-Elle Permet de voir la prsence d inter corrlation entre les variables pour pouvoir
en extraire des dimensions plus globales.
- lanalyse en composantes principale na dintrt que si lensemble des
variables sont corrles entre elles ;
- Plus on est proche de 1 ou -1 plus les 2 variables sont corrls par exemple le CA
avec la part de march sont corrls(0,689)
- Problme: plus grand est le nombre des variables ,plus il est difficile davoir
une ide prcise du degr de corrlation entre elles.
- solution :
TEST DE BARTLETT
Nota:
KMO | Recommandation
LE KMO
>0,9 |
0,8+|
0,7+|
0,6 |
0,5 |
<0,50 |
trs excellent
Excellent
Moyen
Mdiocre
Misrable
Inacceptable
MATRICES ANTI-IMAGES
-Ce tableau permet de calculer la variance explique par les composantes principales
dans notre cas la premire composante principale explique 60,776% tandis que la
deuxime explique 15,809% de la variance totale .
- au total notre ACP va permettre de reprsenter 76,585% de la variance prsente dans
nos donnes laide de deux composantes indpendantes .
Nota: ce critre appel aussi
- on ne peut retenir une composante qui nexplique pas plus de 1.
critre de KMO peut tre
vrifier par un autre test
celui-ci appel Scree
testde Cattell (le coude )
On ne retient
que les
composantes
qui expliquent
plus dune
valeur propre
MATRICES DE COMPOSANTES
- cest la matrices des poids factoriels ( ????)
-1 |elle contient les coefficients permettant
dexprimer chacune des variables en fonction
des composantes extraites
- par exemple le CA peut tre prsenter
comme suit :
CA =0,955 C1+0,180 C2
;)
QUALIT DE REPRSENTATION
-Ce tableau reprsente la
qualit dextraction pour
chaque variable
- par exemple on peut
constater que 94,4% de la
variance du variable CA
est expliqu par les deux
composantes extraites.