^M^»
' l l l ! ! • • Éi« I lÉB'l l « I
I I II r
Q U E
S A I S - J E ?
'analyse
des données
JEAN-MARIE
BOUROCHE ...
40 downloads
657 Views
4MB Size
Report
This content was uploaded by our users and we assume good faith they have the permission to share this book. If you own the copyright to this book and it is wrongfully on our website, we offer a simple DMCA procedure to remove your content from our site. Start by pressing the button below!
Report copyright / DMCA form
^M^»
' l l l ! ! • • Éi« I lÉB'l l « I
I I II r
Q U E
S A I S - J E ?
'analyse
des données
JEAN-MARIE
BOUROCHE
PréiklSDt dn Dlrtetoli* d« oORcr
G I L B E R T
SAPORTA
Professeur RU Conaervatolrs National des Aite et MétieiB
CInquIèm» idttlon eotrigét 35'
mille
DES
MÊMES
AUTEURS
J.-ltf. B O U n O C R E E T P. BERTI£R Analyse
des données mulUdimemlontieUei, J.-M.
A n o I v M dtt dannitt
en markeltna, O.
Probabilités,
analyse
de* donniet
PUF, 1975.
BOUROCHE Masson, 1977.
SAPORTA et ttatittique,
l U H a 18 0450S3 0 Dipflt l é ^ — l » édition : 19B0 5* édition oonigée : 1992, novembre O Preaww UoiTeraitâim d e Pnmoe, 1960 106, boiilSTmrd Sàint-Oermâla, 76006 Pui»
Technlp, 1990.
INTRODUCTION
C o n t r a i r e m e n t à une idée t r è s r é p a n d u e , les méthodes d ' a n a lyse H.
des d o n n é e s Hotetling,
ont é t é é l a b o r é e s
dans
les a n n é e s
depuis
fort
longtemps
les f o n d e m e n t s
3 0 , posait
l'analyse en composantes
principales ( 1 ) e t d e l ' a n a l y s e
nique ( 2 ) e n d é v e l o p p a n t
les t r a v a u x de C . S p e a r m a n
de K . Pearson Jusqu'aux
( 4 ) qui dataient
pour
de variantes
mais
toutes
perfectionnées
restaient
c a r elles n é c e s s i t a i e n t
les praticiens
cano{3) et
d u siècle.
a n n é e s 6 0 , ces m é t h o d e s é t a i e n t
et s ' e n r i c h i E s a i e t i t dables
d u début
: de
c o n s i d é r a b l e d e c a l c u l s . C'est l ' a p p a r i t i o n , p u i s
inabor-
une m a s s e
l'extraordinaire
développement des ordinateurs q u i permirent l a vulgarisation des
techniques
Mais
statistiques
qu'entend-on
L a statistique c l a s s i q u e r e s t r e i n t d e caractères vidus.
Elle
des d o n n é e s .
d'analyse
p a r « analyse
des d o n n é e s
« ?
s'est a x é e s u r l ' é t u d e d ' u n n o m b r e
m e s u r é s sur u n p e t i t e n s e m b l e
a développé
lea notions
d'estimation
f o n d é e s s u r des h y p o t h è s e s p r o b a b i l i s t e s
d'indi-
e t d e tests
très r e s t r i c t i v e s . Ce-
p e n d a n t , d a n s l a p r a t i q u e , les i n d i v i d u s o b s e r v é s s o n t
fréquem*
m e n t d é c r i t s par u n g r a n d n o m b r e d e c a r a c t è r e s . L e s m é t h o d e s d'analyse
des d o n n é e s p e r m e t t e n t
u n e é t u d e g l o b a l e des i n d i -
vidu« e t d e s v a r i a b l e s e n u t i l i s a n t g é B é r a l e m e n t des représentations
graphiques
suggestives.
Les données
peuvent
a n a l y s é e s s e l o n p l u s i e u r s points d e v u e . L a r e c h e r c h e semblances des o b j e t s
o u des d i f f é r e n c e s
entre
d e l'analyse : o n considère
individus peut que d e u x
être
des r e s être u n
i n d i v i d u s se
(1) 1 1 . H u T U L i . i N c , A n u l y s j s o l a c o m p l e x o f s t a t i s t l c a l v a r i a b l e s i i i t o p r i n c i p a l c o n i p i m c n l s , Journal of Eaucatioiial Payehology, 1933, v o l . 24, 417-441, 498-520. (2) H . H i i T E L L i N G , H e l a t i o n s b e l w e r n t w o s e t s o f v a r i â t e s , Uiometrika, 1936, v o l .2 8 , 129-149. Q
i
*?
4
n
X%
4 7
Dans Texemple précédent p caractères quantitatifs ont été observés sur n individus. Les p caractères sont notés — âge, . . . , = salaire b r u t , . . = ancienneté. Sur le i-ème i n d i v i d u , les caractères « âge », ff salaire » et « ancienneté » prennent les valeurs numériques « i , xl et xf. Sur les mêmes individus, on aurait pu observer les caractères « sexe », « niveau hiérarchique », en P
a > a h—1
1 2
1 0
t n
•il
Situation matrimoniale
«
1 11 1 .s
•H
«
ô
0 1
0 1
1 0
0 0
1 1
0 0
0 0
1
0
0
0
1
0
1
0
0
1
1
0
0
1
0
0
Dans le tableau précédent, trois caractères qualitatifs sont observés sur n individus. Ces caractères ont, au t o t a l , huit modalités. Par exemple, l ' i n d i vidu i est u n homme, cadre, célibataire. Cette représentation des caractères qualitatifs permet de 8
les assimiler à des caractères quantitatifs prenant les valeurs 0 et 1. Cette pratique sera justifiée par la suite ; on en verra également la fécondité puisque tout tableau de données contenant simultanément des caractères quantitatifs et qualitatifs peut être représenté ainsi. E n eifet u n caractère q u a n t i t a t i f peut être rendu qualitatif par découpage en classes de ses valeurs {classes de revenu, classes d'âge, etc.), puis représenté sous forme de variables indicatrices. Notons que, sur les caractères qualitatifs ainsi transformés en variables indicatrices les opérations algébriques deviennent licites. 2. Tableaux de contingence. •— U n tableau de contingence contient les fréquences d'association entre les modalités de deux caractères qualitatifs. On peut par exemple considérer le tableau croisé des catégories socioprofessionnelles {neuf modalités) avec les arrondissements de Paris (vingt modalités). Une case de ce tableau contient le nombre d'individus habitant le quartier i et exerçant l a profession j . Dans un tel tableau les individus ont été regroupés et ne peuvent plus être distingués. On peut concevoir une autre représentation des mêmes données concernant l'entité individuelle « habitant de Paris ». Â chacun des deux caractères nominaux on associe un tableau de variables i n d i catrices (une variable par modalité), en ligne on représente les habitants de Paris. Une ligne ne contient alors que des 0 sauf dans les colonnes correspondant respectivement au quartier et à la catégorie de l ' i n d i v i d u considéré où l'on trouve des 1. Si nous désignons par X j et X j les deux tableaux d'indicatrices, notons que le tableau de contingence est le résultat du produit matriciel : 'Xj^ X j oii ' X j est la matrice transposée de X ^ . 9
Exemple 1 0 0 1 0 0 0 0
0 1 1 0 0 0 1 0
0 0 0 0 1 1 0 1
1 1 0 1 0 0
0 0 1 0 1 1 1 0 1 0
'X, X , =
2 0 2 1 1 2
3. Tableaux de proximité. — E t a n t donné un ensemble d'objets, on dispose d'une mesure de ressemblance ou de dissemblance entre tous les objets pris deux à deux. I l s'agit par exemple du tableau des distances entre les principales villes de France ou bien de ressemblances perçues par un sujet entre diflérents stimuli. U n tel tableau est généralement symétrique et contient des nombres positifs analogues à des distances (ou à des inverses de distances) bien que n'en possédant pas toujours les propriétés axiomatiqucs, en particulier l'inégalité triangulaire. E n effet, au sens mathématique du terme, une distance d doit vérifier les trois propriétés : (i) (ii) (iii)
d(a, b) = Ooa== d{a, b) = d{b, a)
b; (symétrie) ;
d(o, b) ^ d{a, c) + d{b, c) (inégalité triangulaire).
Si (iii) n'est pas vérifiée, on d i t plutôt que d est une dissimilarité.
10
I I . — Réduction des données La statistique nous a habitués à des représentations synthétiques des données {!), tout au moins lorsque l'on s'intéresse à u n caractère unique. Les termes d'histogrammes, de moyenne, de variance, d'écart type sont (presque) passés dans le langage commun. Rappelons rapidement leurs définitions qui nous seront utiles par la suite. Lorsque l'on observe un caractère qualitatif sur un ensemble d'individus, la première tâche consiste à compter le nombre d'individus dans chaque modalité. Par exemple, 6 800 individus sont classés par Anemon (Zur Anthropologie der Badener) suivant la couleur de leurs cheveux : Modalité
Blonds
Bruns
Noirs
Roux
Total
Fréquence Pourcentage
2 829 41
2 632 39
1 223 18
116 2
6 800 100
Si le caractère observé est quantitatif, i l est habituel d'en tracer un histogramme afin de synthétiser les observations recueillies. O n p e u t é g a l e m e n t c a l c u l e r sa v a l e u r m o y e n n e : F o r m e l l e m e n t , s i le c a r a c t è r e x p r e n d les v a l e u r s X j , . . . , X,-, . . . , x „ o n c a l c u l e l a m o y e n n e x p a r :
S i c h a q u e o b s e r v a t i o n e s t m u n i e d ' u n p o i d s pi > n S
j~ 1
Pi =
1,
0,
tel que
on a : n
X
=
S
i-1
Pi
Xi.
(1) O n l i r a a v e c p r o f i t l ' o u v r a g e de A . V E S S K H E A U , La c o l l . « Q u e sais-Je 7 », n» 2 8 1 .
statistique,
n
C a r a c t é r i e e r u n e n s e m b l e d e n o m b r e s p a r sa m o y e n n e e s t insuffisant. A i n s i les d i x v a l e u r s s u i v a n t e s 3 100, 2 5 0 0 , 2 8 0 0 , 3 2 0 0 , 4 0 0 0 , 2 5 0 0 , 3 0 0 0 , 2 7 0 0 , 3 0 0 0 , 2 9 0 0 r e p r é s e n t a n t les sal a i r e s d e d i x i n d i v i d u s o n t p o u r m o y e n n e 2 9 7 0 . M a i s les d i x valenirs s u i v a n t e s l 800, 2 000, 1 900, 4 500, 6 000, 5 0 0 0 , 1 600, 2 400, 2 500, 2 000 o n t aussi p o u r m o y e n n e 2 970. I I est c l a i r c e p e n d a n t q u e l a d e u x i è m e série n ' e s t pas s e m b l a b l e à l a première. L e s v a l e u r s s o n t p l u s dispersées. P o u r q u a n t i f i e r l a d i s p e r s i o n des v a l e u r s , o n u t i l i s e l a v a r i a n c e : J « n — - 2 ( * i — x)ou s= = L p;(.ïj — x)^. n i-1 i-1 L ' é c a r t t y p e est égal à l a r a c i n e carrée de l a v a r i a n c e . I I est e x p r i m é d a n s l a m ê m e unité q u e le c a r a c t è r e . L a variance et l'écart t y p e sont d ' a u t a n t plus forts que les v a l e u r s de * s o n t p l u s dispersées. A i n s i , dans n o t r e p r e m i e r exemple on a ; s* = s
168 100
=410
tandis que dans le deuxième «8 = s
=
:
2 2 4 6 100 1 498,70.
m . — Liaison entre deux caractères L Liaison entre deux caractères quantitatifs. — L a plupart des méthodes présentées par la suite reposent sur l'analyse des dépendances linéaires entre les caractères observés. Pour préciser cette notion de dépendance, nous allons introduire ïe coefficient de corrélation linéaire qui mesure l'intensité de la liaison entre deux caractères quantitatifs en raisonnant sur l'exemple suivant. O n a r e l e v é p o u r n = 10 a p p a r t e m e n t s d e u x c a r a c t è r e s q u i s o n t le p r i x de v e n t e en m i U i e r s de f r a n c s e t l a surface en mètres carrés : 12
surface : x 2 8 ; 5 0 ; 5 5 ; 6 0 ; 4 8 ; 35 ; 8 6 ; 6 5 ; 32 ; 52 ; prix : y 130 ; 2 8 0 ; 268 ; 320 ; 2 5 0 ; 250 ; 350 ; 300 ; 155 ; 2 4 5 . L e n u a g e d e s 10 p o i n t s s e m b l e e f f i l é l e l o n g d ' u n e d r o i t e e t i l paraît r a i s o n n a b l e , si l ' o n v e u t p r é v o i r le p r i x e n f o n c t i o n d e l a s u r f a c e , d e p o s e r u n e f o r m u l e y = ax -\- b -\- u o ù u est u n e v a r i a b l e d'erreur. Les coefficients a et î s o n t obtenus p a r l a m é t h o d e des m o i n d r e s carrés, c'est-à-dire choisis d e n façon à rendre m i n i m a l e la somme £ (ui)'* i-1
.g
4
La
l
I
;
I
0
10
20
30
I
1
I
I
' ,
40 50 60 70 80 Surtac» en métrés cor ras
, 1 ,,, i . . .
