MATRICE DE CORRLATION

-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 :

le test Bartlett et le KMO

TEST DE BARTLETT

Nota: le test Bartlett est

sensible la taille de
lchantillons ,plus N est
grande plus le test est moins
significatif ;

-Le test da Bartlett permet de vrifier la corrlation des variables

entres elles
-Comment lire ce test ?
- la signification doit tre gale ,000

Nota:
KMO | Recommandation

LE KMO

>0,9 |
0,8+|
0,7+|
0,6 |
0,5 |
<0,50 |

trs excellent
Excellent
Moyen
Mdiocre
Misrable
Inacceptable

-KMO est un indice qui permet de vrifier la corrlation des

variables globalement ,il doit tre suprieur 0,5 sinon on doit
calculer le KMO pour chaque variables pour voir son niveau de
corrlation avec les autres afin retrancher celles qui ne
prsentent pas une corrlation significative avant de procder
lanalyse en composantes principales
- Mais comment calculer le KMO pour chaque variable ?
- Matrices anti-images

MATRICES ANTI-IMAGES

- La portion importante considrer ici est le diagonale apparaissant

dans le tableau corrlation anti-images(,694 | ,774 | ) ces valeurs
correspondent aux mesures KMO calculs pour chaque variable afin de
mesurer sa corrlation avec les autres.

VARIANCES TOTALES EXPLIQUES

-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 )

SCREES TEST DE CATTELL

(LE COUDE)

Nota: ce test vient confirmer

le nombre composantes
extraites en fonction du
critre KMO

On ne retient
que les
composantes
qui expliquent
plus dune
valeur propre

- La premire composante explique plus de 4 valeurs propres

- La deuxime composante explique plus dune valeurs propres
- La troisime composante explique moins dune valeurs propres
donc elle est rejete.

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

;)

- Ou encore pour la part du march :

Pm= 0,791 C1 0,430 C2
-2 |On peut dire aussi quun changement
dune unit C1 entrainera un changement
correspondant de 0,955 units dans le CA
,alors quun changement dune unit de C2
Provoquera 0,180 units de changement dans
le prix
-3 |On peut aussi interprter les poids factoriels comme coefficients de corrlation entre les
composantes principales et les variables. puisque les diffrentes composantes extraites sont
indpendantes .
- on peut dire quil y a une corrlation de 0,955 entre le CA et C1 , ou encore 91,2% (0,955^2)
de variance commune entre ces deux score.

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.

Nota: cette variance

commune est la somme des
carrs des poids factoriels
examins prcdemment :
(0,995^2 )+(0,180^2)=
0,944