94 3,50 -12,38 0,000 559,00
Diplôme d'enseignement général le plus élevé obtenu CEP ou fin études 14,82 1,77 -13,80 0,000 321,00
La première ligne du tableau donne la moyenne pondérée, l’écart-type pondéré et le nombre

d’individus renseignés (poids) pour l’âge de fin d’études.
Interprétation
On note que les enquêtés diplômés d’une université ou d’une grande école ont un âge
moyen de fin d’études (23.3 ans) très nettement supérieur à la moyenne (17.3 ans). A
l’inverse, les enquêtés titulaires d’un certificat d’études primaires (CEP) ou de fin d’études
ont un âge moyen de fin d’études (14.8 ans) nettement inférieur à la moyenne (17.3 ans).
2. DESCO-2 : Caractérisation par les variables nominales

Cette caractérisation permet de déterminer les variables nominales liées à la variable
continue à décrire.
Le logiciel effectue toutes les analyses de variance où la variable à expliquer est la variable
continue à caractériser et le facteur est chaque variable nominale prise successivement.
Pour comparer entre elles les statistiques de Fisher issues de ces analyses, on les
transforme en valeurs-tests. Ces valeurs-tests sont les fractiles de la loi normale centrée
réduite correspondant aux mêmes probabilités critiques. La variable nominale sera d’autant
plus caractéristique que la valeur-test sera grande.

• Libellé de la variable : libellé complet de la variable nominale.
• Nombre de degrés de liberté : cette colonne indique un nombre de degrés de liberté.
Ces degrés de liberté correspondent au second paramètre de la loi de Fisher. Il s’agit du
nombre d’individus qui se sont exprimés sur la variable nominale et qui possèdent une
valeur pour la variable continue, moins le nombre de modalités de cette variable.
Le premier paramètre de cette loi est le nombre de modalités de la variable nominale
caractérisante moins un.
• Fisher : statistique de Fisher associée à chacune des variables nominales.
• Valeur-test : valeur-test de la variable nominale, transformation de la statistique de
Fisher issue de l’analyse de la variance.
34
• Probabilité : cette colonne donne pour chaque variable nominale la probabilité associée
à la statistique de Fisher.
Dans le tableau de résultats suivant, on n’édite que les 10 variables nominales les plus
caractéristiques de la variable « Age de fin d’études ».
Caractérisation par les variables nominales de la variable

Age de fin d'étude
Nombre de
Libellé de la variable Degrés de Fisher Valeur-Test Probabilité
liberté
Diplôme d'enseignement général le plus élevé obtenu 990 308,65 31,84 0,000
Profession de l'enquêté(e) (ou dernière exercée) 979 30,96 18,85 0,000
La famille est le seul endroit oú l'on se sente bien 994 96,13 13,00 0,000
Age de l'enquêté(e) en 5 classes 992 40,94 11,68 0,000
Heure de coucher 990 28,55 11,64 0,000
Regardez-vous la télévision ... 993 48,81 11,21 0,000
Vous arrive-t-il d'inviter des amis à déjeuner ? 994 37,43 8,14 0,000
La préservation de l'environnement est une chose ... 992 15,84 6,99 0,000
Parcipation à une action de défense de l'environnement 995 47,64 6,82 0,000
Taille d'agglomération (en nombre d'habitants) 992 14,28 6,58 0,000
Interprétation
Il existe naturellement une forte liaison entre l’âge de fin d’études et le diplôme
d’enseignement le plus élevé. En fonction de la profession exercée, il semble que l’on
observe également des différences significatives au niveau de l’âge moyen de fin d’études.
On note également sur ce tableau les liens qui existent entre l’âge de fin d’études et l’heure
habituelle de coucher ou avec les réponses à la question « La famille est le seul endroit où
l’on se sent bien ? ».
3. DESCO-3 : Statistiques sommaires des variables continues

Les statistiques sommaires des variables continues sélectionnées pour l’analyse sont
éditées dans un tableau identique à celui décrit page 11 pour les variables continues de la
méthode STATS.
Statistiques sommaires des variables continues
Ecart-
Libellé de la variable Effectif Poids Moyenne Minimum Maximum
type
Estimation du salaire mensuel d'un ingénieur 804 804,00 8482,39 3672,43 2000,00 70000,00
Estimation du revenu mensuel d'un médecin 711 711,00 19414,50 12613,10 3500,00 99000,00
Age de l'enquêté(e) 997 997,00 42,61 17,47 18,00 90,00
Nombre de non-réponses au questionnaire 997 997,00 4,05 4,18 0,00 47,00
Age de fin d'étude 997 997,00 17,29 3,88 6,00 39,00
Revenu personnel souhaité 912 912,00 7245,29 4761,59 0,00 70000,00
Estimation du revenu minimum d'une famille de 2 enfants 895 895,00 5563,15 2425,96 1500,00 40000,00
Nombre de jours de vacances en été 997 997,00 18,34 19,38 0,00 99,00
4. DESCO-4 : Caractérisation par les variables continues

Pour caractériser la variable continue par les autres variables continues, le logiciel s’appuie
sur la corrélation.
35
A chaque test de corrélation est associée une probabilité critique associée à l’hypothèse de
nullité. La probabilité critique est ensuite transformée en valeur-test.
• Libellé de la variable : libellé complet des variables continues caractérisantes.
• Corrélation : corrélation entre la variable à caractériser et chacune des variables
continues. Il faut noter que la corrélation est ici calculée après élimination des données
manquantes.
• Valeur-test : valeur-test associée à la probabilité du test de corrélation nulle.
• Probabilité : probabilité associée au test de corrélation.
• Poids : effectif sur lequel est calculée la corrélation si le poids des individus est uniforme
et le poids des individus si les individus ont des poids différents.
Ici, on a choisi de n’éditer que les corrélations dont la probabilité associée est inférieure à
1%.
Corrélations avec les variables continues de la variable

Age de fin d'étude
Valeur-
Libellé de la variable Corrélation Probabilité Poids
Test
Age de fin d'étude 1,000 99,90 0,000 997,0
Revenu personnel souhaité 0,288 8,94 0,000 912,0
Nombre de jours de vacances en été 0,213 6,81 0,000 997,0
Estimation du revenu minimum d'une famille de 2 enfants 0,113 3,38 0,000 895,0
Nombre de non-réponses au questionnaire -0,238 -7,64 0,000 997,0

Age de l'enquêté(e) -0,365 -12,08 0,000 997,0
Interprétation
On note que la corrélation de la variable « Age de fin d’études » avec elle-même est
logiquement de 1. La valeur-test associée dépasse le seuil maximum fixé à 99.90.
36
Analyse bivariée (BIVAR)
L’analyse bivariée est une procédure essentiellement graphique permettant de visualiser les
liaisons que deux variables continues prises ensemble entretiennent avec les autres
variables d’un fichier. De façon schématique, les deux variables continues seront les axes x
et y du graphique, se coupant au point moyen des variables. Les autres variables continues
seront des directions dans le plan (comme dans une analyse en composantes principales).
Les individus seront des points correspondant à leurs coordonnées dans ce plan. Les
modalités des variables nominales seront les points moyens des groupes correspondants
d’individus (comme en analyse des correspondances multiples).

Paramétrage de la méthode : on croise l’âge de fin d’études (V45) avec le revenu
personnel souhaité (V46). Les autres variables du fichier sont toutes sélectionnées comme
illustratives à l’exception du coefficient de pondération.
1. BIVAR-1 : Statistiques sommaires des variables continues

actives
Le tableau suivant présente les statistiques sommaires des deux variables continues actives
de l’analyse.
• Libellé de la variable : libellé complet de chaque variable continue active.
• Effectif : effectif des individus renseignés.
• Poids : effectif des individus renseignés après pondération. L’effectif et le poids sont
identiques lorsque l’on n’utilise pas de pondération.
• Moyenne : cette colonne donne la moyenne pondérée de chacune des variables.
• Ecart-type : cette colonne donne l’écart-type pondéré de chacune des variables.
La moyenne et l’écart-type sont calculés sur les enquêtés qui se sont exprimés. Les
individus qui ont une donnée manquante ne sont pas pris en compte.
• Coefficient de variation : coefficient de variation de chaque variable continue.
Le coefficient de variation (C.V) est l’écart-type divisé par la moyenne.
Statistiques sommaires des variables continues actives

Coefficient de
Libellé de la variable Effectif Poids Moyenne Ecart-type
variation
Age de fin d'étude 997 997,00 17,29 3,88 0,22464
Revenu personnel souhaité 915 915,00 7244,48 4756,78 0,65661
Interprétation
37
SPAD Version 5.0 Analyse bivariée (BIVAR)
On note que le revenu personnel souhaité par les enquêtés se caractérise par un écart-type
qui représente près des deux tiers de sa moyenne (65,6%). Cette variable est beaucoup plus
dispersée que l’âge de fin d’études.
2. BIVAR-2 : Moyennes et valeurs-test des modalités sur le plan

défini par les variables nominales illustratives
Dans le cas de l’analyse bivariée, la description de l’échantillon par les variables nominales
donne les tableaux suivants :
Moyennes et valeurs-test des modalités sur le plan défini par les variables:
V46 - Age de fin d'étude
V47 - Revenu personnel souhaité
Valeurs-Test Valeurs-Test Moyennes Moyennes
Libellé Effectif Poids
Axe: V46 Axe: V47 Axe: V46 Axe: V47
oui 561 561,00 -12,38 -5,10 15,94 6595,45
non 431 431,00 12,69 5,23 19,07 8109,49
*Reponse manquante* 8 8,00 -1,58 -0,68 15,13 6155,56

union indissoluble 231 231,00 -4,63 -4,90 16,25 5958,01
dissout si pb. grave 342 342,00 -2,93 2,09 16,79 7661,51
dissout si accord 387 387,00 7,09 2,48 18,38 7694,38
ne sait pas 39 39,00 -0,43 -0,98 17,03 6544,16
*Reponse manquante* 1 1,00 -0,85 1,70 14,00 15000,00
A qui incombent les travaux ménagers et les soins enfants ?

incombent à la femme 42 42,00 -3,70 -2,05 15,12 5831,75
plutôt à la femme 336 336,00 -3,59 2,16 16,67 7681,89
homme et femme 599 599,00 4,65 -1,17 17,75 7107,18
ne sait pas 19 19,00 0,93 -0,20 18,11 7038,60
*Reponse manquante* 4 4,00 0,50 -0,16 18,25 6875,00
Opinion sur le cadre de vie quotidien

très satisfait 259 259,00 -1,15 0,36 17,05 7331,37
satisfait 549 549,00 0,42 -0,33 17,33 7201,99
peu satisfait 145 145,00 0,59 -1,59 17,46 6688,13
pas du tout satisf. 46 46,00 0,23 2,28 17,41 8738,89
*Reponse manquante* 1 1,00 1,22 2,80 22,00 20000,00
Chaque tableau est constitué de 7 colonnes :

• Libellé : libellé complet de chaque modalité,
• Effectif : effectif de la modalité, c’est-à-dire le nombre d’individus qui ont choisi cette
modalité.
38
• Poids : effectif de la modalité après pondération.

• Valeur-test axe V46 : cette colonne donne les valeurs-tests associées aux différences
de moyennes dans chaque modalité pour la variable V46, à savoir l’âge de fin d’étude.
• Valeur-test axe V47 : cette colonne donne les valeurs-tests associées aux différences
de moyennes dans chaque modalité pour la variable V47 : le revenu personnel souhaité.
Ces valeurs-tests évaluent dans quelle mesure les moyennes des variables continues
calculées dans chaque modalité s’écarte de la moyenne générale de ces variables. Elles
sont calculées par un test de comparaison de moyennes.
Une valeur-test positive signifie que la moyenne de la variable continue pour les individus
de la modalité est supérieure à la moyenne globale de la variable (inversement quand la
valeur-test est négative).
• Moyennes axe V46 : moyennes pondérées de la variable V46 (Age de fin d’étude) pour
toutes les modalités des variables nominales sélectionnées.
• Moyennes axe V47 : moyennes pondérées de la variable V47 (Revenu personnel
souhaité) pour toutes les modalités des variables nominales sélectionnées.
Comme précédemment, la moyenne et l’écart-type sont calculés sur les enquêtés de la
modalité qui se sont exprimés.
Il faut noter que le poids des individus intervient dans le calcul des moyennes et des valeurs-
tests.
Interprétation
Si l’on retient les modalités qui ont les plus fortes valeurs-tests (supérieures à 10 en valeur
absolue par exemple), on note que les enquêtés qui ont répondu oui ou non à la variable
« La famille est le seul endroit où l’on se sente bien » ont un âge moyen de fin d’études
significativement différent de l’âge moyen global de fin d’études. Cet âge moyen est
respectivement de 15.94 ans pour les réponses « oui » et 19.07 ans pour les « non » pour
une moyenne générale de 17.29 ans dans l’échantillon (voir tableau des statistiques
sommaires : Bivar-1).
3. BIVAR-3 : Corrélations entre les variables continues

illustratives et les variables continues définissant le plan
L’analyse bivariée donne également la description de l’échantillon par les variables continues
illustratives :
Corrélations entre les variables continues illustratives et les variables continues définissant le plan
V46 - Age de fin d'étude
V47 - Revenu personnel souhaité
Corrélation Corrélation
Ecart- Corrélation Corrélation
Numéro Libellé de la variable Effectif Poids Moyenne partielle partielle
type avec: V46 avec: V47
avec: V46 avec: V47
46 Age de fin d'étude 997 997,00 17,29 3,88 1,00 0,28
47 Revenu personnel souhaité 915 915,00 7244,48 4550,13 0,28 1,00
15 Estimation du salaire mensuel d'un ingénieur 806 806,00 8478,73 3293,89 -0,03 0,11 -0,07 0,13
19 Estimation du revenu mensuel d'un médecin 713 713,00 19383,90 10646,80 -0,01 0,06 -0,03 0,07
37 Age de l'enquêté(e) 1000 1000,00 42,68 17,50 -0,36 -0,12 -0,35 -0,02
43 Nombre de non-réponses au questionnaire 1000 1000,00 4,05 4,19 -0,24 -0,17 -0,20 -0,11
48 Estimation du revenu minimum d'une famille de 2 enfants 897 897,00 5561,89 2295,21 0,11 0,40 0,00 0,39
49 Nombre de jours de vacances en été 1000 1000,00 18,31 19,37 0,21 0,18 0,17 0,13
39
• Numéro : numéro de chaque variable continue correspondant à l’ordre d’apparition dans

le fichier de base.
• Libellé de la variable : libellé complet de chaque variable continue.
• Effectif : effectif des individus renseignés pour chaque variable.
• Poids : effectif pondéré des individus renseignés pour chaque variable.
• Moyenne : moyenne pondérée de chaque variable continue.
• Ecart-type : écart-type pondéré de chaque variable continue.
• Corrélation avec V46 : coefficient de corrélation entre les variables disponibles et la
variable V46 : Age de fin d’étude.
• Corrélation avec V47 : coefficient de corrélation entre les variables disponibles et la
variable V47 : Revenu mensuel souhaité.
• Corrélation partielle avec V46 : coefficient de corrélation partielle entre les variables
disponibles et la variable de base V46.
• Corrélation partielle avec V47 : coefficient de corrélation partielle entre les variables
disponibles et la variable de base V47.
Le coefficient de corrélation partielle d’une variable de base avec une variable disponible
est le coefficient de corrélation obtenu après avoir ôté l’influence linéaire de la seconde
variable de base.
Interprétation
On note que la corrélation entre les deux variables de base (46 et 47) n’est pas négligeable
(0.28). Plus l’âge de fin d’études est grand, plus les enquêtés ont tendance à désirer un
revenu personnel élevé.
Les corrélations entre les variables continues de base et les variables continues illustratives
sont parfois assez faibles. La corrélation entre les variables 48 et 47 atteint une valeur
importante ( - 0.40).
En ce qui concerne les coefficients de corrélation partielle, on remarque que ceux-ci ont
parfois fortement évolués par rapport aux coefficients de corrélation simple, ce qui s’explique
par la corrélation non négligeable entre les deux variables de base.
40
Marquage sémantique de modalités de
variables nominales (MSMOD)
Cette procédure permet de caractériser les modalités d'une variable nominale par des
marquages sémantiques.
C'est une généralisation de la procédure DEMOD existante, ou encore la généralisation
d’arbres de segmentation.
Un marquage sémantique est une conjonction logique des modalités des variables
caractérisantes (Exemple: les hommes de moins de 25 ans habitant en région parisienne).
Si vous utilisez des variables continues comme variables caractérisantes, elles seront
découpées à chaud en N classes (paramétrage à spécifier) et considérées comme des
variables nominales.
Pour piloter la recherche des marquages sémantiques d'une modalité, il faut définir 2
paramètres fondamentaux :
• Le seuil (en pourcentage) de débordement admis pour chaque marquage. S’il est de
15%, tout marquage sémantique dont plus de 15% des individus sont extérieurs à la
modalité ou à la classe que l'on caractérise sera rejeté.
Plus le débordement d'un marquage est petit et son recouvrement de la modalité, ou de
la classe, est important, plus le marquage est caractéristique.
• Le seuil (en pourcentage) de recouvrement cumulé souhaité pour la modalité que
l'on caractérise. Si ce seuil vaut 75%, cela veut dire que vous cherchez à recouvrir 75%
de la modalité ou de la classe que vous caractérisez. Au delà, le processus de recherche
des marquages s'arrête.
A l'exception du premier marquage, le Nième marquage peut recouvrir une partie déjà
recouverte par les N-1ième premiers marquages et une partie nouvelle (Ajout du
marquage N). Le cumul des recouvrements est l’union des N marquages.
Si le seuil n'est pas atteint, ceci signifie que les autres paramètres de recherche des
marquages sont trop contraignants (le seuil de débordement, le seuil de la valeur-test
pour une modalité, le seuil de recouvrement nouveau, le seuil de la valeur-test pour un
marquage).
• D'autres paramètres permettent d'affiner encore la qualité des marquages (onglet

paramètres).

Paramétrage de la méthode : on caractérise la variable « La société française a-t-elle
besoin de se transformer ? » (V10). On sélectionne ensuite toutes les variables nominales et
continues restantes comme caractérisantes à l’exception des variables nominales
redondantes (V36, V50, V51, V52 et V54) et du coefficient de pondération (V50).
41
SPAD Version 5.0 Marquage sémantique de modalités de variables nominales (MSMOD)
Dans l’exemple suivant, nous caractérisons les 759 enquêtés ayant répondu Oui à la
question « La société française a t’elle besoin de se transformer ? » par leurs 4 premiers
marquages sémantiques.
Les marquages sémantiques d'un groupe sont classés par ordre d'importance à l'aide du
critère de "valeur-test" auquel est associé une probabilité : plus la valeur-test est grande
(plus la probabilité est faible), plus le marquage est caractéristique.
Description de la modalité: oui

De la variable: La société francaise a-t-elle besoin de se transformer ?
Valeur-
Poids Pourcentage Modalité Variable
Test
Définition du marquage
256 25,60 7,770
numéro 1
7,770 très mauvais Opinion sur le fonctionnement de la justice en 1979
Recouvrement 237 31,23
Ajout de recouvrement 237 31,23
Cumul de recouvrement 237 31,23
Débordement 19 7,42
Valeur-
Test
108 10,80 5,568
numéro 2
5,568 beaucoup moins bien Evolution du niveau de vie des français depuis 10 ans
Débordement 5 4,63
Valeur-
Test
200 20,00 4,208
numéro 3
4,379 locataire Statut d'occupation du logement
3,279 Et non Possédez vous des biens immobiliers ?
2,497 Et assez mauvais Opinion sur le fonctionnement de la justice en 1979
Valeur-
Test
161 16,10 3,208
numéro 4
3,279 non Possédez vous des biens immobiliers ?
2,181 Et 34.0000 45.00 Age de l'enquêté(e)
Chaque marquage est présenté dans un tableau constitué de 6 colonnes. La lecture de

chaque tableau ou marquage s’effectue en trois étapes :
1. Lecture de la première ligne qui présente le marquage de façon générale
2. Lecture de la conjonction de modalités afin d’identifier le marquage
3. Lecture des caractéristiques de recouvrement, d’ajout, de cumul et de débordement.
La première ligne de chaque tableau indique le numéro du marquage, son poids dans
l’ensemble de l’échantillon, le pourcentage global ainsi que sa valeur-test. Le poids du
42
marquage correspond au nombre d’individus dans l’échantillon total qui présentent la

conjonction de modalités décrites dans la deuxième partie du tableau, après pondération.
Une valeur-test élevée signifie que le marquage est sur-représenté dans la modalité à
décrire.
La conjonction de modalités définissant le marquage est ensuite décrite dans le tableau à

l’aide des trois colonnes suivantes :
Lorsque la valeur-test est positive, cela signifie que la modalité caractérisante est sur-
représentée dans la modalité à décrire. La modalité caractérisante est sous-représentée
si la valeur-test est négative.
Cette valeur-test équivaut à celle que l’on obtient avec la procédure DEMOD (sortie
Excel DEMOD-5) en croisant la variable à décrire avec les mêmes variables
caractérisantes que celle sélectionnée dans cette procédure.
• Modalité : libellé complet de la modalité.
• Variable : libellé complet de la variable dont la modalité est issue.
Les caractéristiques de recouvrement, d’ajout, de cumul et de débordement sont décrites ci-

après :
• Recouvrement : représente dans cet exemple le nombre d’individus inclus dans le
marquage et qui ont répondu oui à la question « La société française a t’elle besoin de se
transformer ? ».
• Ajout de recouvrement : correspond au recouvrement auquel on soustrait les individus
déjà inclus dans un marquage précédent. Pour le premier marquage, le recouvrement et
l’ajout sont identiques.
• Cumul de recouvrement : correspond à la somme des ajouts de recouvrement de tous
les marquage précédents plus l’ajout du marquage en cours.
• Débordement : représente le nombre d’individus inclus dans le marquage mais qui n’ont
pas répondu oui à la question « La société française a t’elle besoin de se transformer ? ».
Le poids du marquage est égal à la somme du recouvrement et du débordement.
Interprétation
Dans cet exemple, nous caractérisons les 759 enquêtés ayant répondu Oui à la question
« La société française a t’elle besoin de se transformer ? » par 4 marquages sémantiques.
Le premier marquage regroupe les 256 enquêtés de l’étude qui ont répondu que le
fonctionnement de la justice en 1979 était très mauvais. Ce marquage représente 25.6% de
l’ensemble de l’échantillon. Ce marquage est défini par une seule modalité, ce qui explique
le fait que la valeur-test du marquage et celle de la modalité soient identiques.
Cette valeur élevée (7.8) signifie que la proportion d’enquêtés très critiques sur le
fonctionnement de la justice est significativement plus élevée parmi ceux qui pensent que la
société française à besoin de se transformer que chez les autres.
43
Ce marquage, qui regroupe en tout 256 enquêtés, recouvre 237 individus parmi les 759
enquêtés qui pensent que la société française à besoin de se transformer, soit 31.23%.
Comme il s’agit du premier marquage, l’ajout et le cumul sont égaux au recouvrement.
Parmi les 256 enquêtés concernés par ce marquage, 19 personnes (256-237) ont une
opinion qui diffère sur la question des transformations à apporter à la société française, soit
7.42% (inférieur au seuil de débordement toléré par défaut : 15%).
Le second marquage concerne les enquêtés qui pensent que le niveau de vie des Français
a fortement régressé depuis 10 ans. Ce marquage rassemble en tout 108 individus.
La valeur-test (5.6) de ce marquage, représenté par une seule modalité, signifie que l’opinion
très pessimiste sur l’évolution du niveau de vie des français est plus représentée en
proportion chez les enquêtés qui pensent que la société à besoin de se transformer que
chez les autres.
Ce marquage recouvre en tout 108 individus dont 103 qui pensent que la société française
doit se transformer, soit un débordement minimal de 5 individus.
En revanche ce marquage n’ajoute que 44 individus par rapport au précédent. Les 57 autres
individus étaient en fait déjà identifiés par le premier marquage.
Au niveau du cumul des deux premiers marquages, 281 individus sur les 759 initiaux ont été
identifiés, soit 37.02%.
Le troisième marquage regroupe 200 enquêtés présentant les trois caractéristiques

suivantes dans l’échantillon total :
• Ils sont tous locataires,
• Et ils ne possèdent aucun bien immobilier,
• Et ils ont une assez mauvaise opinion du fonctionnement de la justice.
Les modalités sont ordonnées dans l’ordre décroissant de leur valeur-test. Dans ce
marquage, la plus forte caractéristique est liée au statut d’occupation du logement. En effet,
les locataires sont en proportion plus nombreux chez les enquêtés qui pensent que la
société française doit se transformer.
Sur les 200 individus de ce marquage, 174 pensent que la société française doit se
transformer. Par rapport aux deux marquages précédent, celui-ci permet d’identifier 155
nouveaux individus, soit un cumul sur les trois marquages de 436 individus en tout.
44
Les Analyses
Factorielles
Les méthodes factorielles établissent des représentations synthétiques de vastes tableaux

de données, en général sous forme de représentations graphiques. Ces méthodes ont pour
objet de réduire les dimensions des tableaux de données de façon à représenter les
associations entre individus et entre variables dans des espaces de faibles dimensions.
Les méthodes d’analyse factorielle consistent à rechercher des sous-espaces de faibles
dimensions qui ajustent au mieux le nuage de points des individus et le nuage de points des
variables. Les proximités mesurées dans ces sous-espaces doivent refléter au mieux les
proximités réelles. L’espace de représentation obtenu est appelé espace factoriel. Les
méthodes diffèrent selon la nature des variables analysées : il peut s’agir de variables
continues, de variables nominales ou de catégories dans le cas des tableaux de
contingences. Les lignes peuvent être des individus ou des catégories. Pour plus de
précisions, nous renvoyons l’utilisateur à l’ouvrage de Lebart, Morineau et Piron (1995).
45
Analyse en composantes principales (COPRI)
L'Analyse en Composantes Principales est une technique de description statistique

conduisant à des représentations graphiques approchées (mais en un certain sens
optimales) du contenu d’un tableau de données: description simultanée des liaisons entre
variables et des similitudes entre individus. C’est aussi un outil de réduction de la
dimensionnalité d'un ensemble de variables continues, utilisable comme intermédiaire de
calcul en vue d'analyses ultérieures.
Dans ce chapitre, nous verrons que l'ACP est un outil exploratoire qui permet de visualiser et
de découvrir les phénomènes tels qu’ils sont décrits par les données.
Fichier utilisé : VILLES.SBA
Paramétrage de la méthode : les variables V29 à V40 sont sélectionnées comme actives.
Toutes les autres variables continues sont illustratives tout comme la variable nominale
Région du monde. Pour la sélection des individus, nous effectuons un filtre logique sur la
variable V1 « Année » en ne prenant que « l’édition 1994 ».
1. Les données et les objectifs

L’utilisateur se trouve confronté à un problème qui met en jeu diverses variables continues
mesurées sur un grand nombre d’individus et souhaite tirer des enseignements des
observations qu’il a faites. Il s’agira par exemple d’étudier un indice qui mesure la puissance
économique des individus; ou bien déterminer un sous-ensemble de points adéquats pour
contrôler la pollution dans une zone géographique; ou bien, classer les individus en fonction
des notes de préférence données à un groupe de produits concurrentiels sur le marché.
Dans d'autres situations, l'Analyse en Composantes Principales servira seulement, ou
servira aussi, comme étape intermédiaire de calcul avant une analyse ultérieure: régression,
discrimination, ou classification.
Enfin, l’ACP pourra être utilisée comme technique de compression des données.
Les données sont fournies pour une série d'individus, sur lesquels nous avons mesuré un
ensemble de variables continues et relevé éventuellement d'autres variables qualitatives.
Les dimensions du tableau de données sont telles qu’il n'est pas possible de repérer
directement les individus qui se ressemblent ni les variables qui ont le même comportement
sur l’ensemble des individus.
Le système des liaisons entre variables et la configuration des similitudes et différences
entre individus, qui feraient la synthèse de l’information contenue dans le tableau de
données, sont cachés. Nous verrons comment l'Analyse en Composantes Principales
permet, dans une certaine mesure, de les révéler.
Nous raisonnerons de façon concrète sur un exemple. Il ne s’agit pas d’un problème réel
mais d’un exercice qui possède certaines vertus pédagogiques sans être trop éloigné d’une
situation réelle.
Le problème sera de comparer un certain nombre de grandes villes selon le niveau moyen
des salaires dans une douzaine de professions afin de vérifier la cohérence de la description
par rapport à nos connaissances économiques globales. Ces données sont extraites du
fichier Villes.sba.
46
SPAD Version 5.0 Analyse en composantes principales (COPRI)
On s’intéresse à 51 villes. Les données recueillies ne font pas seulement référence aux
salaires mais elles constituent un ensemble plus vaste de 40 variables concernant aussi les
prix et quelques autres indicateurs essentiellement économiques1. Les villes sont réparties
dans 10 régions du monde (variable numéro 2) et les observations sont connues à deux
dates (1991 et 1994: variable n° 1) bien que pour le moment on ne considère que les
données de l’édition 1994.
Le tableau des données se présente sous la forme d’un tableau à 40 colonnes et deux fois
51 lignes: chaque ville apparaît deux fois, une première fois pour les observations de 1991,
une autre fois pour celles de 1994 (le tableau est ici constitué de l’empilement des données
des deux périodes).
Le tableau suivant fournit la liste des 40 variables relevées sur chaque ville. Les libellés, bien
que peu explicites, suffiront pour l’analyse que l’on souhaite faire.
Libellé des variables Type
Année 2 Modalites
Region du monde 10 Modalites
I_prix sans loyer Continue
I_prix avec loyer Continue
I_salaires bruts Continue
I_salaires nets Continue
Heures travail annuelles Continue
Vacances annuelles payees Continue
Pouvoir d'achat brut Continue
Pouvoir d'achat net Continue
Kg pain=temps de travail Continue
Hamb=temps de travail Continue
Denrées alimentaires Continue
Panier complet Continue
Dames vetements Continue
Hommes vetements Continue
4pièces appart meublé Continue
3pièces appart non meublé Continue
Loyer normale Continue
Appareils ménagers Continue
Bus tram ou metro Continue
Taxi Continue
Voitures Continue
Restaurant Continue
Nuit d'hôtel Continue
Services diverses Continue
Impots et cotisations sociales en % salaire brut Continue
Salaire horaire net Continue
Instituteur Continue
Chauffeur d'autobus Continue
Mécanicien autos Continue
Manoeuvre du bâtiment Continue
Tourneur Continue
Cuisinier chef Continue
Chef de service Continue
Ingeniéur Continue
Caissier de banque Continue
Secrétaire direction Continue
Vendeuse Continue
Ouvrière du textile Continue
2. Choix du thème actif

