Introduction
Analyse factorielle des L’AFC est dédiée à l’analyse des tableaux de données avec valeurs positives et homogènes
correspondance AFC comme le montre les tableaux de contingence constituent la plupart des tableaux
implémentés dans cette méthode.
sous SPSS But: décrire la liaison entre deux variables qualitatives.
Exemple: observer la répartition de la coloration des cheveux en fonction de la coloration des
yeux.
1 3
Plan Introduction
L’analyse factorielle traite des tableaux de nombres.
1. Introduction
Elle remplace un tableau de nombres difficiles à analyser par une série de tableaux plus simples qui
2. Diversités autour de l’AFC
sont une bonne approximation de celui-ci.
3. AFC sous SPSS
Ces tableaux sont simples, car ils sont exprimables sous forme de graphiques.
4. Interprétation des résultats
Pourquoi des correspondances ?
5. Exemple
Variables numériques => corrélation
6. Conclusion
Variables nominales => correspondance
Il s’agit de décomposer le tableau original en une somme de tableaux/ matrices qui sont chacun le
produit de facteurs simples.
2
Autrement dit, on les met en facteurs. 4
Introduction 2. Diversités autour de l’AFC
Une autre approche, très courante dans la littérature francophone, consiste à définir l’AFC 2.1. Interprétation des résultats:
comme étant le résultat d’une double ACP : Coordonnées des points: les coordonnées des points-colonnes et points-lignes sont retrouvées
ACP des profiles–lignes en calculant les vecteurs propres des produits des deux tableaux de profiles. Ils constituent les
ACP des profiles-colonnes essentielles grandeurs à résulter.
Projection des nuages: il est possible de projeter les deux nuages de points sur les memes
représentations.
5 7
2. Diversités autour de l’AFC 2. Diversités autour de l’AFC
L’AFC traite les données multidimensionnelles, c’est une méthode descriptive qui généralise le 2.2. Qualité de représentation:
test d'Independence de 𝜘 2 .
Profils-lignes: l’AFC est une ACP, et on peut donc mesurer la qualité de représentation de la
L’AFC a été utilisée initialement pour la traitement des tableaux de contingence qui croisent les modalité 𝑖 (son profil-ligne) par un sous-espace factoriel. La qualité est le cos2 de l’angle entre le
modalités de deux variables qualitatives 𝑄1 et 𝑄2 ; un élément 𝑐𝑖𝑗 du tableau est égal à l’effectif
correspondant à la modalité de 𝑖 de 𝑄1 et 𝑗 de 𝑄2 . point et sa projection.
L’AFC traite aussi les tableaux dont les variables sont quantitatives et positives. Comme pour l’ACP ,> 0,8 signifie « bien représenté » et < 0,5 veut dire « mal représenté ».
L’AFC étudie les relations structurelles entre les lignes et les relations structurelles entre les
colonnes. On déduit que l’AFC est une double ACP. Elle permet une représentation simultanée Profils-colonnes: le principe est le même, mais la formule devient pour la modalité j.
des individus et des variables.
6 8
2. Diversités autour de l’AFC 3. AFC sous SPSS
2.3. Spécification de l’AFC: 1. Saisie des données
Lignes et colonnes jouent le même rôle.
On s’intéresse aux distances entre profils.
L’inertie totale du nuage de points ( 𝛼 𝜆𝛼 ) reflète l’indépendance entre les deux variables
(test du 𝜘 2 )
Représentation simultanée des deux nuages de points.
9 11
3. AFC sous SPSS 3. AFC sous SPSS
1. Saisie des données 1. Saisie des données
10 12
3. AFC sous SPSS 3. AFC sous SPSS
2. Description 4. Statistiques
13 15
3. AFC sous SPSS 3. AFC sous SPSS
1. Modèle 5. Qualité de représentation
Le tableau de correspondance est simplement le tableau croisé des variables de ligne et de
colonne, y compris les totaux marginaux de ligne et de colonne, servant comme données
d’entrées.
14 16
3. AFC sous SPSS 3. AFC sous SPSS
Ce tableau représente le pourcentage que représente l’effectif du tableau de correspondances SPSS a calculé les distances inter-points et a soumis la matrice de distance à l’analyse des
par rapport au total de la ligne. Ainsi 5% des familles où les deux conjoints travaillent également composantes principales, ce qui donne dans ce cas deux dimensions.