90
100
d r o i t e des m o i n d r e s carrés est définie p a r l ' é q u a t i o n y =
3,524* +
:
74,707.
£ U e passe p a r le p o i n t « c e n t r e de gravité » de c o o r d o n n é e s : * =
51,1
et
y
=
254,8.
O n m o n t r e que le r a p p o r t ; n n S u?/ (vi—y)* est t o u j o u r s inférieur à 1 . i - l i-1 O n pose ce r a p p o r t égal à 1 — e t r est le c o e f f i c i e n t de corrélation linéaire a v e c p o u r signe c e l u i de l a p e n t e de l a d r o i t e . Si r = 0, l a d r o i t e est h o r i z o n t a l e , a u t r e m e n t d i t , l a v a l e u r de * ne j o u e a u c u n rôle p o u r p r é v o i r y . S i r = i 1, l a p r é v i s i o n est p a r f a i t e c a r les é c a r t » sont nuls ; le coeffic i e n t de corrélation r est d ' a u t a n t p l u s g r a n d ( e n v a l e u r absolue) que l a v a l e u r d ' u n caractère i m p l i q u e celle de l ' a u t r e , à c o n d i t i o n q u e l a r e l a t i o n e n t r e ces c a r a c t è r e s s o i t l i n é a i r e . D a n s l ' e x e m p l e précédent r v a l a i t 0,89.
13
Dans cet exemple, les caractères y (prix) et x (surface) ne jouent pas des rôles symétriques ; on montre cependant facilement que la régression de x sur y conduit à la même valeur de r. Cette symétrie entre x et y dans le calcul de r apparaît de façon évidente si l'on introduit une autre interprétation du coefficient de corrélation linéaire. Pour cela, on définit la covariance entre les caractères x fit y par : 1
S x v = -
S
_
„
{Xi~x){y^—y)
ou, lorsque les individus sont pondérés : s«v= 2
pAxi—x){y,—y)
on montre alors que le coefficient de corrélation r s'obtient par : r{xiy)
=
s, s.
oxi s-g et Sy sont respectivement les écarts types des caractères x et y. 2. Liaison entre deux caractères qualitatifs. — Pour mesurer la dépendance entre deux caractères qualitatifs, la statistique classique nous propose de calculer le contingence. Cet indice est largement utilisé en analyse des données, principalement en analyse des correspondances. Comme nous l*avons v u , l'observation de deux caractères qualitatifs sur un ensemble d'individus permet de construire un tableau de contingence. Ainsi, on a observé
sur 390 salariés d'une entreprise le niveau hiérarchique et l'origine sociale. On obtient le tableau suivant : Origine
sociale
0
"t.
O
O
©
©
0
©
©
©
©
©
0
0
0
0
©
©
© ©' ©' ©' o' ©' © ©' ©' o'
e--< G 6 - J
W - <
On peut déjà en tirer certains renseignements : ainsi on voit que le coefficient de corrélation entre la part des dépenses consacrée au logement et celle consacrée au commerce et à l'industrie est 0,89. Cette forte valeur positive signifie que sur les vingtquatre années ces deux pourcentages ont varié dans le même sens (quand l'un baisse l'autre baisse, quand l'un croît l'autre croît) et que la relation entre les deux est presque linéaire. I l faudrait évidemment tracer le nuage de points correspondant à ces deux caractères pour confirmer ces conclusions. Comme il y a ici 55 coefficients de corrélation différents à considérer, l'étude complète des liaisons deux à deux est un travail de longue haleine. Nous verrons par la suite comment I ' A C P nous aidera à simplifier considérablement cette tâche. On peut exprimer directement de manière simple la matrice de variance V à partir du tableau des données à condition que tous les caractères aient une moyenne nulle. S'il n'en est pas ainsi on transformera chaque caractère en un caractère centré en lui retirant sa moyenne x^ —• xK Ceci revient à placer l'origine des axes du nuage des individus au centre de gravité g. Les coordonnées centrées de l'année 1872 sont ainsi : (5,8 ; — 1,5 ; — 3,8 ; — 1,6 ; — 3,5 ; — 7,8 ; — 2,8 — 4 , 3 ; — 3 , 9 ; 2 2 , 4 ; 0,9)
Si X est le tableau à n lignes et p colonnes des données centrées on a les relations matricielles : V =^ ' X D X où * X est la matrice transposée de X et D la matrice (d'ordre n) diagonale des poids : 25
/>2
D =
\
o
O
I
Nous supposerons pour toute la suite que les caractères sont centrés. 2. L^espaee des individus. — Chaque individu étant un point défini par p coordonnées est considéré comme u n vecteur d'un espace vectoriel R " à p dimensions appelé l'espace des individus : on identifie l'individu et le vecteur Cj de composantes («1, * f , . . ., A) Importance de la métrique. — Comment mesurer la distance entre deux individus ? Cette question primordiale doit être résolue avant toute étude statistique car les résultats obtenus en dépendent dans une large mesure. E n physique, la distance entre deux points de l'espace se calcule facilement par la formule de Pythagore : le carré de la distance est la somme des carrés des différences des coordonnées, car les dimensions sont de même nature : ce sont des longueurs que l'on mesure avec la même unité.
AxeJ
I l n'en est pas de même en statistique où chaque dimension correspond à un caractère qui s'exprime 26
avec son unité particulière : comment calculer la distance entre deux individus décrits par les trois caractères : âge, salaire, nombre d'enfants ? La formule de Pythagore est alors aussi arbitraire qu'une autre. Si on veut donner des importances différentes à chaque caractère, pourquoi ne pas prendre une formule du type : = a,{x\
xir + a^{xl -
xl)^ + ...
+ a,{xf -
x^f
ce q u i revient à multiplier par "x/ô^ chaque caractère (on prendra bien sûr des positifs). De plus la formule de Pythagore n'est valable que si les axes sont perpendiculaires, ce que l'on conçoit aisément dans l'espace physique. Mais en statistique ce n'est que par pure convention que l'on représente les caractères par des axes perpendiculaires : on aurait pu t o u t aussi bien prendre des axes obliques d'angle 0 : M = '^i peut s'écrire alors 'e^'TTca = ' ( T e i ) ( T e 2 ) = < T e i ; Te2>i. Tout se passe donc comme si on avait transformé les données par la matrice T et utilisé ensuite le produit scalaire ordinaire. Ceci revient à remplacer le tableau de données X par Y = X ' T et à prendre comme métrique l a matrice unité I . B) Comment calculer les coordonnées des individus sur un nouvel axe. — Considérons le système d'axes 29
orthonormés représentant les caractères initiaux x^^ x^, x". E n projetant les individus sur une droite quelconque A on crée u n nouveau caractère c dont les valeurs C j , Cg, c„ sont les mesures algébriques des projections des points sur cette droite.
Soit a le vecteur unitaire de A , de M-norme 1 ; la mesure algébrique de la projection de l ' i n d i vidu e^ est alors égale au produit scalaire de e^ par a. Cj = 'e^ Ma = '(Ma) car M est symétrique ; en posant u = Ma on peut écrire que la compoV santé Cj de sur A vaut 'uej soit — 2 "j^i* Le caractère c dont les valeurs sont les n coordonnées C j , Cg, . . c „ s^obtient alors directement par la formule : c = X u . c est donc une combinaison linéaire des p caractères initiaux au moyen du facteur u . Si M = I i l y a égaUté entre le facteur u et le vecteur unitaire a. Si l'axe A passe par l'origine, comme celle-ci est confondue avec le centre de gravité du nuage, le caractère c est u n caractère centré. C) Inertie. — On appelle inertie totale du nuage de points la moyenne des carrés des distances des n points au centre de gravité, c'est-à-dire à l'origine : . ^ - 2 i > * | | e , | I | , - S A 'e,Me, i i 30
Cette quantité caractéristique du nuage mesure d'une certaine manière l'éloignement des points par rapport à leur centre de gravité, c'est-à-dire la dispersion globale du nuage. Une inertie nulle ou voisine de zéro signifie que tous les individus sont identiques ou presque et sont confondus avec leur centre de gravité g. O n p eut m o n t r e r que J est égale à l a moyenne des carrés des
b
••— distances différentes entre les p o i n t s d u nuage.
O n p e u t alors interpréter le p l a n p r i n c i p a l d u nuage de points comme étant le p l a n q u i rend m a x i m u m l ' i n e r t i e de l'ensemble des n p o i n t s projetés sur l u i . O n définit aussi l ' i n e r t i e p a r r a p p o r t à u n p o i n t h différent du centre de gravité : i est reliée à J p a r l a formule de H u y g h e n s : A
= > + d^(g, h )
> ) , est donc t o u j o u r s supérieure à J, l a valeur m i n i m u m étant a t t e i n t e lorsque h = g . O n en déduit alors que l a recherche d ' u n p l a n r e n d a n t m a x i m u m Tinertie des projections des n p o i n t s est équivalente à l a recherche d u p l a n passant « a u plus près » de Tensemble des pointe d u nuage a u sens o ù l a moyenne des carrés de distance des pointa d u nuage a u p l a n est m i n i m a l e . Soit h l a p r o j e c t i o n de g sur le p l a n q u i est alors le centre de gravité de p r o j e c t i o n des p o i n t s d u nuage. L e triangle ; ; h est rectangle en , d'où : d^(ei;fi)-d^(ei;h)-d^{fi;h) et
S p i d'(e.- ; f;) = - / h -
«
Sp.