Le tableau de données contient une assez grande quantité de variables, ce qui est une
caractéristique habituelle des études appliquées. En fait les variables peuvent se regrouper
selon des thèmes. Par exemple, on trouve une série de variables relatives aux dépenses sur
différents postes (vêtement, loyer, véhicule, services, etc.) dont l’ensemble doit concourir à
donner une idée de la cherté de la vie dans chaque ville.
1 Données recueillies par l'Union de Banques Suisses, dans sa publication "Prices and Earnings Around the
Globe", 1991 et 1994
47
D'autres variables informent sur le niveau des salaires, répartis selon 12 professions. Enfin,
d'autres variables donnent plutôt une idée du mode de vie, comme les congés payés, les
jours de travail, etc.
Pour comparer les villes entre elles, il est certes possible de prendre en compte toutes les
variables disponibles. Cela conduira ici à comparer les villes en tenant compte
simultanément du niveau des prix, des salaires, des impôts, des heures nécessaires pour
acquérir un hamburger, etc. Les différences observées entre les villes sont alors difficiles à
interpréter car elles peuvent avoir des causes multiples et de nature très différentes.
Il est plus “sage” de sélectionner un groupe de variables, ce groupe étant homogène par
rapport à un thème bien défini, et cohérent avec l'objectif propre de l'étude. Un thème, c’est-
à-dire un groupe de variables, définit un certain point de vue choisi par l’utilisateur pour
comparer les individus (ici les villes). Ce faisant, l'interprétation des proximités entre villes
sera plus facile à faire.
Les variables choisies, appelées variables actives, constituent donc les seuls éléments
utilisés pour comparer les villes entre elles. Cela ne signifie pas que le reste de l'information
soit abandonné: il servira ensuite à illustrer ou peut-être suggérer des “explications” pour les
similitudes et différences observées entre les villes. C'est pour cela que l’on appelle
illustratives ou supplémentaires les autres variables.
Toute analyse statistique commence donc par le choix des éléments actifs.
Dans notre exemple, nous décidons de prendre comme variables actives l’ensemble des
revenus nets perçus dans les 12 professions retenues. Deux villes seront proches si les
rémunérations sont analogues dans l’ensemble de ces 12 professions, indépendamment de
ce qui peut les différencier par ailleurs (taille, densité, altitude, etc.). La liste des variables
actives est donnée dans le tableau suivant :
Variables actives Type
Instituteur Continue
Chauffeur d'autobus Continue
Mécanicien autos Continue
Manoeuvre du bâtiment Continue
Tourneur Continue
Cuisinier chef Continue
Chef de service Continue
Ingeniéur Continue
Caissier de banque Continue
Secrétaire direction Continue
Vendeuse Continue
Ouvrière du textile Continue
Les autres variables seront utilisées comme illustratives et serviront, comme on le verra,
dans la phase d’interprétation des résultats. Nous mettons en œuvre une analyse normée.
3. COPRI-1 : Statistiques sommaires des variables continues

Le tableau suivant présente les statistiques sommaires de l’ensemble des variables
continues actives et illustratives de l’analyse dans un tableau constitué de 7 colonnes.
Les variables actives sont listées en premier. Un saut de ligne permet de les différencier des
variables continues illustratives.
L’édition du tableau a été tronquée. (CF page 11 pour le descriptif des colonnes qui
composent le tableau).
48
Statistiques sommaires des variables continues

Libellé de la variable Effectif Poids Moyenne Ecart-type Minimum Maximum
Instituteur 51 51,00 16802,000 13243,400 600,000 56800,000
Chauffeur d'autobus 51 51,00 14311,800 10819,600 400,000 46100,000
Mécanicien autos 51 51,00 12384,300 8520,830 700,000 30500,000
Manoeuvre du bâtiment 51 51,00 10343,100 8239,820 200,000 28000,000
Tourneur 51 51,00 15145,100 10244,300 800,000 38700,000
Cuisinier chef 51 51,00 15615,700 8768,420 500,000 33900,000
Chef de service 51 51,00 30933,300 21250,600 1500,000 95000,000
Ingeniéur 51 51,00 24664,700 14019,100 1600,000 59700,000
Caissier de banque 51 51,00 18749,000 13413,800 1200,000 58800,000
Secrétaire direction 51 51,00 13311,800 7569,800 1400,000 31500,000
Vendeuse 51 51,00 9658,820 6064,530 400,000 24700,000
Ouvrière du textile 51 51,00 9247,060 6429,780 300,000 23800,000
I_prix sans loyer 51 51,00 68,061 19,355 30,400 132,000

I_prix avec loyer 51 51,00 70,739 19,885 30,200 142,700
I_salaires bruts 51 51,00 41,192 27,781 2,100 100,000
I_salaires nets 51 51,00 39,494 25,596 2,300 100,000
Heures travail annuelles 51 51,00 1920,250 158,688 1669,000 2302,000
4. COPRI-2 : Matrice des corrélations

Le tableau suivant présente la matrice des corrélations entre les variables actives de
l’analyse. Dans le cas d’une analyse non normée, nous obtenons la matrice des
variances/covariances.
Le tableau se présente donc sous la forme d'une matrice carrée. Seules la partie inférieure
et la diagonale de la matrice sont renseignées puisque celle-ci est symétrique.
Matrice des corrélations
Manoeuvre
Chauffeur Mécanicien Cuisinier Chef de Caissier Secrétaire Ouvrière
Instituteur du Tourneur Ingeniéur Vendeuse
d'autobus autos chef service de banque direction du textile
bâtiment
Instituteur 1,00
Chauffeur d'autobus 0,96 1,00
Mécanicien autos 0,84 0,89 1,00
Manoeuvre du bâtiment 0,83 0,88 0,95 1,00
Tourneur 0,91 0,94 0,93 0,93 1,00
Cuisinier chef 0,75 0,76 0,80 0,72 0,76 1,00
Chef de service 0,78 0,74 0,64 0,59 0,69 0,82 1,00
Ingeniéur 0,81 0,82 0,74 0,70 0,80 0,82 0,87 1,00
Caissier de banque 0,82 0,80 0,70 0,64 0,72 0,79 0,89 0,85 1,00
Secrétaire direction 0,92 0,93 0,88 0,86 0,92 0,80 0,80 0,87 0,87 1,00
Vendeuse 0,88 0,89 0,89 0,86 0,88 0,85 0,79 0,85 0,85 0,94 1,00
Ouvrière du textile 0,88 0,92 0,89 0,92 0,94 0,71 0,65 0,81 0,73 0,93 0,89 1,00
Le coefficient de corrélation linéaire indique la force de la liaison linéaire entre deux

variables continues. Ce coefficient prend des valeurs comprises entre –1 et 1.
Plus le coefficient prend une valeur proche de 1, plus la liaison linéaire entre les variables X
et Y est forte et croissante. A une valeur élevée de X, on associera une valeur élevée de Y.
Plus le coefficient prend une valeur proche de -1, plus la liaison linéaire entre les variables X
et Y est forte et décroissante. A une valeur élevée de X, on associera une valeur faible de Y.
Si le coefficient prend une valeur proche de 0, cela indique qu'il n'y a pas de liaison linéaire
entre les variables X et Y. La relation entre X et Y peut être d'un autre ordre mais en tout
cas, elle n'est pas linéaire. Attention, cela ne veut pas dire que les variables sont
indépendantes.
Interprétation
Dans cette matrices de corrélations, nous lisons la force des associations linéaires entre les
variables deux à deux.
Si un salaire est élevé dans une ville, les autres salaires le sont également. Les corrélations
sont toutes positives et en général fortes, avec des valeurs comprises entre 0.59 et 0.96.
49
5. COPRI-3 : Matrice des valeurs-tests

Cette matrice est directement liée à la matrice précédente. En effet, on retrouve la même
matrice carrée croisant les variables continues actives deux à deux. L'objectif de cette
matrice est de répondre à la question suivante : "Est-ce que la valeur du coefficient de
corrélation observée entre 2 variables permet de dire que leur liaison est significative ?".
Dans un souci d'homogénéité, SPAD a retranscrit le test sous-jacent de nullité de la
corrélation, en terme de valeur-test. Plus la valeur test sera élevée et plus la liaison linéaire
sera forte. On peut également affirmer qu'une valeur-test inférieure à 2 (en valeur absolue)
indique qu'il n'y a pas de liaison linéaire entre les variables.
Matrice des valeurs-tests
Manoeuvr
Chauffeur Mécanicien Cuisinier Chef de Caissier de Secrétaire Ouvrière
Instituteur e du Tourneur Ingeniéur Vendeuse
d'autobus autos chef service banque direction du textile
bâtiment
Instituteur 99,99
Chauffeur d'autobus 13,87 99,99
Mécanicien autos 8,82 10,07 99,99
Manoeuvre du bâtiment 8,51 9,69 12,74 99,99
Tourneur 10,82 12,31 11,91 11,90 99,99
Cuisinier chef 6,89 7,09 7,85 6,50 7,03 99,99
Chef de service 7,47 6,79 5,44 4,88 6,10 8,34 99,99
Ingeniéur 8,11 8,28 6,81 6,22 7,76 8,37 9,64 99,99
Caissier de banque 8,33 7,86 6,19 5,46 6,51 7,64 10,27 9,10 99,99
Secrétaire direction 11,12 11,73 9,79 9,18 11,18 7,86 7,93 9,63 9,62 99,99
Vendeuse 9,72 10,20 10,20 9,14 9,96 9,08 7,74 9,02 8,94 12,15 99,99
Ouvrière du textile 9,89 11,58 10,19 11,29 12,22 6,35 5,58 8,11 6,65 11,83 10,32 99,99
Interprétation
Dans cet exemple, aucune valeur-test n’est inférieure à 2. Nous sommes donc en présence
de variables continues linéairement dépendantes. Nous pouvons tout de même établir une
hiérarchie dans la force des liaisons.
6. COPRI-4 : Tableau des valeurs propres

Cette sortie présente l’ensemble des valeurs propres de l’analyse.
Le tableau est constitué des éléments suivants :

• Trace de la matrice : correspond à la valeur de l'inertie totale du nuage de points étudié.
Cette trace est égale à la somme des variances de chaque variable active. En analyse
normée (ici), la variance associée à chaque variable active étant égale à 1, la trace de la
matrice est égale au nombre de variables actives, c’est à dire 12.
• Numéro : correspond au numéro de l'axe factoriel. En ACP, le nombre d'axes factoriels
est toujours égal au nombre de variables actives.
• Valeur propre : correspond à l'inertie interceptée par l'axe factoriel. La variance associée
à la projection des individus actifs sur le premier facteur vaut 10,1390. La somme des
valeurs propres est égale à l'inertie globale du nuage des villes, et elle est égale à 12, le
nombre des variables actives, car nous réalisons une ACP normée
• Pourcentage : indique la part de l'inertie totale prise en compte par chaque axe factoriel.
Nous voyons que le premier axe porte près de 85% de l'inertie du nuage de points qui
est initialement contenu dans un espace de dimension 12. Ce pourcentage extrêmement
élevé s’explique par le fait que nous sommes en présence de variables fortement
corrélées linéairement.
• Pourcentage cumulé : édite la part de l'inertie totale prise en compte par tous les axes
factoriels en sommant les pourcentages comprenant l'axe étudié et ses prédécesseurs.
50
Tableau des valeurs propres

Trace de la matrice: 12.00000
Valeur Pourcentage
Numéro Pourcentage
propre cumulé
1 10,1390 84,49 84,49
2 0,8612 7,18 91,67
3 0,3248 2,71 94,38
4 0,1715 1,43 95,80
5 0,1484 1,24 97,04
6 0,0973 0,81 97,85
7 0,0682 0,57 98,42
8 0,0525 0,44 98,86
9 0,0505 0,42 99,28
10 0,0332 0,28 99,55
11 0,0309 0,26 99,81
12 0,0226 0,19 100,00
0 2 4 6 8 10 12
Interprétation
Nous obtenons une première composante principale très dominante, expliquant près de 85%
de l’inertie totale. Avec seulement les trois premiers axes factoriels, nous avons près de 95%
de l'inertie (ou de la dispersion) de tout le nuage de points.
Combien d'axes faut-il retenir ?

Avec les premières composantes principales, nous recomposons la majeure partie de la
dispersion entre les points. Mais combien d'axes faut-il retenir?
La question est difficile et n'admet certainement pas de réponse définitive. Il faut d'abord
savoir à quoi l’on destine les axes que l'on veut retenir. Prenons quelques exemples:
On peut vouloir retenir les axes pour faire des représentations graphiques qu'il faudra
examiner visuellement. Dans ce cas le nombre d'axes le plus confortable est 2, car on
regardera les nuages sur une feuille de papier: ce sont les axes F1 et F2. On peut essayer de
représenter le "volume" dans l'espace (F1, F2 et F3), mais les réalisations graphiques sont
souvent difficiles à lire. On ne peut rien voir au delà de trois dimensions. On peut imaginer
regarder des projections telles que (F2, F3) ou (F1, F4) mais là encore, l'effort "intellectuel" est
énorme pour visualiser les configurations de points où les distances lues sont le résultat de
compressions dans des directions qui ont disparu. S'il s'agit de visualisations planes donc,
on se contentera le plus souvent du premier plan factoriel. Pour "voir" au delà de ce plan, on
aura recours en général à la complémentarité apportée par les méthodes de classification.
Si on retient des axes factoriels comme support pour réaliser une classification, le problème
est différent. On cherche à retenir beaucoup d'axes (pour rester aussi proche que possible
des données observées), mais on supprimera les directions correspondant aux plus petites
valeurs propres (fluctuations aléatoires des données, ne correspondant à aucune liaison
réelle entre les variables) pour assainir l'information utilisée pour comparer les individus.
7. COPRI-5 : Intervalles laplaciens d'Anderson (seuil: 0.95)

Le logiciel édite ici les bornes supérieures et inférieures des intervalles de confiance
approchés au seuil 95% des valeurs propres correspondant à chaque axe factoriel.
51
L'ampleur de l'intervalle donne une indication sur la stabilité de la valeur propre vis-à-vis des
fluctuations dues à l'échantillonnage. L'empiètement des intervalles de deux valeurs propres
consécutives suggèrera donc l'égalité de ces valeurs propres. Les axes correspondants sont
alors définis à une rotation près. Ainsi, l'utilisateur pourra éviter d'interpréter un axe instable
selon ce critère.
• Numéro : correspond au numéro de l'axe factoriel. En ACP, le nombre d'axes factoriels

est toujours égal au nombre de variables actives.
• Borne inférieure : valeur inférieure de l'intervalle de confiance.
• Valeur propre : correspond à l'inertie interceptée par l'axe factoriel. La variance associée
à la projection des individus actifs sur le premier facteur vaut 10,1390.
• La borne supérieure : valeur supérieure de l'intervalle de confiance.
Intervalles laplaciens d'Anderson (seuil: 0.95)
Borne Valeur Borne
Numéro
inférieure propre supérieure
1 6,1645 10,1390 14,1135
2 0,5236 0,8612 1,1988
3 0,1975 0,3248 0,4521
4 0,1042 0,1715 0,2387
5 0,0902 0,1484 0,2066
Interprétation
On est sûr à 95% que le premier axe de l'analyse interceptera une inertie comprise entre
[6,16 ; 14,11].
Les intervalles de confiance d'Anderson concernent aussi bien les valeurs propres des
matrices de covariances que des matrices de corrélations.
8. COPRI-6 : Coordonnées, Corrélations, Anciens axes unitaires
8.1 Coordonnées des variables actives

Le tableau ci-après donne les coordonnées des variables actives. Par défaut, le logiciel édite
ces valeurs sur les 5 premiers axes.
• Libellé : libellé complet de la variable
• Axe 1 – Axe 5 : coordonnées des variables actives sur les premiers axes. On remarque
que, dans le cas d’une analyse normée, la coordonnée d’une variable sur un axe
coïncide avec la corrélation de cette variable avec la composante principale (projection
des individus sur l’axe factoriel de même rang).
52
Coordonnées des variables actives

Libellé de la variable Axe 1 Axe 2 Axe 3 Axe 4 Axe 5
Instituteur -0,94 -0,04 -0,21 0,16 0,13
Chauffeur d'autobus -0,96 -0,13 -0,15 0,08 0,09
Mécanicien autos -0,92 -0,27 0,19 0,07 -0,03
Manoeuvre du bâtiment -0,90 -0,37 0,11 0,01 -0,02
Tourneur -0,95 -0,24 -0,02 -0,01 0,11
Cuisinier chef -0,87 0,24 0,40 0,05 0,06
Chef de service -0,84 0,49 -0,01 0,04 0,12
Ingeniéur -0,90 0,27 -0,03 -0,30 0,09
Caissier de banque -0,88 0,38 -0,13 0,11 -0,20
Secrétaire direction -0,97 0,00 -0,10 -0,03 -0,11
Vendeuse -0,96 0,01 0,08 0,00 -0,17
Ouvrière du textile -0,94 -0,25 -0,10 -0,17 -0,06
Interprétation
Les coordonnées des variables ont toutes le même signe sur le premier axe et sont
comprises entre -0,84 et -0.97. Ce sont des valeurs extrêmement élevées en valeur absolue.
Il est clair que le nuage des points-variables n'est pas centré.
Dans cet exemple, la première composante principale naît de la forte corrélation entre les
variables actives. La première composante se situe alors graphiquement au milieu du
faisceau des variables actives.
Cette situation peut s’interpréter de la façon suivante. D’une façon générale pour toute ville,
si un salaire est élevé sur un poste, il est élevé sur l’ensemble de postes; s’il est faible sur un
poste, il est faible sur l’ensemble. C’est la généralité de cette observation sur l’ensemble du
tableau qui constitue la structure la plus forte des données et engendre le premier facteur.
Cette caractéristique, fréquemment rencontrée en ACP sur le premier axe se nomme facteur
de taille.
Le premier axe de l’analyse oppose d’une part les villes dont le salaire moyen est élevé aux
villes dont le salaire moyen est plus faible.
Le second axe oppose d’autre part les villes qui payent relativement bien le chef de service,
le caissier de banque et le cuisinier chef des villes qui payent relativement mieux les
professions socialement moins considérées comme Manœuvre du bâtiment, Mécanicien
Auto, Tourneur et Ouvrière du textile.
Facteur de taille
Le fait le plus marquant de cette analyse est le facteur taille, très dominant, porté par la
première composante. Ce facteur reflète pratiquement exclusivement la disparité des villes
quand au niveau moyen des salaires. Les autres facteurs sont en quelque sorte "écrasés"
par la force de ce phénomène dans le tableau des données.
Dans ce cas, il peut être intéressant de reprendre l'analyse en cherchant à éliminer des
données cette connaissance que nous avons sur les salaires des villes.
On y parvient, par exemple, en divisant les salaires de chaque profession par le salaire
moyen de la ville.
8.2 Corrélations des variables actives avec les facteurs

Une corrélation élevée indique que la disposition des individus sur l'axe factoriel est
semblable à l'ordonnance des individus selon la variable (la corrélation unité signifierait que
53
la composante principale est fonction linéaire de la variable). Une corrélation proche de zéro
indique qu'il n'y a pas d'association linéaire entre la composante principale et la variable.
Corrélations des variables actives avec les facteurs
Instituteur -0,94 -0,04 -0,21 0,16 0,13
Tourneur -0,95 -0,24 -0,02 -0,01 0,11
Cuisinier chef -0,87 0,24 0,40 0,05 0,06
Chef de service -0,84 0,49 -0,01 0,04 0,12
Ingeniéur -0,90 0,27 -0,03 -0,30 0,09
Vendeuse -0,96 0,01 0,08 0,00 -0,17
Interprétation
Comme il s’agit d’une analyse normée, les corrélations coïncident avec les coordonnées. On
peut donc se référer à l’interprétation des coordonnées.
8.3 Anciens axes unitaires

Les anciens axes unitaires sont les coefficients de la liaison linéaire entre les variables et les
axes.
Anciens axes unitaires
Instituteur -0,30 -0,05 -0,37 0,39 0,34
Tourneur -0,30 -0,26 -0,04 -0,03 0,28
Cuisinier chef -0,27 0,25 0,71 0,12 0,16
Chef de service -0,26 0,53 -0,02 0,11 0,30
Ingeniéur -0,28 0,30 -0,05 -0,72 0,22
Vendeuse -0,30 0,02 0,14 0,00 -0,44
On peut ainsi dire que :
 Instituteur − Moy ( Instituteur )   Chauffeur d'autobus − Moy (Chauffeur d'autobus ) 

Axe 1 = −0.30  − 0,30  − ...
 ET ( Instituteur )   ET (Chauffeur d'autobus ) 
8.4 Note sur les Cosinus Carrés et les Contributions

La sortie COPRI-6 ne donne pas les cosinus carrés et les contributions des variables
continues actives sur les 5 premiers axes. Cependant, à partir des résultats précédents, on
peut aisément les obtenir.
Comme pour les points-lignes, on peut donc définir les cosinus carrés et les contributions
pour les variables.
Les cosinus carrés se définissent comme le quotient entre la distance projetée sur un axe et
la distance à l’origine (les deux au carré). On sait que la distance d’une variable à l’origine
est égale à sa variance :
54
2
ϕ 2jα
COS ( j , α ) = avec φjα la coordonnée de la variable j sur l’axe α.
var( j)
La somme des cosinus carrés pour tous les axes est toujours égale à l'unité :
p
∑ COS 2 ( j , α ) = 1
α =1
En ACP normée les variances sont égales à l'unité. Les cosinus carrés coïncideront avec le
carré des coordonnées des variables :
COS 2 ( j ,α ) = ϕ 2jα en ACP norme" e
Et dans tous le cas:
COS 2 ( j ,α ) = CORR 2 (VARIABLE, FACTEUR )
La contribution d’une variable à l'inertie d'un axe est la part de l'inertie de l'axe due à la
variable. L'inertie sur un axe s’écrit :
p
λα = ∑ ϕ 2j α
j=1
La contribution d'une variable à la construction de l’axe est:
CTR( j,α ) =
ϕ 2jα
=
( λα u jα )
2
= u 2jα
λα λα
Or u jα est la coordonnée de l’ancien axe unitaire porteur de la variable j sur l’axe factoriel
α . On a donc le résultat suivant:
CTR( j ,α ) = ( ANCIEN AXE UNIT.)2
Pour connaître la contribution d'une variable à la formation d'un axe, il suffit d'élever au carré
chaque composante du vecteur u. Ces contributions indiquent quelles variables sont
responsables de la formation des axes. L'addition de toutes les contributions sur un axe est
égale à 1 (ou 100 en pourcentage).
p
∑ CTR ( j , α ) = 100
j =1
Les composantes de u donnent également les combinaisons linéaires des variables d'origine
qui définissent les nouvelles variables de variance maximale. Par exemple, l'expression de la
première composante sera:
Ψ1 = −0.30 z INST − 0.30 zCHAU − 0.29 z MECA − 0.28 z MANO − 0.30 zOUTI
− 0.27 zCUIS − 0.26 zCHEF − 0.28 z INGE − 0.28 zCAIS − 0.31zSECR
− 0.30 zVEND − 0.29 zOUVR
Où z indique la valeur de la variable centrée et réduite (car nous sommes en ACP normée).
La première composante est définie ici par des coefficients similaires entre eux, et définit
donc une variable proche de la moyenne des salaires.
Ces composantes ujα définissent aussi la projection des anciens axes unitaires sur les
nouveaux axes obtenus.
55
9. COPRI-7 : Coordonnées, Corrélations des variables illustratives

avec les 5 premiers axes
Cette sortie présente les coordonnées factorielles des variables continues illustratives ainsi
que leur corrélation avec les 5 premiers axes de l’analyse. Du fait de l’analyse normée, les
corrélations coïncident avec les coordonnées. Nous ne présenterons donc dans le tableau
suivant que les corrélations des variables illustratives avec les 5 premiers axes.
Les variables continues illustratives sont positionnées en utilisant les mêmes formules que
pour les variables actives. Dans le cas de l'ACP normée, on utilise la corrélation avec les
composantes principales.
Dans le cas d’une ACP non normée, il suffit de multiplier la corrélation par l’écart-type de la
variable.
La position des variables par rapport aux axes factoriels s'interprète comme pour les
variables actives.
La position d'une variable illustrative dans le plan factoriel permet de visualiser la relation de
la variable avec l'ensemble des variables actives par l'intermédiaire des axes factoriels.
On notera cependant qu'aucune distance n'a été définie entre deux variables illustratives.
Leurs positions relatives ne présupposent aucune corrélation entre ces variables.
Cependant, dans la mesure où les variables illustratives sont bien représentées sur le
premier plan factoriel et proches l'une de l'autre, on peut attendre que la similitude de leurs
corrélations avec les axes (similitude de leurs coordonnées) soit la conséquence d'une forte
corrélation entre elles.
Corrélations des variables illustratives avec les facteurs
I_prix sans loyer -0,68 0,05 -0,02 -0,09 -0,27
I_prix avec loyer -0,68 0,10 -0,04 -0,15 -0,17
I_salaires bruts -0,95 -0,19 -0,04 -0,04 -0,07
I_salaires nets -0,98 -0,13 -0,02 -0,01 -0,02
Heures travail annuelles 0,33 0,30 0,14 0,10 0,16
Vacances annuelles payees 0,03 0,27 -0,24 0,13 -0,08
Pouvoir d'achat brut -0,87 -0,26 0,01 -0,08 0,05
Pouvoir d'achat net -0,90 -0,20 0,03 -0,05 0,11
Kg pain=temps de travail 0,55 -0,03 -0,12 0,07 -0,03
Hamb=temps de travail 0,52 -0,03 -0,12 0,15 -0,01
Denrées alimentaires -0,58 0,06 -0,01 0,04 -0,25
Panier complet -0,69 0,05 -0,02 -0,10 -0,27
Dames vetements -0,50 0,24 0,12 -0,11 -0,19
Hommes vetements -0,54 0,30 0,28 -0,18 -0,10
4pièces appart meublé -0,14 0,24 -0,07 -0,21 0,24
3pièces appart non meublé -0,01 0,11 -0,19 -0,17 0,18
Loyer normale -0,62 0,14 -0,05 -0,09 0,14
Appareils ménagers 0,11 0,09 -0,17 0,10 -0,45
Bus tram ou metro -0,69 -0,21 -0,01 -0,21 -0,19
Taxi -0,72 -0,14 -0,20 -0,01 -0,23
Voitures 0,02 -0,05 -0,18 -0,23 0,04
Restaurant -0,49 0,01 0,02 -0,25 0,03
Nuit d'hôtel -0,42 0,19 -0,24 -0,13 -0,31
Services diverses -0,78 0,00 -0,02 -0,21 -0,23
Impots et cotisations sociales en % salaire brut -0,41 -0,44 -0,09 -0,18 -0,25
Salaire horaire net -0,98 -0,14 -0,02 -0,01 -0,03
Interprétation
Sur le premier axe factoriel, même si les corrélations avec les variables "indice des prix" sont
relativement plus faibles que les corrélations avec les "indices de salaire", ce sont ces
mêmes villes, les plus chères, qui ont le meilleur pouvoir d'achat.
56
10. COPRI-8 : Matrice des corrélations permutée suivant le premier

facteur
On édite dans cette sortie la matrice des corrélations entre les variables actives ordonnées
selon leur coordonnée sur le premier axe factoriel de l'analyse.
Matrice des corrélations permutée suivant le premier facteur
Manoeuvre
Secrétaire Chauffeur Ouvrière Mécanicie Caissier Cuisinier Chef de
Vendeuse Tourneur Instituteur Ingeniéur du
direction d'autobus du textile n autos de banque chef service
bâtiment
Secrétaire direction 1,00
Vendeuse 0,94 1,00
Chauffeur d'autobus 0,93 0,89 1,00
Tourneur 0,92 0,88 0,94 1,00
Instituteur 0,92 0,88 0,96 0,91 1,00
Ouvrière du textile 0,93 0,89 0,92 0,94 0,88 1,00
Mécanicien autos 0,88 0,89 0,89 0,93 0,84 0,89 1,00
Ingeniéur 0,87 0,85 0,82 0,80 0,81 0,81 0,74 1,00
Manoeuvre du 0,86 0,86 0,88 0,93 0,83 0,92 0,95 0,70 1,00
Caissier de banque 0,87 0,85 0,80 0,72 0,82 0,73 0,70 0,85 0,64 1,00
Cuisinier chef 0,80 0,85 0,76 0,76 0,75 0,71 0,80 0,82 0,72 0,79 1,00
Chef de service 0,80 0,79 0,74 0,69 0,78 0,65 0,64 0,87 0,59 0,89 0,82 1,00
11. COPRI-9 : Coordonnées, Contributions, Cosinus Carrés des

individus actifs
11.1 Coordonnées des individus actifs
Le tableau ci-après donne les coordonnées des individus actifs. Par défaut, le logiciel édite
• Identificateur : identifiant de l’individu
• Poids relatif : indique le poids donné à chaque ville, dans ce cas uniforme
(1.96=100/51).
• Distance à l'origine : carré de la distance de la ville au centre de gravité de toutes les
villes. Cette colonne permet de trouver facilement quelles sont les villes les plus
“moyennes” (les plus proches du centre de gravité), comme Helsinki, et celles qui sont
les plus “originales” (celles qui sont à plus grande distance du centre de gravité), comme
Zurich ou Tokyo. La distance au centre est en quelque sorte un critère “d’originalité” de
l’élément.
• Axe 1 – Axe 5 : coordonnées obtenues par projection des villes sur les axes factoriels.
La représentation sur le premier plan factoriel est obtenue à partir des coordonnées sur
les deux premiers facteurs (axe1 et axe2).
57
Coordonnées des individus actifs

Poids Distance à
Identificateur Axe 1 Axe 2 Axe 3 Axe 4 Axe 5
relatif l'origine
AbuDhabi94 1,96 27,16 -2,17 4,61 0,75 -0,42 0,18
Amsterdam94 1,96 3,22 -1,58 -0,36 -0,58 -0,22 0,12
Athenes94 1,96 4,24 1,91 -0,51 -0,08 0,17 -0,04
Bangkok94 1,96 9,87 2,97 0,82 -0,22 -0,10 0,25
Bogota94 1,96 7,14 2,47 0,66 0,14 -0,31 0,26
Bombay94 1,96 21,11 4,56 -0,31 -0,26 0,28 0,02
Bruxelles94 1,96 0,74 -0,61 -0,17 0,25 -0,12 -0,26
Budapest94 1,96 17,74 4,19 -0,24 -0,16 0,28 0,01
BuenosAires94 1,96 5,39 0,89 1,23 -0,31 -0,20 -1,59
Caracas94 1,96 18,07 4,24 -0,06 -0,01 0,04 0,07
Chicago94 1,96 23,64 -4,42 -1,25 0,41 0,61 1,08
Copenhague94 1,96 7,43 -2,37 -0,83 0,74 -0,42 -0,49
Dublin94 1,96 0,79 0,27 -0,19 -0,63 -0,22 -0,10
Dusseldorf94 1,96 8,32 -2,72 0,24 -0,64 0,08 0,21
Frankfurt94 1,96 10,12 -3,05 0,63 -0,25 -0,01 0,15
Geneve94 1,96 42,20 -6,36 -0,30 -0,75 0,76 -0,40
Helsinki94 1,96 0,49 -0,03 -0,51 -0,03 -0,05 -0,04
Hongkong94 1,96 3,61 1,03 0,54 -0,57 -0,73 0,49
Houston94 1,96 15,21 -3,45 -0,78 1,37 -0,23 0,04
Jakarta94 1,96 16,92 4,08 -0,20 -0,11 0,21 0,14
Johannesburg94 1,96 4,88 2,08 -0,02 -0,12 -0,20 0,12
Lagos94 1,96 23,54 4,81 -0,43 -0,34 0,25 -0,04
Lisboa94 1,96 5,00 2,17 -0,28 -0,14 0,09 -0,21
London94 1,96 0,76 0,02 -0,63 -0,19 -0,21 0,18
LosAngeles94 1,96 18,89 -3,64 -1,80 -0,34 -1,09 0,33
Luxembourg94 1,96 32,79 -5,24 0,69 -1,91 -0,09 0,78
Madrid94 1,96 0,89 0,06 0,00 0,32 0,09 -0,27
Manama94 1,96 7,17 0,82 2,05 0,70 0,81 0,62
Manila94 1,96 16,51 4,05 -0,03 -0,10 0,19 0,12
Mexico94 1,96 8,63 2,83 -0,07 0,12 -0,32 0,25
Milan94 1,96 0,69 -0,02 -0,34 0,22 -0,14 -0,37
Montreal94 1,96 5,68 -2,17 -0,77 0,40 -0,09 -0,20
Nairobi94 1,96 23,45 4,82 -0,26 -0,20 0,25 0,03
NewYork94 1,96 23,01 -4,60 -0,30 0,99 -0,35 0,35
Nicosia94 1,96 3,56 1,78 -0,27 -0,27 0,26 0,10
Oslo94 1,96 3,98 -1,66 -0,73 0,02 -0,37 -0,38
Panama94 1,96 5,97 2,22 0,62 0,02 0,20 -0,33
Paris94 1,96 5,31 -1,65 1,41 0,07 -0,53 -0,05
Prague94 1,96 18,69 4,29 -0,31 -0,13 0,36 0,01
RiodeJaneiro94 1,96 12,22 3,40 0,28 -0,41 0,02 -0,05
SaoPaulo94 1,96 10,33 3,18 -0,01 -0,13 0,04 0,11
Seoul94 1,96 0,69 0,61 -0,04 0,01 0,21 -0,32
Singapore94 1,96 2,64 1,16 -0,16 -0,32 -0,69 0,18
Stockholm94 1,96 2,16 -0,67 -0,98 0,13 -0,19 -0,51
Sidney94 1,96 0,62 -0,03 -0,21 0,32 0,20 -0,33
Taipei94 1,96 6,07 -1,64 -0,27 1,36 1,02 0,10
Tel-Aviv94 1,96 3,35 1,41 0,00 0,98 0,15 0,25
Tokyo94 1,96 46,73 -6,72 0,72 0,13 0,05 -0,47
Toronto94 1,96 4,86 -1,77 -1,06 0,57 0,16 0,20
Vienna94 1,96 4,07 -1,86 -0,11 0,36 -0,61 0,02
Zurich94 1,96 65,45 -7,90 0,29 -1,18 1,12 -0,33
Interprétation
Le premier axe oppose les villes Zurich, Tokyo, Genève et Luxembourg d’une part aux villes
Manila, Jakarta, Budapest, Caracas, Prague, Bombay, Lagos et Nairobi. Les villes dont les
coordonnées sont proches de zéro pour l’axe 1 sont proches du centre de gravité et peuvent
donc être considérées comme des villes moyennes de cet axe d’information.
Remarque : le sens d'un axe factoriel est arbitraire : seule la direction compte. On change le
sens d'un axe en inversant les signes de toutes les coordonnées. Graphiquement, cela
signifie que toutes les symétries sont autorisées : l'utilisateur choisit la représentation qui lui
convient le mieux.
11.2 Contributions des individus actifs