déclarent que la mère de famille doit rester au foyer. L’analyse de cette première ligne montre Le nombre total de dimensions est égal au minimum du nombre de lignes et du nombre de
que les familles où les deux conjoints travaillent ont tendance de choisir que la mère de famille colonnes diminué de 1. La variable famille a 3 modalités, la variable activité a 3 modalité, donc
travaille à mi-temps.(54,4%) le nombre de dimensions est 3-1=2
17 19
3. AFC sous SPSS 3. AFC sous SPSS
Ce tableau présente le pourcentage que représente l’effectif du tableau des correspondances Au seuil 5% la valeur de khi-deux calculée (233.43) est supérieur à la valeur tabulée, de même la
par rapport au total des colonnes. Ainsi 4,6% des familles qui sont pour que la femme reste au probabilité de signification 0,000 est inférieur à 5%, on rejette donc l’hypothèse d’indépendance
foyer sont des familles où les deux conjoints travaillent également. L’analyse de cette première des deux variables. On conclut donc que la situation conjugale des parents influe sur l’opinion
colonne montre que la majorité des famille qui sont pour que la femme reste au foyer sont ceux concernant le travail de la femme. Le choix du nombre de dimension principales est basé sur le
où seul le mari travail. (84,9%) taux d’inertie qui quantifie la part d’information extraite par chaque dimension. La première
dimension contribue pour 86,3% de l’inertie totale. Alors que la seconde ne contribue que de
1,37%. Il semble logique de ne retenir que cette dimension.
18 20
4. Interprétation des résultats 4. Interprétation des résultats
Pour la variable famille, la contribution la plus forte à la dimension 1 est celle de seul le mari
travail (43,2%). La dimension 2 quant à elle, résulte de la contribution le mari a un métier plus
absorbant que sa femme (51,4%).
La première et la troisième modalité sont les mieux représentées par la dimension 1 (98,5% et
85,1%). Tandis que la dimension 2 présente mieux La modalité 2 (33,3%).
21 23
4. Interprétation des résultats 5. Exemple
Pour la variable activité, la contribution la plus forte à la dimension 1 est celle de la modalité
rester au foyer. La dimension 2 résulte de la contribution de la modalité 3.
La première modalité est mieux représentée par la dimension 1 (92%). Tandis que la dimension
2 représente mieux la modalité 2 (99,9%)
Etudier la relation entre l’âge de l’enfant et la
fréquence de consommation des confiseries
22 24
5. Exemple 5. Exemple
De 6 à 7 ans : la majorité des enfants interrogés consomment des bonbons/chewing gum « Pour la variable âge, la contribution la plus forte à la dimension 1 est celle de l'âge de 9 ans
plusieurs fois par semaine ». (22.7%). La dimension 2 quant à elle, résulte de l'âge 10 ans. La troisième et les quatrièmes
modalités sont les mieux représentées par la dimension 1 (94.9% et 89.9%). Tandis que la
De 8 à 9 ans : la majorité des enfants consomment des confiseries « une fois par jour ». dimension 2 présente mieux la modalité 5
La majorité des enfants interrogés âgé de 10 ans consomment des confiseries « plusieurs fois
par semaine ».
Pour les enfants interrogés qui sont âgés plus de 11 ans, la majorité consomment des bonbons/
chewing-gum « une fois par semaine ».
25 27
5. Exemple 5. Exemple
Le nombre total des dimensions est 3. Pour la variable fréquence, la contribution la plus forte à la dimension 1 est celle de la modalité
« une fois par semaine ». La dimension 2 résulte de la contribution de la modalité 2. La troisième
Au seuil 5%, on accepte donc l’hypothèse d’indépendance des deux variables. Nous concluons modalité est mieux représentée par la dimension 1 (83.5%). Tandis que la dimension 2
donc que l'âge influe sur la fréquence de consommation des bonbons/ chewing-gum. représente mieux la modalité 4 (55.4%).
Le choix du nombre de dimensions principales est basé sur le taux d’inertie qui quantifie la part
d’information extraite par chaque dimension. La première dimension contribue pour 71.9% de
l’inertie totale. Alors que la seconde ne contribue que de 22.7%. Il semble logique de ne retenir
que cette dimension.
26 28
5. Exemple 6. Conclusion
L’ AFC est destinée à l’analyse des grands tableaux croisés
C’est une méthode descriptive
L’ AFC s’applique au-delà des tableaux de contingence
Il faut que ce soit un tableau croisé de valeurs positives
Et que les notions de marges et de profils soient applicables
L’ AFC s’intéresse aux structures des relations lignes/colonnes
Il peut fournir des résultats même si le 𝜘 2 n’est pas significatif
29 31
5. Exemple
Interprétations des résultats:
Entre 6 et 7 ans les enfants interrogés consomment les bonbons/ chewing-gum plusieurs fois
par semaine : pendant cet âge les parents sont les ménages donc l'acquisition de ce type de
produits est accompagnée par un contrôle parental mais la consommation reste importante à
cause des achats d’impulsion et le pouvoir des enfants à influencer les achats de leurs parents.
Entre 8 et 9 ans, la consommation de ce type de produits augmente « une fois par jour ». C’est
l’âge moyen à partir duquel les parents donnent de l’argent de poche à leurs enfants, et puisque
ces produits ne coûtent pas chers, il est possible que cette augmentation de consommation soit
due à un pouvoir d'acquisition indépendant.
A partir de 10 ans la fréquence de consommation diminue progressivement en fonction de l’âge
pour devenir « plusieurs fois par semaine » ensuite « une fois par semaine ». Cette diminution
est peut-être due à un certain niveau de maturité et perte de gourmandise face à cette
catégorie de produit.
30