fi/
\)
«
31
Comme = ^ + d^(g ; h ) on v o i t que rendre m i n i m a l e l a moyenne des carrés des distances entre les et les s'obtient lorsque g = h et q u a n d l ' i n e r t i e d u nuage projetée S p j ' i ' C i ; h ) est m a x i m a l e . Désormais on supposera t o u j o u r s que le p l a n p r i n c i p a l , et p l u s généralement les axes p r i n c i p a u x , passent p a r g . Ou m o n t r e que J s'exprime p a r l a forniole : J = . Trace ( M V ) o ù l a t r a c e désigne l a s o m m e des éléments diagonaux d'une m a t r i c e . O u en déduit alors que : — si M = I l ' i n e r t i e est égale à l a Bomme des v a r i a n c e f des p caractères ; — s i M = Di/gi : Trace M V = Trace (Di/g. V ) = Trace ( D i / , V D i / , ) =
Trace R =
p
l ' i n e r t i e est donc égale au n o m b r e de caractères ; — ei M est quelconque o n p e u t t o u j o u r s dire que l ' i n e r t i e est égale à l a somme des variances des caractères t r a n S ' formés p a r l a m a t r i c e T où M = ' T T , E n effet : Trace M V = Trace ' T T ' X D X = Trace T ' X D X ' T =
Trace ' Y D Y
3. L'espace des caractères. — Chaque caractère est en fait une liste de n valeurs numériques : on le considérera comme un vecteur d'un espace à n dimensions appelé espace des caractères et noté R " . A) ha métrique. — Pour étudier la proximité des caractères entre eux i l faut munir cet espace d'une métrique, c'est-à-dire trouver une matrice d'ordre n définie positive symétrique. I c i i l n ' y a pas d'hésitation comme pour l'espace des individus et le choix se porte sur la matrice diagonale des poids D pour les raisons suivantes : 32
Le produit scalaire de deux caractères n
qui vaut 'x^ Dx* — 2 Pi ^ xl
et x*
n'est autre que l a
covariance Sj^ car les caractères sont centrés. La norme d'un caractère ^st alors : J J X * | | D
e n d'autres termes la « longueur » d'un caractère est égale à son écart type. Dans un espace euclidien on définit l'angle 0 entre deux vecteurs par son cosinus qui est égal au quotient du produit scalaire par le produit des normes des deux vecteurs : 11x^11 ||x*|| = i 7 i ; Le cosinus de Vangîe entre deux caractères centrés n^est donc autre que leur coefficient de corrélation linéaire. Si dans l'espace des individus on s'intéresse aux distances entre points, dans l'espace des caractères on s'intéressera plutôt aux angles en raison de la propriété précédente. B) Caractères engendrés par le tableau de données. — Si x^, x^, x" sont les caractères mesurés sur les n individus, on peut en déduire de nouveaux caractères par combinaison linéaire du type : c =
Ui
X *
+
Ug X
^
+
. . .
+ Uj,X^
Nous avons v u dans un paragraphe précédent que ceci revient à choisir un nouvel axe dans l'espace des individus. L'ensemble de tous les caractères que l'on peut 33 J . - M , BOUROCHB E T O. SAPOBTA
2
fabriquer par un tel procédé forme alors un sousespace vectoriel W de l'espace des caractères. S'il n'existe aucune relation linéaire entre les caractères x\e sous-espace est de dimension p, sinon i l est de dimension inférieure : dans l'exemple des II dépenses de l ' E t a t comme ^ — 100 la dimenj-i sion de W est au plus égale à 10 (au plus car i l peut exister d'autres relations qui n'ont pas été remarquées). Nous avons v u que tout caractère c, combinaison linéaire des caractères de départ, peut s'obtenir par la formule c = X u , où u est le facteur associé à c. I l est alors facile d'en déduire sa variance : si = *c De = ' u ' X D X u si = 'uVu I I I . — Recherche des composantes axes et facteurs principaux Nous avons défini dans l'introduction de ce chapitre le premier axe principal par la propriété de rendre maximale la moyenne des carrés des distances entre les projections des points du nuage. Ca
Cl
!
— r — ^ — J C3 I
Ceci équivaut à rendre maximale l'inertie des projections qui vaut S p i cf, où les sont les mesures algébriques des projections des sur A, car on 34
choisit de faire passer A par le centre de gravité du nuage. A l est l'axe d'allongement principal du nuage en ce sens que, sur cet axe, les sont le plus dispersés possible, en d'autres termes : c est combinaison linéaire des x* de variance maximale. Pour t r o u v e r e x p l i c i t e m e n t facteuis et composantes p r i n ripales et p o u r alléger les démonstrations, on peut t o u j o u r s se ramener a u cas M I en raisonnant sur le t a b l e a u de données transformé Y = X ' T avec M = ' T T . E n effet, la première composante p r i n c i p a l e de Y sera l a même que celle de X puisque les combinaisons linéaires des y ' sont lies combinaisons linéaires des x ' : l a combinaison des y ' de \ariance m a x i m a l e définira donc a u t o m a t i q u e m e n t l u c o m b i naison des de variance m a x i m a l e . Si c est cette composante exprimée sous l a forme c = Y v puisque Y — X ' T on aura c = X u avec u = ' T v . Soit V „ l a m a t r i c e de variance associée a u tableau Y q u i est égale à T ' X D X ' T = T V ' T où V est l a m a t r i c e de variance de X . L a composante p r i n c i p a l e c a p o u r v a riance ' v V j , v et le vecteur Y est alors égal au vecteur u n i t a i r e de l'axe p r i n c i p a l . I l f a u t donc t r o u v e r Y de norme 1 t e l que 'vVy T soit m a x i m a l . Ceci est équivalent à rendre m a x i m a l le q u o t i e n t ' T V „ T / ' W . L e m a x i m i m i est a t t e i n t lorsque les dérivées par r a p p o r t à chacune des p composantes sont nulles. L'ensemble des dérivées de 'vV^ v par r a p p o r t aux c o m p o santes f j , , . . . , «p forme u n vecteur égal à 2Vy v. D'après les formules de dérivation usuelles on en déduit que l a dérivée de q u o t i e n t est n u l l e si : 2{'yv) V y v — 2 ( ' y V y V ) v -
0
soit : V ^ v = ( V V y T ) v = Xv V d o i t donc être vecteur p r o p r e de et sa valeur p r o p r e X d o i t être l a plus grande puisqu'elle représente l a quantité à maximiser. L a variance de e v a u t alors X car v est de norme 1. Comme une m a t r i c e de variaace est symétrique et semi-définie posit i v e , elle possède p vecteurs propres o r t h o g o n a u x deux à deux et ses valeurs propres sont toutes positives ou nulles. 35
Les axes et les facteurs principaux V j , T J , . . . , Vp lorsque M = I sont les vecteurs propres de la matrice de variance associés aux valeurs propres X j , Xg, . . X j , écrites en ordre décroissant. Prendre comme nouveaux axes de l'espace des individus les vecteurs de la matrice de variance revient à diagonaliser l'opérateur linéaire associé à . L a matrice variance des composantes p r i n cipales, Vf., est égale à :
Les composantes principales sont donc non corrélées deux à deux. UACP remplace les p caractères initiaux par des caractères non corrélés de variance maximale et d'importance décroissante. Pour trouver directement axes, facteurs et composantes en fonction de X i l suffit d'écrire que V ^ v = Xv = T V ' T v et de multiplier à gauchepar ' T , d'où *TTV 'Tv = X *Tv soit M V u = Xu. L'axe a est tel que u = Ma, donc M V M a = XMa, soit V M a = Xa car M est régulière. Les axes principaux sont donc les vecteurs propres de V M , les facteurs principaux ceux de M V . Quant aux composantes principales qui s'obtiennent par c = X u , en remarquant que M V = M *X D X ; M ' X D X u = Xu montre en multipliant à gauche par X que c est vecteur propre de X M *X D . L a somme des valeurs propres Xj + X2 H- . . . -|- Xp est xme constante égale à la trace de V^ et de M V : c'est rinertie totale J^. 36
Le quotient "Kj^ est appelé part d'inertie (ou de variance) expliquée par l'axe n " k. (X^ + X^j./^ ou pnrt d'inertie cumulée des deux premiers axes, mesure l'aplatissement du nuage sur le plan principal. Plus cette part est grande, et meilleure est la représeni.ation du nuage sur ce plan. Le nombre des valeurs propres non nidles donne la dimension de l'espace dans lequel sont réellement 1rs observations. Une valeur propre nulle montre (jii'il existe une relation linéaire entre les caractères initiaux. A.vec M =
D i / ( i , l e s c o m p o s a n t e s p r i n c i p a l e s sont l e s c a r a c -
t ires l e s pluB liés a u x x ' a n sens où
^
t\c
; x') est m a x i m a l .
I V . — Les résultats et leur interprétation Avec l'exemple des dépenses de l ' E t a t présenté au début de ce chapitre nous tenterons ici de donner quelques principes généraux d'interprétation des résultats numériques et graphiques d'une A C P . Si les phases de calcul sont effectuées automatiquement par des programmes d'ordinateur, la lecture des documents obtenus nécessite xme certaine méthode afin d'éviter des interprétations erronées. Nous avons choisi pour analyser le tableau des «lépenses de l ' E t a t la métrique D^/gt ce qui revient à centrer et réduire les 11 caractères. Les facteurs principaux s'obtiennent donc en diagonalisant la matrice de corrélation R. 1. Valeurs propres, facteurs et composantes prin* eipalee. — On trouve au moyen d'un programme standard d'ACP : 37
1 2 3 4 5 6 7 8 9 10 11
Valeur propre
o/ /o d'inertie
o/ /o cumulé
4,98 2,05 1,29 0,99 0,71 0,56 0.20 0,12 0,06 0,04 0
45,3 18,6 11,7 9,0 6,5 5,1 1,8 1,1 0.5 0,4 0
45,3 63,9 75,6 84,6 91,1 96,2 98 99,1 99,6 100 100
La somme des valeurs propres est égale au nombre de caractères puisque M ~ Dj/gi, soit ici 11. On vérifie que la dernière valeur propre est nulle, ce qui était attendu puisque les caractères sont liés par une relation linéaire (leur somme vaut 100). Les deux premières valeurs propres représentant environ 64 % de l'inertie, nous résumerons les données par les deux premières composantes principales. I l est difficile de donner une réponse générale à la question : à partir de quel pourcentage peut-on négliger les composantes principales restantes ? Cela dépend t o u t d'abord du nombre de caractères : u n premier axe expliquant 45 % de l'inertie avec 11 caractères est plus intéressant que si p avait été égal à 5. Si R ne contient que des termes peu différents de zéro, i l ne faut pas s'attendre à trouver des valeurs propres très élevées : on ne peut réduire efficacement le nombre de caractères que si ceux-ci étaient très corrélés. E n fait, seul l'examen de la signification des composantes principales, et surtout l'expérience, permettent de savoir quelles sont les composantes à conserver. 38
Les deux premiers vecteurs propres Vj et Vg de R sont ici les suivants : •^1 — 0,08 0,37 0,37 — 0,06 0,32 0,35 0,42 0.13 — 0,27 — 0,40 — 0,25
•a — — — — —
0,52 0,00 0,24 0,44 0,28 0,10 0,07 0,56 — 0,15 0,21 — 0,08
L a somme des carrés de leurs composantes v a u t 1 et on peut vérifier que R v ; = X^v^. Pour obtenir les composantes principales Cj et on applique l a formule c — Y v . A i n s i pour Tannée 1872, d o n t on a v a i t calculé plus b a u t les valeurs des coordonnées centrées réduites, i l suffit de m u l t i p l i e r i-haque coordonnée par la composante d u premier vecteur propre et en faire la somme, pour o b t e n i r l a valeur de Cj,
soit ici — 2,9.
On p e u t vérifier que Ci et sont de moyenne nulle et o n t pour variances respectives 4,98 et 2,05 (aux arrondis près).