Le tableau ci-après donne les contributions des individus actifs à la création des cinq
premiers axes factoriels.
(1.96=100/51).
l’élément.
58
• Axe 1 – Axe 5 : contributions (en pourcentage) des villes à l'inertie portée par chaque
axe. Nous pouvons mesurer la part d'inertie d'un point-ligne par le quotient :
piψ i2α
CTR (i,α ) = ×100
λα
Il s'agit de la contribution du point i à la fabrication de l'axe α avec : Pi le poids de i (1/51),
Ψiα la coordonnées de l’individu i sur l’axe α et λα la valeur propre de l’axe α.
Contributions des individus actifs

Poids Distance à
relatif l'origine
AbuDhabi94 1,96 27,16 0,91 48,42 3,41 2,06 0,43
Amsterdam94 1,96 3,22 0,48 0,29 2,02 0,56 0,20
Athenes94 1,96 4,24 0,71 0,58 0,03 0,35 0,03
Bangkok94 1,96 9,87 1,71 1,53 0,29 0,11 0,84
Bogota94 1,96 7,14 1,18 0,99 0,11 1,11 0,88
Bombay94 1,96 21,11 4,03 0,22 0,39 0,91 0,00
Bruxelles94 1,96 0,74 0,07 0,07 0,38 0,16 0,88
Budapest94 1,96 17,74 3,39 0,13 0,16 0,89 0,00
BuenosAires94 1,96 5,39 0,15 3,43 0,58 0,45 33,49
Caracas94 1,96 18,07 3,48 0,01 0,00 0,02 0,07
Chicago94 1,96 23,64 3,77 3,55 1,03 4,23 15,44
Copenhague94 1,96 7,43 1,09 1,58 3,27 2,03 3,11
Dublin94 1,96 0,79 0,01 0,08 2,39 0,56 0,14
Dusseldorf94 1,96 8,32 1,43 0,13 2,47 0,08 0,57
Frankfurt94 1,96 10,12 1,80 0,90 0,37 0,00 0,31
Geneve94 1,96 42,20 7,82 0,21 3,38 6,55 2,13
Helsinki94 1,96 0,49 0,00 0,60 0,01 0,02 0,02
Hongkong94 1,96 3,61 0,21 0,66 1,98 6,05 3,22
Houston94 1,96 15,21 2,30 1,37 11,29 0,60 0,02
Jakarta94 1,96 16,92 3,22 0,09 0,07 0,51 0,28
Johannesburg94 1,96 4,88 0,84 0,00 0,09 0,44 0,18
Lagos94 1,96 23,54 4,47 0,42 0,70 0,72 0,02
Lisboa94 1,96 5,00 0,91 0,18 0,12 0,09 0,57
London94 1,96 0,76 0,00 0,91 0,21 0,50 0,44
LosAngeles94 1,96 18,89 2,57 7,39 0,72 13,71 1,43
Luxembourg94 1,96 32,79 5,30 1,07 22,14 0,09 8,03
Madrid94 1,96 0,89 0,00 0,00 0,61 0,10 0,96
Manama94 1,96 7,17 0,13 9,60 2,92 7,47 5,08
Manila94 1,96 16,51 3,17 0,00 0,06 0,43 0,18
Mexico94 1,96 8,63 1,55 0,01 0,09 1,20 0,81
Milan94 1,96 0,69 0,00 0,26 0,29 0,22 1,85
Montreal94 1,96 5,68 0,91 1,34 0,97 0,09 0,52
Nairobi94 1,96 23,45 4,50 0,15 0,23 0,72 0,01
NewYork94 1,96 23,01 4,09 0,20 5,96 1,43 1,66
Nicosia94 1,96 3,56 0,61 0,16 0,44 0,80 0,14
Oslo94 1,96 3,98 0,53 1,21 0,00 1,57 1,89
Panama94 1,96 5,97 0,96 0,88 0,00 0,44 1,45
Paris94 1,96 5,31 0,53 4,50 0,03 3,26 0,03
Prague94 1,96 18,69 3,56 0,22 0,11 1,49 0,00
RiodeJaneiro94 1,96 12,22 2,24 0,18 1,00 0,00 0,03
SaoPaulo94 1,96 10,33 1,96 0,00 0,11 0,02 0,17
Seoul94 1,96 0,69 0,07 0,00 0,00 0,53 1,35
Singapore94 1,96 2,64 0,26 0,06 0,63 5,45 0,41
Stockholm94 1,96 2,16 0,09 2,20 0,10 0,43 3,49
Sidney94 1,96 0,62 0,00 0,10 0,64 0,48 1,40
Taipei94 1,96 6,07 0,52 0,17 11,16 11,93 0,13
Tel-Aviv94 1,96 3,35 0,38 0,00 5,76 0,27 0,84
Tokyo94 1,96 46,73 8,72 1,18 0,11 0,03 2,89
Toronto94 1,96 4,86 0,60 2,53 1,95 0,28 0,52
Vienna94 1,96 4,07 0,67 0,03 0,80 4,29 0,00
Zurich94 1,96 65,45 12,08 0,20 8,44 14,28 1,44
Interprétation
Les contributions des points-lignes servent à détecter les villes qui contribuent le plus à la
formation des axes factoriels.
Si toutes les villes avaient la même contribution, celle-ci devrait osciller autour de 2%
(100/51). Les villes avec des contributions supérieures à 2% ont une influence supérieure à
la moyenne.
Quand la valeur d'une contribution est-elle "élevée"?
La réponse n'est pas simple. Une contribution sera jugée élevée quand, en la comparant au
reste des contributions, elle aura une valeur "anormalement" grande.
Par exemple, la ville qui contribue le plus au second axe est Abu Dhabi (48%). Presque la
moitié de l'inertie de cet axe est due à une seule ville. Cette ville est clairement influente pour
la fabrication de cet axe.
Tous les points actifs interviennent dans la fabrication d'un axe. On vérifie donc que l'addition
de toutes les contributions sur un axe est 100.
n
∑ CTR (i , α ) = 100
i=1
59
11.3 Cosinus Carrés des individus actifs

Le tableau ci-après donne les cosinus carrés des individus actifs pour les cinq premiers axes
factoriels.
(1.96=100/51).
l’élément.
• Axe 1 – Axe 5 : cosinus carrés, utilisables pour apprécier la qualité du positionnement
des points en représentation factorielle comparé à leur configuration réelle. Un cosinus
carré égal à 1 indique que la ville se trouve située sur l'axe. Un cosinus carré égal à 0
indique que la ville est dans une direction orthogonale à l'axe.
Cosinus carrés des individus actifs

Poids Distance à
relatif l'origine
AbuDhabi94 1,96 27,16 0,17 0,78 0,02 0,01 0,00
Amsterdam94 1,96 3,22 0,77 0,04 0,10 0,02 0,00
Athenes94 1,96 4,24 0,86 0,06 0,00 0,01 0,00
Bangkok94 1,96 9,87 0,89 0,07 0,00 0,00 0,01
Bogota94 1,96 7,14 0,86 0,06 0,00 0,01 0,01
Bombay94 1,96 21,11 0,99 0,00 0,00 0,00 0,00
Bruxelles94 1,96 0,74 0,50 0,04 0,08 0,02 0,09
Budapest94 1,96 17,74 0,99 0,00 0,00 0,00 0,00
BuenosAires94 1,96 5,39 0,15 0,28 0,02 0,01 0,47
Caracas94 1,96 18,07 1,00 0,00 0,00 0,00 0,00
Chicago94 1,96 23,64 0,82 0,07 0,01 0,02 0,05
Copenhague94 1,96 7,43 0,76 0,09 0,07 0,02 0,03
Dublin94 1,96 0,79 0,10 0,05 0,50 0,06 0,01
Dusseldorf94 1,96 8,32 0,89 0,01 0,05 0,00 0,01
Frankfurt94 1,96 10,12 0,92 0,04 0,01 0,00 0,00
Geneve94 1,96 42,20 0,96 0,00 0,01 0,01 0,00
Helsinki94 1,96 0,49 0,00 0,53 0,00 0,00 0,00
Hongkong94 1,96 3,61 0,30 0,08 0,09 0,15 0,07
Houston94 1,96 15,21 0,78 0,04 0,12 0,00 0,00
Jakarta94 1,96 16,92 0,98 0,00 0,00 0,00 0,00
Johannesburg94 1,96 4,88 0,88 0,00 0,00 0,01 0,00
Lagos94 1,96 23,54 0,98 0,01 0,00 0,00 0,00
Lisboa94 1,96 5,00 0,94 0,02 0,00 0,00 0,01
London94 1,96 0,76 0,00 0,52 0,05 0,06 0,04
LosAngeles94 1,96 18,89 0,70 0,17 0,01 0,06 0,01
Luxembourg94 1,96 32,79 0,84 0,01 0,11 0,00 0,02
Madrid94 1,96 0,89 0,00 0,00 0,11 0,01 0,08
Manama94 1,96 7,17 0,09 0,59 0,07 0,09 0,05
Manila94 1,96 16,51 0,99 0,00 0,00 0,00 0,00
Mexico94 1,96 8,63 0,93 0,00 0,00 0,01 0,01
Milan94 1,96 0,69 0,00 0,17 0,07 0,03 0,20
Montreal94 1,96 5,68 0,83 0,10 0,03 0,00 0,01
Nairobi94 1,96 23,45 0,99 0,00 0,00 0,00 0,00
NewYork94 1,96 23,01 0,92 0,00 0,04 0,01 0,01
Nicosia94 1,96 3,56 0,89 0,02 0,02 0,02 0,00
Oslo94 1,96 3,98 0,69 0,13 0,00 0,03 0,04
Panama94 1,96 5,97 0,83 0,06 0,00 0,01 0,02
Paris94 1,96 5,31 0,51 0,37 0,00 0,05 0,00
Prague94 1,96 18,69 0,98 0,01 0,00 0,01 0,00
RiodeJaneiro94 1,96 12,22 0,95 0,01 0,01 0,00 0,00
SaoPaulo94 1,96 10,33 0,98 0,00 0,00 0,00 0,00
Seoul94 1,96 0,69 0,54 0,00 0,00 0,07 0,15
Singapore94 1,96 2,64 0,51 0,01 0,04 0,18 0,01
Stockholm94 1,96 2,16 0,21 0,45 0,01 0,02 0,12
Sidney94 1,96 0,62 0,00 0,07 0,17 0,07 0,17
Taipei94 1,96 6,07 0,45 0,01 0,30 0,17 0,00
Tel-Aviv94 1,96 3,35 0,59 0,00 0,29 0,01 0,02
Tokyo94 1,96 46,73 0,97 0,01 0,00 0,00 0,00
Toronto94 1,96 4,86 0,64 0,23 0,07 0,01 0,01
Vienna94 1,96 4,07 0,85 0,00 0,03 0,09 0,00
Zurich94 1,96 65,45 0,95 0,00 0,02 0,02 0,00
Interprétation
Les images obtenues (plans factoriels) sont des approximations de la configuration réelle. Il
y aura des distances entre couples de points bien représentées, tandis que d'autres ne
reflèteront pas fidèlement la distance réelle entre les points.
Si deux points sont proches du plan factoriel, alors la distance représentée sera une bonne
approximation à la distance réelle. Mais si au moins un point est éloigné du plan de
projection, alors la distance réelle peut être différente de celle représentée sur le plan.
Cette proximité du plan factoriel de projection est mesurée par les cosinus carrés de chaque
point avec les axes factoriels.
60
ψ2
COS 2 (i ,α ) = 2 iα
d (i , G )
Un cosinus carré égal à 1 indique que la ville se trouve située sur l'axe (l'angle ω est nul). Un
cosinus carré égal à 0 indique que la ville est dans une direction orthogonale à l'axe.
En additionnant les cosinus carrés par rapport aux p axes factoriels, nous obtiendrons l'unité,
car il faut utiliser tous les axes factoriels pour positionner exactement le point dans l'espace
complet.
p
∑ COS 2 (i , α ) = 1
α =1
L'addition des cosinus carrés d'un point sur différents axes donne, en pourcentage, la
"qualité" de la représentation du point sur le sous-espace défini par ces axes.
A partir de quelle valeur des cosinus carrés dira-t-on qu'un point est "bien représenté" sur le
plan factoriel?
Comme pour les contributions, la question n'est pas simple. On appréciera une valeur par
rapport à l'ensemble des autres valeurs. Nous devrons comparer les cosinus carrés (ou leur
somme sur les deux premiers axes si nous travaillons sur le premier plan factoriel) pour
pouvoir répondre à cette question.
Dans notre exemple, les villes sont en général bien représentées dans les deux premiers
axes (avec une somme des cosinus carrés proche de 1). Seules Dublin, Madrid, Sidney ou
Milan, proches du centre, sont mal représentées sur le premier plan. Bombay ou Caracas et
d'une façon générale les points excentrés, sont bien représentés
Les villes les moins bien représentées dans le premier plan factoriel sont des villes
“moyennes” (proches du centre). On ne peut interpréter avec sécurité les proximités entre
les villes que si elles sont bien représentées dans le plan factoriel.
12. COPRI-10 : Coordonnées, Cosinus Carrés des individus

illustratifs
12.1 Coordonnées des individus illustratifs
(1.96=100/51).
l’élément.
• Axe 1 – Axe 5 : coordonnées obtenues par projection des villes sur les axes factoriels.
La représentation sur le premier plan factoriel est obtenue à partir des coordonnées sur
les deux premiers facteurs (axe1 et axe2).
61

Coordonnées des individus illustratifs
Poids Distance à
relatif l'origine
AbuDhabi91 1,96 0,00 0,00 0,00 0,00 0,00 0,00
Amsterdam91 1,96 0,59 -0,19 -0,46 -0,07 -0,22 -0,17
Athenes91 1,96 4,19 1,81 -0,55 0,41 0,09 0,30
Bangkok91 1,96 0,00 0,00 0,00 0,00 0,00 0,00
Bogota91 1,96 12,34 3,41 0,16 0,61 -0,09 0,34
Bombay91 1,96 20,98 4,55 -0,33 -0,24 0,24 0,02
Bruxelles91 1,96 0,41 -0,23 0,02 0,31 -0,13 -0,09
Budapest91 1,96 0,00 0,00 0,00 0,00 0,00 0,00
BuenosAires91 1,96 11,95 3,25 0,67 -0,15 0,03 0,32
Caracas91 1,96 14,47 3,71 0,05 0,61 0,34 0,18
Chicago91 1,96 7,58 -2,20 -1,04 0,45 -0,25 0,79
Copenhague91 1,96 3,63 -1,53 -0,77 0,45 -0,52 -0,37
Dublin91 1,96 0,75 0,48 -0,13 -0,50 -0,22 -0,05
Dusseldorf91 1,96 4,55 -1,76 0,37 -0,16 -0,55 0,71
Frankfurt91 1,96 3,63 -1,34 0,20 -0,76 -0,07 0,51
Geneve91 1,96 30,75 -5,36 -0,31 0,04 0,39 0,35
Helsinki91 1,96 3,11 -1,52 -0,80 0,23 -0,05 -0,07
Hongkong91 1,96 1,53 1,01 -0,14 -0,05 0,32 0,22
Houston91 1,96 1,17 0,25 -0,71 0,48 -0,12 0,15
Jakarta91 1,96 18,96 4,32 0,21 0,09 0,30 0,18
Johannesburg91 1,96 5,41 2,19 -0,17 0,01 0,10 0,21
Interprétation
L’interprétation des coordonnées des individus illustratifs se fait de la même manière que
pour les individus actifs.
Dans le tableau ci-dessus, on constate que les villes Abudhabi, Bangkok et Budapest
présentent une distance nulle à l’origine.
En effet, ces villes n’étaient pas renseignées pour les variables actives sélectionnées. SPAD
remplace automatiquement toute donnée manquante par la moyenne de la variable
correspondante. Ces villes se sont donc vues affecter la valeur moyenne pour chaque
variable active de l’analyse. Il est donc normal qu’elles soient confondues avec le centre de
gravité du nuage.
12.2 Cosinus Carrés des individus illustratifs

factoriels.
(1.96=100/51).
l’élément.
carré égal à 1 indique que la ville se trouve située sur l'axe. Un cosinus carré égal à 0
indique que la ville est dans une direction orthogonale à l'axe.
62
Cosinus carrés des individus illustratifs

Poids Distance à
relatif l'origine
AbuDhabi91 1,96 0,00 0,00 0,00 0,00 0,00 0,00
Amsterdam91 1,96 0,59 0,06 0,35 0,01 0,08 0,05
Athenes91 1,96 4,19 0,79 0,07 0,04 0,00 0,02
Bangkok91 1,96 0,00 0,00 0,00 0,00 0,00 0,00
Bogota91 1,96 12,34 0,94 0,00 0,03 0,00 0,01
Bombay91 1,96 20,98 0,99 0,01 0,00 0,00 0,00
Bruxelles91 1,96 0,41 0,12 0,00 0,23 0,04 0,02
Budapest91 1,96 0,00 0,00 0,00 0,00 0,00 0,00
BuenosAires91 1,96 11,95 0,88 0,04 0,00 0,00 0,01
Caracas91 1,96 14,47 0,95 0,00 0,03 0,01 0,00
Chicago91 1,96 7,58 0,64 0,14 0,03 0,01 0,08
Copenhague91 1,96 3,63 0,65 0,16 0,06 0,07 0,04
Dublin91 1,96 0,75 0,31 0,02 0,33 0,07 0,00
Dusseldorf91 1,96 4,55 0,68 0,03 0,01 0,07 0,11
Frankfurt91 1,96 3,63 0,49 0,01 0,16 0,00 0,07
Geneve91 1,96 30,75 0,94 0,00 0,00 0,00 0,00
Helsinki91 1,96 3,11 0,74 0,20 0,02 0,00 0,00
Hongkong91 1,96 1,53 0,67 0,01 0,00 0,06 0,03
Houston91 1,96 1,17 0,05 0,43 0,19 0,01 0,02
Jakarta91 1,96 18,96 0,99 0,00 0,00 0,00 0,00
Johannesburg91 1,96 5,41 0,88 0,01 0,00 0,00 0,01
Interprétation
On procède de la même manière que pour les individus actifs.
Nous sommes en présence d’un cas particulier avec les villes confondues avec l’origine :
Abudhabi, Bangkok et Budapest. On ne peut pas calculer leurs cosinus carrés puisque leur
distance à l’origine est nulle tout comme leurs coordonnées (par définition). Or le cosinus
carré s’obtient par le quotient de la coordonnée au carré sur la distance à l’origine au carré.
13. COPRI-11 : Coordonnées des modalités illustratives

Le tableau ci-après donne les coordonnées des modalités illustratives. Par défaut, le logiciel
édite ces valeurs sur les 5 premiers axes.
• Libellé : libellé complet de la modalité.
• Effectif : effectif de la modalité.
• Poids absolu : poids de chaque modalité. Le poids des individus est ici uniforme et égal
à 1.
• Distance à l'origine : carré de la distance de la modalité au centre de gravité de toutes
les villes. Cette colonne permet de trouver facilement quelles sont les modalités les plus
“moyennes” (les plus proches du centre de gravité), comme l’Europe du Nord ou l’Europe
du Sud, et celles qui sont les plus “originales” (celles qui sont à plus grande distance du
centre de gravité), comme l’Europe Centrale, l’Afrique et l’Europe Orientale. La distance
au centre est en quelque sorte un critère “d’originalité” de la modalité.
• Axe 1 – Axe 5 : coordonnées des modalités illustratives sur les 5 premiers axes.
Une modalité illustrative est positionnée comme point moyen des individus actifs qui la
composent. Ainsi, sur l’axe 1, la coordonnée de la modalité Europe du Nord correspond à
la moyenne pondérée des coordonnées des 6 villes qu’elle englobe : Dublin, Stockholm,
London, Copenhague, Oslo, Helsinki. Dans le cas présent, le poids des ville est
uniforme.
63
Coordonnées des modalités illustratives

Poids Distance à
Libellé Effectif Axe 1 Axe 2 Axe 3 Axe 4 Axe 5
absolu l'origine
Region du monde
NORD EUROPE 6 6,00 1,17305 -0,74 -0,65 0,01 -0,24 -0,22
CENTRAL EUROPE 9 9,00 12,19330 -3,44 0,26 -0,51 0,04 0,03
SUD EUROPE 5 5,00 1,61787 1,18 -0,28 0,01 0,10 -0,16
AFRIQUE 3 3,00 15,41930 3,90 -0,24 -0,22 0,10 0,04
EST ASIE 5 5,00 1,43674 -1,11 0,16 0,12 -0,03 0,00
SUD ASIE ET AUSTRALI 5 5,00 9,83115 3,13 0,01 -0,07 0,16 0,04
NORD AMERIQUE 7 7,00 7,19935 -2,46 -0,86 0,50 -0,19 0,29
SUD AMERIQUE 6 6,00 7,83858 2,74 0,45 -0,12 -0,04 -0,25
PROCHE ORIENT 3 3,00 5,76941 0,02 2,22 0,81 0,18 0,35
EUROPE ORIENTAL 2 2,00 18,20720 4,24 -0,28 -0,15 0,32 0,01
Interprétation
L’axe 1 oppose les régions Europe Orientale, Afrique, Asie du Sud et Australie, Amérique du
Sud aux régions Europe Centrale et Amérique du Nord.
L’axe 2 oppose la région Proche Orient à toutes les autres.
14. COPRI-12 : Valeurs-tests des modalités illustratives

Le tableau ci-après donne les coordonnées des modalités illustratives. Par défaut, le logiciel
à 1.
• Distance à l'origine : carré de la distance de la modalité au centre de gravité de toutes
les villes. Cette colonne permet de trouver facilement quelles sont les modalités les plus
“moyennes” (les plus proches du centre de gravité), comme l’Europe du Nord ou l’Europe
du Sud, et celles qui sont les plus “originales” (celles qui sont à plus grande distance du
centre de gravité), comme l’Europe Centrale, l’Afrique et l’Europe Orientale. La distance
au centre est en quelque sorte un critère “d’originalité” de la modalité.
• Axe 1 – Axe 5 : valeur-test associée au positionnement de la modalité illustrative sur
l'axe par rapport au centre de gravité du nuage.
Pour un axe donnée et une modalité, on s’intéresse à l'écart entre la moyenne des
coordonnées des individus (de la modalité) et la moyenne générale (qui est nulle ici).
Plus cet écart est "significatif", plus la modalité a une position intéressante dans le plan.
Plus la v-test est grande (en valeur absolue), plus il est clair que le groupe d'individus
occupe une position significative et caractérise la zone du graphique où il se trouve.
Au seuil 5%, on considère qu’un groupe d'individus défini par une modalité est
significativement différent des autres individus lorsque sa valeur-test est supérieure à 2
en valeur absolue.
64
Valeurs-Tests des modalités illustratives

Poids Distance à
absolu l'origine
Region du monde
NORD EUROPE 6 6,00 1,17305 -0,60 -1,80 0,03 -1,52 -1,50
CENTRAL EUROPE 9 9,00 12,19330 -3,54 0,90 -2,95 0,33 0,23
SUD EUROPE 5 5,00 1,61787 0,86 -0,70 0,04 0,54 -0,96
AFRIQUE 3 3,00 15,41930 2,17 -0,45 -0,68 0,43 0,17
EST ASIE 5 5,00 1,43674 -0,81 0,40 0,50 -0,15 -0,02
SUD ASIE ET AUSTRALI 5 5,00 9,83115 2,29 0,04 -0,29 0,89 0,25
NORD AMERIQUE 7 7,00 7,19935 -2,18 -2,61 2,49 -1,29 2,15
SUD AMERIQUE 6 6,00 7,83858 2,22 1,26 -0,53 -0,23 -1,71
PROCHE ORIENT 3 3,00 5,76941 0,01 4,23 2,51 0,77 1,61
EUROPE ORIENTAL 2 2,00 18,20720 1,90 -0,43 -0,37 1,10 0,04
Interprétation
Sur l’axe 1, on constate que les régions Europe Centrale, Afrique, Asie du Sud et Australie,
Amérique du Nord, Amérique du Sud occupent une position significativement différente de la
moyenne.
65
Analyse des correspondances binaires (CORBI)
Cette procédure effectue l'analyse des correspondances d'un tableau de contingence ou, de
façon plus générale, de tout tableau de nombres non négatifs.
Les éléments en colonnes seront toujours appelées "fréquences" et les éléments en lignes
des "individus" ou des "lignes".
Fichier utilisé : ALCOOL.SBA
Paramétrage de la méthode : Tous les individus (lignes) et toutes les fréquences
(colonnes) sont utilisés.
1. Présentation du tableau analysé
Nous effectuons l’analyse du tableau suivant auquel on a ajouté les marges. Il s’agit
d’étudier la perception de différentes boissons alcoolisées.
PASTIS WHISKY MARTINI SUZE VODKA GIN MALIBU BIERE Total
Aime le goût 49 50 42 18 25 23 25 59 291
Avec des amis 83 83 76 60 69 68 69 74 582
Pour se détendre 61 61 51 32 38 39 39 72 393
Qui revient cher 60 88 42 41 75 70 61 19 456
Rafraîchissante, désaltérante 78 22 18 19 17 19 14 80 267
Peu élégante, peu distinguée 26 11 13 17 13 11 13 29 133
Produit sympathique 64 64 56 34 45 42 46 68 419
Bien avant les repas 88 79 85 64 45 46 37 41 485
Bien dans la journée 24 21 12 10 13 12 13 85 190
Bien dans la soirée 7 61 12 11 53 50 48 54 296
Toute l'année 83 87 85 79 83 82 80 90 669
Appréciée des jeunes 45 77 36 16 65 69 76 89 473
Volontiers avec invités 88 92 87 60 70 67 67 81 612
Vieillotte, dépassée 12 4 13 38 5 6 8 7 93
Aussi bien hommes que femmes 50 62 69 43 49 51 61 60 445
Très proche 38 41 27 11 16 18 17 49 217
Par habitude 36 30 24 16 19 19 17 40 201
Fait snob, m'as-tu vu ? 3 35 9 8 28 25 21 4 133
On peut mélanger 43 87 29 32 82 80 43 40 436
La nuit/Bar/Disco 12 91 27 16 84 81 72 67 450
Total 950 1146 813 625 894 878 827 1108 7241
2. CORBI-1 : Tableau des valeurs-propres

Le tableau des valeurs propres est constitué de 4 colonnes.
• Numero : numéro de l’axe factoriel.
• Valeur propre : la valeur propre (inertie) associée à l’axe.
• Pourcentage : indique la part de la valeur propre (ou inertie) prise en compte sur l’axe
factoriel.
• Pourcentage cumulé : pourcentage cumulé des parts de valeurs propres sur les n
premiers axes.
Le nombre d’axes factoriels est égal au minimum entre le nombre de lignes et le nombre de
colonnes moins 1, soit Min{20, 8} – 1 = 7.
La somme des valeurs propres représente l’inertie totale du nuage. Elle correspond à la
statistique du khi-2. Appliquée à un tableau de contingence, cette statistique mesure l’écart
66
SPAD Version 5.0 Analyse des correspondances binaires (CORBI)
entre les effectifs observés et les effectifs théoriques que l’on obtiendrait en moyenne si les
deux variables étaient indépendantes.
Le logiciel édite l’ensemble des valeurs propres, soit 7 valeurs propres.

