Interprétation des résultats

Sous SPSS 17

b.a
-Elle Permet de voir la présence d’ inter corrélation entre les variables pour pouvoir
en extraire des dimensions plus globales.
- l’analyse en composantes principale n’a d’intérêt que si l’ensemble des
variables sont corrélées entre elles ;
- Plus on est proche de 1 ou -1 plus les 2 variables sont corrélés par exemple le CA
avec la part de marché sont corrélés(0,689)
- Problème: plus grand est le nombre des variables ,plus il est difficile d’avoir
une idée précise du degré de corrélation entre elles.

- solution : le test Bartlett et le KMO

 Nota: le test Bartlett est
sensible à la taille de
l’échantillons ,plus N est
grande plus le test est moins
significatif ;

-Le test da Bartlett permet de vérifier la corrélation des variables

entres elles
-Comment lire ce test ?
- la signification doit être égale à ,000
 Nota:
KMO | Recommandation

>0,9 | très excellent

0,8+ | Excellent
0,7+ | Moyen
0,6 | Médiocre
0,5 | Misérable
<0,50 | Inacceptable

-KMO est un indice qui permet de vérifier la corrélation des

variables globalement ,il doit être supérieur à 0,5 sinon on doit
calculer le KMO pour chaque variables pour voir son niveau de
corrélation avec les autres afin retrancher celles qui ne
présentent pas une corrélation significative avant de procéder à
l’analyse en composantes principales
- Mais comment calculer le KMO pour chaque variable ?
- Matrices anti-images
- La portion importante à considérer ici est le diagonale apparaissant
dans le tableau corrélation anti-images(,694 | ,774 | …) ces valeurs
correspondent aux mesures KMO calculés pour chaque variable afin de
mesurer sa corrélation avec les autres.
-Ce tableau permet de calculer la variances expliquée par les composantes principales
dans notre cas la première composante principale explique 60,776% tandis que la
deuxième explique 15,809% de la variance totale .
- au total notre ACP va permettre de représenter 76,585% de la variance présente dans
nos données à l’aide de deux composantes indépendantes .
- on ne peut retenir une composante qui n’explique pas plus de 1. Nota: ce critère appelé aussi
critère de KMO peut être
vérifier par un autre test
celui-ci appelé « Scree
test »de Cattell (le coude )
 Nota: ce test vient confirmer
le nombre composantes
extraites en fonction du
critère KMO

On ne retient
que les
composantes
qui expliquent
plus d’une
valeur propre

- La première composante explique plus de 4 valeurs propres

- La deuxième composante explique plus d’une valeurs propres
- La troisième composante explique moins d’une valeurs propres
donc elle est rejetée.
 - c’est la matrices des poids factoriels ( ????)

-1 |elle contient les coefficients permettant

d’exprimer chacune des variables en fonction
des composantes extraites 

- par exemple le CA peut être présenter

comme suit :
CA =0,955 C1+0,180 C2 ;)
- Ou encore pour la part du marché :
Pm= 0,791 C1 – 0,430 C2

-2 |On peut dire aussi qu’un changement

d’une unité C1 entrainera un changement
correspondant de 0,955 unités dans le CA
,alors qu’un changement d’une unité de C2
Provoquera 0,180 unités de changement dans
le prix

-3 |On peut aussi interpréter les poids factoriels comme coefficients de corrélation entre les
composantes principales et les variables. puisque les différentes composantes extraites sont
indépendantes .
- on peut qu’il y a une corrélation de 0,955 entre le CA et C1 , ou encore 91,2% (0,955^2) de
variance commune entre ces deux score.
-Ce tableau représente la
qualité d’extraction pour
chaque variable

- par exemple on peut

constater que 94,4% de la
variance du variable CA
est expliqué par les deux
composantes extraites.

Nota: cette variance

commune est la somme des
carrés des poids factoriels
examinés précédemment :
(0,995^2 )+(0,180^2)=
0,944