2. Représentation des individus dans le plan principal. «ï 1872 1880 1890 1900 1903 1906 1909 1912 1920 1923 1926 1929
— — — — — — — — — — — —
2,90 2,77 2,42 2,06 2,34 1,98 1,91 1,43 2,14 1,14 1,67 1,12
— — — — — — — — —
1,02 2,01 0,22 0,75 0,17 0,63 0,81 0,77 0,96 2,88 2,61 1,83
1932 1935 1938 1947 1950 1953 1956 1959 1962 1965 196S 1971
0,27 0,66 — 0,40 1,08 2,37 1,20 2,93 2,69 3,06 3,14 3,70 3.24
— — — — — —
1,96 2,30 1,34 2,25 2,17 1,13 0,23 0,14 0,11 0,31 0,47 0,09 39
Les composantes Cj e t d o n n e n t les coordonnées des i n d i v i d u s sur le p l a n p r i n c i p a l et on o b t i e n t l a configuration suivante. O n v o i t immédiatement apparaître quatre groupes d ' i n d i v i d u s bien séparés : — — — —
groupe groupe groupe groupe
I 2 3 4
1926
: : : ;
a v a n t l a première guerre m o n d i a l e ; entre les deux guerres ; l'après-guerre 1947-1950-1953 ; l a période 1956 à 1971.
1923 1935
1932
1B29 1938
196S 1962 1971—
1830 1903
1959 1956 •1906
1900,
1672 19201309
1965
1312 1953
1947
1950
L a figure obtenue étant voie p r o j e c t i o n i l ne f a u t pas confondre proximités sur le plan p r i n c i p a l et proximités dans l'espace, une erreur de perspective est toujours possible comme le m o n t r e la figure ci-dessous.
I l f a u t donc examiner l a qualité de la représentation de chaque p o i n t : ceci se f a i t eu considérant l'angle 6 entre le vecteur et sa p r o j e c t i o n f,-. L e critère de qualité c o m m u nément utilisé est le carré d u cosinus de l'angle avec le p l a n : un cosinus égal à 1 indique que e,' et fj sont confondus ; u n cosinus voisin de zéro d o i t m e t t r e en garde l ' u t i l i s a t e u r contre toute conclusion hâtive, sauf si est à une distance faible du centre de gravité. Dans notre exemple on t r o u v e les valeurs suivantes :
cos' 0
roa^ 6
vi>s^ 0
18S0
1890
1900
1903
1906
1969
1912
0,52
0,69
0,79
0,69
0,58
0,78
0,76
0,48
1920
1923
1926
1929
1932
1935
1938
1947
0,73
0,79
0,66
0,63
0,47
0,80
0,30
0,66
1930
1953
1956
1959
1962
1965
1968
1971
0,46 0,35
0,74
0,76
0,89
0.73
0,69
0,65
Dans l'ensemble presque tous les points sont bien représentés sauf peut-être les années 1938 et 1953 ( u n cosinus liuré de 0,3 correspond à u n angle de 57"), Lorsque de n o m b r e u x points sont m a l représentés c'est en général parce que l ' i n e r t i e d u plan p r i n c i p a l est t r o p faible : il faut alors considérer les composantes principales suivantes puîsqu'à l'étape suivante l a p a r t i t i o n n9 2 p r e n d la place de la p a r t i t i o n n9 1 et ainsi de suite. est l a moyenne des inerties j ' j " des k classes de la deuxième p a r t i t i o n . Considérons p a r exemple l a première classe de cette p a r t i t i o n d o n t le centre de gravité est g^" ; son i n e r t i e J ^ ' est inférieure à l a moyenne des carrés des distances des p o i n t s de cette c l a i i e à g j en raison de la formule de H u y g h e n s ( v o i r chap. I I ) .
52
D ' u n e p a r t i t i o n à l ' a u t r e l a composition des classes change : dans l a p a r t i t i o n n° 2 on ne t r o u v e dans l a première classe que les p o i n t s d u nuage plus proches de g^ que des autres g; ; la moyenne des carrés des distances à g, est donc inférieure à la moyenne correspondante de la première classe de ta p r e mière p a r t i t i o n (à moins que ces deux classes ne soient i d e n tiques) q u i v a u t ^ i ^ ' . L ' i n e r t i e de chaque classe de la deuxième p a r t i t i o n est donc inférieure à l ' i n e r t i e de l a classe correspondante de l a première p a r t i t i o n , i l en sera de même p o u r leurs moyennes et . / w ^ •^w'-
L'inconvénient de cette méthode, à part le risque d'obtenir des classes vides, donc d'aboutir à moins de k classes, est de fournir une partition finale qui dépend de la partition de départ : on n'atteint pas l ' o p t i m u m global mais seulement la meilleure part i t i o n possible à partir de celle de départ. De plus, la partition initiale est souvent arbitraire car i l est courant de choisir les centres par tirage au sort de k individus parmi n . 3. L a méthode des nuées dynamiques. — Sous ce
nom évocateur E. Diday a développé une méthode efficace de partitionne ment que l'on peut considérer comme une généralisation de la méthode des centres mobiles. La différence fondamentale est la suivante : A u lieu de définir une classe par u n seul point, son centre, qui peut ne pas être u n des individus de l'ensemble à classer, on la définit par q individus formant u n « noyau » q u i , s'ils sont bien choisis, seront plus représentatifs de la classe qu'un simple centre de gravité. Ces noyaux permettront par la suite d'interpréter les classes. A p a r t i r d*»m système i n i t i a l de k n o y a u x on o b t i e n t une p a r t i t i o n en r e g r o u p a n t les i n d i v i d u s a u t o u r de ces n o y a u x . On calcule alors de nouveaux n o y a u x représentatifs des classes ainsi formées et on recommence jusqu'à ce que l a qualité de l a p a r t i t i o n ne s'améliore plus. F o r m e l l e m e n t i l f a u t donc disposer de t r o i s fonctions :
S8
— l a premièie q u i calcule l a distance d*uu i n d i v i d u à u n noyau ; — la deuxième q u i à une p a r t i t i o n en k classes associe les k n o y a u x de q p o i n t s , représentatifs de ces classes ; — l a troisième q u i mesure l a qualité d'une p a r t i t i o n . Connaissant ces trois fonctions, le n o m b r e de classes e t l'effectif des n o y a u x , l ' a l g o r i t h m e est entièrement déterminé. Comme pour l a méthode des centres mobiles, la p a r t i t i o n finale dépend d u choix i n i t i a l des n o y a u x . A f i n de l i m i t e r cet inconvénient on procède à plusieurs tirages a u sort des n o y a u x de départ et on compare les p a r t i t i o n s finales obtenues : les i n d i v i d u s q u i o n t toujours été classés ensemble définissent des « formes fortes » q u i sont en quelque sorte les parties v r a i m e n t homogènes de l'ensemble des i n d i v i d u s car elles o n t résisté a u x aléas des tirages des n o y a u x . L e n o m b r e de formes fortes est généralement différent de k. Les méthodes de p a r t i t i o n n e m e n t p e r m e t t e n t de t r a i t e r rapidement de grands ensembles d ' i n d i v i d u s mais elles supposent que le n o m b r e k de classes est fixé. Si ce n o m b r e ne correspond pas à l a configuration véritable d u nuage des i n d i v i d u s on risque d ' o b t e n i r des p a r t i t i o n s de valeur douteuse. I l f a u t alors souvent essayer diverses valeurs de k, ce q u i augmente te temps de calcul. Lorsque le nombre des i n d i v i d u s n'est pas t r o p élevé o n recourra plutôt à des méthodes hiérarchiques.
I I . — ClaBBÎfication hiérarchique
Nous traiterons ici uniquement des méthodes ascendantes. Leur principe consiste à construire une suite de partitions en n classes, n — 1 classes, n — 2 classes..., emboîtées les unes dans les autres, de la manière suivante : la partition en k classes est obtenue en regroupant deux des classes de la partition en A: H~ ï classes. I l y a donc au total n — 2 partitions à déterminer puisque la partition en n classes est celle où chaque individu est isolé et la partition en ime classe n'est autre que la réunion de tous les individus. O n parle de classification hiérarchique ou de hiérarchie, car chaque classe d'une partition est incluse M
dans une classe de la partition suivante. La suite des partitions obtenues est usuellement représentée sous la forme d'un arbre de classification analogue à l'organigramme d'une entreprise. La figure ci-dessous représente la suite de p a r t i tions de l'ensemble a, b, c, d, e :
P4 Pj P2 Pj
- albjcldle = abjcldje = abjcdje = ahjcde = abcde.
0,5 0
a
b
c
d
e
L a hiérarchie précédente est « indicée » car à chaque partition correspond une valeur numérique représentant le niveau auquel ont lieu les regroupements ; plus l'indice est élevé plus les parties regroupées sont hétérogènes. Cet indice est aussi appelé niveau d'agrégation. Connaissant l'arbre de classification i l est facile d'en déduire des partitions en un nombre plus ou moins grand de classes, i l suffit pour cela de couper l'arbre à u n certain niveau et de regarder les i( branches » qui tombent. Ainsi dans l'arbre ci-dessus on obtient une part i t i o n en trois classes en découpant l'arbre selon le pointillé : (a, b) (c, d) (e). Le principal problème des méthodes de classification hiérarchique consiste à définir le critère de regroupement de deux classes, ce qui revient à définir une distance entre classes. Tous les algorithmes de classification hiérarchique se déroulent de la même manière : on recherche à chaque étape les deux classes les plus proches, on les fusionne. SS
et on continue jusqu'à ce qu'il n ' y ait plus qu'une seule classe. 1. Le critère de l'inertie : la méthode de Ward. — Lorsque les individus sont des points d'un espace euclidien nous avons vu que l'on définissait la quahté d'une partition par son inertie intraclasse ou son inertie interclasse. Une bonne partition est celle pour laquelle l'inertie interclasse est forte (inertie intraclasse faible). Lorsque l'on passe d'une part i t i o n en fc + 1 classes à une partition en k classes en regroupant deux classes en une seule, nous allons voir que l'inertie interclasse ne peut que diminuer. Le critère de regroupement sera donc le suivant : fusionner les deux classes pour lesquelles la perte d'inertie est la plus faible. Ceci revient à réunir les deux classes les plus proches en prenant comme distance entre deux classes la perte d'inertie que l'on encourt en les regroupant. L ' i n e r t i e interclasse est, rappelons-le, la moyenne des carrés des distances des centres de gravité de chaque classe au centre de gravité t o t a l . Appelons A et B les deux classes que l ' o n v e u t réunir, g^, gg leurs centres, et et Pg leurs poids. A v a n t réunion on t r o u v e dans la formule de l'inertie i n t e r classe la somme des deux termes : P^ (^^(8* î g) 4- P B d^Cge ! §)• Après réunion i l n ' y a plus qu'une classe de poids -f P^ de centre de gravité, 6 ' q^' contribue à l ' i n e r t i e interclasse par le terme unique { P ^ + P^) d^igj,^ ; g). L a perte d ' i n e r t i e interclasse est l a différence : P A d'(g.
; g) + P B dHe. P . g. +
comme g^a = — p
„
SA
56
; g) -
(P* +
P B ga
Pn) à^a^
; g)
° on t r o u v e que cette perte est :
g.
TJn calcul élémentaire m o n t r e en effet qne :
K
+ Pn
dHe.
; g) + ' P. +
PB
'iHs.