Valeur Pourcentage
Numéro Pourcentage
propre cumulé
1 0,0664 49,37 49,37
2 0,0449 33,34 82,72
3 0,0124 9,24 91,96
4 0,0069 5,14 97,09
5 0,0029 2,18 99,27
6 0,0008 0,63 99,90
7 0,0001 0,10 100,00
Interprétation
Le premier axe factoriel extrait près de la moitié de l’inertie totale. La part d’information
expliquée par le second axe est importante puisqu’elle représente un tiers de l’inertie totale.
Les trois premiers axes factoriels résument plus de 90% de l’inertie totale du nuage. On
pourra se servir des plans factoriels 1-2 et 2-3 pour la suite de l’analyse.
3. CORBI-2 : Coordonnées, Contributions, Cosinus Carrés des

fréquences actives
3.1 Coordonnées des fréquences actives
Le tableau ci-après donne les coordonnées des fréquences actives. Par défaut, le logiciel
• Libellé : libellé complet de la fréquence active
• Poids relatif : poids relatif de la fréquence active. Le poids relatif se calcule de la façon
suivante : (nq*100) / n avec nq l’effectif de la fréquence active et n l’effectif total. Par
exemple pour la fréquence active Pastis, P.REL = (950*100) / 7241 = 13,12.
• Distance à l'origine : carré de la distance de la fréquence active à l’origine. Cette
distance donne une idée du caractère périphérique de certains points (comme la
fréquence active « SUZE » pour laquelle DISTO = 0,2961).
• Axe 1 – Axe 5 : coordonnées des fréquences actives sur les premiers axes.
Coordonnées des fréquences actives

Poids Distance à
relatif l'origine
PASTIS 13,12 0,17452 0,36 0,05 -0,16 -0,11 0,04
WHISKY 15,83 0,05211 -0,19 -0,02 -0,09 0,02 -0,09
MARTINI 11,23 0,11073 0,17 0,21 -0,09 0,17 0,00
SUZE 8,63 0,29610 0,22 0,43 0,24 -0,05 -0,04
VODKA 12,35 0,09581 -0,30 0,00 0,01 -0,06 0,00
GIN 12,13 0,08348 -0,28 0,00 0,01 -0,06 0,01
MALIBU 11,42 0,06846 -0,21 -0,02 0,06 0,07 0,11
BIERE 15,30 0,23277 0,26 -0,39 0,10 0,02 -0,02
67
Le premier axe qui explique près de la moitié de l’information oppose les alcools PASTIS,
BIERE, SUZE, MARTINI aux alcools forts VODKA, GIN, MALIBU et WHISKY.
Le second axe qui explique un tiers de l’inertie totale oppose essentiellement la SUZE et le
MARTINI à la BIERE.
3.2 Contributions des fréquences actives

Le tableau ci-après donne les contributions des fréquences actives. Par défaut, le logiciel
• Libellé : libellé de la fréquence
• Distance à l'origine : carré de la distance de la fréquence active à l’origine. Cette
distance donne une idée du caractère périphérique de certains points (comme la
fréquence active « SUZE » pour laquelle DISTO = 0,2961).
• Axe 1 – Axe 5 : contributions (en pourcentage) des fréquences actives sur les 5 premiers
axes. Les contributions décrivent la part de chaque fréquence active dans l’inertie totale
de l’axe. Pour l’interprétation d’un axe, on sélectionne les modalités qui ont les plus fortes
contributions.
Nous pouvons mesurer la part d'inertie d'une fréquence active par le quotient :
p jψ 2jα
CTR ( j ,α ) = × 100
λα
Il s'agit de la contribution de la fréquence j à la fabrication de l'axe α avec : Pj le poids de j
(950/7241), Ψjα la coordonnées de la fréquence j sur l’axe α et λα la valeur propre de l’axe α.
La somme des contributions de toutes les fréquences actives sur un axe est égale à
100% (somme en colonne).
Contributions des fréquences actives

Poids Distance à
relatif l'origine
PASTIS 13,12 0,17452 26,26 0,61 26,53 23,53 8,31
WHISKY 15,83 0,05211 8,38 0,13 9,73 0,56 39,51
MARTINI 11,23 0,11073 4,87 10,53 7,24 49,75 0,03
SUZE 8,63 0,29610 6,30 35,59 40,71 3,23 3,86
VODKA 12,35 0,09581 16,75 0,00 0,03 7,21 0,01
GIN 12,13 0,08348 14,28 0,01 0,06 5,89 0,70
MALIBU 11,42 0,06846 7,94 0,06 3,02 8,71 45,87
BIERE 15,30 0,23277 15,21 53,07 12,69 1,12 1,72
Interprétation
Si toutes les fréquences avaient la même contribution, celle-ci devrait osciller autour de
14,28% (100% / 7). Les fréquences avec des contributions supérieures à 14,28% ont une
influence supérieure à la moyenne.
68
Les fréquences actives PASTIS, VODKA, GIN et BIERE contribuent fortement à la création
de l’axe 1 (72,51% en tout).
Sur l’axe 2, la BIERE explique plus de la moitié de l’inertie de l’axe, la SUZE en explique plus
du tiers. En y ajoutant le MARTINI, on obtient une contribution cumulée de plus de 99% avec
seulement trois fréquences actives.
3.3 Cosinus carrés des fréquences actives

Le tableau ci-après donne les cosinus carrés des fréquences actives. Par défaut, le logiciel
• Libellé : libellé complet de la modalité
• Distance à l'origine : distance de la fréquence active à l’origine au carré. Cette distance
donne une idée du caractère périphérique de certains points (comme la fréquence active
« SUZE » pour laquelle DISTO = 0,2961).
• Axe 1 – Axe 5 : cosinus carrés (ou contributions relatives) de chacune des fréquences
actives sur les premiers axes.
Les cosinus carrés concernent la qualité de représentation des fréquences sur l’axe.
Pour l’interprétation, on sélectionne les fréquences qui ont les cosinus carrés les plus
forts : elles sont les mieux représentées au sens où les distances sont les moins altérées
par la projection.
Si la fréquence j a pour coordonnées Ψjα sur l’axe α et si le carré de la distance à l’origine
de cette fréquence est d²(j,G), le cosinus carré (ou contribution relative) COS²(j, α) de la
fréquence j sur l’axe α s’écrit :
ψ 2jα
COS ( j ,α ) =
2
d 2 ( j, G )
On a par exemple pour la fréquence PASTIS sur le premier facteur : 0.36² / 0,17 = 0.76.
La somme des cosinus carrés d’une modalité sur la totalité des axes est égale à 1
(somme en ligne étendue à tous les axes).
Cosinus carrés des fréquences actives

Poids Distance à
relatif l'origine
PASTIS 13,12 0,17452 0,76 0,01 0,14 0,07 0,01
WHISKY 15,83 0,05211 0,67 0,01 0,15 0,00 0,14
MARTINI 11,23 0,11073 0,26 0,38 0,07 0,28 0,00
SUZE 8,63 0,29610 0,16 0,62 0,20 0,01 0,00
VODKA 12,35 0,09581 0,94 0,00 0,00 0,04 0,00
GIN 12,13 0,08348 0,94 0,00 0,00 0,04 0,00
MALIBU 11,42 0,06846 0,67 0,00 0,05 0,08 0,17
BIERE 15,30 0,23277 0,28 0,67 0,04 0,00 0,00
Interprétation
69
Les alcools VODKA, GIN sont tellement bien représentés sur le premier axe qu’ils ne faut
plus les prendre en compte pour l’interprétation des autres axes.
On peut dire que les alcools PASTIS, WHISKY, MALIBU sont également bien représentés
sur l’axe 1.
En revanche, les alcools MARTINI SUZE et BIERE sont mieux représentés sur l’axe 2. Ce
sont les seuls à être bien représentés sur cet axe.
4. CORBI-4 : Coordonnées, Contributions, Cosinus Carrés des

individus actifs

On entend par individus actifs les lignes du tableau de contingence que l’on utilise pour
l’analyse.
• Libellé : libellé complet de l’individu actif
• Poids relatif : poids relatif de l’individu actif. Le poids relatif se calcule de la façon
suivante : (nq*100) / n avec nq l’effectif de l’individu actif et n l’effectif total. Par exemple
pour l’individu actif « Aime le goût », P.REL = (291*100) / 7241 = 4,02.
• Distance à l'origine : carré de la distance de l’individu actif à l’origine. Cette distance
donne une idée du caractère périphérique de certains points (comme l’individu actif
« Vieillotte, dépassée » pour laquelle DISTO = 1,40646).
• Axe 1 – Axe 5 : coordonnées des individus actifs sur les premiers axes.

Poids Distance à
relatif l'origine
Aime le goût 4,02 0,07708 0,21 -0,10 -0,12 0,08 -0,06
Avec des amis 8,04 0,01368 0,04 0,10 0,00 0,01 0,04
Pour se détendre 5,43 0,02518 0,14 -0,04 -0,04 0,04 -0,02
Qui revient cher 6,30 0,11797 -0,25 0,19 -0,09 -0,11 0,03
Rafraîchissante, désaltérante 3,69 0,47791 0,56 -0,30 -0,07 -0,25 0,07
Peu élégante, peu distinguée 1,84 0,13704 0,32 -0,03 0,12 -0,11 0,08
Produit sympathique 5,79 0,01458 0,10 0,00 -0,05 0,04 0,01
Bien avant les repas 6,70 0,13546 0,18 0,30 -0,11 0,03 -0,06
Bien dans la journée 2,62 0,68617 0,43 -0,66 0,25 0,04 -0,11
Bien dans la soirée 4,09 0,24599 -0,40 -0,26 0,12 0,01 -0,03
Toute l'année 9,24 0,02156 0,02 0,11 0,08 0,01 0,03
Appréciée des jeunes 6,53 0,08716 -0,17 -0,22 0,02 0,03 0,09
Volontiers avec invités 8,45 0,01595 0,06 0,10 -0,03 0,04 0,01
Vieillotte, dépassée 1,28 1,40646 0,46 0,84 0,68 -0,11 -0,08
Aussi bien hommes que femmes 6,15 0,03105 0,01 0,09 0,02 0,14 0,06
Très proche 3,00 0,11469 0,22 -0,19 -0,13 0,05 -0,10
Par habitude 2,78 0,05316 0,21 -0,08 -0,06 -0,02 -0,03
Fait snob, m'as-tu vu ? 1,84 0,39872 -0,61 0,09 -0,03 -0,02 -0,09
On peut mélanger 6,02 0,13185 -0,31 0,03 -0,03 -0,16 -0,07
La nuit/Bar/Disco 6,21 0,22897 -0,44 -0,18 0,07 0,02 -0,01
Sur le premier axe factoriel, on remarque une opposition entre les appréciations au niveau
des boissons alcoolisées :
• Bien avant les repas, Aime le goût, Par habitude, Très proche, Peu élégante, peu
distinguée, Bien dans la journée, Vieillotte dépassée, Rafraîchissante, désaltérante.
70
S’oppose à :
• Fait snob, m'as-tu vu ?, La nuit/Bar/Disco, Bien dans la soirée, On peut mélanger, Qui
revient cher, Appréciée des jeunes.
Au niveau des fréquences actives, le premier axe oppose les alcools PASTIS, BIERE,
SUZE, MARTINI aux alcools VODKA, GIN, MALIBU et WHISKY.
Le second axe factoriel marque les oppositions suivantes :

• Vieillotte, dépassée, Bien avant les repas, Qui revient cher,
S’oppose à :
• Bien dans la journée, Rafraîchissante, désaltérante, Bien dans la soirée, Appréciée des
jeunes, Très proche, La nuit/Bar/Disco,
Au niveau des fréquences actives, le second axe qui explique un tiers de l’inertie totale
oppose essentiellement la SUZE et le MARTINI à la BIERE.
Pour l’interprétation des axes, il est nécessaire de prendre en compte les contributions et les
cosinus carrés.
L’appréciation « Vieillotte, dépassée » qui présente pourtant une coordonnée très forte sur
l’axe 1 comparativement aux autres, ne contribue que très faiblement à sa création. Elle est
de plus l’une des appréciations les plus mal représentées sur cet axe. On ne la prendra pas
en compte pour l’interprétation du premier axe.

Le tableau ci-après donne les contributions des individus actifs. Par défaut, le logiciel édite
• Libellé : libellé de l’individu actif
• Axe 1 – Axe 5 : contributions (en pourcentage) des individus actifs sur les 5 premiers
axes. Les contributions décrivent la part de chaque individu actif dans l’inertie totale de
l’axe. Pour l’interprétation d’un axe, on sélectionne les individus qui ont les plus fortes
contributions.
Nous pouvons mesurer la part d'inertie d'un individu actif par le quotient :
piψ i2α
CTR (i,α ) = ×100
λα
Il s'agit de la contribution de l’individu i à la fabrication de l'axe α avec : Pi le poids de i
(291/7241), Ψiα la coordonnées de l’individu i sur l’axe α et λα la valeur propre de l’axe α.
La somme des contributions de toutes les individus actifs sur un axe est égale à 100%
(somme en colonne).
71

Poids Distance à
relatif l'origine
Aime le goût 4,02 0,07708 2,56 0,91 4,40 3,91 5,17
Avec des amis 8,04 0,01368 0,15 1,93 0,01 0,22 3,93
Pour se détendre 5,43 0,02518 1,63 0,21 0,69 1,13 0,72
Qui revient cher 6,30 0,11797 5,69 5,03 4,16 10,14 1,83
Rafraîchissante, désaltérante 3,69 0,47791 17,54 7,35 1,51 33,00 6,92
Peu élégante, peu distinguée 1,84 0,13704 2,87 0,03 2,00 3,02 3,91
Produit sympathique 5,79 0,01458 0,85 0,00 1,21 1,61 0,23
Bien avant les repas 6,70 0,13546 3,12 13,05 6,74 0,78 8,53
Bien dans la journée 2,62 0,68617 7,15 25,12 12,99 0,52 10,62
Bien dans la soirée 4,09 0,24599 10,01 6,03 5,06 0,02 0,93
Toute l'année 9,24 0,02156 0,07 2,67 4,23 0,27 3,69
Appréciée des jeunes 6,53 0,08716 2,83 7,02 0,24 0,71 17,51
Volontiers avec invités 8,45 0,01595 0,46 1,72 0,73 2,24 0,17
Vieillotte, dépassée 1,28 1,40646 4,15 20,22 47,52 2,28 2,95
Très proche 3,00 0,11469 2,17 2,29 4,15 0,97 9,58
Par habitude 2,78 0,05316 1,78 0,38 0,76 0,15 0,61
Fait snob, m'as-tu vu ? 1,84 0,39872 10,45 0,36 0,12 0,11 4,62
On peut mélanger 6,02 0,13185 8,61 0,13 0,54 22,30 11,43
La nuit/Bar/Disco 6,21 0,22897 17,90 4,40 2,68 0,32 0,12
Interprétation
Si toutes les individus avaient la même contribution, celle-ci devrait osciller autour de 5%
(100% / 20). Les individus avec des contributions supérieures à 5% ont une influence
supérieure à la moyenne.
Les individus actifs « La nuit/Bar/Disco », « Rafraîchissante, désaltérante », « Fait snob,
m'as-tu vu ? », « Bien dans la soirée », « On peut mélanger », « Bien dans la journée »,
« Qui revient cher », contribuent fortement à la création de l’axe 1 (77,36% cumulé).
Sur l’axe 2, les appréciations « Bien dans la journée », « Vieillotte, dépassée », « Bien avant
les repas », « Rafraîchissante, désaltérante », « Appréciée des jeunes », « Bien dans la
soirée », « Qui revient cher » expliquent près de 85% de l’inertie de l’axe, les appréciations
« Bien dans la journée » et « Vieillotte, dépassée » en expliquent près de la moitié à elles
seules.
Pour l’interprétation des deux premiers axes factoriels, on prendra en compte les
appréciations citées précédemment. Il faut maintenant s’assurer qu’elles sont bien
représentées sur ces axes.
4.3 Cosinus carrés des individus actifs

Le tableau ci-après donne les cosinus carrés des individus actifs. Par défaut, le logiciel édite
• Axe 1 – Axe 5 : cosinus carrés (ou contributions relatives) des individus actifs sur les
premiers axes.
72
Les cosinus carrés concernent la qualité de représentation des individus sur l’axe. Pour
l’interprétation, on sélectionne les individus qui ont les cosinus carrés les plus forts : ils
sont les mieux représentées au sens où les distances sont les moins altérées par la
projection.
Si l’individu i a pour coordonnée Ψiα sur l’axe α et si le carré de la distance à l’origine de
cette individu est d²(i,G), le cosinus carré (ou contribution relative) COS²(i,α) de la
individu i sur l’axe α s’écrit :
ψ i2α
COS (i,α ) = 2
2
d (i, G )

Poids Distance à
relatif l'origine
Aime le goût 4,02 0,07708 0,55 0,13 0,18 0,09 0,05
Avec des amis 8,04 0,01368 0,09 0,79 0,00 0,01 0,10
Pour se détendre 5,43 0,02518 0,79 0,07 0,06 0,06 0,02
Qui revient cher 6,30 0,11797 0,51 0,30 0,07 0,09 0,01
Rafraîchissante, désaltérante 3,69 0,47791 0,66 0,19 0,01 0,13 0,01
Peu élégante, peu distinguée 1,84 0,13704 0,76 0,01 0,10 0,08 0,05
Produit sympathique 5,79 0,01458 0,67 0,00 0,18 0,13 0,01
Bien avant les repas 6,70 0,13546 0,23 0,64 0,09 0,01 0,03
Bien dans la journée 2,62 0,68617 0,26 0,63 0,09 0,00 0,02
Bien dans la soirée 4,09 0,24599 0,66 0,27 0,06 0,00 0,00
Toute l'année 9,24 0,02156 0,02 0,60 0,26 0,01 0,05
Appréciée des jeunes 6,53 0,08716 0,33 0,55 0,01 0,01 0,09
Volontiers avec invités 8,45 0,01595 0,23 0,57 0,07 0,11 0,00
Vieillotte, dépassée 1,28 1,40646 0,15 0,50 0,33 0,01 0,00
Très proche 3,00 0,11469 0,42 0,30 0,15 0,02 0,08
Par habitude 2,78 0,05316 0,80 0,11 0,06 0,01 0,01
Fait snob, m'as-tu vu ? 1,84 0,39872 0,95 0,02 0,00 0,00 0,02
On peut mélanger 6,02 0,13185 0,72 0,01 0,01 0,19 0,04
La nuit/Bar/Disco 6,21 0,22897 0,84 0,14 0,02 0,00 0,00
Interprétation
Les appréciations « Fait snob, m'as-tu vu ? », « La nuit/Bar/Disco », « Par habitude », « Pour
se détendre », « Peu élégante, peu distinguée », « On peut mélanger », « Produit
sympathique », « Bien dans la soirée », « Rafraîchissante, désaltérante », « Aime le goût »,
« Qui revient cher », « Très proche » sont bien représentés sur le premier axe factoriel. Elles
sont toutes mieux représentées sur cet axe que sur le second axe factoriel. C’est l’inverse
pour les autres appréciations.
Sur le second axe factoriel, les appréciations les mieux représentées sont : « Avec des
amis », « Bien avant les repas », « Bien dans la journée », « Toute l'année », « Volontiers
avec invités », « Appréciée des jeunes », « Vieillotte, dépassée ».
5. Interprétation générale
73
Analyse des correspondances multiples
(CORMU)

Paramétrage de la méthode : on prend comme variables actives V11, V29, V39, V49, V51,
V52 et V53. Toutes les autres variables nominales et continues sont sélectionnées comme
illustratives à l’exception du coefficient de pondération.
Tous les individus sont conservés pour l’analyse. Nous modifions le seuil de ventilation pour
les modalités d’effectifs faibles (5% au lieu de 2% par défaut).
1. Présentation du thème analysé

Dans l’exemple, on choisit d’étudier le thème relatif aux variables socio-démographiques,
autrement dit le thème du signalétique (âge, sexe, catégorie socioprofessionnelle, etc.).
Les variables choisies, appelées variables actives, constituent les seuls éléments utilisés
pour comparer les enquêtés entre eux. Les autres variables, appelées variables illustratives
ou complémentaires, serviront à illustrer, compléter ou suggérer des explications pour les
similitudes et les différences observées entre les enquêtés.
La liste des variables actives utilisées pour évaluer la similitude entre les individus apparaît
dans le tableau ci-après. Toutes les variables actives de cette analyse sont du type nominal.
Nbre de
Variables actives de l’analyse
modalités
Sexe de la personne interrogée. 2
Possédez-vous des valeurs mobilières ? 2
Taille d’agglomération (en nombre d’habitants). 5
Diplôme de l’enquêté(e) en 5 classes. 5
Statut d’occupation du logement en 4 classes. 4
Age de l’enquêté(e) en 5 classes. 5
Type d’emploi. 4
Les variables nominales illustratives sont constituées par l’ensemble des 39 autres variables
nominales du fichier. Les 8 variables continues du fichier sont également utilisées en
illustratives.
Pour cette analyse, on conserve l’ensemble des individus, avec un poids uniforme.
Dans cette analyse, on a choisi un seuil d’apurement de 5%.

L’apurement permet de s’affranchir (artificiellement) des modalités de faibles effectifs qui
peuvent avoir des effets perturbateurs sur l’analyse. Les réponses appartenant à ces
modalités peu fréquentes seront réparties aléatoirement entre les autres modalités de la
variable. Par défaut, sont ventilées les modalités actives dont l’effectif est inférieur à 2%. Les
modalités rares concernent souvent les mêmes individus qui forment alors un sous-nuage
très concentré sur lui-même mais loin de tous les autres points. Ils peuvent rendre instables
74
SPAD Version 5.0 Analyse des correspondances multiples (CORMU)
les axes factoriels. L’apurement vise à rendre plus robuste l’analyse. Les modalités ne sont
pas abandonnées pour autant. Elles seront positionnées en éléments supplémentaires.
2. CORMU-1 : Tris à plat des variables actives

Le tableau suivant présente le tri à plat des quatre premières variables actives de l’analyse
dans un tableau constitué de 5 colonnes :
• Libellé des modalités : libellé complet de la modalité.
• Effectif avant apurement : effectif de la modalité avant la ventilation des modalités
d’effectif inférieur à n% (ici 5%, soit 50 observations).
• Poids avant apurement : poids de la modalité avant la ventilation des modalités
d’effectif inférieur à n%.
Dans le cas où le poids des individus est uniforme (comme ici), le poids des individus
dans la modalité est identique à l’effectif.
• Effectif après apurement : effectif de la modalité après la ventilation des modalités
d’effectif inférieur à n%. Les individus concernés par la ventilation d’une modalité se
voient affecter aléatoirement une autre modalité de la même variable.
• Poids après apurement : poids de la modalité après la ventilation des modalités
d’effectif inférieur à n%.
Tris à plat des variables actives (Seuil: 5.0 %)

Sexe de la personne interrogée
Effectif avant Poids avant Effectif après Poids après
Libellé des modalités
apurement apurement apurement apurement
masculin 469 469,00 469 469,00
féminin 531 531,00 531 531,00
Possédez vous des valeurs mobilières ?

oui 121 121,00 121 121,00
non 879 879,00 879 879,00
Taille d'agglomération (en nombre d'habitants)

moins de 2.000 83 83,00 83 83,00
2.000 - 20.000 87 87,00 87 87,00
20.000 - 100.000 175 175,00 175 175,00
plus de 100.000 329 329,00 329 329,00
Paris 326 326,00 326 326,00
Type d'emploi
Ouvriers 263 263,00 276 276,00
Employés 335 335,00 344 344,00
Cadres 229 229,00 241 241,00
Autres 48 48,00 Ventilée
*Reponse manquante* 125 125,00 139 139,00
Interprétation
Seule la variable Type d’emploi est concernée par la ventilation (Modalité « Autres »
d’effectif 48).
75
On peut s’assurer que la somme des effectifs après ventilation est bien égale à 1000.
La répartition des 48 observations s’est faite de la manière suivante : 13 vers la modalité
« ouvriers », 9 vers la modalité « employés », 12 vers la modalité « cadres » et 14 vers la
modalité formée par les réponses manquantes.
Dans le cas où des modalités ont été ventilées, il est prudent de vérifier si les coordonnées
des modalités actives sont proches de celles de ces mêmes modalités placées en illustratif
à partir des données brutes (non-apurées). Si ces coordonnées ont des valeurs différentes,
cela signifie que la ventilation a notablement affecté la répartition des individus. Il faudrait
alors choisir un seuil d’apurement plus faible.
76
3. CORMU-2 :Tableau de Burt

Le tableau de Burt est un tableau symétrique d’ordre (p,p), où p est le nombre de modalités
actives. Il s’agit du croisement deux à deux de toutes les variables actives de l’analyse
(après les ventilations éventuelles).
Le tableau est constitué de (p+1)∗(p/2) tableaux, soit dans notre cas 8*7/2 = 28 tableaux de
contingence. On utilise l’identifiant court des modalités.
Tableau de BURT
masc fémi vmo1 vmo2 agg1 agg2 agg3 agg4 agg5 emp1 emp2 emp3 49_ die1 die2 die3 die4 die5 slo1 slo2 slo3 slo4 agc1 agc2 agc3 agc4 agc5
masc 469 0
fémi 0 531
vmo1 54 67 121 0
vmo2 415 464 0 879
agg1 42 41 4 79 83 0 0 0 0
agg2 40 47 9 78 0 87 0 0 0
agg3 81 94 22 153 0 0 175 0 0
agg4 161 168 36 293 0 0 0 329 0
agg5 145 181 50 276 0 0 0 0 326
emp1 196 80 8 268 16 29 50 106 75 276 0 0 0
emp2 108 236 36 308 39 33 59 109 104 0 344 0 0
emp3 125 116 53 188 14 19 36 69 103 0 0 241 0
49_ 40 99 24 115 14 6 30 45 44 0 0 0 139
die1 98 91 10 179 18 16 35 68 52 90 72 11 16 189 0 0 0 0
die2 163 158 26 295 43 34 67 107 70 137 128 30 26 0 321 0 0 0
die3 68 90 19 139 12 13 33 51 49 37 72 29 20 0 0 158 0 0
die4 73 109 29 153 9 16 23 63 71 9 49 75 49 0 0 0 182 0
die5 67 83 37 113 1 8 17 40 84 3 23 96 28 0 0 0 0 150
slo1 62 58 11 109 7 20 27 48 18 38 39 34 9 16 45 15 30 14 120 0 0 0
slo2 150 140 60 230 59 33 61 70 67 69 92 80 49 55 113 36 44 42 0 290 0 0
slo3 224 299 44 479 10 29 79 191 214 155 188 112 68 103 147 97 91 85 0 0 523 0
slo4 33 34 6 61 7 5 8 20 27 14 25 15 13 15 16 10 17 9 0 0 0 67
agc1 67 83 11 139 4 8 24 66 48 36 39 16 59 23 17 35 52 23 9 17 108 16 150 0 0 0 0
agc2 129 155 16 268 17 21 49 91 106 79 108 77 20 24 74 65 63 58 40 40 184 20 0 284 0 0 0
agc3 102 107 28 181 25 25 40 60 59 64 65 61 19 39 87 20 32 31 45 65 89 10 0 0 209 0 0
agc4 84 104 27 161 25 20 26 60 57 53 72 40 23 45 81 26 20 16 20 80 79 9 0 0 0 188 0
agc5 87 82 39 130 12 13 36 52 56 44 60 47 18 58 62 12 15 22 6 88 63 12 0 0 0 0 169
Par défaut, les valeurs prennent deux décimales.
Interprétation
Les blocs diagonaux sont les tris à plat des variables. Le poids est égal à l’effectif lorsque les
individus ont un poids uniforme (comme ici).
On note par exemple que l’enquête concerne 469 hommes et 531 femmes.
Les blocs non diagonaux représentent les tris croisés de tous les couples de variables
actives. Les valeurs sont des poids. Lorsque les individus ont des poids uniformes, les poids
coïncident avec les effectifs.
Par exemple, 196 hommes sont ouvriers et 236 femmes sont employées.
4. CORMU-3 : Profils horizontaux du tableau de Burt
On édite ici le tableau des pourcentages.

Le tableau suivant n’est pas symétrique. Pour chacun des tableaux de contingence (28 dans
le cas présent), ce tableau est constitué des profils lignes (au-dessous de la diagonale) et
des transposés des profils colonnes (au-dessus de la diagonale).
Les pourcentages sont calculés sur les poids des individus (les valeurs seraient différentes si
l’on avait opéré un redressement de l’échantillon).
77
Tableau de BURT - Profils horizontaux

masc fémi vmo1 vmo2 agg1 agg2 agg3 agg4 agg5 emp1 emp2 emp3 49_ die1 die2 die3 die4 die5 slo1 slo2 slo3 slo4 agc1 agc2 agc3 agc4 agc5
masc 46,9 0,0
fémi 0,0 53,1
vmo1 44,6 55,4 12,1 0,0
vmo2 47,2 52,8 0,0 87,9
agg1 50,6 49,4 4,8 95,2 8,3 0,0 0,0 0,0 0,0
agg2 46,0 54,0 10,3 89,7 0,0 8,7 0,0 0,0 0,0
agg3 46,3 53,7 12,6 87,4 0,0 0,0 17,5 0,0 0,0
agg4 48,9 51,1 10,9 89,1 0,0 0,0 0,0 32,9 0,0
agg5 44,5 55,5 15,3 84,7 0,0 0,0 0,0 0,0 32,6
emp1 71,0 29,0 2,9 97,1 5,8 10,5 18,1 38,4 27,2 27,6 0,0 0,0 0,0
emp2 31,4 68,6 10,5 89,5 11,3 9,6 17,2 31,7 30,2 0,0 34,4 0,0 0,0
emp3 51,9 48,1 22,0 78,0 5,8 7,9 14,9 28,6 42,7 0,0 0,0 24,1 0,0
49_ 28,8 71,2 17,3 82,7 10,1 4,3 21,6 32,4 31,7 0,0 0,0 0,0 13,9
die1 51,9 48,1 5,3 94,7 9,5 8,5 18,5 36,0 27,5 47,6 38,1 5,8 8,5 18,9 0,0 0,0 0,0 0,0
die2 50,8 49,2 8,1 91,9 13,4 10,6 20,9 33,3 21,8 42,7 39,9 9,3 8,1 0,0 32,1 0,0 0,0 0,0
die3 43,0 57,0 12,0 88,0 7,6 8,2 20,9 32,3 31,0 23,4 45,6 18,4 12,7 0,0 0,0 15,8 0,0 0,0
die4 40,1 59,9 15,9 84,1 4,9 8,8 12,6 34,6 39,0 4,9 26,9 41,2 26,9 0,0 0,0 0,0 18,2 0,0
die5 44,7 55,3 24,7 75,3 0,7 5,3 11,3 26,7 56,0 2,0 15,3 64,0 18,7 0,0 0,0 0,0 0,0 15,0
slo1 51,7 48,3 9,2 90,8 5,8 16,7 22,5 40,0 15,0 31,7 32,5 28,3 7,5 13,3 37,5 12,5 25,0 11,7 12,0 0,0 0,0 0,0
slo2 51,7 48,3 20,7 79,3 20,3 11,4 21,0 24,1 23,1 23,8 31,7 27,6 16,9 19,0 39,0 12,4 15,2 14,5 0,0 29,0 0,0 0,0
slo3 42,8 57,2 8,4 91,6 1,9 5,5 15,1 36,5 40,9 29,6 35,9 21,4 13,0 19,7 28,1 18,5 17,4 16,3 0,0 0,0 52,3 0,0
slo4 49,3 50,7 9,0 91,0 10,4 7,5 11,9 29,9 40,3 20,9 37,3 22,4 19,4 22,4 23,9 14,9 25,4 13,4 0,0 0,0 0,0 6,7
agc1 44,7 55,3 7,3 92,7 2,7 5,3 16,0 44,0 32,0 24,0 26,0 10,7 39,3 15,3 11,3 23,3 34,7 15,3 6,0 11,3 72,0 10,7 15,0 0,0 0,0 0,0 0,0
agc2 45,4 54,6 5,6 94,4 6,0 7,4 17,3 32,0 37,3 27,8 38,0 27,1 7,0 8,5 26,1 22,9 22,2 20,4 14,1 14,1 64,8 7,0 0,0 28,4 0,0 0,0 0,0
agc3 48,8 51,2 13,4 86,6 12,0 12,0 19,1 28,7 28,2 30,6 31,1 29,2 9,1 18,7 41,6 9,6 15,3 14,8 21,5 31,1 42,6 4,8 0,0 0,0 20,9 0,0 0,0
agc4 44,7 55,3 14,4 85,6 13,3 10,6 13,8 31,9 30,3 28,2 38,3 21,3 12,2 23,9 43,1 13,8 10,6 8,5 10,6 42,6 42,0 4,8 0,0 0,0 0,0 18,8 0,0
agc5 51,5 48,5 23,1 76,9 7,1 7,7 21,3 30,8 33,1 26,0 35,5 27,8 10,7 34,3 36,7 7,1 8,9 13,0 3,6 52,1 37,3 7,1 0,0 0,0 0,0 0,0 16,9
Interprétation
On note par exemple que le fichier est constitué de 46.9% d’hommes et de 53.1% de
femmes. On remarque que 41.8% des hommes sont ouvriers contre seulement 15.1% des
femmes. Parmi les personnes qui déclarent posséder des valeurs mobilières 44.6% sont des
hommes et 55.4% sont des femmes.
5. CORMU-4 : Tableau des valeurs propres

Le tableau des valeurs propres est constitué de 4 colonnes.
• Numéro : numéro de l’axe factoriel.
• Valeur propre : la valeur propre (inertie) associée à l’axe.
• Pourcentage : indique la part de la valeur propre (ou inertie) prise en compte sur l’axe
factoriel.
• Pourcentage cumulé : pourcentage cumulé des parts de valeurs propres sur les n
premiers axes.
La somme des valeurs propres vaut (J-Q) / Q avec J le nombre total de modalités actives
après la ventilation (J = 27 dans l’exemple) et Q le nombre de variables actives (Q = 7 dans
l’exemple). Ainsi dans l’exemple, la somme des valeurs propres a pour valeur : (27-7) / 7 =
2.8571.
Le logiciel édite l’ensemble des valeurs propres, soit J-Q valeurs propres. Dans l’exemple,
on obtient l’édition de 27-7 = 20 valeurs propres.
Le tableau des valeurs propres peut aider à déterminer le nombre d’axes factoriels à archiver
pour les utilisations ultérieures.
78

Valeur Pourcentage Histogram m e de s vale urs propres
Numéro Pourcentage
propre cumulé
1
1 0,2703 9,46 9,46
2
2 0,2369 8,29 17,75
3
3 0,2084 7,29 25,05
4
4 0,1922 6,73 31,77
5
5 0,1846 6,46 38,23
6
6 0,1578 5,52 43,76
7 0,1534 5,37 49,13 7
8 0,1493 5,23 54,35 8
9 0,1441 5,04 59,40 9
10 0,1398 4,89 64,29 10
Axe
11 0,1326 4,64 68,93 11
12 0,1300 4,55 73,48 12
13 0,1284 4,49 77,97 13
14 0,1222 4,28 82,25 14
15 0,1070 3,74 86,00 15
16 0,1015 3,55 89,55 16
17 0,0954 3,34 92,89 17
18 0,0821 2,87 95,76 18
19 0,0748 2,62 98,38 19
20 0,0462 1,62 100,00 20
0,00 0,05 0,10 0,15 0,20 0,25 0,30

V ale u r p r o p r e
Interprétation
On remarque que la décroissance des valeurs propres n’est pas régulière. Elle le serait sur
un tableau purement aléatoire. L’histogramme des valeurs propres fait apparaître des
différences d’inertie importantes entre la 5ième et la 6ième valeur.
La faible part de variance expliquée sur les premiers axes est une caractéristique de
l’analyse factorielle des correspondances multiples (qui donne généralement des mesures
pessimistes de l’information extraite).
Dans cet exemple, il convient d’archiver au moins les 5 premiers axes de l’analyse. Il est
cependant conseillé d’utiliser en général au moins la moitié des axes factoriels. Ici, on
archivera certainement les 14 premiers axes, le palier entre les axes 14 et 15 étant
notablement marqué, pour une classification ultérieure.
6. CORMU-5 :Coordonnées des modalités actives

Le tableau ci-après donne les coordonnées des modalités actives. Par défaut, le logiciel
• Poids relatif : poids relatif la modalité. Le poids relatif se calcule de la façon suivante :
(nq*100) / (n*Q) avec nq l’effectif de la modalité, n l’effectif total et Q le nombre de variables
actives. Par exemple pour la modalité masculin, P.REL = (469*100) / (1000*7) = 6.70.
Il faut noter que lorsque les individus ont des poids différents, ce n’est pas l’effectif, mais
le poids des individus qui est utilisé.
• Distance à l'origine : carré de la distance du Khi-2 à l’origine. Cette distance donne une
idée du caractère périphérique de certains points (comme la modalité « logé
gratuitement, autres » de la variable « Statut d’occupation du logement » pour laquelle
DISTO = 13.93). Il s’agit généralement de points à faible masse. La distance à l’origine
79
(au centre de gravité G du nuage) ne dépend en fait que de l’effectif dans la modalité. La
formule est la suivante :
d2(j,G) = (n / nj) – 1, avec nj l’effectif de la modalité j et n l’effectif total
• Axe 1 – Axe 5 : coordonnées des modalités actives sur les premiers axes.
Coordonnées des modalités actives

Poids Distance à
Libellé Axe 1 Axe 2 Axe 3 Axe 4 Axe 5
relatif l'origine
masculin 6,70 1,13220 0,29 -0,08 -0,43 0,47 0,25
féminin 7,59 0,88324 -0,26 0,07 0,38 -0,41 -0,22

oui 1,73 7,26446 -0,69 -1,46 0,25 0,23 -0,06
non 12,56 0,13766 0,10 0,20 -0,03 -0,03 0,01

moins de 2.000 1,19 11,04820 1,06 -0,83 1,06 -0,75 0,06
2.000 - 20.000 1,24 10,49430 0,55 -0,26 -0,28 -0,80 0,61
20.000 - 100.000 2,50 4,71429 0,27 -0,07 0,17 -0,07 0,12
plus de 100.000 4,70 2,03951 0,04 0,40 -0,05 0,22 0,27
Paris 4,66 2,06748 -0,60 -0,08 -0,24 0,22 -0,52
Type d'emploi
Ouvriers 3,94 2,62319 0,88 0,47 -0,54 0,66 0,20
Employés 4,91 1,90698 0,19 0,20 0,38 -0,67 -0,63
Cadres 3,44 3,14938 -0,80 -0,89 -0,74 -0,02 0,14
*Reponse manquante* 1,99 6,19424 -0,80 0,12 1,41 0,38 0,91
Diplôme de l'enquêté(e) en 5 classes

Aucun 2,70 4,29101 0,70 0,23 0,23 0,93 -0,34
CEP ou fin études 4,59 2,11526 0,80 -0,08 -0,05 -0,29 0,07
BEPC-BE-BEPS 2,26 5,32911 -0,23 0,62 0,17 -0,47 -0,56
Bac - Brevet sup. 2,60 4,49451 -0,93 0,06 0,32 -0,26 0,95
Université,gde école 2,14 5,66667 -1,23 -0,84 -0,73 0,26 -0,27
Statut d'occupation du logement en 4 classes

en accession 1,71 7,33333 0,31 0,06 -0,85 -1,02 1,30
propriétaire 4,14 2,44828 0,44 -1,00 0,51 0,07 0,01
locataire 7,47 0,91205 -0,27 0,51 -0,15 0,15 -0,33
logé gratuit, autre 0,96 13,92540 -0,34 0,25 0,50 0,33 0,20
Age de l'enquêté(e) en 5 classes

Moins de 25 ans 2,14 5,66667 -0,81 0,98 0,89 0,68 0,80
25 à 34 ans 4,06 2,52113 -0,35 0,45 -0,63 -0,47 -0,41
35 à 49 ans 2,99 3,78469 0,33 -0,36 -0,41 -0,41 0,69
50 à 64 ans 2,69 4,31915 0,51 -0,30 0,42 -0,21 -0,25
65 ans et plus 2,41 4,91716 0,34 -0,84 0,32 0,93 -0,59
7. CORMU-6 :Contributions des modalités actives

Le tableau ci-après donne les contributions des modalités actives. Par défaut, le logiciel édite
80
• Axe 1 – Axe 5 : contributions absolues des modalités actives sur les 5 premiers axes.
Les contributions absolues, ou contributions, décrivent la part de chaque modalité dans
l’inertie totale de l’axe. Pour l’interprétation d’un axe par exemple, on sélectionne les
modalités qui ont les plus fortes contributions.
Si la modalité j a pour coordonnées sur l’axe φj et a une masse mj, et si λ désigne la
valeur propre de cet axe, la contribution absolue ca(j) de la modalité s’écrit :
ca(j) = mj φj² / λ
La contribution de la modalité masculin sur le premier facteur a donc pour valeur : 6.7 *
0.29² / 0.2703 = 2.1.
La somme des contributions de toutes les modalités actives sur un axe est égale à 100%
(somme en colonne).
Contributions des modalités actives

Distance à
Libellé Poids relatif Axe 1 Axe 2 Axe 3 Axe 4 Axe 5
l'origine
masculin 6,70 1,13220 2,09 0,17 5,97 7,64 2,28
féminin 7,59 0,88324 1,84 0,15 5,28 6,75 2,02

oui 1,73 7,26446 3,08 15,48 0,51 0,49 0,03
non 12,56 0,13766 0,42 2,13 0,07 0,07 0,00

moins de 2.000 1,19 11,04820 4,96 3,42 6,36 3,50 0,02
2.000 - 20.000 1,24 10,49430 1,41 0,35 0,47 4,16 2,50
20.000 - 100.000 2,50 4,71429 0,66 0,06 0,33 0,07 0,19
plus de 100.000 4,70 2,03951 0,03 3,16 0,05 1,16 1,87
Paris 4,66 2,06748 6,23 0,14 1,26 1,21 6,72
Type d'emploi
Ouvriers 3,94 2,62319 11,18 3,63 5,58 8,92 0,84
Employés 4,91 1,90698 0,63 0,80 3,47 11,40 10,45
Cadres 3,44 3,14938 8,25 11,43 8,98 0,01 0,37
*Reponse manquante* 1,99 6,19424 4,74 0,13 18,87 1,51 8,98

Aucun 2,70 4,29101 4,96 0,60 0,67 12,12 1,74
CEP ou fin études 4,59 2,11526 10,88 0,13 0,06 2,02 0,11
BEPC-BE-BEPS 2,26 5,32911 0,43 3,70 0,30 2,65 3,83
Bac - Brevet sup. 2,60 4,49451 8,31 0,04 1,28 0,88 12,63
Université,gde école 2,14 5,66667 12,06 6,45 5,54 0,76 0,84

en accession 1,71 7,33333 0,60 0,03 5,88 9,20 15,68
propriétaire 4,14 2,44828 2,96 17,56 5,16 0,11 0,00
locataire 7,47 0,91205 2,04 8,19 0,84 0,89 4,42
logé gratuit, autre 0,96 13,92540 0,40 0,26 1,16 0,55 0,22

Moins de 25 ans 2,14 5,66667 5,18 8,73 8,18 5,19 7,41
25 à 34 ans 4,06 2,52113 1,87 3,42 7,83 4,76 3,68
35 à 49 ans 2,99 3,78469 1,19 1,64 2,46 2,59 7,65
50 à 64 ans 2,69 4,31915 2,57 1,04 2,28 0,60 0,94
65 ans et plus 2,41 4,91716 1,02 7,19 1,18 10,79 4,56
81
L’analyse compte après apurement 27 modalités actives. Pour chaque axe, le pourcentage
d’inertie théorique moyen expliqué par chaque modalité est de 3,7% (100%/27). Or on
constate sur l’axe 1 que les contributions varient de 0,03% à 12,06%.
Seules les modalités dont la contribution est élevée sont à considérer pour l’interprétation
d’un axe. Les modalités à considérer pour l’interprétation de l’axe 1 sont dans l’ordre
d’apparition dans le tableau : moins de 2.000 (4,96%), Paris (6,23%), Ouvriers (11,8%),
Cadres (8,25%), Aucun (4,96%), CEP ou fin études (10,88%), Bac - Brevet sup. (8,31%),
Université,gde école (12,06%), Moins de 25 ans (5,18%).
Ces 9 modalités représentent à elles seules 72% de l’inertie de l’axe 1.
Pour obtenir la contribution globale d’une variable à la création d’un axe, il suffit d’additionner
les contributions de toutes ses modalités. Ainsi, sur l’axe 1, le sexe (3,93%), la possession
de valeurs mobilières (3,50%) et le statut d’occupation du logement (6%) contribuent très
faiblement à la création de l’axe 1.
Par contre, les variables Diplôme de l’enquêté en 5 classes (36,64%), Type d’emploi (24,8%)
et Taille d’agglomération (13,29%) expliquent près de 75% de l’inertie sur l’axe 1. Pour
chacune de ces 3 variables, on constate que ces fortes contributions globales sont dues
essentiellement à quelques modalités et non à l’ensemble.
8. CORMU-7 : Cosinus carrés des modalités actives

Le tableau ci-après donne les cosinus carrés des modalités actives. Par défaut, le logiciel
• Axe 1 – Axe 5 : cosinus carrés (ou contributions relatives) de chacune des modalités
actives sur les premiers axes.
Les contributions relatives, ou cosinus carrés, concernent la qualité de représentation
des modalités sur l’axe. Pour l’interprétation, on sélectionne les modalités qui ont les
cosinus carrés les plus forts : elles sont les mieux représentées au sens où les distances
sont les moins altérées par la projection.
Si la modalité j a pour coordonnées φj sur l’axe et si le carré de la distance du Khi-2 à
l’origine de cette modalité est d²(j), le cosinus carré (ou contribution relative) cr(j) de la
modalité s’écrit :
cr(j) = φj² / d²(j)
82
On a par exemple pour la modalité masculin sur le premier facteur : 0.29² / 1.13² = 0.07.
Cosinus carrés des modalités actives
Distance à
Libellé Poids relatif Axe 1 Axe 2 Axe 3 Axe 4 Axe 5
l'origine
masculin 6,70 1,13220 0,07 0,01 0,16 0,19 0,06
féminin 7,59 0,88324 0,07 0,01 0,16 0,19 0,06

oui 1,73 7,26446 0,07 0,29 0,01 0,01 0,00
non 12,56 0,13766 0,07 0,29 0,01 0,01 0,00

moins de 2.000 1,19 11,04820 0,10 0,06 0,10 0,05 0,00
2.000 - 20.000 1,24 10,49430 0,03 0,01 0,01 0,06 0,04
20.000 - 100.000 2,50 4,71429 0,02 0,00 0,01 0,00 0,00
plus de 100.000 4,70 2,03951 0,00 0,08 0,00 0,02 0,04
Paris 4,66 2,06748 0,18 0,00 0,03 0,02 0,13
Type d'emploi
Ouvriers 3,94 2,62319 0,29 0,08 0,11 0,17 0,01
Employés 4,91 1,90698 0,02 0,02 0,08 0,23 0,21
Cadres 3,44 3,14938 0,21 0,25 0,17 0,00 0,01
*Reponse manquante* 1,99 6,19424 0,10 0,00 0,32 0,02 0,13

Aucun 2,70 4,29101 0,12 0,01 0,01 0,20 0,03
CEP ou fin études 4,59 2,11526 0,30 0,00 0,00 0,04 0,00
BEPC-BE-BEPS 2,26 5,32911 0,01 0,07 0,01 0,04 0,06
Bac - Brevet sup. 2,60 4,49451 0,19 0,00 0,02 0,01 0,20
Université,gde école 2,14 5,66667 0,27 0,13 0,10 0,01 0,01

en accession 1,71 7,33333 0,01 0,00 0,10 0,14 0,23
propriétaire 4,14 2,44828 0,08 0,41 0,11 0,00 0,00
locataire 7,47 0,91205 0,08 0,28 0,03 0,03 0,12
logé gratuit, autre 0,96 13,92540 0,01 0,00 0,02 0,01 0,00

Moins de 25 ans 2,14 5,66667 0,12 0,17 0,14 0,08 0,11
25 à 34 ans 4,06 2,52113 0,05 0,08 0,16 0,09 0,07
35 à 49 ans 2,99 3,78469 0,03 0,03 0,05 0,04 0,12
50 à 64 ans 2,69 4,31915 0,06 0,02 0,04 0,01 0,01
65 ans et plus 2,41 4,91716 0,02 0,14 0,02 0,17 0,07
Les contributions relatives, ou cosinus carrés, concernent la qualité de représentation des

modalités sur l’axe. Pour l’interprétation, on sélectionne les modalités qui ont les cosinus
carrés les plus forts : elles sont les mieux représentées au sens où les distances sont les
moins altérées par la projection.
Si la modalité j a pour coordonnées φj sur l’axe et si le carré de la distance du Khi-2 à
l’origine de cette modalité est d²(j), le cosinus carré (ou contribution relative) cr(j) de la
modalité s’écrit :
cr(j) = φj² / d²(j)
On a par exemple pour la modalité masculin sur le premier facteur : 0.29² / 1.13² = 0.07.
La somme des cosinus carrés d’une modalité sur la totalité des axes est égale à 1 (somme
en ligne étendue à tous les axes).
Interprétation
Dans cet exemple, les modalités à prendre en compte pour l’interprétation du premier axe
doivent au minimum avoir un cosinus carré de 0,10.
83
9. CORMU-8 : Coordonnées des modalités actives et illustratives

Le tableau ci-après donne les coordonnées de toutes les modalités (actives en tête et
illustratives ensuite) à partir des données brutes (avant ventilation). Ainsi, les modalités
actives abandonnées pour la construction des axes du fait de la faiblesse de leur effectif sont
repositionnées ici (exemple : modalité « autres » avant ventilation de la variable « Type
d’emploi »).
Ce tableau se décompose de la manière suivante :
à 1.
• Distance à l'origine : carré de la distance du Khi-2 à l’origine. Le calcul est identique à
celui qui est fait pour les modalités actives.
• Axe 1 – Axe 5 : coordonnées des modalités actives et illustratives sur les 5 premiers
axes.
La comparaison des coordonnées des modalités actives sur les sorties CORMU-5 et
CORMU-8 montre que les coordonnées de la variable « Type d’emploi » (dont l’une des
modalités a été ventilée) ont des valeurs très légèrement différentes. Ceci confirme que le
seuil d’apurement de 5% était acceptable.
L’édition du tableau a été tronquée.
84
Coordonnées des modalités actives et illustratives

Poids Distance à
absolu l'origine
masculin 469 469,00 1,13220 0,29 -0,08 -0,43 0,47 0,25
féminin 531 531,00 0,88324 -0,26 0,07 0,38 -0,41 -0,22

oui 121 121,00 7,26446 -0,69 -1,46 0,25 0,23 -0,06
non 879 879,00 0,13766 0,10 0,20 -0,03 -0,03 0,01

moins de 2.000 83 83,00 11,04820 1,06 -0,83 1,06 -0,75 0,06
2.000 - 20.000 87 87,00 10,49430 0,55 -0,26 -0,28 -0,80 0,61
20.000 - 100.000 175 175,00 4,71429 0,27 -0,07 0,17 -0,07 0,12
plus de 100.000 329 329,00 2,03951 0,04 0,40 -0,05 0,22 0,27
Paris 326 326,00 2,06748 -0,60 -0,08 -0,24 0,22 -0,52
Type d'emploi
Ouvriers 263 263,00 2,80228 0,86 0,51 -0,57 0,67 0,18
Employés 335 335,00 1,98507 0,16 0,22 0,38 -0,68 -0,63
Cadres 229 229,00 3,36681 -0,85 -0,86 -0,77 -0,01 0,12
Autres 48 48,00 19,83330 0,73 -0,75 0,50 0,03 0,47
*Reponse manquante* 125 125,00 7,00000 -0,96 0,20 1,39 0,42 0,91

Aucun 189 189,00 4,29101 0,70 0,23 0,23 0,93 -0,34
CEP ou fin études 321 321,00 2,11526 0,80 -0,08 -0,05 -0,29 0,07
BEPC-BE-BEPS 158 158,00 5,32911 -0,23 0,62 0,17 -0,47 -0,56
Bac - Brevet sup. 182 182,00 4,49451 -0,93 0,06 0,32 -0,26 0,95
Université,gde école 150 150,00 5,66667 -1,23 -0,84 -0,73 0,26 -0,27

en accession 120 120,00 7,33333 0,31 0,06 -0,85 -1,02 1,30
propriétaire 290 290,00 2,44828 0,44 -1,00 0,51 0,07 0,01
locataire 523 523,00 0,91205 -0,27 0,51 -0,15 0,15 -0,33
logé gratuit, autre 67 67,00 13,92540 -0,34 0,25 0,50 0,33 0,20

Moins de 25 ans 150 150,00 5,66667 -0,81 0,98 0,89 0,68 0,80
25 à 34 ans 284 284,00 2,52113 -0,35 0,45 -0,63 -0,47 -0,41
35 à 49 ans 209 209,00 3,78469 0,33 -0,36 -0,41 -0,41 0,69
50 à 64 ans 188 188,00 4,31915 0,51 -0,30 0,42 -0,21 -0,25
65 ans et plus 169 169,00 4,91716 0,34 -0,84 0,32 0,93 -0,59

oui 561 561,00 0,78253 0,40 -0,12 0,10 -0,02 -0,02
non 431 431,00 1,32019 -0,53 0,16 -0,13 0,02 0,03
*Reponse manquante* 8 8,00 124,00000 0,11 -0,20 0,13 0,34 -0,54

union indissoluble 231 231,00 3,32900 0,46 -0,23 0,19 0,19 -0,02
dissout si pb. grave 342 342,00 1,92398 0,08 -0,15 0,08 -0,14 0,03
dissout si accord 387 387,00 1,58398 -0,35 0,25 -0,19 0,01 -0,01
ne sait pas 39 39,00 24,64100 0,05 0,21 0,00 0,06 -0,08
*Reponse manquante* 1 1,00 999,00000 -0,79 -0,77 0,81 -0,09 0,42
…
10. CORMU-9 : Valeurs-tests des modalités actives et illustratives
Le tableau ci-après donne les valeurs-tests de toutes les modalités (actives en tête et
illustratives ensuite) à partir des données brutes (avant ventilation). Ainsi, les modalités
actives abandonnées pour la construction des axes du fait de la faiblesse de leur effectif sont
repositionnées ici (exemple : modalité « autres » avant ventilation de la variable « Type
d’emploi »).
Ce tableau se décompose de la manière suivante :
à 1.
85
• Distance à l'origine : carré de la distance du Khi-2 à l’origine. Le calcul est identique à

celui qui est fait pour les modalités actives.
• Axe 1 – Axe 5 : valeurs-tests de chacune des modalités sur les 5 premiers axes.
La valeur-test est d’autant plus forte que la modalité correspondante occupe une position
significative sur l’axe. Une modalité est d’autant plus intéressante sur un axe que sa
valeur-test est plus grande. Dans le cas usuel, on considère qu’une valeur-test
supérieure à 2 en valeur absolue indique que la modalité correspondante est
significativement différente du centre de gravité.

Valeurs-Tests des modalités actives et illustratives
Poids Distance à
absolu l'origine
masculin 469 469,00 1,13220 8,62 -2,31 -12,80 13,90 7,45
féminin 531 531,00 0,88324 -8,62 2,31 12,80 -13,90 -7,45

oui 121 121,00 7,26446 -8,14 -17,08 2,92 2,74 -0,71
non 879 879,00 0,13766 8,14 17,08 -2,92 -2,74 0,71

moins de 2.000 83 83,00 11,04820 10,11 -7,86 10,05 -7,16 0,58
2.000 - 20.000 87 87,00 10,49430 5,40 -2,52 -2,75 -7,82 5,95
20.000 - 100.000 175 175,00 4,71429 3,89 -1,08 2,42 -1,03 1,74
plus de 100.000 329 329,00 2,03951 0,87 8,83 -1,00 4,83 6,00
Paris 326 326,00 2,06748 -13,22 -1,84 -5,22 4,92 -11,35
Type d'emploi
Ouvriers 263 263,00 2,80228 16,14 9,65 -10,73 12,60 3,46
Employés 335 335,00 1,98507 3,64 4,96 8,50 -15,19 -14,21
Cadres 229 229,00 3,36681 -14,64 -14,87 -13,18 -0,20 2,11
Autres 48 48,00 19,83330 5,20 -5,30 3,55 0,24 3,31
*Reponse manquante* 125 125,00 7,00000 -11,44 2,40 16,60 4,99 10,85

Aucun 189 189,00 4,29101 10,75 3,50 3,46 14,17 -5,26
CEP ou fin études 321 321,00 2,11526 17,40 -1,75 -1,17 -6,32 1,47
BEPC-BE-BEPS 158 158,00 5,32911 -3,12 8,54 2,28 -6,50 -7,66
Bac - Brevet sup. 182 182,00 4,49451 -13,86 0,87 4,77 -3,81 14,11
Université,gde école 150 150,00 5,66667 -16,38 -11,21 -9,75 3,47 -3,58

en accession 120 120,00 7,33333 3,59 0,71 -9,87 -11,85 15,17
propriétaire 290 290,00 2,44828 8,88 -20,24 10,29 1,42 0,22
locataire 523 523,00 0,91205 -8,98 16,86 -5,06 5,01 -10,94
logé gratuit, autre 67 67,00 13,92540 -2,84 2,13 4,25 2,82 1,73

Moins de 25 ans 150 150,00 5,66667 -10,73 13,04 11,84 9,06 10,61
25 à 34 ans 284 284,00 2,52113 -7,03 8,90 -12,62 -9,45 -8,14
35 à 49 ans 209 209,00 3,78469 5,34 -5,86 -6,74 -6,64 11,17
50 à 64 ans 188 188,00 4,31915 7,74 -4,61 6,40 -3,14 -3,86
65 ans et plus 169 169,00 4,91716 4,82 -11,97 4,55 13,21 -8,41

oui 561 561,00 0,78253 14,47 -4,36 3,55 -0,59 -0,54
non 431 431,00 1,32019 -14,56 4,47 -3,63 0,42 0,82
*Reponse manquante* 8 8,00 124,00000 0,31 -0,56 0,36 0,95 -1,53

union indissoluble 231 231,00 3,32900 7,94 -4,06 3,33 3,22 -0,33
dissout si pb. grave 342 342,00 1,92398 1,82 -3,42 1,76 -3,23 0,68
dissout si accord 387 387,00 1,58398 -8,71 6,37 -4,66 0,21 -0,19
ne sait pas 39 39,00 24,64100 0,30 1,32 0,03 0,39 -0,52
*Reponse manquante* 1 1,00 999,00000 -0,79 -0,77 0,81 -0,09 0,42
…
86
11. CORMU-10 : Coordonnées, Contributions, Cosinus Carrés des

individus actifs
Le tableau ci-après donne les coordonnées des individus actifs.
• Identificateur : identificateur de l’individu.
(ni*100) / n avec ni le poids de l’individu, n le poids total. Dans cet exemple, les individus
ont un poids uniforme. Ils ont donc le même poids relatif.
idée du caractère périphérique de certains individus.
• Axe 1 – Axe 5 : coordonnées des individus sur les 5 premiers axes.

Poids Distance à
relatif l'origine
1 0,10 2,44 -0,28 -0,01 -0,31 0,03 -0,42
2 0,10 2,45 -0,60 -0,66 -0,72 0,16 -0,26
3 0,10 3,72 -0,58 -1,37 -0,30 0,33 -0,23
4 0,10 3,21 -1,16 -0,66 -0,58 -0,01 -0,55
5 0,10 2,23 -0,79 -0,22 -0,93 0,19 -0,37
6 0,10 2,19 -0,94 -0,17 -0,67 -0,10 -0,53
7 0,10 2,41 -0,75 -0,62 -0,47 -0,13 -0,42
8 0,10 1,85 -0,59 0,41 0,01 -0,48 -0,38
9 0,10 1,98 0,00 -0,21 -0,38 0,09 -0,21
10 0,10 2,58 -0,28 -0,68 0,18 0,12 -0,73
11 0,10 1,97 -0,39 0,58 -0,04 -0,55 -0,88
12 0,10 1,69 0,08 0,13 -0,04 -0,47 -0,31
13 0,10 2,43 0,64 -0,17 -0,03 0,69 -0,21
14 0,10 2,58 0,38 -0,05 -0,05 0,23 -0,29
15 0,10 2,10 -0,05 0,61 -0,58 0,17 -0,45
16 0,10 1,95 0,20 0,50 -0,57 0,63 -0,38
17 0,10 3,52 0,11 -0,55 -0,22 0,25 0,00
18 0,10 3,96 -0,07 0,54 -0,38 0,23 -0,27
19 0,10 1,51 -0,11 0,37 -0,11 -0,49 -0,67
20 0,10 2,91 -0,38 0,55 0,52 0,91 0,26

Le tableau ci-après donne les contributions des individus actifs à la création des cinq
premiers axes factoriels.
• Poids relatif : indique le poids donné à chaque individu, dans ce cas uniforme
(0,10=100/1000).
• Distance à l'origine : carré de la distance de l’individu au centre de gravité de tous les
individus. Cette colonne permet de trouver facilement quelles sont les individus les plus
les plus proches du centre de gravité, et ceux qui sont les plus “originaux” (les individus
qui sont à plus grande distance du centre de gravité). La distance au centre est en
quelque sorte un critère “d’originalité” de l’élément.
87
• Axe 1 – Axe 5 : contributions (en pourcentage) des individus à l'inertie portée par chaque
axe. Nous pouvons mesurer la part d'inertie d'un individu par le quotient :
piψ i2α
CTR (i,α ) = ×100
λα
Il s'agit de la contribution de l’individu i à la fabrication de l'axe α avec : Pi le poids de i
(1/1000), Ψiα la coordonnées de l’individu i sur l’axe α et λα la valeur propre de l’axe α.
Le tableau ci-après a été tronqué.

Poids Distance à
relatif l'origine
1 0,10 2,44 0,03 0,00 0,05 0,00 0,10
2 0,10 2,45 0,13 0,18 0,25 0,01 0,04
3 0,10 3,72 0,12 0,79 0,04 0,06 0,03
4 0,10 3,21 0,50 0,18 0,16 0,00 0,17
5 0,10 2,23 0,23 0,02 0,41 0,02 0,08
6 0,10 2,19 0,33 0,01 0,22 0,01 0,15
7 0,10 2,41 0,21 0,16 0,10 0,01 0,09
8 0,10 1,85 0,13 0,07 0,00 0,12 0,08
9 0,10 1,98 0,00 0,02 0,07 0,00 0,02
10 0,10 2,58 0,03 0,19 0,02 0,01 0,29
11 0,10 1,97 0,06 0,14 0,00 0,16 0,42
12 0,10 1,69 0,00 0,01 0,00 0,11 0,05
13 0,10 2,43 0,15 0,01 0,00 0,25 0,03
14 0,10 2,58 0,05 0,00 0,00 0,03 0,04
15 0,10 2,10 0,00 0,16 0,16 0,01 0,11
16 0,10 1,95 0,02 0,10 0,15 0,20 0,08
17 0,10 3,52 0,00 0,13 0,02 0,03 0,00
18 0,10 3,96 0,00 0,12 0,07 0,03 0,04
19 0,10 1,51 0,00 0,06 0,01 0,12 0,25
20 0,10 2,91 0,05 0,13 0,13 0,43 0,04
Interprétation
Les contributions servent à détecter les individus qui contribuent le plus à la formation des
axes factoriels.
Si tous les individus avaient la même contribution, celle-ci devrait osciller autour de 0,1%
(100/1000). Les individus avec des contributions supérieures à 0,1% ont une influence
supérieure à la moyenne. Dans cet exemple, 818 individus présentent une contribution
supérieure à 0,1% sur le premier axe factoriel.
Dans le cas d’un grand nombre d’individus, il est préférable de visualiser la représentation
graphique des individus actifs (avec une taille proportionnelle à la contribution) sur le plan
factoriel 1-2 pour identifier les individus qui contribuent le plus à la création de ce plan.
Tous les points actifs interviennent dans la fabrication d'un axe. On vérifie donc que l'addition
de toutes les contributions sur un axe est 100.
n
∑ CTR (i , α ) = 100
i=1
11.3 Cosinus Carrés des individus actifs

factoriels.
88

• Poids relatif : indique le poids donné à chaque individu, dans ce cas uniforme
(0.1=100/1000).
• Distance à l'origine : carré de la distance de l’individu au centre de gravité.
carré égal à 1 indique que l’individu se trouve située sur l'axe. Un cosinus carré égal à 0
indique que l’individu est dans une direction orthogonale à l'axe.