: g) •
7 T > A ^ r . ^Hg, ; s.)
(PA +
PB)''
(c'est une généralisation d u théorème de la mcdiane). On peut donc prendre comme « distance » entre classes A et B l a (piantité : 8(A,B)=J^^rf''(g,;gB) Si C est une troisième classe on en déduit aisément l a formule d o n n a n t la « distance » 8 entre C et l a réunion des deux classes A et B ; S(C ; A l I B ) = (PA
+ Pc) S(A. C) + (Pe + Pc) S(B, C) P A + P B + Pc
P , S(A, B )
On p e u t donc formaliser l ' a l g o r i t h m e de W a r d comme suit : on remplace le tableau des distances D entre les n p o i n t s par le tableau A des distances modifiées :
on cherche les deux i n d i v i d u s p o u r lesquels S{j est m i n i m u m , on les réunit en une classe de poids pi + pj a u niveau hiérarchique Sij, on calcule ensuite les distances 8 entre les autres i n d i v i d u s et cette classe au m o y e n de la formule énoncée précédemment; t o u t se passe alors comme s'il n ' y avait plus que n — 1 i n d i v i d u s ; on cherche quels sont les deux i n d i v i d u s les plus proches, on les réunit en une classe et ainsi de suite.
Exemple ; Reprenons les données sur les dépenses de TEtat déjà analysées dans le chapitre I I . E n conservant la métrique D i / , i on peut calculer les distances mutuelles entre les 24 individus (les années) et effectuer ensuite une classification des années par la méthode de Ward. Nous ne reproduirons pas ici le tableau des distances v u son encombrement. Les poids des individus sont ici tous égaux à 1/24. Les classes de la hiérarchie sont numérotées de 25
S7
à 47 et sont constituées de la manière suivante : ce sont les années 1900 et 1906 qui sont les plus proches, puis 1959 et 1962, ensuite on rattache 1909 à la classe 1900-1906 et ainsi de suite. Les résultats sont alors consignés dans le tableau suivant. On remarque que la somme des niveaux d'agrégation est égale à 11 : en effet chaque niveau est égal à la perte d'inertie résultant de la fusion des deux éléments réunis ; la somme des pertes d'inertie est donc égale à l'inertie totale du nuage de points qui est ici égale au nombre de caractères puisque l'on a pris Dj/^» comme métrique. JVo de la classe 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47
SB
Eléments 1900 1959 1909 1890 1932 1965 1956 1912 1947 1903 1923 1929 1971 1938 1880 1950 1872 31 39
36 40 43 45
réunis
1906 1962 25 27 1935 1968
26 28 1953 32
1926 35 30 29 1920 33 34 37
Niveau d^agrêgation 0.02 0,03 0,04 0,06
0,06 0,07 0,08 0,09 0,11 0,13 0,13 0,14 0,18
0,18 0,24 0,39 0,40 0,42
41
0,43
38
0.46 1.09
42
44
1,94
46
4,31
De ce tableau on déduit l'arbre de classification. Son examen montre à l'évidence l'existence de quatre classes relativement homogènes obtenues en coupant l'arbre au niveau 0,5 environ. La classe n'' 40 regroupe les années 1947-1950-1953, la classe n°42 les années 1950 à 1971, la classe n° 43 les années 1880 à 1912 et la classe n» 44 les années 1923 à 1935.
On retrouve ici, mais d'une manière automatique, la typologie q u i avait été faite « à vue » au chapitre I I : cette concordance est évidemment satisfaisante. D'une manière générale, i l est recommandé de confirmer les résultats d'une classification par l'examen des plans factoriels d'une A C P OU d'une analyse des correspondances : les deux approches sont complémentaires, l'analyse factorielle permettant en outre d'interpréter rapidement en fonction des caractères les groupements obtenus par une classification. Si on coupe l'arbre à u n niveau plus élevé, on 59
fera apparaître trois classes, puis deux classes : la partition en deux classes séparant ici l'avant- et l'après-deuxième guerre. Rappelons enfin qu'à chaque étape on n'obtient pas forcément la meilleure partition en k classes, mais seulement la meilleure de celles obtenues par réunion de deux classes de la partition en + 1 classes. 2. Distances n o n euclidiennes ; les différentes 8tra«
tégies d'agrégation. — Lorsque les distances ne sont pas euclidiennes, ce qui se produit en particuUer si l'inégalité triangulaire d(a, b) ^ d{a, c) + d{b, c) n'est pas vérifiée pour certains points (on parle alors de dis similarité plutôt que de distance), la notion d'inertie n'a plus de sens et on ne dispose pas d'un critère objectif pour calculer la distance entre deux classes. On peut alors imaginer une foule de solutions plus ou moins arbitraires. Parmi les diverses formules de distance entre deux parties, les trois plus utilisées sont les suivantes : — distance du saut minimal ou de l ' i n f d(A, B) = i n f d(ei ; e^)
pour
e^ G A
e B
— distance du diamètre ou du sup d(A, B) = sup d{e^ ; e^) — distance moyenne d(A,B).=:p^2
£d(e,;e,).
La première formule tend à favoriser le regroupement de deux classes, dès qu'elles possèdent des points proches ; le risque est alors de trouver dans une même classe des points très éloignés. Cette distance est cependant très utilisée en raison de ses propriétés mathématiques. 60
La distance du sup remédie, mais un peu b r u talement, au défaut de la méthode du saut minimal, car elle exige que les points les plus éloignés, donc tous les points, soient proches. La distance moyenne offre un compromis entre les deux précédentes. L'ennui est que selon la formule choisie on about i r a à une hiérarchie ou à une autre. Ainsi considérons le tableau de distance suivant entre cinq individus ; on voit que cette distance n'est pas euclidienne puisque : d{c,e)>d{c, 6 > 2 +
d) + d(d.e) 1/2.
A
3 4 2 0
1 6 1/2 0
1/2
On aboutit alors aux trois arbres suivants
4,75 3,3
n Si chaque arbre commence par la réunion de « d » et de (t e » en une seule classe « / », i l y a tout de 61
s u i t e d ' i m p o r t a n t e s différences q u a n d o n calcule les distances de / a u x a u t r e s i n d i v i d u s : d inf (6,/)
= i n f {d{h ; d) ; d{h ; e))
d sup ( 6 , / )
— sup {d{h ; d) ; d{h ; e)) — 4
rfmoy
(6,/) =
1
2,5.
I l est r e c o m m a n d e de procéder à p l u s i e u r s t y p e s de classification sur le m ê m e ensemble en u t i l i s a n t diverses f o r m u l e s : si les biérarcbies c o m p l è t e s s o n t en général différentes, i l ne d o i t pas y a v o i r de t r o p grandes v a r i a t i o n s lorsque l ' o n regarde u n i q u e m e n t le h a u t de l ' a r b r e , c'est-à-dire les p a r t i t i o n s à f a i b l e n o m b r e de classes. S i o n c o n s t a t e de grosses différences c'est peut-être q u e l ' e n s e m b l e des i n d i v i d u s se prête m a l à t o u t e classification. N o t o n s e n f i n q u e l ' u n e des p r i n c i p a l e s difficultés en c l a s s i f i c a t i o n consiste à définir des distances o u des dis similarités e n t r e i n d i v i d u s , s u r t o u t q u a n d c e u x - c i s o n t décrits p a r des caractères q u a l i t a t i f s .
62
CHAPITRE I V
L'ANALYSE
CANONIQUE
L*aualy8e c a n o n i q u e , proposée en 1936 p a r H . H o tellîng ( I ) , est d ' u n intérêt théorique essentiel. E l l e englobe en effet l a p l u p a r t des méthodes d ' a n a l y s e des données c o m m e cas p a r t i c u l i e r : q u ' i l s'agisse de l a régression m u l t i p l e , de l ' a n a l y s e de l a v a r i a n c e , de l ' a n a l y s e des correspondances o u de l ' a n a l y s e d i s c r i m i n a n t e , ces méthodes p e u v e n t être considérées c o m m e des a p p l i c a t i o n s spécifiques de l ' a n a l y s e canonique. D i s p o n i b l e sous f o r m e de p r o g r a m m e i n f o r m a t i q u e d e p u i s p l u s d ' u n e d i z a i n e d'années, c e t t e m é t h o d e n*a été utilisée q u e très r a r e m e n t . C e t t e s i t u a t i o n , e x c e p t i o n n e l l e en analyse des données, s'expUque p a r les difficultés d'interprétation e t d ' u t i l i s a t i o n des résultats. C o m b i e n d ' a n a l y s t e s , séduits p a r l a p r o b l é m a t i q u e e t les propriétés t h é o r i s e s de l ' a n a l y s e c a n o n i q u e , o n t - i l s , a u v u des résultats, rangé discrètement leurs calculs dans u n t i r o i r ? N o u s ne p o u v o n s répondre à c e t t e q u e s t i o n m a i s pensons c e p e n d a n t q u ' u n e large place d o i t être
(1) H . IIoTELLiNG, Relalions Uetweeii Iwo sols of variables, Uiomelrika, 1936, vol. 28. 63
d o n n é e à l ' a n a l y s e c a n o n i q u e , c o m p t e t e n u de sa fécondité théorique. Les a p p h c a t i o n s les plus e n r i chissantes seront obtenues sur des données p a r t i culières, c o m m e nous le v e r r o n s dans les d e u x c h a pitres suivants. L
— Présentation de l a m é t h o d e
L e b u t de l ' a n a l y s e c a n o n i q u e est d'étudier les r e l a t i o n s linéaires e x i s t a n t entre d e u x groupes de caractères q u a n t i t a t i f s observés sur u n m ê m e e n semble d ' i n d i v i d u s . D e façon plus précise, o n cherche une c o m b i n a i s o n linéaire des caractères d u p r e m i e r ensemble e t u n e c o m b i n a i s o n linéaire des caractères d u deuxième q u i soient les plus corrélées p o s s i b l e . M a i s précisons t o u t d ' a b o r d ce p r o b l è m e à l ' a i d e d ' u n e x e m p l e . D a n s u n e étude p o r t a n t sur les p e r f o r m a n c e s de 40 s a u t e u r s eu h a u t e u r , R . T h o m a s (1) a relevé h u i t paramètres m e s u r a n t les caractérist i q u e s p h y s i q u e s e t d y n a m i q u e s des athlètes : = TAIL = POID = DTH
: taille en centimètres ; : poids en kilogrammes ; : détente horizontale en centimètres (longueur sautée à pieds joints sans élan) ; ** = D T V : détente verticale en centimètres (différence entre la hauteur atteinte mains tendues, talons au sol, et celle atteinte en sautant sans élan) ; ^ = F J A M : force des jambes en kilogrammes (poids remonté sur les épaules, à partit de la position accroupie) ; = VIT : vitesse en dixième de seconde (temps de parcours d'une distance de trente mètres, départ ^ lancé); * = S A U L : saut en longueur en centimètres (meilleur J résultat) ; * = 3 S A U ; triple saut en mètres (meilleur résultat).
(1) n . THOMAS, La 64
réiusiU
MporHvt, P O F , 1 9 7 5 .
P a r a i l l e u r s , u n j u r y a n o t é les athlètes selon l a qualité de leurs p e r f o r m a n c e s . Q u a t r e critères o n t été r e t e n u s : y i = N S A U : note de saut sur 20 (moyenne des notes données par trois juges sur le style d u saut dans son ensemble) ; y2 = N E L A : note d'élan sur 20 (moyenne des notes données par trois juges sur le style de l'élan) ; y* = N I M P : note d'impulsion sur 20 (moyenne des notes données par trois juges) ; y* = N S U R : note de suspension réception sur 20 (moyenne des notes données par trois juges).
D a n s q u e l l e mesure les notes données p a r l e j u r y p e u v e n t - e l l e s être reliées a u x caractéristiques o b j e c t i v e s des athlètes ? C o m m e en analyse en composantes p r i n c i p a l e s , les caractères p e u v e n t être représentés dans R", o ù n est l e n o m b r e d ' o b s e r v a t i o n s (dans n o t r e e x e m p l e , n = 40), N o t o n s x \, x ' , . , x P et y * , . . . , y * , . . y « les caractères des d e u x groupes représentés p a r des v e c t e u r s de R". P o u r r a p p r o c h e r ces d e u x ensembles de caractères, o n calcule u n e c o m b i n a i s o n linéaire des caractères d u p r e m i e r g r o u p e : Ç = a i x i +
... -faj-x'--f ...
et u n e c o m b i n a i s o n linéaire deuxième groupe : iQ==6iy^+
... +fc,y*-f
+apxï'
des
caractères
...