Poids Distance à
relatif l'origine
1 0,10 2,44 0,03172 0,00 0,04 0,00 0,07
2 0,10 2,45 0,14496 0,18 0,21 0,01 0,03
3 0,10 3,72 0,08904 0,50 0,02 0,03 0,01
4 0,10 3,21 0,41780 0,14 0,11 0,00 0,10
5 0,10 2,23 0,28092 0,02 0,39 0,02 0,06
6 0,10 2,19 0,40413 0,01 0,21 0,00 0,13
7 0,10 2,41 0,23061 0,16 0,09 0,01 0,07
8 0,10 1,85 0,18559 0,09 0,00 0,12 0,08
9 0,10 1,98 0,00001 0,02 0,07 0,00 0,02
10 0,10 2,58 0,03118 0,18 0,01 0,01 0,21
11 0,10 1,97 0,07844 0,17 0,00 0,15 0,40
12 0,10 1,69 0,00355 0,01 0,00 0,13 0,06
13 0,10 2,43 0,16612 0,01 0,00 0,19 0,02
14 0,10 2,58 0,05573 0,00 0,00 0,02 0,03
15 0,10 2,10 0,00134 0,18 0,16 0,01 0,10
16 0,10 1,95 0,02114 0,13 0,16 0,20 0,07
17 0,10 3,52 0,00361 0,09 0,01 0,02 0,00
18 0,10 3,96 0,00126 0,07 0,04 0,01 0,02
19 0,10 1,51 0,00802 0,09 0,01 0,16 0,30
Interprétation
Les images obtenues (plans factoriels) sont des approximations de la configuration réelle. Il
y aura des distances entre couples de points bien représentées, tandis que d'autres ne
reflèteront pas fidèlement la distance réelle entre les points.
Si deux points sont proches du plan factoriel, alors la distance représentée sera une bonne
approximation à la distance réelle. Mais si au moins un point est éloigné du plan de
projection, alors la distance réelle peut être différente de celle représentée sur le plan.
Cette proximité du plan factoriel de projection est mesurée par les cosinus carrés de chaque
point avec les axes factoriels.
ψ2
COS 2 (i ,α ) = 2 iα
d (i , G )
Un cosinus carré égal à 1 indique que l’individu se trouve sur l'axe (l'angle ω est nul). Un
cosinus carré égal à 0 indique que l’individu est dans une direction orthogonale à l'axe.
En additionnant les cosinus carrés d’un individu sur tous les axes factoriels, nous
obtiendrons l'unité, car il faut utiliser tous les axes factoriels pour positionner exactement le
point dans l'espace complet.
p
∑ COS 2 (i , α ) = 1
α =1
89
L'addition des cosinus carrés d'un point sur différents axes donne, en pourcentage, la
"qualité" de la représentation du point sur le sous-espace défini par ces axes.
Dans le cas d’un grand nombre d’individus, il est préférable de visualiser la représentation
graphique des individus actifs (avec une taille proportionnelle aux cosinus carrés) sur le plan
factoriel 1-2 pour identifier les individus qui contribuent le plus à la création de ce plan.
12. CORMU-11 : Coordonnées, Cosinus Carrés des individus

illustratifs
Dans cet exemple, nous n’avons sélectionné aucun individu illustratif. Les coordonnées et
les cosinus carrés des individus illustratifs se présentent et s’interprètent de la même
manière que pour les individus actifs.
Par définition, les individus illustratifs ne contribuent pas à la création des axes, c’est
pourquoi le tableau des contribution n’apparaît pas dans ce listing.
13. CORMU-12 : Corrélations entre les variables continues et les

facteurs
Ce tableau donne la corrélation entre les variables continues illustratives et les différents
axes factoriels. Ce tableau est constitué de 10 colonnes :
• Libellé des variables : cette colonne donne le libellé de la variable continue.
• Effectif : effectif des individus renseignés.
• Poids absolu : effectif des individus renseignés après pondération. L’effectif et le poids
sont identiques lorsque l’on n’utilise pas de pondération.
• Axe1 – Axe5 : ces colonnes donnent les corrélation de chaque variable continue avec
les 5 premiers axes factoriels.
Corrélations entre les variables continues et les facteurs

Poids Ecarts-
Libellé des variables Effectif Moyenne Axe 1 Axe 2 Axe 3 Axe 4 Axe 5
absolu type
Estimation du salaire mensuel d'un ingénieur 806 806,00 8478,73 3668,95 0,04 -0,06 -0,04 0,01 -0,05
Estimation du revenu mensuel d'un médecin 713 713,00 19383,90 12608,80 0,05 -0,12 -0,02 -0,03 0,06
Age de l'enquêté(e) 1000 1000,00 42,68 17,50 0,40 -0,55 0,14 0,21 -0,28
Nombre de non-réponses au questionnaire 1000 1000,00 4,05 4,19 0,20 -0,12 0,20 0,08 -0,12
Age de fin d'étude 997 997,00 17,29 3,88 -0,69 -0,13 -0,24 -0,05 0,11
Revenu personnel souhaité 915 915,00 7244,48 4756,78 -0,26 -0,21 -0,15 -0,03 0,09
Estimation du revenu minimum d'une famille de 2 enfants 897 897,00 5561,89 2423,40 -0,19 0,01 -0,14 0,08 -0,14
Nombre de jours de vacances en été 1000 1000,00 18,31 19,37 -0,38 -0,02 -0,03 0,06 0,07
Interprétation
On note par exemple que la variable « Age de fin d’études » est corrélée négativement et de
façon importante avec le premier axe (-0.69).
Les coefficients de corrélation des variables sont aussi les coordonnées de ces variables sur
les différents axes factoriels.
90
Il est important de noter que les carrés des coefficients de corrélations sont des
contributions relatives (cosinus carrés). Ils ne sont pas imprimés dans ces tableaux.
Les variables continues qui sont les plus corrélées aux axes factoriels sont donc aussi les
mieux représentées.
91
Analyse des correspondances multiples avec
choix des modalités actives (COREM)
Cette méthode est quasiment identique à l’analyse des correspondances multiples. L’unique
différence réside dans le choix des modalités actives.
La méthode COREM est une alternative à la ventilation automatique des modalités d’effectif
faible utilisée notamment dans l’analyse des correspondances multiples. Avec COREM,
l’utilisateur sélectionne lui-même les modalités actives de son analyse.
La ventilation permet de s’affranchir automatiquement (en spécifiant un seuil en %) des
modalités de faibles effectifs qui peuvent avoir des effets perturbateurs sur l’analyse. Les
réponses appartenant à ces modalités peu fréquentes sont réparties aléatoirement entre les
autres modalités de la variable.
Dans la méthode COREM, l’utilisateur définit lui-même les modalités à ventiler en ne les
sélectionnant pas comme actives. Ces modalités qui ne sont pas sélectionnées comme
actives sont automatiquement positionnées comme illustratives. Les individus concernés par
ces modalités illustratives se voient affecter aléatoirement une autre modalité de la même
variable. C’est cette technique qui est utilisée pour la ventilation de modalités d’effectifs
faibles.
En termes de résultats, les sorties de cette méthode sont strictement identiques à celles de
l’analyse des correspondances multiples, présentée dans le chapitre précédent.
92
Description des axes factoriels (DEFAC)
Cette procédure constitue une aide à l'interprétation des facteurs issus d'une procédure
d'analyse factorielle.
Un facteur (i.e. axe factoriel) peut ainsi être rapidement et clairement décrit par les éléments
les plus significatifs. Ces éléments pourront être les individus, les modalités, les variables
continues, les fréquences, utilisés en tant qu'éléments actifs ou illustratifs dans l'analyse
préalable.
Les éléments caractéristiques sont classés selon leurs coordonnées. Les modalités peuvent
être classées selon le critère statistique appelé "valeur-test".
La description de chaque facteur est faite dans un document indépendant. Dans cet
exemple, nous avons demandé à visualiser au plus 20 éléments caractéristiques par
description : pour les individus actifs, les modalités actives et illustratives ainsi que les
variables continues.
Nous effectuons la description des axes issus de l’analyse des correspondances multiples
réalisée sur le fichier ASPI1000.SBA (CF page 74).
1. DEFAC-1 : Description de l’axe par les individus actifs et

illustratifs
Cette sortie présente dans un premier temps les individus actifs de l’analyse, ordonnés dans
l’ordre croissant de leur coordonnée factorielle sur l’axe.
Dans le cas d’un grand nombre d’individus, il est préférable de modifier le critère de sélection
des éléments pour la description des axes (par défaut 50%). Dans le cas présent, nous
avons demandé la sélection de 20 éléments.
Pour les individus actifs et illustratifs, le tableau se décompose en trois colonnes :
• Identificateur de l’individu : identifiant de l’individu.
• Coordonnées : coordonnée factorielle de l’individu sur l’axe étudié. Dans cet exemple, il
s’agit du premier axe factoriel de l’analyse des correspondances multiples. Les individus
sont triés dans l’ordre croissant de leur coordonnée factorielle. La ligne du tableau
intitulée « Zone Centrale » permet de délimiter les coordonnées négatives des
coordonnées positives.
• Poids : poids des individus dans l’analyse. Dans ce cas uniforme, tous les individus ont
un poids identique : l’unité.
93
SPAD Version 5.0 Description des axes factoriels (DEFAC)
Description de l'axe 1
Par les INDIVIDUS ACTIFS
Identificateur de
Coordonnée Poids
l'individu
4 -1,16 1,00
188 -1,13 1,00
336 -1,09 1,00
297 -1,08 1,00
158 -1,08 1,00
24 -1,07 1,00
200 -1,07 1,00
187 -1,07 1,00
284 -1,07 1,00
334 -1,05 1,00
ZONE CENTRALE
697 0,95 1,00
674 0,98 1,00
775 1,04 1,00
871 1,04 1,00
858 1,05 1,00
753 1,07 1,00
787 1,09 1,00
952 1,12 1,00
841 1,12 1,00
750 1,12 1,00
Interprétation
Dans cet exemple, l’identificateur des individus correspond à un numéro de questionnaire. Il
est donc difficile d’interpréter directement ces résultats.
2. DEFAC-2 : Description de l’axe par les modalités actives et

illustratives
Cette sortie présente dans un premier temps les modalités actives de l’analyse. Par défaut,
ces modalités sont ordonnées dans l’ordre croissant de leur valeur-test sur l’axe mais il est
possible de les ordonner dans l’ordre croissant de leur coordonnée factorielle en modifiant le
paramétrage.
Pour les modalités actives et illustratives, le tableau se décompose en 4 colonnes :
• Libellé de la variable : libellé complet de la variable.
• Libellé de la modalité : libellé complet de la modalité.
• Valeur-test : valeur-test de la modalité liée à sa coordonnée sur l’axe factoriel. La valeur-
test est d’autant plus forte que la modalité correspondante occupe une position
significative sur l’axe. Une modalité est d’autant plus intéressante sur un axe que sa
valeur-test est plus grande.
Dans le cas usuel, on considère qu’une valeur-test supérieure à 2 en valeur absolue
indique qu’une modalité est significativement différente du centre de gravité. Les
modalités sont ordonnées dans l’ordre croissant des valeurs-tests. La ligne du tableau
intitulée « Zone Centrale » permet de délimiter les valeurs-tests négatives des valeurs-
tests positives.
• Poids : poids des modalités dans l’analyse.
94
Par les MODALITES ACTIVES
Libellé de la variable Libellé de la modalité Valeur-Test Poids
Diplôme de l'enquêté(e) en 5 classes Université,gde école -16,38 150,000
Type d'emploi Cadres -14,64 229,000
Diplôme de l'enquêté(e) en 5 classes Bac - Brevet sup. -13,86 182,000
Taille d'agglomération (en nombre d'habitants) Paris -13,22 326,000
Type d'emploi *Reponse manquante* -11,44 125,000
Age de l'enquêté(e) en 5 classes Moins de 25 ans -10,73 150,000
Statut d'occupation du logement en 4 classes locataire -8,98 523,000
Sexe de la personne interrogée féminin -8,62 531,000
Possédez vous des valeurs mobilières ? oui -8,14 121,000
Age de l'enquêté(e) en 5 classes 25 à 34 ans -7,03 284,000
ZONE CENTRALE
Age de l'enquêté(e) en 5 classes 35 à 49 ans 5,34 209,000
Taille d'agglomération (en nombre d'habitants) 2.000 - 20.000 5,40 87,000
Age de l'enquêté(e) en 5 classes 50 à 64 ans 7,74 188,000
Possédez vous des valeurs mobilières ? non 8,14 879,000
Sexe de la personne interrogée masculin 8,62 469,000
Statut d'occupation du logement en 4 classes propriétaire 8,88 290,000
Taille d'agglomération (en nombre d'habitants) moins de 2.000 10,11 83,000
Diplôme de l'enquêté(e) en 5 classes Aucun 10,75 189,000
Type d'emploi Ouvriers 16,14 263,000
Diplôme de l'enquêté(e) en 5 classes CEP ou fin études 17,40 321,000
Interprétation
Sur l’axe 1, on note la présence de valeurs-tests extrêmement élevées en valeur absolue,
indiquant la présence de modalités significativement différentes du centre de gravité.
On remarque une nette opposition au niveau des diplômes, de l’emploi et de la taille
d’agglomération. On observe ensuite une opposition moins marquée au niveau des classes
d’âges, du statut d’occupation du logement, du sexe et des valeurs mobilières.
Cet axe oppose des personnes plus jeunes (moins de 25 ans jusqu’à 34 ans), assez bien
diplômées (Bac, Brevet sup., Université gde école) où les femmes sont plus représentées à
des personnes plus âgées (de 35 à 64 ans) et beaucoup moins diplômées (aucun diplôme,
CEP ou fin d’études).
Dans le même sens, on constate une opposition entre Paris où le statut de locataire est
prépondérant, et des communes de moins de 20 000 habitants dans lesquelles on retrouve
davantage de propriétaires.
On observe également une opposition entre les cadres qui semblent posséder des valeurs
mobilières et les ouvriers qui n’en possèdent pas ou moins.
Nous présentons maintenant la description de l’axe 1 par les 20 modalités illustratives les
plus caractéristiques.
Par les MODALITES ILLUSTRATIVES
Libellé de la variable Libellé de la modalité Valeur-Test Poids
Diplôme d'enseignement général le plus élevé obtenu université,gde école -15,80 142,000
La famille est le seul endroit oú l'on se sente bien non -14,56 431,000
Diplôme d'enseignement général le plus élevé obtenu baccalauréat (1/2) -13,22 162,000
Profession de l'enquêté(e) en 7 classes *Reponse manquante* -11,44 125,000
Profession de l'enquêté(e) (ou dernière exercée) *Reponse manquante* -11,44 125,000
Profession de l'enquêté(e) en 7 classes prof. lib.-cad. sup. -10,13 84,000
Profession de l'enquêté(e) (ou dernière exercée) cadre supérieur -9,23 69,000
Profession de l'enquêté(e) (ou dernière exercée) cadre moyen -9,13 135,000
Statut d'occupation du logement locataire -8,98 523,000
Opinion à propos du mariage dissout si accord -8,71 387,000
ZONE CENTRALE
Opinion à propos du mariage union indissoluble 7,94 231,000
Age et sexe de l'enquêteur femme plus 38 ans 8,77 338,000
Statut d'occupation du logement propriétaire 8,88 290,000
Profession de l'enquêté(e) (ou dernière exercée) ouvrier spécialisé 9,05 98,000
Diplôme d'enseignement général le plus élevé obtenu aucun 10,75 189,000
Profession de l'enquêté(e) (ou dernière exercée) ouvrier qualifié 11,31 152,000
Regardez-vous la télévision ... tous les jours 12,14 419,000
La famille est le seul endroit oú l'on se sente bien oui 14,47 561,000
Profession de l'enquêté(e) en 7 classes ouvriers 16,14 263,000
Diplôme d'enseignement général le plus élevé obtenu CEP ou fin études 17,40 321,000
95
On retrouve les variables initiales pour la profession et le diplôme d’enseignement le plus

élevé. Sur ces variables, on constate les mêmes oppositions que pour les modalités actives.
On note tout de même une différence d’opinion sur le mariage. Concernant « les plus âgés
et les moins diplômés », on note qu’ils sont plus nombreux à regarder la télévision tous les
jours et qu’ils pensent en proportion supérieure à la moyenne que la famille est le seul
endroit où ils se sentent bien.
3. DEFAC-3 : Description de l’axe par les variables continues

illustratives
Ce tableau ordonne les variables continues illustratives dans l’ordre de leur coordonnée
factorielle croissante sur chaque axe. Ce tableau est constitué de 3 groupes de colonnes :
• Libellé des variables : cette colonne donne le libellé de la variable continue.
• Coordonnée : coordonnée de la variable continue sur l’axe étudié. La coordonnée
équivaut en fait à la corrélation entre la variable continue illustrative et l’axe factoriel (CF
page 90).
• Poids absolu : effectif des individus renseignés après pondération. L’effectif et le poids
sont identiques lorsque l’on n’utilise pas de pondération.
Par les VARIABLES CONTINUES ILLUSTRATIVES
Libellé de la variable Coordonnée Poids Moyenne Ecart-type
Age de fin d'étude -0,69 997,00 17,286 3,883
Nombre de jours de vacances en été -0,38 1000,00 18,311 19,367
Revenu personnel souhaité -0,26 915,00 7244,480 4756,780
Estimation du revenu minimum d'une famille de 2 enfants -0,19 897,00 5561,890 2423,400
ZONE CENTRALE
Estimation du salaire mensuel d'un ingénieur 0,04 806,00 8478,730 3668,950
Estimation du revenu mensuel d'un médecin 0,05 713,00 19383,900 12608,800
Nombre de non-réponses au questionnaire 0,20 1000,00 4,054 4,190
Age de l'enquêté(e) 0,40 1000,00 42,680 17,496
Interprétation
Ces résultats nous confortent dans l’analyse de la description de l’axe 1 par les modalités
actives.
Les fortes valeurs pour l’âge de fin d’études, le nombre de jours de vacances en été et le
revenu personnel souhaité concernent davantage les jeunes, les cadres, les plus diplômés,
habitant Paris avec un statut de locataire, etc.
Les fortes valeurs pour l’âge concernent les plus âgés et les moins diplômés.
96
Classification et Typologie
Les techniques de classification font partie de la statistique exploratoire multidimensionnelle.

Elles ont pour but d’expliciter la structure d’un ensemble de données importantes, permettant
ainsi de formuler des hypothèses à vérifier dans une étape ultérieure. Elles sont à distinguer
des méthodes de classement qui ont un but explicatif ou prédictif.
La typologie se sert de la classification pour fournir une autre forme de synthèse des
données qu’une analyse factorielle. Cette synthèse de l’information contenue dans le tableau
de données est présentée de la façon suivante. Les individus sont regroupés de façon
automatique en un petit nombre de classes. Les individus qui se ressemblent au niveau des
variables actives sont rassemblés dans une même classe. Les classes sont calculées pour
que, lorsque l’on passe d’une classe à une autre, on passe d’une catégorie particulière
d’individus à une catégorie différente.
La synthèse de toute l’information contenue dans le tableau de données se ramène alors à
la caractérisation de ce petit nombre de classes homogènes. On aura ainsi fabriqué et typé
des classes d’individus. La description en clair de ces types résume l’essentiel de
l’information contenue dans les données.
Dans ce chapitre, nous réalisons une typologie à partir des résultats issus de l’analyse des
correspondances multiples réalisée précédemment (CF page 74).
Pour cela, on va procéder à une classification. Il s’agit d’une classification sur facteurs. On
se sert donc des facteurs issus de l’analyse des correspondances multiples.
Pour cette première étape, on utilise la procédure RECIP/SEMIS. Cette procédure permet de
choisir les niveaux de coupure de l’arbre hiérarchique (aussi appelé dendrogramme). Il
s’agit de choisir une ou plusieurs partitions au vu des résultats fournis en sortie.
La seconde étape, effectuée par la procédure PARTI-DECLA, permet d’obtenir une ou
plusieurs partitions des individus. Il est possible de réaliser plusieurs partitions
simultanément. Cette procédure propose aussi la description statistique des partitions
choisies. On peut caractériser soit chacune des classes d’une partition, soit globalement
l’ensemble de la partition. Les modalités des variables nominales, les variables nominales
elles-mêmes, les variables continues et les axes factoriels peuvent intervenir dans les
caractérisations statistiques.
97
Classification sur facteurs (RECIP / SEMIS)
1. Justification du passage aux coordonnées factorielles

La méthode RECIP/SEMIS de SPAD permet d’effectuer une classification à partir de
coordonnées factorielles issues d’une analyse préalable.
Il est équivalent d'effectuer une classification des individus à partir d’un ensemble de p
variables ou à partir de l'ensemble des p facteurs issus de l’analyse factorielle. En effet, en
passant des variables initiales aux facteurs, sans en réduire leur nombre et ce, malgré leur
obtention dans l'ordre décroissant de la variance expliquée, on ne perd aucune information. Il
s'agit mathématiquement d'un changement de repère des individus (changement de base).
On peut, néanmoins, ne prendre en compte qu’un sous-espace factoriel de dimension q
avec q inférieur à p, et effectuer une classification sur les q premiers axes factoriels. Cela
présente l’avantage d’éliminer des fluctuations aléatoires qui constituent en général
l’essentiel de la variance prise en compte par les (p-q) derniers axes.
Le fait d’abandonner les derniers facteurs revient à « lisser » les données, ce qui en général
améliore la partition en produisant des classes plus homogènes.
Les axes factoriels qui sont à conserver pour la classification sont ceux qui engendrent un
sous-espace dans lequel le nuage des individus à classer est stable. En pratique on garde
généralement un peu plus de la moitié des axes, même si un « coude » apparaît au bout de
quelques axes à l’examen de l’histogramme des valeurs propres associées à ces axes.
Dans le paramétrage de cette méthode, vous pouvez définir le nombre de coordonnées
factorielles à prendre en compte pour l’agrégation (10 par défaut).
Ainsi quelque soit le tableau de données initiales, on se ramènera toujours à un tableau de
données quantitatives à partir duquel sera effectuée la classification des individus. Une seule
distance, la distance euclidienne usuelle, sera utilisée pour calculer les ressemblances entre
individus, et un seul critère d'agrégation, la perte d’inertie minimum (critère de Ward) sera
utilisé pour calculer l’écart entre deux sous-ensembles disjoints.
2. Les techniques de classification

Les techniques proposées dans SPAD sont la classification ascendante hiérarchique (CAH,
RECIP dans SPAD) qui fournit une hiérarchie de partitions, et la méthode d'agrégation
autour de centres mobiles qui conduit directement à une seule partition.
Une utilisation conjointe de ces deux types de méthodes (classification mixte) permettra de
consolider la partition et d’obtenir une partition fiable sinon optimale (SEMIS).
Les deux types de méthode – CAH et centres mobiles – présentent les inconvénients
respectifs suivants :
• la CAH fournit un grand nombre de partitions parmi lesquelles on doit en choisir une : il
n’est souvent pas aisé de choisir la coupure significative. D’autre part, l’arbre
hiérarchique obtenu n’est pas un arbre optimal puisque la partition construite à un niveau
donné dépend de la partition obtenue à l’étape précédente.
• dans la méthode des centres mobiles, le nombre de classes doit être fixé au départ, et la
partition obtenue dépend du tirage initial des centres provisoires des classes.
98
SPAD Version 5.0 Classification sur facteurs (RECIP / SEMIS)
Pour remédier en partie à ces inconvénients et pour essayer de s’approcher le plus possible
de la partition optimale si elle existe, on peut avoir recours à l’utilisation conjointe de la CAH
et de la CCM : c’est l’objet de la classification mixte appelée SEMIS dans SPAD.
Une première utilisation conjointe des deux techniques de classification est la suivante : on
effectue une classification (CCM) autour d’un nombre important de centres mobiles et on
construit ensuite un arbre hiérarchique à partir des classes formées dans cette CCM.
Cependant, cette méthode est relativement instable sur des échantillons de petite taille.
Nous vous conseillons d’utiliser la procédure RECIP (CAH) sur des échantillons de moins de
10000 individus. Au delà, la méthode SEMIS permet de réduire les temps d’exécution et
fournit des partitions stables.
Nous présentons dans ce chapitre les méthodes RECIP et SEMIS à partir des données
issues de l’analyse des correspondances multiples présentées page 74.
3. La Classification Ascendante Hiérarchique – RECIP

La procédure RECIP agrège les éléments suivant un algorithme de classification
hiérarchique utilisant le critère d’agrégation de Ward (critère de la variance). Elle agrège les
éléments de façon à minimiser la variance interne de chaque classe (inerties intra-classes)
et à maximiser la variance entre les classes (inertie inter-classes). Ces inerties sont
calculées à partir des coordonnées des éléments à classer sur les axes factoriels
sauvegardés pour la typologie. Pour plus de précisions, nous renvoyons à l’ouvrage [ Lebart,
Morineau et Piron (1995)].
Coordonnées utilisées pour l’agrégation

Ce paramètre indique le nombre de facteurs pris en compte pour calculer les distances entre
les individus et pour effectuer la partition en classes. Par la suite, la construction des
partitions et des classes ainsi que le calcul des différentes aides à l’interprétation seront
effectués dans le sous-espace factoriel choisi. Par défaut, 10 facteurs sont pris en compte. Il
faut noter que le nombre maximum d’axes possibles est celui choisi pour l’analyse factorielle.
C’est au moment du choix de ce paramètre que l’utilisateur devra se référer aux résultats de
l’analyse factorielle et notamment la présentation des valeurs propres.
Dans l’exemple, la partition en classes s’est faite sur les 14 premiers facteurs. On a choisi ici
le nombre d’axes factoriels de manière à ce que au moins 80% de l’inertie totale soit
conservée (CF page 78).
Il n’y a pas de règle simple pour le choix du nombre d’axes. On peut conseiller en général de
conserver au moins la moitié des axes et souvent les deux tiers.
Sauvegarde partielle de l’arbre

La sauvegarde partielle de l’arbre fixe le nombre d’éléments terminaux qui seront
sauvegardés pour l’édition des différents résultats (50 par défaut). Seule la partie de l’arbre
au-dessus de cette coupure sera conservée. Le nombre d’individus actifs limite le nombre
d’éléments terminaux qui peuvent être conservés.
Dans le cas où l’on sauvegarde trop d’éléments terminaux, le logiciel n’édite pas la
composition de ces éléments, pas plus que leurs coordonnées et leur valeur-test. Ici, on ne
conserve que 30 éléments terminaux.
99
3.1 CLASSIF-3 : Description des 30 noeuds d'indices les plus élevés

La description des nœuds est constituée de 6 composantes.
• Numéro : donne les numéros des nœuds. Ces numéros sont attribués en séquence.
• Aîné : un des deux nœuds terminaux agrégés (avec le benjamin) à une étape donnée
pour former le nœud Numéro.
• Benjamin : nœud terminal agrégé avec l’aîné pour former le nouveau nœud identifié par
son numéro.
L’aîné et le benjamin sont les deux éléments dont le regroupement entraîne une perte
d’inertie inter-classes minimale.
• Nb d'éléments terminaux du noeud : donne le nombre d'éléments terminaux dans le
nœud créé. Equivaut à la somme des éléments terminaux contenus dans l’aîné et le
benjamin.
• Poids du nœud : poids du nœud qui dépend de celui de chaque élément terminal. Dans
ce cas uniforme, le poids et le nombre d’éléments terminaux sont identiques.
• Indice de niveau : donne la valeur de l'indice d'agrégation (ou indice de niveau) de
chaque nœud. Cet indice d’agrégation au sens du critère de Ward mesure la dissimilarité
entre les classes. L’indice de niveau d’un nœud est en fait la perte d’inertie inter-classes
occasionnée par la formation du nœud. Ce nœud est formé par le regroupement des
deux nœuds dont les numéros sont donnés par les colonnes Aîné et Benjamin.
Par défaut, les 50 premiers nœuds sont édités. Ici, la publication des 30 premiers est
suffisante.
Description des 30 noeuds d'indices les plus élevés
Nb d'éléments
Poids du Indice de
Numéro Ainé Benjamin terminaux du
noeud niveau
noeud
1970 1936 1938 78 78,00 0,01097
1971 1946 1953 60 60,00 0,01101
1972 1964 1943 50 50,00 0,01116
1973 1928 1951 52 52,00 0,01136
1974 1940 1958 49 49,00 0,01139
1975 1969 1966 79 79,00 0,01188
1976 1968 1952 84 84,00 0,01213
1977 1944 1954 49 49,00 0,01285
1978 1965 1878 68 68,00 0,01304
1979 1923 1904 42 42,00 0,01387
1980 1930 1901 53 53,00 0,01397
1981 1972 1920 63 63,00 0,01417
1982 1963 1947 101 101,00 0,01450
1983 1967 1959 73 73,00 0,01582
1984 1979 1955 76 76,00 0,01687
1985 1935 1950 54 54,00 0,01835
1986 1974 1962 110 110,00 0,02384
1987 1980 1970 131 131,00 0,02446
1988 1971 1985 114 114,00 0,02504
1989 1982 1976 185 185,00 0,03104
1990 1973 1984 128 128,00 0,04241
1991 1983 1987 204 204,00 0,04329
1992 1977 1986 159 159,00 0,06131
1993 1989 1990 313 313,00 0,06857
1994 1993 1992 472 472,00 0,07922
1995 1978 1981 131 131,00 0,08172
1996 1988 1994 586 586,00 0,08705
1997 1975 1996 665 665,00 0,10724
1998 1995 1997 796 796,00 0,11979
1999 1991 1998 1000 1000,00 0,12828
Somme des 0,00000 0,02000 0,04000 0,06000 0,08000 0,10000 0,12000 0,14000
indices de 1,83681
niveau
100
Le nœud 1970, par exemple, est formé des nœuds 1936 et 1938. Il est constitué de 78
éléments de poids 78. La valeur de l’indice d’agrégation est de 0.01097.
On observe sur l’histogramme des indices de niveau des sauts importants pour une coupure
en quatre classes (trois dernières barres) et en neuf classes (huit dernières barres). On
optera pour une partition en neuf classes.
3.2 CLASSIF-4 : Description des 30 nouveaux éléments terminaux

Le tableau ci-après édite la composition des 30 éléments terminaux (50 par défaut). Cela
permet de connaître la répartition des individus dans les éléments terminaux qui se
définissent comme les classes d’individus obtenues lorsque l’on coupe l’arbre d’agrégation
hiérarchique en un certain niveau.
Numéro : rang de l’élément terminal. Celui-ci est attribué séquentiellement.
Noeud : numéro du nœud terminal.
Indice : valeur de l’indice de niveau du nœud terminal.
Aîné : premier nœud qui compose le nœud terminal.
Benjamin : second nœud qui compose le nœud terminal.
Effectif : effectif du nœud terminal.
Identificateur : donne l’identificateur de l’ensemble des individus qui sont agrégés dans le
nœud terminal.
Dans le cas de cette enquête, les individus sont anonymes et l’édition de la composition des
éléments terminaux a peu d’intérêt. On se limite à la publication de 5 nœuds parmi les
nouveaux éléments terminaux formés par l’agrégation.
Description des 30 nouveaux éléments terminaux

Eléments terminaux formés de plusieurs individus
Numéro Noeud Indice Ainé Benjamin Effectif Identificateur Identificateur Identificateur Identificateur Identificateur Identificateur Identificateur Identificateur
1 1962 0,00888 1915 1948 61 1 90 201 36 249 14 234 185
230 233 383 859 607 992 822 837
779 857 590 271 51 91 290 250
209 327 298 229 47 177 329 206
255 93 65 40 11 39 723 722
384 618 845 539 897 368 619 485
892 980 405 114 232 238 184 306
276 269 252 15 248
2 1958 0,00754 1933 1891 27 254 647 599 805 851 896 270 911
890 500 724 366 616 409 693 929
694 883 676 698 968 704 281 408
930 552 555
3 1940 0,00476 1868 1875 22 548 549 739 901 696 902 951 683
707 277 759 962 933 936 964 538
20 283 97 125 935 96
4 1954 0,00650 1870 1911 21 133 107 512 160 214 461 612 418
820 463 378 435 400 632 385 483
335 334 285 879 563
5 1944 0,00525 1850 1888 28 577 889 315 910 482 645 484 157
131 313 49 212 167 396 818 908
456 623 988 987 375 727 509 600
397 535 833 855
3.3 CLASSIF-5 : Coordonnées et valeurs-tests des noeuds terminaux

Cette sortie édite dans un premier temps le tableau des coordonnées des éléments
terminaux sur les 5 premiers axes (issus de l’analyse des correspondances multiples), puis
le tableau des valeurs-tests.
Le tableau des coordonnées est composé de 9 colonnes :
101
• Numéro : donne le rang du nœud