+6,y«
du
O n c h e r c h e r a les coefficients : 'a= et
(oi, ....Oj,
...,ap)
' b ^ (6i,
q u i m a x i m i s e n t l e carré de corrélation e n t r e Ç e t v}. 65 J . - H . BOUROCBB B T O. t A M B T A
8
O n appelle caractères canoniques les v e c t e u r s Ç e t TT] e R", facteurs canoniques les v e c t e u r s de coefficients a G RP et b F R ' et corrélation canonique le coefficient de corrélation e n t r e Ç et •»]. L ' e n s e m b l e des caractères combinaisons l i néaires des x^, x\, f o r m e u n sousespace v e c t o r i e l de R" que l ' o n appelle « p o t e n t i e l de prévision » d u p r e m i e r g r o u p e . De m ê m e , a u second g r o u p e , o n associe W j , sous-espace vect o r i e l de R". I I s'agit donc de t r o u v e r d e u x v e c t e u r s Ç e W j et if) G W g f a i s a n t u n angle m i n i m u m , p u i s q u e l ' o n a v u en analyse en composantes p r i n c i p a l e s l ' i d e n tité e n t r e cosinus et corrélation p o u r les caractères centrés.
D a n s le schéma précédent, i l existe u n e s o l u t i o n très s i m p l e y)^ et tels que cos^ {TJ^ Ç^) = 1 . E n effet, dans R^, l ' i n t e r s e c t i o n de d e u x p l a n s est de d i m e n s i o n inférieure o u égale à 2. L o r s q u ' u n p r e m i e r couple de v a r i a b l e s canoniques 66
a été o b t e n u , o n recherche, dans u n deuxième t e m p s , u n a u t r e couple de caractères et Y]'^ tels q u e r{%\ soit m a x i m u m et tels q u e et (resp e c t i v e m e n t Tf)^ et T)^) aient u n e corrélation n u l l e et a i n s i de s u i t e , et Y)*, etc. L e p r o b l è m e de l ' a n a l y s e c a n o n i q u e p e u t être rapproché de celui de l a régression m u l t i p l e . S u p posons que nous cherchions à prévoir l a v a r i a b l e a;', saut en l o n g u e u r , à l ' a i d e des notes données p a r le j u r y . D a n s ce cas l'espace W j n ' a p l u s q u ' u n e seule d i m e n s i o n , t a n d i s q u e est inchangé. O n obtient le graphique suivant :
O n recherche le v e c t e u r de W g : >) = 6 x y ^ - h . . .
+&4y*
f a i s a n t u n angle m i n i m u m avec le caractère x ' . C o m m e n o u s le v e r r o n s dans le p a r a g r a p h e s u i v a n t , r\t u n vecteur colinéaire avec l a p r o j e c t i o n o r t h o g o n a l e de x ' sur • IL
— F o r m u l a t i o n géométrique
1. P r o j e c t i o n o r t h o g o n a l e vectoriel,
siu*
un
sous-espace
A ) Le problème de la régression multiple, — A v a n t de résoudre le problème de l'analyse canonique, il est nécessaire 67
d'effectuer quelques rappela sur la régression multiple, et en particidier sur la projection orthogonale d'un vecteur sur u n sous-espace vectoriel. Considérons le cas d'un caractère « à expliquer n y et de p caractères « explicatifs » x^, . . x ' , . . x V . Nous supposons que ces p + 1 caractères sont observés sur le même ensemble de n individus, chaque individu étant muai du poids pi > 0 avec : S p f = 1. Il s'agit de trouver une combinaison linéaire des p caractères explicatifs ï
=
C i X l +
. . .
+ f l j X ' +
...
+ O p X P
telle que C soit le plus proche possible de y au sens de la distance dans l'espace des caractères (critère des moindres carrés). Nous allons maintenant présenter géométriquement le problème de la régression multiple. Chacun des p + 1 caractères peut être représenté par un vecteur de R " : /4\
yi
eR"
et
xî =
eR«
j =
h
O n suppose que ces p + 1 caractères sont centrés : J^P4yi = o
^ipi*/ = o
j = l
p
Nous considérons le sous-espace vectoriel W de R " engendré par les combinaisons linéaires des caractères z' : i E e W o î = a i X ^ + ...
-h ajxJ +
...
-\- apxP
Nous supposons par la smte que la dimension de W est égale à p, ce qui revient à dire que les p caractères x' forment line base de W , ou encore que le rang de la matrice : l...x{...xf
est égal à p. 68
...
xi .. . x;
...
xi, ...
xt
E n notation abrégée, on pose : W = {«eR''/ç =
X«,ii6RP}
Comme en analyse en composantes principales, nous supposons que l'espace des caractères est muni d u produit scalaire associé à la matrice diagonale des poids :
O D
=
\
Pi
o Sur l'espace des caractères centrés, on a v u que le produit scalaire et la covariance sont identiques :
de même la norme et la variance : it«'ii'=*; L a distance entre deux caractères est donnée par : d\xKx^)=
||x'-~x*)|' = ((xi — 1 * ) D(x' — x " ' )
Dans l'espace des caractères on peut scbématiqnement représenter W C R " et y e R " par l a figure suivante :
y e R " est donné, on cherche ç e W tel que la distance entre y et ( soit minimum, le critère des moindres carrés peut donc s'écrire : min | | y - ç | l «
69
Dans la suite, nous noterons f le point de W le plus pioche de y : y est la projection orthogonale de y sur W . B ) Recherche du projecteur orthogonal sur W . — Nous appelons projecteur orthogonal sur W l'application linéaire de R " dans faisant correspondre à tout vecteur de R** sa projection orthogonale sur W . Notons A la matrice de cette application : y _> Ay = y avec ' ( y — y ) D y = 0 (orthogonalité). Nous allons maintenant voir comment A peut être construit à partir des vecteurs x^, . . . , x', . . . , xP, base de W . Tout vecteur Ç G W peut s'écrire sous la forme : Ç = X a , en particulier y G W , pour lequel nous posons : y = X a . y—y doit être orthogonal à tout vecteur de W , donc, en particulier, aux vecteurs de base. O n a par conséquent p équations : 'x' D(y — y ) = 0, j = l, .. .,p ou encore, puisque y = X 3 , j = 1, . . . , p i WDy ='x'DXâ,
j = l,2, ...,p
Ces p équations s'écrivent sous la forme d'une seule équation matricielle : 'XDXS
='XDy
Puisque rang ( X ) = p, et, par conséquent :
la matrice ' X D X est inversible
3 = ('X D X ) - i ' X Dy L e vecteur a contient donc les p coefficients de la combinaison linéaire y = ô, x^ + . . . + Sj x^ + . . . + O p xP G W la plus proche de y. De l'expression de a , on déduit l'expression de y = X â : ? =
X('XDX)-i'XDy
L a matrice X ( ' X D X ) ~ ^ ' X D fait donc correspondre à y sa projection orthogonale sur W . O n eu déduit l'expression de A t A = X('X D X ) - i ' X D C ) Recherche de la droite de ^faisant un angle minimum. — Nous allons maintenant montrer que y est un vecteur de W faisant un ongle minimum avec y. E n effet, || y ||_^ = [| y — y]|" + !| y ||» d'après^Pythagore. Minimiser || y — y ||' revient donc à maximiser || y ||' puisque l l y l l ' = constante. 70
y est donc le vecteur de W maximisant
et, par conséquent, faisant l'angle minimum avec y. Remarquons enfin que, puisque nous avons considéré que les vecteurs y et x', jf = I , • • tP, étaient centrés, le cosinus entre y et y" peut s'interpréter comme le coefficient de corrélation entre les caractères y et y .
2. R e c h e r c h e des caractères canoniques. A ) Présentation géométrique. — Revenons m a i n t e n a n t au problème de l ' a n a l y s e c a n o n i q u e . N o u s disposons m a i n t e n a n t de d e u x ensembles de caractères x^. et D e m ê m e q u ' e n régression m u l t i p l e , nous s u p posons que ces p + 9 caractères sont observés s u r le m ê m e ensemble de n i n d i v i d u s m u n i s de poids P( > 0 ,
i =
1, . . n
avec
n
pi=
^^
1-1
N o u s supposons également que les p -\- q caractères sont centrés. C h a c u n des p -\- q caractères p e u t être représenté p a r u n v e c t e u r de R" :
71
A u x v e c t e u r s x^ et nous associons r e s p e c t i v e m e n t les sous-espaces v e c t o r i e l s de R " et W j : Wi^CÇeR-'/Ç-Xa^aeR"} W 2 = {ï)GRV»l = Yb, bGR=} o ù X „ p e t Y„g s o n t les m a t r i c e s c o n t e n a n t r e s p e c t i v e m e n t e n colonnes les v e c t e u r s x^, y = 1 , . . et y*, k= 1, ...,q. Les v e c t e u r s x^ (et y*) étant centrés, les sousespaces v e c t o r i e l s (et Wg) c o n t i e n n e n t des vect e u r s centrés, c o m b i n a i s o n s linéaires de v e c t e u r s centrés. Là encore, nous supposons q u e les (les y*) f o r m e n t u n e base de W j (de W j ) et donc q u e : d i m ( W i ) = p,
d i m (W^) = q
r a n g ( X ) = p,
rang (Y)
=q
G é o m é t r i q u e m e n t , le problème de l ' a n a l y s e c a n o n i q u e p e u t être formulé de l a façon s u i v a n t e : I l s'agit de t r o u v e r Ç e et yj e W g t e l q u e : cosMv), %)=r%%.
ri)
soit m a x i m u m . Remarque : O n n ' a pas supposé q u e les caractères X * e t y* étaient réduits. E n effet, et Wa s o n t i n v a r i a n t s l o r s q u e les v e c t e u r s de base s o n t multipliés p a r u n scalaire e t , p a r c o n s é q u e n t , cos^ (Y), Ç ) ne dépend pas de l a n o r m e des v e c t e u r s de base. O n p o u r r a p a r conséquent considérer des v e c t e u r s centrés o u centrés réduits, l ' a n g l e e n t r e Ç X a e t 1] = Y b sera le m ê m e . E n p r a t i q u e , o n effectue généralement les calculs sur des caractères centrés e t réduits. 72
B ) Recherche des caractères canoniques. — S u p p o sons q u e les caractères et YJ^ soient s o l u t i o n d u problème.
P u i s q u e T a n g l e e n t r e Ç e t ï) ne dépend pas de l e u r n o r m e , o n suppose q u e = j T)|| = 1 . V)^ d o i t être colinéaire avec l a p r o j e c t i o n o r t h o gonale de sur W g q u i est le v e c t e u r de f a i s a n t u n angle m i n i m u m avec Çj^ d'après l e p a r a graphe I l . 1 .C. Cette c o n d i t i o n s'écrit :
o ù Tj = cos (Ç^, T)^) e t o ù A g est l'opérateur projection orthogonale sur W g . O n a de m ê m e : A, V =
de
riÇ^
O n déduit de ces d e u x équations le système :
A, A,
Ç^ = X i
Aa A j Yji = X l Y)i où
Xl = r? = cos" ( Ç ^ V ) . O n en déduit q u e et Y)^ sont r e s p e c t i v e m e n t v e c t e u r s p r o p r e s des opérateurs A ^ A 2 e t A g A ^ as73
sociée à l a m ê m e p l u s g r a n d e v a l e u r p r o p r e X^, égale à l e u r cosinus carré (à l e u r corrélation carrée). Les caractères et Y)^ se déduisent l ' u n de l ' a u t r e p a r u n e s i m p l e a p p l i c a t i o n linéaire :
Les caractères canoniques s u i v a n t s s o n t les vect e u r s p r o p r e s de A j (resp. Ag A j ) associés a u x v a l e u r s p r o p r e s rangées en o r d r e décroissant. O n p e u t en effet m o n t r e r que les v e c t e u r s p r o p r e s de A J Aa s o n t o r t h o g o n a u x p o u r D et q u e , p a r c o n s é q u e n t , cos^ (Ç', Ç^) = cos^ (t)*, if)^) = 0 l o r s q u e i ^ j . A chaque é t a p e , o n c h o i s i t le c o u p l e de caractères c a n o n i q u e s %\ associé à l a p l u s g r a n d e valeur propre n o n encore sélectionnée. O n r e m a r q u e q u e le n o m b r e m a x i m u m de caractères c a n o n i q u e s est égal à m i n {p, q). E n effet, en s u p p o s a n t q u e p < q* les Ç*, i = 1 , . . . , p , f o r m e n t u n e base de W j et i l n'est pas possible d ' o b t e n i r d ' a u t r e s v e c t e u r s a p p a r t e n a n t à W j et o r t h o g o n a u x a u x Ç*. C) Recherche des facteurs canoniques. — N o u s a v o n s v u q u e , p u i s q u e Ç e "W^, Ç p e u t s'écrire c o m m e u n e c o m b i n a i s o n linéaire des caractères x^, . . . , x " : Ç -
a i x l 4- . . . + a , x^ +
o u encore, en p o s a n t Xa De même 74
ir) =
Yb
. .. +
«p
'a = {a^, . . . , a^)
:
L e s facteurs directement. E n posant : Ai =
canoniques
a et b peuvent
être calculés
X ( ' X D X ) ~ » ' X D
Aa = Y ( ' Y
DY)-i'YD
et en remplaçant dans les équations donnant l{ et n îl vient : X ( ' X DX)-» ' X DY('Y D Y ) - i ' Y D X a =
XXa
Y C Y D Y ) ~ i 'Y D X ( ' X D X ) - i ' X DYb =
XYb
posons : Vil = ' X D X V„ =
'YDY
V„ = ' X D Y =
'V„
Nous avons déjà v u que V u était identique à l a matrice de veriance-covariance des caractères z', de même V22 est la matrice de variance-covariance des y*. E n f i n V u contient les covariancea entre les x' et les y''. Les équations précédentes se simplifient : X V r i ^ V u V n ^ V „ a = XXa Y V r , ^ V , i V û i V i , b = XYb Puisque les applications X et Y sont respectivement de rang p et q, on peut simplifier les équations précédentes qui deviennent : Vri^ViaVr,^V,ia = X. .,
v r » ^ v , i V r i ^ V i , b = xb
Nous avons ainsi une manière de calculer les facteurs canoniques comme vecteurs propres de produits de matrices de covariance (1). L e s conditions de normalisation || C i l ' — !|>)|1'= 1 de* viennent : 'ï DÇ =
' X D X a -= '«Vu a =
1
'n D n = 'b 'Y D Y b = 'hV„ b = 1 (1) E n pratique on utilisera les matrices de corrélation à la place des matrices de covariance, ce qui ne modifie pas les résultats. 75
E n f i n a et b se déduisent Tun de l'autre par transformation linéaire: n = ^ A a ï
devient Y b = ~ Y { ' Y D Y ) - i ' Y D X a
et en simplifiant : b =
4r'^'V,i«
de même : « =
1 -^vri^v„b
On recherchera d'abord a si p < q pour travailler sur la matrice de plus faible taille, et on en déduira ensuite b.
III.
—
L e s résultats
et leur
interprétation
E n i n t r o d u c t i o n , n o u s a v o n s souligné les d i f f i cultés rencontrées dans l ' u t i l i s a t i o n de l ' a n a l y s e c a n o n i q u e . T o u t e f o i s , sur l ' e x e m p l e des s a u t e u r s de T h o m a s , nous a l l o n s t e n t e r d'interpréter les résultats o b t e n u s . Les caractéristiques des caractères étudiés étaient les s u i v a n t e s : iVfoyenne
Ecart
TAIL POID DTH DTV FJAM VIT SAUL 3SAU
178 72,5 261 65,5 109 33,5 583 11,4
0,9
NSAU Deuxième N E L A groupe NIMP NSUR
10,1 9,9 10,1 10
1.8
Premier groupe
76
6,1 7,6 15,7 5,1 17,8 1.3 39,1
1.8 1.1 1.7
typt
Matrice
lAlL pOlD l>TiI I)TV I JAM VIT SAUL :!SAU
des corrélations
TAIL
POID
DTH
DTV
1,00 0,77 0,51 0,16 0,47 — 0,23 0.29 0,31
1,00 0.27 0,04 0,74 -0,09 0.05 -0,02
1,00 0,62 0.36 — 0,43 0,59 0.64
1.00 0.23 — 0,33 0,39 0,47
Matrice
des corrélations
1 = V,i
du groupe FJAM
VIT
1,00 — 0,05 1,00 0,06 — 0,63 — 0,05 — 0,54
SAUL
3SAU
1.00 0,67
du groupe 4 — Vj
NSAU
NELA
NIMP
NSUR
NSAU NELA NIMP NSUR
1,00 0,83 0,80 0,82
1,00 0.79 0,69
1,00 0,77
1,00
Matrice
des corrélations
du groupe
NSAU
NELA
NIMP
NSUR
0,03 — 0,19 0,31 0,23 — 0.09 — 0,53 0,75 0,58
0,08 — 0,20 0.38 0,24 — 0,07 — 0,58 0,71 0.50
0.05 — 0.10 0,42 0.26 0.03 — 0,57 0,68 0,63
— 0,05 — 0,18 0,18 0,06 — 0,11 — 0,41 0,61 0,43
TAIL POID DTH DTV FJAM VIT SAUL 3SAU
1 avec le
groupe 2 =
y»
O n remarque que les caractères S A U L et 3 S A U sont bien corréles entre eux et a u x différentes notes d u j u r y . A p a r t cela, T e x a m e n des corrélations nous apporte p e u de renseignements. O n calcule ensuite les facteurs canoniques. D a n s cet exemple, on a a u plus quatre couples de facteurs associés à une valeur propre positive. 77
Les corrélations canoniques sont reportées dans le t a b l e a u s u i v a n t . Valeur 1 2 3
propre
0,707 0,309 0.177 0.060
4
Corrélation canonique 0.841 0,556 0.421 0.246
N o u s n ' a v o n s pas r e p r o d u i t les coefficients des f a c t e u r s c a n o n i q u e s , d o n t l'interprétation est d i f f i cile c o m p t e t e n u des différences d'échelle de m e s u r e e n t r e caractères. P a r c o n t r e les corrélations e n t r e caractères i n i t i a u x e t caractères c a n o n i q u e s s o n t p l u s aisément interprétables. Celles-ci sont r e p r o d u i t e s d a n s le tableau suivant. Variables canoniques du groupe 1
V-
5'
TAIL POID DTH DTV FJAM VIT SAUL 3SAU
0,073 — 0,208 0,468 0.324 — 0,061 — 0,705
— — — — —
o,m 0,741
— 0,025 0.290 0,197 0.183 0,328 — 0,012 — 0,066 0,436
0,355 0,181 0,666 0,464 0,354 0,404 0,013 — 0,169
0,330 0,081 0,117 0,648 — 0,014 0,106 0,094 0,293
NSAU NELA NIMP NSUR
0,809 0.768 0,762 0.667
— 0,027 — 0,177 0,174 — 0,013
0,102 — 0.091 — 0,052 0,184
0,029 — 0,033 — 0,063 — 0,104
78
i'
Variablei
canoniques i^u groupe 2
yf NSAU NELA NIMP NSUR
0,962 0,913 0,906 0,793
— 0.049 — 0,318 0,313 — 0,023
0.243 — 0,217 — 0,124 0,437
0,117 — 0,135 — 0,256 — 0,423
TAIL POID DTH DTV FJAM VIT SAUL 3SAU
0,061 — 0,175 0,394 0,273 — 0,051 — 0,593 0,772 0,623
— 0.014 0.161 0,109 0,101 0.182 — 0,006 — 0,036 0,242
— — — — —
0,081 0.020 0,029 0,159 — 0,003 0,026 0,023 0.072
0,149 0.076 0,280 0,195 0,149 0.170 0.005 — 0.071
O n c o n s t a t e que est f o r t e m e n t corrélé a u x v a r i a b l e s de p e r f o r m a n c e , S A U L et 3 S A U , t a n d i s que Tf)i est corrélé a u x q u a t r e notes d u j u r y . D a n s une m o i n d r e mesure, semble corrélé à F J A M e t à 3 S A U , t a n d i s que if)'^ est corrélé à N E L A e t à NIMP.
y/
1
r
/
79
C o m p t e t e n u de l a faiblesse des corrélations o n ne r e t i e n d r a c e t t e interprétation q u ' a v e c p r u d e n c e , de p l u s l ' e x a m e n de V j g ne semble pas l a c o n f i r m e r de façon é v i d e n t e . L ' e n s e m b l e des caractères i n i t i a u x p e u t être r e présenté sur les p l a n s des d e u x caractères et (ou H j l , 7 ) 2 ) . ^ , • t L a c o o r d o n n é e d ' u n caractère n o r m e x^ ( o u y') est d o n n é e p a r le cosinus e n t r e x^ et Ç"- o u Ç^. On obtient le graphique suivant :
A p a r t les liaisons e n t r e les p e r f o r m a n c e s ( S A U L , 3 S A U ) et les notes q u i a p p a r a i s s e n t n e t t e m e n t sur le p r e m i e r caractère c a n o n i q u e , a u c u n e a u t r e l i a i s o n n'apparaît n e t t e m e n t . L a vitesse semble s'opposer 80
a u x p e r f o r m a n c e s et a u x n o t e s , le t r i p l e saut semble p l u s lié à l a n o t e d ' i m p u l s i o n q u ' à l a n o t e d'élan. Ces quelques résultats a u r a i e n t p u être o b t e n u s en e x a m i n a n t de p l u s près les corrélations e n t r e caractères. I V . — Conclusion L'intérêt de l ' a n a l y s e c a n o n i q u e réside essent i e l l e m e n t dans ses aspects m é t h o d o l o g i q u e s . N o u s avons v u q u e la régression m u l t i p l e p o u v a i t être considérée c o m m e u n cas p a r t i c u l i e r . P a r l a s u i t e , nous v e r r o n s q u ' i l en est de m ê m e p o u r l ' a n a l y s e des correspondances et l ' a n a l y s e f a c t o r i e l l e d i s c r i minante. D e p l u s , J . D . CarroU ( I ) a p r o p o s é u n e génér a l i s a t i o n de l ' a n a l y s e c a n o n i q u e à l ' a n a l y s e de p l u s de d e u x groupes de v a r i a b l e s . L e p r i n c i p e de c e t t e généralisation est s i m p l e . O n dispose de m ensembles de caractères n u m é r i q u e s centrés représentés p a r les t a b l e a u x X ] , Xg, Xj, X,„, s o i t le p o t e n t i e l de prévision associé à X j . O n recherche u n n o u v e a u caractère z G R " m a x i m i s a n t la s o m m e des corrélations : m
S c o r M x , %d
(-1
où
Ç,eW,. O n m o n t r e aisément m ( 2 A J Z = ti z
que z
est s o l u t i o n
de
i-l (1)
J .