• Identificateur : numéro du nœud terminal,
• Poids : poids du nœud terminal.
• Effectif : effectif du nœud terminal.
Dans l’exemple, le poids des individus est uniforme, donc le poids et l’effectif des nœuds
sont identiques.
• Axe1 – Axe5 : valeurs-tests des nœuds terminaux sur les axes demandés par
l’utilisateur (les cinq premiers par défaut).
Coordonnées des noeuds terminaux

Numéro Identificateur Poids Effectif Axe 1 Axe 2 Axe 3 Axe 4 Axe 5
1 1962 61,00 61 -0,41 0,95 -0,20 -0,39 -1,15
2 1958 27,00 27 -0,51 1,07 0,88 0,17 0,09
3 1940 22,00 22 0,51 0,95 -0,15 0,98 0,30
4 1954 21,00 21 -0,58 -0,40 1,42 0,28 1,02
5 1944 28,00 28 -1,44 1,08 1,48 0,79 1,86
6 1955 34,00 34 0,37 0,58 0,17 -1,05 -0,73
7 1904 18,00 18 -0,35 -0,07 0,80 -0,67 1,17
8 1923 24,00 24 1,21 0,00 -0,85 -0,19 1,00
9 1951 29,00 29 -0,60 -0,12 -1,31 -0,70 1,24
10 1928 23,00 23 0,40 0,25 -0,64 -1,52 1,14
11 1952 24,00 24 0,64 1,05 -0,08 1,64 0,19
12 1968 60,00 60 0,65 0,57 -1,18 0,63 0,21
13 1947 43,00 43 0,33 0,78 0,02 -0,25 -0,32
14 1963 58,00 58 0,64 0,14 0,33 -0,06 -0,61
15 1950 29,00 29 0,85 -0,64 1,04 0,69 -0,46
16 1935 25,00 25 -0,24 -1,70 0,91 0,46 -0,53
17 1953 28,00 28 0,94 -0,11 -0,07 1,77 -0,48
18 1946 32,00 32 0,24 -0,23 0,19 0,93 -1,24
19 1966 31,00 31 0,13 -0,51 -0,75 -0,93 0,47
20 1969 48,00 48 1,03 -0,10 -0,15 -0,85 0,56
21 1920 13,00 13 -1,16 0,99 1,60 0,51 1,30
22 1943 18,00 18 0,66 0,56 0,06 1,16 0,05
23 1964 32,00 32 -0,50 -0,11 0,24 -0,23 -0,12
24 1878 12,00 12 0,60 0,01 0,64 -2,10 -0,73
25 1965 56,00 56 1,37 -0,95 1,16 -0,53 0,06
26 1970 78,00 78 -1,07 0,38 -0,32 -0,37 -0,38
27 1901 19,00 19 -1,69 -0,15 0,35 0,71 0,12
28 1930 34,00 34 -1,39 -0,80 -1,48 -0,02 -0,53
29 1959 35,00 35 -0,67 -1,34 -0,24 -0,13 0,80
30 1967 38,00 38 -1,00 -2,04 -0,66 0,75 -0,41
Le tableau des valeurs-tests comprend les colonnes suivantes :

• Numéro : donne le rang du nœud
• Identificateur : numéro du nœud terminal,
sont identiques.
• Axe1 – Axe5 : donne les coordonnées des nœuds terminaux sur les axes demandés par
l’utilisateur (les cinq premiers par défaut).
102
Valeurs-Test des noeuds terminaux

Numéro Identificateur Poids Effectif Axe 1 Axe 2 Axe 3 Axe 4 Axe 5
1 1962 61,00 61 -3,28 7,66 -1,64 -3,18 -9,27
2 1958 27,00 27 -2,67 5,62 4,64 0,89 0,48
3 1940 22,00 22 2,43 4,49 -0,73 4,64 1,45
4 1954 21,00 21 -2,67 -1,83 6,59 1,29 4,73
5 1944 28,00 28 -7,73 5,78 7,96 4,25 9,96
6 1955 34,00 34 2,20 3,42 1,03 -6,23 -4,34
7 1904 18,00 18 -1,51 -0,29 3,42 -2,85 5,02
8 1923 24,00 24 6,00 0,00 -4,21 -0,93 4,94
9 1951 29,00 29 -3,25 -0,66 -7,17 -3,80 6,76
10 1928 23,00 23 1,94 1,22 -3,11 -7,36 5,55
11 1952 24,00 24 3,18 5,20 -0,42 8,15 0,96
12 1968 60,00 60 5,18 4,55 -9,44 5,01 1,64
13 1947 43,00 43 2,24 5,26 0,11 -1,68 -2,13
14 1963 58,00 58 5,04 1,08 2,59 -0,45 -4,79
15 1950 29,00 29 4,62 -3,52 5,68 3,77 -2,53
16 1935 25,00 25 -1,22 -8,60 4,58 2,34 -2,68
17 1953 28,00 28 5,03 -0,62 -0,39 9,48 -2,57
18 1946 32,00 32 1,40 -1,34 1,11 5,35 -7,11
19 1966 31,00 31 0,71 -2,89 -4,26 -5,27 2,67
20 1969 48,00 48 7,33 -0,74 -1,04 -6,05 3,97
21 1920 13,00 13 -4,19 3,58 5,79 1,85 4,73
22 1943 18,00 18 2,83 2,39 0,27 4,96 0,21
23 1964 32,00 32 -2,88 -0,61 1,38 -1,31 -0,69
24 1878 12,00 12 2,09 0,05 2,21 -7,30 -2,56
25 1965 56,00 56 10,53 -7,34 8,92 -4,04 0,44
26 1970 78,00 78 -9,83 3,53 -2,96 -3,41 -3,46
27 1901 19,00 19 -7,43 -0,66 1,54 3,13 0,54
28 1930 34,00 34 -8,27 -4,76 -8,76 -0,11 -3,16
29 1959 35,00 35 -4,02 -8,09 -1,42 -0,79 4,81
30 1967 38,00 38 -6,26 -12,84 -4,15 4,69 -2,59
Cette sortie n’est pas éditée par défaut. Il permet de juger, à travers les coordonnées, de
« l’originalité » des éléments terminaux sur les premiers axes factoriels, et à travers les
valeurs-tests de la significativité de ces éléments terminaux ces axes.
Le tableau des coordonnées et des valeurs-tests des classes de la partition que l’on verra
ultérieurement est souvent suffisant.
3.4 CLASSIF-6 : Description des noeuds de la hiérachie (au dessus des

noeuds terminaux)
Ce tableau donne les caractéristiques des nœuds situés au-dessus des nœuds terminaux. Il
décrit de quelle façon s’agrègent ces nœuds. On a 8 colonnes.
• Rang du nœud : rang du nœud étudié au dessus des nœuds terminaux.
• Indice du nœud : indice de niveau du nœud étudié.
Dans l’exemple, on a sauvegardé les 30 derniers nœuds terminaux. Le premier nœud
formé par l’agrégation de deux nœuds terminaux est donc de rang 31. Le second est de
rang 32, etc.
• Aîné : rang du premier nœud qui compose le nœud étudié.
• Benjamin : rang du second nœud qui compose le nœud étudié.
Le nœud de rang 42 est formé des nœuds de rang 13 et de rang 14, qui sont donc deux
des 30 nœuds terminaux.
sont identiques.
• Rang du premier nœud terminal : donne le rang du premier nœud terminal compris
dans le nœud étudié.
103
• Rang du dernier nœud terminal : donne le rang du dernier nœud terminal compris dans
le nœud étudié.
Description des noeuds de la hiérachie (au dessus des noeuds terminaux)

Indices en pourcentage de la somme des indices ( 1.12563)
Rang du Rang du
Rang du Indice du premier dernier
Ainé Benjamin Effectif Poids
noeud noeud noeud noeud
terminal terminal
31 0,98 18 17 60 60,00 17 18
32 0,99 23 22 50 50,00 22 23
33 1,01 10 9 52 52,00 9 10
34 1,01 3 2 49 49,00 2 3
35 1,06 20 19 79 79,00 19 20
36 1,08 12 11 84 84,00 11 12
37 1,14 5 4 49 49,00 4 5
38 1,16 25 24 68 68,00 24 25
39 1,23 8 7 42 42,00 7 8
40 1,24 28 27 53 53,00 27 28
41 1,26 32 21 63 63,00 21 23
42 1,29 14 13 101 101,00 13 14
43 1,41 30 29 73 73,00 29 30
44 1,50 39 6 76 76,00 6 8
45 1,63 16 15 54 54,00 15 16
46 2,12 34 1 110 110,00 1 3
47 2,17 40 26 131 131,00 26 28
48 2,22 31 45 114 114,00 15 18
49 2,76 42 36 185 185,00 11 14
50 3,77 33 44 128 128,00 6 10
51 3,85 43 47 204 204,00 26 30
52 5,45 37 46 159 159,00 1 5
53 6,09 49 50 313 313,00 6 14
54 7,04 53 52 472 472,00 1 14
55 7,26 38 41 131 131,00 21 25
56 7,73 48 54 586 586,00 1 18
57 9,53 35 56 665 665,00 1 20
58 10,64 55 57 796 796,00 1 25
59 11,40 51 58 1000 1000,00 1 30
Ainsi, le nœud de rang 57 est le regroupement des nœuds terminaux de rang 1 à 20.
4. La Classification Mixte – SEMIS

Les algorithmes de classification sont plus ou moins bien adaptés au traitement d’un nombre
important d’individus à classer. La méthode d’agrégation autour des centres mobiles offre
des avantages puisqu’elle permet d’obtenir une partition sur un volume de données
important. Elle présente cependant l’inconvénient de produire des partitions dépendant des
premiers centres choisis et celui de fixer a priori le nombre de classes.
A l’inverse, la classification hiérarchique est une méthode que l’on peut qualifier de
« déterministe » puisqu’elle donne toujours les mêmes résultats à partir des mêmes
données. Cette méthode utilise des algorithmes qui donnent des indications sur le nombre
de classes à retenir mais elle est mal adaptée aux ensembles volumineux de données.
La classification autour des centres mobiles peut aussi être utilisée en parallèle avec la
classification hiérarchique (classification mixte). En fournissant des partitions sur un volume
de données important, elle permet de réduire la dimension de l’ensemble des éléments à
classer en effectuant des regroupements préalables. Ainsi, l’algorithme de classification qui
paraît bien adapté au partitionnement d’un ensemble comprenant des milliers ou des
dizaines de milliers d’individus ou davantage est un algorithme mixte. Il repose sur la
combinaison des deux algorithmes : l’algorithme d’agrégation autour des centres mobiles et
l’algorithme d’agrégation hiérarchique.
104
L’algorithme de classification mixte est effectué par la procédure SEMIS sur les individus
décrits par leurs premières coordonnées factorielles.
Cet algorithme procède en trois étapes :
1. Partitionnement préliminaire
L’ensemble des éléments à classer subit tout d’abord un partitionnement préliminaire (autour
des centres mobiles).
Cette première étape consiste à obtenir une partition des n objets en k classes homogènes,
où k sera choisi largement plus élevé que le nombre réel de classes désirées, et largement
plus petits que le nombre total d’objets à classer.
Pour ce partitionnement préliminaire en quelques dizaines ou quelques centaines de classes
homogènes, on utilise l’algorithme d’agrégation autour des centres mobiles (ou nuées
dynamiques). Cet algorithme augmente l’inertie entre les classes à chaque itération et
produit une partition en un nombre de classes fixé au préalable. Ce nombre dépend du choix
initial des centres qui sont tirés au hasard ou choisis par l’utilisateur.
L’optimum ne peut pas être atteint, mais la partition obtenue peut être améliorée à partir de
groupements stables. Ces groupes d’individus qui apparaissent toujours dans les mêmes
classes seront les éléments de base de l’étape suivante.
2. Agrégation hiérarchique des classes obtenues
La seconde étape vise à effectuer une classification ascendante hiérarchique où les
éléments terminaux de l’arbre sont les k classes de la partition préliminaire. Certains de ces
groupements peuvent être proches les uns des autres. Ils correspondent à un groupe
« réel » qui aurait été coupé artificiellement par l’étape précédente.
L’étape précédente crée, en général, plusieurs petits groupes ne contenant parfois qu’un
seul élément. L’objectif de l’étape d’agrégation hiérarchique est de reconstituer les classes
qui ont été fragmentées et d’agréger des éléments apparemment dispersés autour de leur
centre d’origine. L’arbre est construit en utilisant le critère de Ward. Cette étape est
semblable à la classification hiérarchique présentée précédemment. Le dendrogramme
suggérera éventuellement le nombre de classes finales à retenir.
3. Partition finale et consolidation
La partition finale de la population est définie par coupure de l’arbre de classification
hiérarchique. L’homogénéité des classes obtenues peut être optimisée par réaffectations par
la technique des centres mobiles (voir la consolidation de la partition).
Les deux premières étapes sont effectuées par la procédure SEMIS. La dernière est réalisée
par les procédures PARTI-DECLA qui effectuent également la description statistique des
classes obtenues.
4.1 Paramètres de fonctionnement de SEMIS

Les 4 paramètres de fonctionnement soumis à l’utilisateur sont présentés ci-après.
Coordonnées utilisées pour l’agrégation
Ce paramètre indique le nombre de facteurs pris en compte pour calculer les distances entre
les individus et pour effectuer la partition autour des centres mobiles. Par la suite, la
construction des partitions et des classes ainsi que le calcul des différentes aides à
l’interprétation seront effectués dans le sous-espace factoriel choisi. Par défaut, 10 facteurs
sont pris en compte. Il faut noter que le nombre maximum d’axes est choisi dans les
105
paramètres de fonctionnement de l’analyse. Dans l’exemple, la partition utilise les 14

premiers facteurs.
Partition(s) de base
Trois méthodes de classification sont disponibles.
La première méthode consiste à chercher les classes stables par croisement de plusieurs
partitions de base construites autour d’individus tirés au hasard. L’item Nombre définit le
nombre de partitions construites (2 par défaut) et l’item Taille détermine le nombre
d’individus tirés au hasard pour chaque partition. Ce sont les centres initiaux de chacune des
partitions.
Les deux autres méthodes consistent à construire une seule partition par l’algorithme des
centres mobiles, autour de N centres choisis par l’utilisateur (bouton Choix) ou tirés au
hasard dans l’ensemble de la population.
L’item Nombre d’itérations pour la formation indique le nombre d’itérations du processus à
centres mobiles (ou de nuées dynamiques). Par défaut, ce nombre est de 7.
Groupements stables à conserver
Ce paramètre détermine le nombre de classes stables à conserver et à utiliser pour la
classification hiérarchique.
L’item Tous permet de retenir l’ensemble des classes stables.
L’item Sélection par seuil de poids (en %) permet de ne conserver que les classes stables
dont le poids, en pourcentage, dépasse le seuil fixé par l’utilisateur (par défaut, le seuil est
de 0%).
L’item Les N plus lourds sélectionne les N classes stables ayant les effectifs les plus élevés.
Création d’une classe résiduelle
Une fois déterminé le nombre de classes stables à conserver pour la classification, il reste à
reclasser les individus qui n’appartiendraient pas aux classes retenues.
Si on choisit l’item Non, les individus sont affectés à la classe stable la plus proche. En
sélectionnant l’item Oui, ils sont regroupés au sein d’une classe dite résiduelle.
Dans l’exemple, nous avons choisi de construire une partition de base sur 10 centres
mobiles tirés au hasard et 2 partitions croisées de taille 10 chacune.
4.2 CLASSIF-1 : Classification mixte sur les 14 premiers axes factoriels
4.2.1 Résultats obtenus avec la partition de base sur 10 centres mobiles tirés au
hasard
Le tableau suivant comporte 4 colonnes :
• Numéro de la classe : rang de chaque classe.
• Numéro d’individu : numéro du centre mobile de chaque classe, tiré au hasard ou
choisi.
• Poids : indique le poids des individus de la classe.
• Effectif : effectif de la classe.
Le nombre de classes dépend de la taille (ou du nombre de centres mobiles) adoptée pour la
partition (10 dans l’exemple).
106
Ces classes sont censées être des morceaux de classes « réelles » que l’algorithme
d’agrégation autour des centres mobiles a éclatées.
Classification mixte sur les 14 premiers axes factoriels

Centres mobiles à partir de 10 individus-source.
Partition
Numéro de la classe Numéro d'individu Poids Effectif
1 98 66,00 66
2 232 122,00 122
3 392 112,00 112
4 618 104,00 104
5 668 101,00 101
6 699 89,00 89
7 759 102,00 102
8 813 101,00 101
9 896 97,00 97
10 942 106,00 106
4.2.2 Résultats obtenus avec 2 partitions croisées de taille 10 chacune

Les deux tableaux suivants comportent 4 colonnes :
• Numéro de la classe : rang de chaque classe.
• Numéro d’individu : numéro du centre mobile de chaque classe, tiré au hasard ou
choisi.
• Poids : indique le poids des individus de la classe.
• Effectif : effectif de la classe.
Classification mixte sur les 10 premiers axes factoriels

A partir de 2 partitions de base avant croisement
Partition 1

1 98 66,00 66
2 232 122,00 122
3 392 112,00 112
4 618 104,00 104
5 668 101,00 101
6 699 89,00 89
7 759 102,00 102
8 813 101,00 101
9 896 97,00 97
10 942 106,00 106
Partition 2

1 61 135,00 135
2 163 87,00 87
3 179 78,00 78
4 248 64,00 64
5 386 148,00 148
6 402 81,00 81
7 454 107,00 107
8 456 86,00 86
9 619 111,00 111
10 945 103,00 103
4.3 CLASSIF-2 : Résultats du croisement

Dans cette sortie, la procédure SEMIS fournit le tableau des résultats du croisement des
partitions de base, avant et après des réaffectations éventuelles (à centres mobiles).
107
Les réaffectations consistent à améliorer l’homogénéité interne des classes en réaffectant

les éléments d’une classe à une autre classe dont ils sont plus proches. Ce processus
s’effectue par itérations successives à centres mobiles de façon analogue à la consolidation
de la partition effectuée par la procédure PARTI-DECLA.
4.3.1 Résultats obtenus avec la partition de base sur 10 centres mobiles tirés au
hasard
Le tableau est composé des colonnes suivantes :
Poids avant : indique le poids de la classe avant les réaffectations éventuelles.
Pourcentage cumulé : donne le pourcentage cumulé des poids des individus des classes
avant les réaffectations.
Numéro de la classe : rang de la classe. Chaque classe est considérée comme un nœud
ou un élément terminal.
Poids après : représente le poids des individus de la classe après les réaffectations
éventuelles.
Résultats du croisement
Poids avant Pourcentage cumulé Numéro de la classe Poids après
122,00 12,20 &01& 122,00
112,00 23,40 &02& 112,00
106,00 34,00 &03& 106,00
104,00 44,40 &04& 104,00
102,00 54,60 &05& 102,00
101,00 64,70 &06& 101,00
101,00 74,80 &07& 101,00
97,00 84,50 &08& 97,00
89,00 93,40 &09& 89,00
66,00 100,00 &10& 66,00
0,00 100,00 Classe résiduelle
Dans le cas d’une partition de base unique autour de N centres mobiles (10 dans l’exemple),
on retrouve les classes (que l’on considère stables) obtenues par l’algorithme d’agrégation
autour des centres mobiles :
4.3.2 Résultats obtenus avec 2 partitions croisées de taille 10 chacune

Le tableau ci-après présente le croisement entre les partitions de base obtenues
précédemment (2 dans l’exemple). On retient comme classes finales les classes stables
constituées par les individus classés ensemble dans les partitions de base.
Le tableau est composé des colonnes suivantes :
Poids avant : indique le poids de la classe avant les réaffectations éventuelles.
Pourcentage cumulé : donne le pourcentage cumulé des poids des individus des classes
avant les réaffectations.
Numéro de la classe : rang de la classe. Chaque classe est considérée comme un nœud
ou un élément terminal.
Poids après : représente le poids des individus de la classe après les réaffectations
éventuelles.
Une partie du tableau a été tronquée.
108
Résultats du croisement
Poids avant Pourcentage cumulé Numéro de la classe Poids après
85,00 8,50 &01& 85,00
82,00 16,70 &02& 82,00
72,00 23,90 &03& 72,00
65,00 30,40 &04& 65,00
58,00 36,20 &05& 58,00
49,00 41,10 &06& 49,00
49,00 46,00 &07& 49,00
43,00 50,30 &08& 43,00
43,00 54,60 &09& 43,00
39,00 58,50 &10& 39,00
…
1,00 99,60 &55& 1,00
1,00 99,70 &56& 1,00
1,00 99,80 &57& 1,00
1,00 99,90 &58& 1,00
1,00 100,00 &59& 1,00
0,00 100,00 Classe résiduelle
Dans l’exemple, on remarque qu’à partir des 2 partitions de 10 classes, on obtient 59 classes
stables. Ces classes seront ensuite agrégées par l’algorithme d’agrégation hiérarchique dont
les résultats sont rassemblés dans le tableau de la description des nœuds d’indices les plus
élevés. Les 10 classes obtenues dans l’autre exemple sont agrégées de la même manière.
La procédure SEMIS fournit ensuite respectivement dans les sorties CLASSIF-3 et

CLASSIF-6 la description des nœuds d’indices les plus élevés puis la description des nœuds
de la hiérarchie. Ces résultats sont analogues à ceux produits par la procédure RECIP.
109
Coupure de l’arbre et description des classes
(PARTI/DECLA)
La procédure PARTI-DECLA permet de couper à un niveau convenable l’arbre obtenu par la

procédure RECIP ou SEMIS pour construire une partition des individus. Il est possible de
réaliser plusieurs partitions simultanément et de décrire statistiquement les partitions
choisies.
Dans cet exemple, nous reprenons les résultats issus de la procédure RECIP présentée
page 99. Le fichier utilisé est toujours ASPI1000.sba fourni avec le logiciel.
1. La procédure PARTI
La procédure PARTI construit des partitions par coupure de l’arbre d'agrégation obtenu
précédemment avec la procédure RECIP/SEMIS. Elle constitue les partitions demandées
par l'utilisateur ou par recherche automatique des meilleures partitions, en les améliorant
éventuellement par des itérations à centres mobiles (consolidation). Les partitions ainsi
créées seront ensuite caractérisées de façon automatique par la procédure DECLA.
La procédure PARTI fournit une série de listages (une par partition demandée). Chaque
listage possède la même structure : on obtient d'abord une description sommaire de la
partition obtenue par coupure de l'arbre, indiquant pour chaque classe formée quels
éléments terminaux la composent.
Si elle a été demandée, l'édition des coordonnées et valeurs-tests de ces classes apparaît
ensuite. On obtient également, à la demande, la correspondance entre les classes et les
individus.
Dans le cas d'une "consolidation" de cette partition par des itérations à centres mobiles, on
trouve ensuite la chronique de progression de l'inertie inter-classes au cours des itérations.
Dans tous les cas, on trouve ensuite la décomposition de l'inertie en inertie inter-classes et
inerties intra-classe, divisée en "avant et après consolidation" dans le cas où des itérations
ont été effectuées. Si la consolidation a eu lieu et que cette édition est demandée, on trouve
alors à nouveau les coordonnées et valeurs-tests des classes de la partition, puis la
correspondance entre les classes et les individus.
Egalement à la demande, vient ensuite pour chaque classe, la liste des parangons (points
les plus proches du centre de gravité des classes) et celle des points qui contribuent le plus
à l'inertie intra-classe.
Deux paramètres de fonctionnement sont proposés.

• Itérations de consolidation :
L'objectif de la consolidation est de réaffecter les éléments d'une classe à une autre
classe dont ils sont plus proches de façon à améliorer l’homogénéité à l’intérieur des
classes. Ce processus s’effectue par des itérations successives à centres mobiles. Les
centres mobiles sont initialement les centres de gravité des classes obtenues par
coupure de l’arbre. Les calculs sont arrêtés dès que l’accroissement de l’inertie inter-
classes devient trop faible d’une itération à l’autre. Il faut donc choisir un nombre
d’itérations de consolidation (10 par défaut).
110
SPAD Version 5.0 Coupure de l’arbre et description des classes (PARTI/DECLA)
Si le nombre d’itérations est fixé à 0, il n’y aura pas de consolidation : les résultats de la
coupure de l’arbre sont conservés tels quels.
Si le nombre d’itérations est positif, le logiciel édite l’affectation des individus seulement
après la consolidation.
Si le nombre d’itérations est négatif, le logiciel édite l’affectation des individus avant et
Nous avons fixé le nombre d’itérations à -10 dans le cadre de cet exemple.
• Affectation des individus illustratifs aux classes les plus proches :
Ce paramètre commande l’affectation des individus illustratifs à la classe dont le centre
de gravité est le plus proche au sens de la distance euclidienne. Par défaut, le logiciel ne
réalise pas cette affectation et considère les individus illustratifs comme des données
manquantes.
Trois paramètres d’édition sont soumis à l’utilisateur :

• Correspondance classes-individus :
La correspondance peut-être demandée pour les individus actifs et/ou illustratifs. Mais la
correspondance de ces derniers n’est possible que si ceux-ci ont été affectés aux centres
de classe les plus proches (voir paramètre ci-dessus).
Ce paramètre permet d’une part de lister les individus de chacune des classes (item
Composition de chaque classe) et d’autre part d’éditer le numéro de la classe à laquelle
chaque individu appartient (item Classe d’appartenance des individus).
Les individus peuvent être repérés soit par leur identificateur court (4 caractères), soit par
leur identificateur long (identificateur en entier).
Chaque édition sera donnée deux fois (avant et après la consolidation) si le paramètre
relatif au nombre d’itérations de consolidation prend une valeur négative.
• Coordonnées éditées pour les classes :
Ceci permet de lister les coordonnées et les valeurs-tests des classes. Par défaut, ces
caractéristiques sont éditées sur les cinq premiers axes. Mais on peut en demander
l’édition sur l’ensemble des axes pris en compte dans l’agrégation des individus.
Dans le cas où le paramètre relatif au nombre d’itérations de consolidation est négatif,
cette édition sera donnée deux fois (avant et après la consolidation).
• Edition des parangons :
Nombre indique que l’on souhaite éditer les n individus les plus caractéristiques de
chaque classe, c’est-à-dire les n individus les plus proches du centre de gravité de
chaque classe.
Les N plus proches et les N plus éloignés signifient que l’on désire éditer les N individus
les plus caractéristiques de chaque classe ainsi que les N individus les plus éloignés
(ceux qui contribuent le plus à l’inertie intra-classe).
Cette liste n’est fournie qu’après la consolidation (s’il y en a une).
Nous optons pour une partition en 9 classes. Les résultats de la procédure PARTI vous sont
présentés ci-après.
111
1.1 PARTI-1 : Coupure 'a' de l'arbre en 9 classes

Ce tableau, constitué de 4 colonnes, décrit sommairement les classes avant la consolidation.
• Classe : identificateur de la classe.
• Effectif : nombre d’individus de la classe.
• Poids : poids des individus de la classe.
• Contenu : rangs des nœuds terminaux de la classe. Un nœud terminal est un ensemble
d’individus réunis au cours du processus d’agrégation. Dans l’exemple, on, avait choisi
30 nœuds terminaux.
Coupure 'a' de l'arbre en 9 classes

Formation des classes (sur les individus actifs)
Description sommaire
Classe Effectif Poids Contenu
Classe 1 110 110,00 1 à 3
Classe 2 49 49,00 4 à 5
Classe 3 128 128,00 6 à 10
Classe 4 185 185,00 11 à 14
Classe 5 114 114,00 15 à 18
Classe 6 79 79,00 19 à 20
Classe 7 63 63,00 21 à 23
Classe 8 68 68,00 24 à 25
Classe 9 204 204,00 26 à 30
Interprétation
La partition en 9 classes, adoptée pour les 1000 individus, donne deux grandes classes de
204 et 185 éléments, trois classes allant de 110 à 128 éléments et quatre petites classes (49
à 79 éléments).
Les poids des classes sont identiques aux effectifs puisque tous les individus ont le même
poids égal à un.
1.2 PARTI-2 : Coordonnées et valeurs-tests des centres de classes avant

consolidation
Cette sortie donne les coordonnées et les valeurs-tests des classes avant la consolidation.
Dans le listage PARTI-8, nous obtenons la même sortie après consolidation.
1.2.1 Coordonnées des centres de classes avant consolidation

Ce tableau se compose de 4 grandes colonnes :
• Libellé :identificateur de la classe.
• Poids absolu : poids des individus de la classe.
• Distance à l'origine : carré de la distance du Khi-2 de l’origine au centre de gravité de la
classe mesuré dans le sous-espace factoriel choisi (14 axes ici).
• Axe 1 – Axe 5 : coordonnées des centres de gravité sur les premiers axes.
112
Coordonnées des centres de classes après consolidation

Poids Distance à
absolu l'origine
CLASSE 1 / 9 147 147,00 0,54511 -0,15826 0,42521 -0,00168 -0,26465 -0,37854
CLASSE 2 / 9 97 97,00 1,18427 -0,63481 0,27568 0,59712 0,21892 0,50340
CLASSE 3 / 9 105 105,00 0,63120 0,20758 -0,00686 -0,26380 -0,39956 0,41959
CLASSE 4 / 9 164 164,00 0,44963 0,33236 0,35903 -0,18770 0,27021 -0,04286
CLASSE 5 / 9 124 124,00 0,70303 0,28163 -0,33038 0,21092 0,41367 -0,26417
CLASSE 6 / 9 74 74,00 1,37837 0,38592 -0,08714 -0,16999 -0,41457 0,24967
CLASSE 7 / 9 56 56,00 1,37230 -0,12985 0,13429 0,17477 0,13547 0,04521
CLASSE 8 / 9 78 78,00 1,45062 0,62320 -0,47910 0,50629 -0,28731 -0,02969
CLASSE 9 / 9 155 155,00 0,78910 -0,62116 -0,45254 -0,40029 0,06138 -0,10417
Interprétation
D’après les carrés des distances à l’origine, la classe 8 est la plus « atypique ». Elle contient
des individus dont les caractéristiques sont très différentes de « l’individu moyen » de
l’échantillon. La classe 4 est la plus proche de cet « individu moyen » (du moins dans
l’espace des 14 premiers axes factoriels).
1.2.2 Valeurs-tests des centres de classes avant consolidation

Ce tableau se compose de 4 grandes colonnes :
• Libellé :identificateur de la classe.
• Poids absolu : poids des individus de la classe.
• Distance à l'origine : carré de la distance du Khi-2 de l’origine au centre de gravité de la
classe mesuré dans le sous-espace factoriel choisi (14 axes ici).
• Axe 1 – Axe 5 : valeurs-tests des centres de gravité sur les premiers axes. Une classe
est d’autant plus intéressante sur un axe que sa valeur-test est plus grande en valeur
absolue.
Valeurs-Tests des centres de classes après consolidation

Poids Distance à
absolu l'origine
CLASSE 1 / 9 147 147,00 0,54511 -3,99381 11,46270 -0,04819 -7,92101 -11,56100
CLASSE 2 / 9 97 97,00 1,18427 -12,64750 5,86745 13,55000 5,17313 12,13810
CLASSE 3 / 9 105 105,00 0,63120 4,32206 -0,15265 -6,25602 -9,86737 10,57320
CLASSE 4 / 9 164 164,00 0,44963 8,94839 10,32650 -5,75582 8,62876 -1,39647
CLASSE 5 / 9 124 124,00 0,70303 6,44107 -8,07183 5,49435 11,22150 -7,31210
CLASSE 6 / 9 74 74,00 1,37837 6,63172 -1,59957 -3,32705 -8,44959 5,19243
CLASSE 7 / 9 56 56,00 1,37230 -1,92248 2,12404 2,94713 2,37894 0,81009
CLASSE 8 / 9 78 78,00 1,45062 11,01860 -9,04914 10,19560 -6,02513 -0,63542
CLASSE 9 / 9 155 155,00 0,78910 -16,17190 -12,58610 -11,87000 1,89545 -3,28235
Interprétation
L’intérêt de ce tableau est de juger à travers la statistique des valeurs-tests de l’intérêt des
classes dans les différentes directions factorielles. On voit par exemple que toutes les
classes sont bien différenciées sur le premier plan factoriel sauf la classe 7 qui a besoin des
trois axes suivants pour trouver sa place dans l’espace.
113
1.3 PARTI-3 : Avant consolidation - Liste des individus actifs dans les
classes de la partition
La correspondance classe-individu est pertinente lorsque l’on s’intéresse de près aux
individus. Dans cette enquête, comme dans la majorité des cas, les individus sont anonymes
et la correspondance classe-individu présente peu d’intérêt.
Le tableau contient 3 colonnes :
• Numéro d’ordre : numéro de l’individu dans la classe.
• Numéro dans la base : indique le numéro de la ligne où apparaît l’individu dans la base.
Pour chaque classe, les individus sont triés dans l’ordre d’apparition dans la base.
• Libellé de l’individu : identifiant court ou long (voir onglet Paramètres) de l’individu.
Dans cet exemple, les individus sont anonymes, SPAD leur affecte comme libellé le
numéro de la ligne sur laquelle ils se trouvent dans la base.
Le tableau suivant a été tronqué :
Avant consolidation - Liste des individus actifs dans l
CLASSE 1 / 9
Numéro dans
Numéro d'ordre Libellé de l'individu
la Base
1 1 1
2 11 11
3 14 14
4 15 15
5 20 20
6 36 36
7 39 39
8 40 40
Interprétation
Les individus 1, 11, 14, 15, etc. appartiennent à la classe 1 de la partition en 9 classes.
1.4 PARTI-4 : Avant consolidation - Appartenance des individus actifs dans

les classes de la partition
La correspondance individu-classe se présente sous la forme d’un tableau à 3 colonnes :
• Numéro d’ordre : numéro de l’individu dans la liste.
• Libellé de l’individu : identifiant court ou long (voir onglet Paramètres) de l’individu.
Dans cet exemple, les individus sont anonymes, SPAD leur affecte comme libellé le
numéro de la ligne sur laquelle ils se trouvent dans la base.
• Classe : indique le numéro de la classe à laquelle appartient l’individu.
Le tableau suivant a été tronqué :
Avant consolidation - Appartenance des individus a
Numéro d'ordre Libellé de l'individu Classe
1 1 1
2 2 9
3 3 9
4 4 9
5 5 9
6 6 9
7 7 9
8 8 9
9 9 4
10 10 5
114
Interprétation
L’individu 9 appartient à la classe 4.
1.5 PARTI-5 : Consolidation de la partition

Dans ce tableau, on suit le processus de consolidation de la partition autour des centres de
classes. Ce tableau sert à analyser l’évolution de l’inertie inter-classes au fur et à mesure
des itérations.
Il se compose de 4 colonnes :
• Itération : numéro de l’itération.
• Inertie totale : est l’inertie totale du nuage des individus. Elle recalculée et doit rester
constante.
• Inertie inter-classes est l’inertie inter-classes (à maximiser). Elle mesure l’hétérogénéité
entre les classes de la partition.
• Quotient : part de l’inertie inter-classes dans l’inertie totale.
L'intérêt de la consolidation est de réaffecter les éléments d'une classe dans une autre
classe dont ils sont plus proches de façon à améliorer l’homogénéité interne des classes. Ce
processus s’effectue par des itérations successives à centres mobiles. Les centres sont
initialement les centres de gravité des classes obtenues par coupure de l’arbre. Ces centres
évoluent lorsque les individus passent d’une classe à l’autre.
Consolidation de la partition
réalisée par 10 itérations à centres mobiles
Inertie inter-
Itération Inertie totale Quotient
classes
0 1,83681 0,73318 0,39916
1 1,83681 0,82054 0,44672
2 1,83681 0,82550 0,44942
3 1,83681 0,82669 0,45007
4 1,83681 0,82870 0,45116
5 1,83681 0,83069 0,45225
6 1,83681 0,83326 0,45364
7 1,83681 0,83580 0,45503
8 1,83681 0,83639 0,45535
9 1,83681 0,83650 0,45541
Interprétation
La consolidation de la partition a permis de faire passer la part de l’inertie inter-classes de
39.9% à 45.5%. Les classes sont globalement devenues plus homogènes.
L’accroissement de l’inertie inter-classes est pratiquement nul après la neuvième itération.
Les calculs sont alors arrêtés.
En principe, un nombre important d’itérations (au-delà de 10) témoigne d’une classification
peu stable.
1.6 PARTI-6 : Décomposition de l'inertie calculée sur 10 axes

Ce tableau de décomposition de l'inertie présente avant et après la consolidation les 5
composantes suivantes :
• Inerties : il s’agit des intitulés de différentes inerties éditées par le tableau : inertie inter-
classes, inerties intra-classe et inertie totale.
115
• Inertie avant/après : donne l’inertie inter-classes, les inerties intra-classe ainsi que
l’inertie totale (somme de l’inertie inter-classes et des inerties intra-classe), avant et
• Effectifs avant/après : contient les effectifs de classes avant et après la consolidation.
• Poids avant/après : poids de chaque classe avant et après la consolidation.
• Distances avant/après : le carré de la distance du Khi-2 de l’origine au centre de gravité
de la classe, avant et après la consolidation. Cette distance est mesurée dans le sous-
espace vectoriel choisi précédemment (14 axes factoriels dans l’exemple).
Décomposition de l'inertie calculée sur 10 axes

Inerties Inerties Effectifs Effectifs Distances Distances
Inerties Poids avant Poids après
avant après avant après avant après
Inter-classes 0,73318 0,83650
Intra-classe
Classe 1/ 9 0,11137 0,13140 110 147 110,00 147,00 0,63534 0,54511

Classe 2/ 9 0,04592 0,10067 49 97 49,00 97,00 1,38326 1,18427
Classe 3/ 9 0,16249 0,11491 128 105 128,00 105,00 0,46112 0,63120
Classe 4/ 9 0,16870 0,13483 185 164 185,00 164,00 0,34437 0,44963
Classe 5/ 9 0,12852 0,13783 114 124 114,00 124,00 0,66692 0,70303
Classe 6/ 9 0,09443 0,08427 79 74 79,00 74,00 1,32930 1,37837
Classe 7/ 9 0,09149 0,07506 63 56 63,00 56,00 1,36612 1,37230
Classe 8/ 9 0,06626 0,06968 68 78 68,00 78,00 1,52292 1,45062
Classe 9/ 9 0,23445 0,15165 204 155 204,00 155,00 0,50056 0,78910
Totale 1,83681 1,83681
Quotient (I. inter / I. totale) 0,39916 0,45541
Interprétation
On constate que la consolidation améliore globalement la partition. Cependant, l’inertie intra-
classe ne diminue pas dans toutes les classes. Si les classes 3 et 9 voient leur inertie intra-
classe fortement diminuée, la classe 2 voit quant à elle son inertie augmenter (en même
temps que son poids).
1.7 PARTI-8 : Coordonnées et valeurs-tests des centres de classes après

consolidation
Ces tableaux s’interprètent de la même manière que ceux obtenus avant consolidation dans
la sortie PARTI-2 (CF page 112).
1.8 PARTI-9 : Avant consolidation - Liste des individus actifs dans les
classes de la partition
1.9 PARTI-10 : Avant consolidation - Appartenance des individus actifs dans

les classes de la partition
116
1.10 PARTI-11 : Edition des parangons

Les parangons sont les individus les plus « caractéristiques » de chaque groupe au sens
suivant : ce sont les individus les plus proches du centre de gravité (du point moyen) de la
classe.
Par défaut, le logiciel édite les n individus (10 par défaut) situés le plus près du centre de
gravité de chaque classe.
Mais il est possible de demander l’édition des n individus dont la contribution à l’inertie de la
classe est la plus grande. Lorsque ces derniers ont un poids uniforme, ce sont les individus
les plus éloignés du centre de gravité de chaque classe.
Le tableau suivant concerne les 10 parangons de la première classe. Pour chaque parangon
on trouve 3 colonnes :
• Rang : rang de l’individu. Plus le rang de l’individu est grand, plus celui-ci se trouve
éloigné du centre de gravité de sa classe.
• Distance au centre de la classe : carré de la distance entre l’individu et le centre de
gravité de sa classe. Cette distance du Khi-2 est mesurée dans le sous-espace vectoriel
choisi (14 axes dans l’exemple).
• Libellé : identificateur de l’individu.
Edition des parangons

Classe 1 / 9 Effectif: 147
Distance au
Rang centre de la Libellé
classe
1 0,29766 237
2 0,36841 888
3 0,40372 485
4 0,40372 619
5 0,41069 184
6 0,41069 232
7 0,41069 238
8 0,42478 980
9 0,45426 546
10 0,46176 271
Interprétation
On note que dans la classe 1, l’élément le plus proche du centre de gravité est l’individu 237
dont la distance au centre de gravité de la classe est de 0.29766.
1.11 PARTI-12 : Edition des individus à contribution maximale

Cette sortie n’est pas éditée par défaut. Pour l’obtenir, il suffit de demander l’édition des n
individus les plus proches (on obtient la sortie PARTI-11) et des n plus éloignés, c’est à dire
ceux dont la contribution à l’inertie de la classe est la plus grande.
On présente pour chaque classe les 10 individus qui ont le plus contribué à l’inertie de la
classe. Pour chaque individu on trouve 3 colonnes :
• Rang : rang de l’individu. Plus le rang de l’individu est grand, plus sa contribution à
l’inertie de la classe est élevée.
• Inertie : contribution à l’inertie de la classe de chacun des individu.
• Libellé : identificateur de l’individu.
117
Edition des individus à contribution maximale

Classe 1 / 9 Effectif: 147
Rang Inertie Libellé
1 2,25671 676
2 2,23244 901
3 2,10290 883
4 1,94831 693
5 1,83489 739
6 1,67668 362
7 1,67668 878
8 1,66126 555
9 1,55139 764
10 1,45083 678
Interprétation
Dans l’exemple, les individus ont des poids uniformes. Les individus dont la contribution à
l’inertie de la classe est la plus grande sont donc les individus les plus éloignés du centre de
gravité de la classe.
On note que dans la classe 1, l’élément qui a la contribution à l’inertie la plus forte est
l’individu 676. Compte tenu de l’uniformité des poids, il s’agit de l’individu le plus éloigné du
centre de gravité de la classe 1.
2. La procédure DECLA
La procédure DECLA permet de décrire les partitions déterminées par la procédure PARTI.
On peut caractériser soit chaque classe d'une partition, soit globalement la partition elle-
même.
Cette procédure est en tous points identique à la procédure DEMOD présentée page 18.
Dans DECLA, la variable à caractériser est la partition et les modalités sont les classes
d’appartenance des individus. Dans cet exemple, la partition contient 9 classes donc 9
modalités.
Tous les éléments disponibles (actifs et illustratifs, sélectionnés pour l’analyse factorielle
préalable) peuvent intervenir dans la caractérisation : les modalités des variables nominales,
les variables nominales elles-mêmes, les variables continues, les fréquences (seulement
lorsque l’analyse factorielle préalable est une AFC) et les axes factoriels.
Les éléments caractéristiques sont classés par ordre d'importance à l'aide d'un critère
statistique ("valeur-test") auquel est associé une probabilité : plus la valeur-test est grande,
plus la probabilité est faible, plus l'élément est caractéristique.
Dans le cas de la description des classes par les modalités des variables nominales, une
option permet de classer les modalités caractéristiques soit suivant les valeurs-tests, soit
suivant les pourcentages.
118
Caractérisation des classes de typologies
(CLASS-MINER)
La procédure CLASS-MINER permet de décrire les partitions déterminées par la procédure

PARTI.
La partition est créée par la procédure PARTI-DECLA, la procédure CLASS-MINER doit être
insérée dans la filière après cette méthode.
En termes de résultats, les procédure DECLA et CLASS-MINER sont en tous points
identique.
Dans la procédure DECLA, on caractérise la partition obtenue à partir des variables actives
et illustratives sélectionnées dans l’analyse factorielle préalable.
CLASS-MINER vous permet de ne sélectionner qu’une partie des variables du fichier pour la
caractérisation de la partition.
Cela vous permet entre autres de différencier les variables actives des variables illustratives.
Si plusieurs thèmes ressortent de votre étude, pour chaque thème, on utilise CLASS-MINER
afin d’obtenir des tableaux de résultats pour chaque thème.
119
Marquage sémantique des classes d’une
partition (MSCLA)
Cette procédure permet de caractériser les classes d'une partition par des marquages
sémantiques.
La partition est créée par la procédure PARTI-DECLA, la procédure MSCLA doit être insérée
dans la filière après cette méthode.
L’interprétation des résultats de cette méthode est en tous points identique à l’interprétation
des résultats issus de la procédure MSMOD (CF page 41). Dans MSMOD, la variable
nominale à caractériser est sélectionnée par l’utilisateur, tandis que dans MSCLA la variable
nominale à caractériser est la partition obtenue avec la procédure PARTI-DECLA.
120
Glossaire
A C
ALEATOIRE (sondage ou tirage…) : CARACTERISTIQUES (ou caractères) :
Tirage au sort pour sélectionner un échantillon. Critères permettant de rendre compte de la
Chaque unité statistique a une probabilité diversité des individus d’une population. On
connue d’appartenir à cet échantillon. Pour distingue les caractères qualitatifs (sexe,
constituer ce dernier, il est nécessaire de profession, diplôme…), des caractères
disposer d’une base de sondage de façon à quantitatifs continues (âge, revenu…) et des
connaître la totalité des caractères applicables caractères quantitatifs discrets (nombre
aux individus de la population sur laquelle porte d’enfants, nombre de voiture dans le foyer…). Le
l’enquête. statisticien parle souvent de variables nominales
et de variables continues.
ANALYSE DES CORRESPONDANCES
MULTIPLES : CHOIX DE L’ECHANTILLON :
Analyse factorielle qui s’applique à des tableaux Il peut être effectué à l’aide de différentes
dont les lignes sont des individus ou des techniques de sondage parmi lesquelles les
observations et dont les colonnes sont des échantillons de type probabiliste (échantillons
modalités de variables nominales. aléatoires), les échantillons d’unités-types et les
ANALYSE EN COMPOSANTES échantillons par quotas.
PRINCIPALES : CLASSIFICATION (voir typologie).
Analyse factorielle qui s’applique à des tableaux COEFFICIENT DE VARIATION (CV) :
rectangulaires dont les colonnes sont des
variables à valeurs numériques (ou variables C’est le rapport entre l’écart-type d’une variable
continues) et dont les lignes représentent les et sa moyenne. Il est le plus souvent exprimé en
individus sur lesquels sont mesurées ces pourcentage.
variables.
CONTINUE (variable…) :
ANALYSE FACTORIELLE :
Méthode statistique dont le but est de On parle de variable continue quand la mesure
représenter graphiquement des objets et de faite sur l’individu est de type quantitatif. Pour
décrire des liaisons entre ces objets. Parmi ces fixer les idées, une variable est continue quand
méthodes, on retient notamment l’analyse en la notion de moyenne a un sens.
composantes principales, l’analyse des CONTRIBUTION (ou contribution absolue) :
correspondances simples et l’analyse des
correspondances multiples. Mesure de la participation d’un élément
(modalité, variable, fréquence ou individu) à la
ANALYSE FACTORIELLE DES construction d’un axe factoriel.
CORRESPONDANCES:
CORRELATION :
Analyse factorielle qui s’applique à des tableaux
de contingence afin d’étudier les relations Elle mesure la dépendance entre deux variables
existant entre deux variables nominales. continues. La corrélation est exprimée par un
coefficient de corrélation linéaire, partielle,
ATYPIQUE : multiple, ou encore par une droite de régression,
Individu ou donnée pour laquelle les etc.
informations sont jugées trop éloignées de la COSINUS (ou contribution relative) :
réalité ou de leurs valeurs habituelles pour en
tenir compte. Mesure de la qualité de représentation d’un
élément (modalité, variable, fréquence ou
individu) sur un axe factoriel.
121
SPAD Version 5.0 Glossaire
ERREURS D’OBSERVATION :
D Ce sont les erreurs de mesure liées à la
méthodologie, au questionnaire ou à
l’enquêteur, mais aussi les erreurs de réponse
DEONTOLOGIE :
des enquêtés dûes à une défaillance de la
Règles que les instituts de sondage et d’études mémoire ou à un manque de franchise.
de marché s’engagent à respecter. Le Code
International CCI/ESOMAR de pratiques loyales
concerne les études de marché et d’opinion. Le
Code Syntec/U.D.A. de pratiques loyales
concerne les panels et les enquêtes répétitives.
F
Les sondages politiques doivent suivre les
directives de la Commission des sondages. FOURCHETTE :
DISPERSION :
Terme statistique qui représente l’intervalle entre
Critère permettant de mesurer la plus ou moins deux valeurs extrêmes.
grande dispersion des observations autour de la
FREQUENCE :
moyenne (voir Ecart-type, Variance).
Dans un sondage, la dispersion de l’échantillon Il s’agit d’un nombre de quelque chose tel que le
est une qualité nécessaire pour avoir une bonne nombre d’observations d’un événement ou d’un
représentativité. phénomène. La fréquence peut être en
pourcentage ou en effectif.
DISTRIBUTION STATISTIQUE :
Dans le cas d’une variable nominale, la
distribution statistique est la répartition des
individus d’une population dans les modalités
d’une variable (effectifs).
G
Dans le cas d’une variable continue, la GAUSS (courbe de…) :
distribution est caractérisée en particulier par sa
moyenne et son écart-type. Courbe en cloche ou courbe de la loi normale
qui donne la probabilité d’une variable aléatoire
continue. Cette courbe est symétrique et elle est
définie par sa moyenne et son écart-type.
E
ECART-TYPE : I
Critère de dispersion d’une distribution. C’est la
racine carrée de la variance. Il est fonction de la
taille de l’échantillon. INDIVIDU :
ECHANTILLON : Unité statistique tel qu’une personne, un

ménage, une entreprise ou encore une ville
Partie de la population analysée (base de auprès de laquelle sont recueillies des
sondage) et choisie selon un plan de sondage informations. L’ensemble de ces individus
défini au préalable. représente la base de sondage ou la population
de référence.
ECHANTILLONNAGE :
INTERVALLE DE CONFIANCE :
Procédure de sélection d’un échantillon où les
individus représentent la population étudiée. Il Intervalle (appelé marge d’erreur) dans lequel se
existe l’échantillonnage aléatoire, par quotas, trouve la valeur cherchée avec une probabilité
par grappes, etc. fixée. La longueur de cet intervalle dépend du
niveau de confiance, du taux de la réponse
EQUIPONDERATION (ou équirépartition) :
considérée et de la taille de l’échantillon. Le
Procédure consistant à attribuer un poids calcul n’est justifié que pour les sondages
identique à différents objets, événements ou aléatoires. Il ne peut pas être déterminé dans le
caractères. cas des sondages par quotas mais on considère
qu’elle est proche de celle des sondages
aléatoires.
122
souvent utilisé pour caractériser la valeur

K centrale (moyenne arithmétique, moyenne
pondérée).
KHI-2 (test du …)
Le test (basé sur la distribution statistique d’une
variable aléatoire suivant une loi du Khi-2)
N
permet de tester la similitude entre une
distribution observée et une distribution NOMINALE (variable…) :
théorique et de tester l’indépendance entre deux
variables qualitatives. La variable est nominale quand les valeurs
qu’elle prend sont des catégories. C’est le cas
du sexe, de l’âge (s’il est découpé en classes),
de la catégorie socioprofessionnelle. On parle
L aussi de variable qualitative ou catégorielle.
NON-REPONSE :
LISSAGE : Nom donné à une réponse lorsque la personne
interrogée ne répond pas à une question. On
Calculs permettant de réduire l’influence de
parle de non-réponse totale lorsqu’une personne
facteurs accidentels et de variations
interrogée ne répond à aucune des questions et
saisonnières observées sur des données
de non réponse partielle lorsqu’une personne
chronologiques.
interrogée répond seulement à certaines
questions.
LOI NORMALE :
Loi de probabilité représentée par une courbe
symétrique (courbe en cloche). Elle intervient
dans le calcul de la précision d’un sondage
aléatoire, en particulier pour la détermination
O
d’intervalles de confiance. Une loi normale de
moyenne nulle et d’écart-type 1 est dite centrée OPINION :
réduite.
Avis, idée, sentiment, jugement émis par une
personne interrogée sur des faits ou des
phénomènes.
M
MEDIANE : P
Paramètre de position de la valeur centrale
d’une distribution. Elle scinde la population en POIDS :
deux parties égales (50% des observations de
part et d’autre de cette valeur). Part d’un groupe d’individus par rapport à
l’ensemble de la population (exemple : 48%
MODALITE : d’hommes et 52% de femmes). Il s’agit d’un
coefficient affecté à chacun des individus d’un
Les modalités sont les valeurs que prend une échantillon (poids de redressement).
variable nominale. La variable sexe a deux
modalités. On peut dire aussi : groupe, PONDERATION :
catégorie, classe.
Traitement statistique dont l’objet est d’affecter
MODE : un poids à des catégories d’individus notamment
dans le but de redresser l’échantillon.
Paramètre de position de la valeur centrale
d’une distribution. Il s’agit de la valeur,d’une POPULATION :
distribution où l’effectif est le plus important.
Il s’agit d’unités statistiques telles que des
MOYENNE : personnes, des ménages ou des entreprises.
Elles servent de base de sondage pour
Paramètre de position d’une distribution le plus constituer un échantillon.
123
POSITION : et dans le sens de structure d’autre part.

Critère permettant de mesurer la tendance
centrale des observations d’une distribution. On
distingue la moyenne, la médiane et le mode.
T
PREVISION :
Traitement statistique dont le but est de prévoir TABLEAU DE DONNEES :
des variables de comportement ou d’opinion C’est un tableau rectangulaire composé de n
selon différents facteurs. lignes et de p colonnes. Dans chaque case
(intersection d’une ligne avec une colonne), se
PROBABILITE trouve une donnée. On parle aussi de matrice
Procédure consistant à attribuer à tout des données ou de tableau « individus x
événement un nombre compris entre 0 et 1. Ce variables ».
nombre reflète la chance qu’un événement a de
se réaliser. Une probabilité nulle correspond à TABLEAU DE FREQUENCES :
un événement impossible alors qu’une Tableau à double entrée dont chaque case
probabilité égale à 1 concerne un événement contient la somme des valeurs des individus sur
certain. La théorie des probabilités est à la base une troisième variable de type continue.
de la statistique et des sondages.
TABLEAU DE CONTINGENCE :
PROPORTIONNEL (échantillon) :
Tableau à double entrée présentant la
Procédure d’échantillonnage où les catégories
distribution des effectifs croisés de deux
de population sont représentées dans
variables nominales.
l’échantillon au prorata de leur poids dans la
population de référence. TEST DE STUDENT :
Opération statistique dont l’objectif est de vérifier
si les différences observées entre deux résultats
Q de sondages sont significatives (généralisable à
l’ensemble de la population de référence) ou si
elles sont dues aux seuls hasards de
QUALITATIVE (voir variable nominale). l’échantillonnage.
QUANTITATIVE (voir variable continue). TEST STATISTIQUE :
QUANTILE (ou fractile) : Opération statistique dont l’objectif est de vérifier
Valeur partageant une distribution en parties des hypothèses, des estimations ou des
d’effectifs identiques. La médiane divise la ajustements (exemple : test du Khi-2, test de
distribution en deux parties, les quartiles en Student, etc.).
quatre parties, les déciles en dix parties et les TRI :
centiles en cent parties.
Opération qui consiste à déterminer la répartition
des individus dans les modalités des variables
nominales ainsi que les statistiques de base
R (moyenne, écart-type, minimum et maximum)
des variables continues.
REDRESSEMENT : TRI CROISE :
Opération dont l’objet est de corriger le biais Opération qui consiste à croiser deux variables
d’échantillonnage observé à la suite d’une nominales sous forme de tableau numérique ou
enquête. Cette correction est effectuée par de graphique. Ceux-ci présentent la distribution
rapport au plan de sondage prévu ou par rapport d’effectif conjoint des deux variables nominales
au recensement par exemple. Le redressement
TYPOLOGIE :
permet d’améliorer la représentativité d’un
échantillon notamment lorsqu’il n’a pas été Procédure d’analyse des données visant à
possible d’interroger exactement le nombre construire des groupes d’individus ou de
prévu de personnes d’une certaine catégorie. phénomènes les plus homogènes possibles en
fonction d’un ensemble de variables.
REPARTITION :
Mot utilisé dans le sens de distribution d’une part
124
U
UNITE STATISTIQUE :
L’unité statistique est l’individu si le
questionnaire concerne l’individu interrogé.
L’unité statistique est le ménage si le
questionnaire concerne le ménage.
V
VARIABLES :
Ce sont les caractéristiques de l’unité statistique.
Les variables permettent de décrire ou de
caractériser son comportement. Pour chaque
unité statistique, on fait les mêmes mesures, les
mêmes relevés, on pose les mêmes questions.
Au lieu de variables, on peut dire mesure ou
paramètre, ou question.
VARIABLES ACTIVES :
Variables qui participent à la construction des
axes de l’analyse factorielle.
VARIABLES ILLUSTRATIVES :
Toutes les variables qui n’ont pas participé à la
construction des axes, mais permettent d’illustrer
les analyses factorielles.
VARIANCE :
Critère de dispersion d’une distribution. Il s’agit
plus précisément de la moyenne des carrés des
écarts entre les valeurs de la distribution et sa
moyenne. Sa racine carrée est appelée écart-
type.
125
Bibliographie
Aluja-Banet T., Morineau A. (1998) – Analyse en composantes principales. Cisia-Ceresta.
Benzécri, J.P. (1976) – L’Analyse des Données. Tome 1 : La Taxinomie. Tome 2 : L’Analyse
des Correspondances. Dunod.
Benzécri, J.P. (1982) – Construction d’une classification ascendante hiérarchique par la
recherche en chaîne de voisins réciproques. Cahiers d’Analyse des Données, 7, 209-218.
Benzécri, J.P., Benzécri, F. (1985) – Introduction à la Classification Ascendante hiérarchique
d’après un exemple de Données Economiques. J. Soc.Stat. de Paris, 1, 14-34
Bouroche J.-M., Saporta G. (1980) – L’analyse des données. Coll « Que sais-je », n°1854,
PUF, Paris.
Brossier G., Dussaix A-M. (1999), Enquêtes et sondages – Méthodes, modèles, applications,
nouvelles approches. Dunod, Paris.
Confais J., Nakache J.P. (2000) – Méthodes de classification. Cisia-Ceresta.
Grangé D., Lebart L. (1993) - Traitements statistiques des enquêtes. Dunod, Paris.
Lebart L. (1975 a) – L’orientation du dépouillement de certaines enquêtes par l’analyse des
correspondances multiples. Consommation, 2, p 73-96. Dunod.
Lebart L. (1989), Stratégies du traitement des données d’enquêtes, La revue de Modulad,
numéro 3, p 21-29.
Lebart L., Fénélon J.P. (1971) – Statistique et informatique appliquées. Dunod, Paris.
Lebart L., Morineau A., Piron M. (1995) – Statistique exploratoire multidimensionnelle.
Dunod, Paris.
Lebart L., Morineau A., Tabard N. (1977) – Technique de la description statistique. Dunod,
Paris.
Morin S., Morineau A. (2000) – Pratique du traitement des enquêtes. Cisia-Ceresta.
Morineau A. (1984) – Note sur la caractérisation statistique d’une classe et les valeurs-tests,
Bull. Techn. du Centre de Statist. et d’Infor. Appl., 2 , p20-27.
Saporta G. (1990) – Probabilités, analyse des données et statistiques. Technip, Paris.
Tenenhaus M. (1994) – Méthodes statistiques en gestion. Dunod, Paris.
126

Aide À L'interprétation

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

Aide À L'interprétation

Transféré par

Informations du document

Titre original

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

Aide À L'interprétation

Transféré par

Droits d'auteur :

Formats disponibles

Version 5.

CISIA-CERESTA - 261 rue de Paris - 93556 MONTREUIL Cedex

© copyright 2001, CISIA!!CERESTA. Tous droits réservés

Centre International de Statistique et d'Informatique Appliquées

LES MÉTHODES DE DESCRIPTION STATISTIQUE 9

TRIS À PLAT / HISTOGRAMMES (STATS) ............................................................ 10

TABLEAUX CROISÉS (TABLE) .............................................................................. 15

CARACTÉRISATION AUTOMATIQUE D’UNE VARIABLE NOMINALE (DEMOD) 18

CARACTÉRISATION AUTOMATIQUE D’UNE VARIABLE CONTINUE (DESCO). 33

ANALYSE BIVARIÉE (BIVAR) ................................................................................ 37

MARQUAGE SÉMANTIQUE DE MODALITÉS DE VARIABLES NOMINALES

LES ANALYSES FACTORIELLES 45

ANALYSE EN COMPOSANTES PRINCIPALES (COPRI) ...................................... 46

ANALYSE DES CORRESPONDANCES BINAIRES (CORBI) ................................ 66

ANALYSE DES CORRESPONDANCES MULTIPLES (CORMU) ........................... 74

ANALYSE DES CORRESPONDANCES MULTIPLES AVEC CHOIX DES

DESCRIPTION DES AXES FACTORIELS (DEFAC)............................................... 93

CLASSIFICATION SUR FACTEURS (RECIP / SEMIS) .......................................... 98

COUPURE DE L’ARBRE ET DESCRIPTION DES CLASSES (PARTI/DECLA)... 110

CARACTÉRISATION DES CLASSES DE TYPOLOGIES (CLASS-MINER)......... 119

MARQUAGE SÉMANTIQUE DES CLASSES D’UNE PARTITION (MSCLA) ....... 120

BIBLIOGRAPHIE ................................................................................................... 126

Les aides à l’interprétation ne contiennent pas de longs développements statistiques, si vous

Statistiques Exploratoire Multidimensionnelle

Les méthodes de « Description statistiques » sont les premières étapes indispensables à

STATS : Tris à plat, histogrammes, statistiques sur les variables continues.

Fichier utilisé : ASPI1000.SBA

Estimation du salaire mensuel d'un ingénieur

Chaque variable continue est découpée en N classes d’amplitudes égales. Le nombre de

Libellé Effectif Poids Moyenne Ecart-type Minimum Maximum

Libellé Effectif Poids Moyenne Ecart-type Minimum Maximum

Par défaut, les statistiques contiennent deux décimales dans Excel.

Regardez-vous la télévision ...

Pour que la société change, faut-il ...

Distribution de la réponse : oui

Distribution de la réponse : non

L’interface de paramétrage permet de regrouper « à chaud » des modalités.

78.000000 5 0,50 0,50 97,30

En ligne Sexe de la personne interrogée

En ligne Sexe de la personne interrogée

En ligne Sexe de la personne interrogée

L’intérêt de cette procédure est de caractériser une variable nominale particulière en

Eléments à caractériser Eléments caractérisants

• Des groupes d’individus (définis par les modalités • Les modalités

• La variable nominale à caractériser • Les modalités

1. DEMOD-1 : Caractérisation de la variable par les variables

Le paramètre Nominales caractéristiques ordonnées par valeurs-tests permet de lister les

Le tableau suivant a été tronqué.

2. DEMOD-2 : Tableaux croisant la variable à décrire avec les

3. DEMOD-3 : Caractérisation d’un groupe d’individus par les

Le tableau ci-après est constitué de 5 colonnes :

Caractérisation par les questions des modalités de la variable

4. DEMOD-4 : Caractérisation d’une variable nominale par les

Ce tableau est constitué de 6 colonnes :

• Khi-2 : statistique du Khi-2 associée au test de comparaison des deux profils.

Caractérisation par les modalités de la variable

5. DEMOD-5 : Caractérisation d’un groupe d’individus par les