D.
CARROLL,
a genFraiisalion of canonical corrélation ana»
to three or more sels of variables, 76th K sia syctiologîcal Association, 1968.
Convention American
81
D a n s le cas o ù m = 2 , o n o b t i e n t le s c h é m a s u i v a n t a u carré :
z est colinéaire à l a bissectrice d e e t 7)^. L ' a n a l y s e c a n o n i q u e généralisée présente cas p a r t i c u l i e r s intéressant :
trois
— l ' a n a l y s e c a n o n i q u e s i m p l e dans le cas o ù m = 2 ; — l ' a n a l y s e e n composantes p r i n c i p a l e s dans le cas o ù i l n ' y a q u ' u n seul caractère p a r g r o u p e ; — l ' a n a l y s e des correspondances m u l t i p l e s dans le cas o ù les t a b l e a u x s o n t des t a b l e a u x de variables indicatrices (1).
(1) Ces résultats ont été exposés dans la thèse de G . S A P O R T A (1975) portant sur l'étude des Liaisons entre plasirurtt ensemblfs de variables et codage dts données qucditatives. 62
CHAPITRE
L'ANALYSE
V
FACTORIELLE
DES CORRESPONDANCES
Proposée dans les années 60 p a r J . - P . Benzécri p o u r l'étude des t a b l e a u x de c o n t i n g e n c e (croisem e n t de d e u x caractères n o m i n a u x ) , l ' a n a l y s e des correspondances a été étendue p a r l a suite a u cas d ' u n n o m b r e q u e l c o n q u e de caractères. P a r ses propriétés mathématiques et l a richesse de ses interprétations, l ' a n a l y s e des correspondances est devenue l a m é t h o d e privilégiée de d e s c r i p t i o n des données q u a h t a t i v e s . E l l e c o n s t i t u e en p a r t i c u l i e r u n des o u t i l s les p l u s p u i s s a n t s p o u r le dépouillem e n t des enquêtes. N o u s étudierons d ' a b o r d l ' a n a l y s e des t a b l e a u x de c o n t i n g e n c e a v a n t d ' a b o r d e r l ' a n a l y s e des correspondances m u l t i p l e s . I . — Présentation de ïa méthode C o m m e nous l ' a v o n s v u a u c h a p i t r e p r e m i e r , u n t a b l e a u de c o n t i n g e n c e , o u t a b l e a u croisé, est u n t a b l e a u N d'effectifs n^j c o r r e s p o n d a n t à l a v e n t i l a t i o n des i n d i v i d u s selon d e u x caractères q u a l i t a t i f s . A i n s i le t a b l e a u s u i v a n t d o n n e l a répartition des n — 202 100 baccalauréats délivrés en 1976 83
s-
r
g o fi
i-l
c Ae (93 S S ILDF CHAH PICA HNOR CENT BNOR BOUR NOPC LORR ALSA FRAC PAYL BRET PCHA AQUI MU)I LIMO RHOA AUVE LARO PROV CORS
Ile-de-France Champagne-Ardennes Picardie Hante-Noimandie Centre Baue-Nonaandie BooTgonie Nord - Pw^^e-Calais Lorraine Alsace Franche- Comté Paya de U Loire Bretagne Poiton-Charentes Aquitaine Midi-Pyrénées Limousin Rhône-AJpet Auvergne Languedoc-RoussilloD Provence-Alpea-Côte d'Azur Corse Eiuemblfl
NonAre
9 724 5 650 924 464 1 081 490 1 135 587 1 482 667 1 033 509 1 272 527 2 549 1 141 1 828 681 1 076 443 827 333 2 213 809 2 158 1 271 1 358 503 2 757 873 2 493 1 120 551 297 3 951 2 127 1 066 579 1 844 816 3 944 1645 327 31 45 593 2156S
KSBmmmmmÊmim
i l
de baccaîauréate
8 679 567 830 686 1 020 553 861 2 164 1 364 880 481 1 439 1 633 639 1466 1 494 386 3 218 724 1 154 2 415 85
9 432 984 1 222 904 I 535 1 063 1 116 2 752 1 741 1 121 892 2 623 2 352 1 377 2 296 2 329 663 4 743 1239 I 839 3 616 178
839 132 118 83 173 100 219 587 302 145 137 269 350 164 215 254 67 545 126 156 343 9
32 738
46 017
S339
cl g (197$)
3 353 423 410 629 629 433 769 I 660 1 289 917 451 990 950 495 789 855 334 2 072 476 469 1 236 27
5 355 736 743 813 989 742 1 232 1 951 1 683 1 091 618 1 783 1 509 959 1 459 1 565 378 3 018 649 993 2 404 79
83 12 13 13 26 13 13 41 15 15 18 14 22 10 17 28 12 36 12 16 22 0
43 l i s 4 242 4 907 4 850 6 521 4446 6 009 12 845 8 903 5 688 3 757 10 140 10 245 5 505 9 872 10 138 2 688 19 170 4 871 7 287 15 625 736
19 656 30 749
451
202 lOO
selon l a région (p = 22 modalités) et l a section (g — 8 modalités). L e s d e u x caractères ne s o n t v i s i b l e m e n t pas i n d é p e n d a n t s car o n s'aperçoit aisément q u e l a répart i t i o n des baccalauréats selon l a section diffère n o t a b l e m e n t d ' u n e région à l ' a u t r e . L e p r o b l è m e est alors d ' a n a l y s e r l a s t r u c t u r e de c e t t e d é p e n d a n c e et d ' e n f a i r e r e s s o r t i r les t r a i t s p r i n c i p a u x . R e m a r q u o n s t o u t d ' a b o r d q u ' u n t a b l e a u de c o n t i n g e n c e p e u t se l i r e de d e u x manières différentes : selon ses lignes o u selon ses colonnes. Cela r é p o n d à d e u x préoccupations différentes. a) Si o n désire s a v o i r p o u r c b a q u e région c o m m e n t se répartissent les bacheliers selon les différentes sections o n c a l c u l e r a les p o u r c e n t a g e s en l i g n e e n d i v i s a n t les effectifs n^j de l a l i g n e n ^ i p a r le t o t a l n^, de l a l i g n e . O n o b t i e n t ce q u ' o n a p p e l l e les p r o f i l s des l i g n e s . L e p r o f i l de l a région L o r r a i n e est ainsi l e s u i v a n t ; L O R R (en % )
A 20,5
B 7,6
C 15,3
D 19,6
E 3,4
F 14,5
G 18,9
H 0,2
Ce p r o f i l est à c o m p a r e r avec l a répartition des baccalauréats t o u t e s régions confondues appelé p r o fil m a r g i n a l . Ensemble des régîons (en % )
A 22,6
B C 10,7 16,2
D 22,8
E 2,6
F 9,7
G 15,2
H 0,2
O n c o n s t a t e en L o r r a i n e u n e surreprésentation des bacs t e c h n i q u e s E , F , G , et u n e sous-représ e n t a t i o n des bacs classiques p a r r a p p o r t à l a moyenne nationale. L e p r o f i l m a r g i n a l est aussi le p r o f i l m o y e n car i l est l a m o y e n n e des p r o f i l s des lignes pondérées p a r l e p o i d s n^. de c h a q u e l i g n e . 6^ Si r é c i p r o q u e m e n t o n v e u t s a v o i r de quelle région p r o v i e n n e n t les bacheliers de chaque section 85
o n calculera les efiectifs fijj de colonne. A u s s i le p r o f i l s u i v a n t (eu % )
ILDF CHAM PICA HNOR CENT BNOR BOUR NOPC LORR ALSA FRAC
profils des colonnes en d i v i s a n t les l a colonne j p a r n,j t o t a l de l a d u b a c  est d o n n é dans l e t a b l e a u :
Bac A
Tous hacs confondus
21,3 2 2,4 2,5 3,3 2,3 2,8 5,6 4 2,4 1,8
21,3 2,1 2,4 2,4 3,2 2,2 3 6,4 4,4 2,8 1.9
PAYL BRET PCHA AQUI MIDI LIMO RHOA AUVE LARO PROV CORS
Bac A
Tous bacs confondus
4,9 4,7 3 6 5.5 1,2 8,7 2,3 4 8.7 0.7
5 5,1 2,7 4,9 5 1,3 9,8 2,4 3,6 7.7 0,4
Ce p r o f i l d o i t être c o m p a r é a u p r o f i l m a r g i n a l des 22 régions, t o u s baccalauréats c o n f o n d u s , q u i mesure l a p a r t p r i s e p a r cbaque région dans l a r^Nb ^/•k
V A
Ces f o r m u l e s s o n t appelées « f o r m u l e s de t r a n s i t i o n ». Sous f o r m e d é v e l o p p é e o n t r o u v e :
6j
—
«i
S
et
a,=
~-Y,fbi
D a n s n o t r e e x e m p l e , c o m m e q = 8 et p = 22 o n c b e r c h e r a d ' a b o r d les f a c t e u r s b et o n en déduira ensuite les f a c t e u r s a p a r l a f o r m u l e de t r a n s i t i o n . L a s o m m e des v a l e u r s p r o p r e s possède alors u n e propriété intéressante : +
Xl +
X2 +
= Puisque
XQ =
...
Trace D r ' N D^^ ' N = 1
Xl + Xa - f . . . -
2 2 ^
n.j
o n t r o u v e f a c i l e m e n t que :
S 2 ^
' - ^ - ^ = ^n
ce q u i n ' e s t a u t r e q u e l a mesure de d é p e n d a n c e d u X* e n t r e d e u x caractères q u a l i t a t i f s divisée par n (voir chapitre premier). Les v a l e u r s p r o p r e s Xj étant les carrés des coefficients de corrélation c a n o n i q u e , les caractères ca91
n o n i q u e s s o n t alors les couples de caractères n u m é r i q u e s e x p l i q u a n t p a r o r d r e décroissant l a d é p e n dance e n t r e les d e u x caractères q u a l i t a t i f s d u t a b l e a u de c o n t i n g e n c e . 2. Analyses e n composantes principales des t a bleaux de profîls. — Considérons le t a b l e a u des p r o f i l s des l i g n e s , s o i t sur n o t r e e x e m p l e celui des pourcentages des différentes sections d u b a c c a l a u réat p o u r c b a q u e région : n o u s avons u n t a b l e a u de 22 o b j e t s (les régions) décrits p a r 8 caractères (les p o u r c e n t a g e s de c h a q u e s e c t i o n ) . P o u r effectuer u n e ACP s u r ce t a b l e a u i l f a u t définir u n e f o r m u l e de d i s t a n c e e n t r e o b j e t s , e n d ' a u t r e s t e r m e s i m e métrique. A ) La métrique du y^. — Cherchons p a r e x e m p l e l a d i s t a n c e e n t r e l a région L o r r a i n e ( L O R R ) e t l a région I l e - d e - F r a n c e ( I L D F ) d o n t le p r o f i l est : I L D F (en % )
A 22,6
B 13,1
C 20,1
D 21,9
E 1,9
F 7,8
G 12,4
H 0,2
E n a d o p t a n t l a métrique e u c l i d i e n n e usuelle o n risque de f a v o r i s e r les différences e n t r e les sections à f o r t e f f e c t i f où des v a r i a t i o n s f o r t e s s o n t fréq u e n t e s e t de néghger les sections à f a i b l e e f f e c t i f telles E e t H o ù o n n ' o b s e r v e q u e de f a i b l e s v a r i a t i o n s d ' u n e région à l ' a u t r e . Si o n v e u t éviter ce p h é n o m è n e i l f a u t pondérer c h a q u e caractère en t e n a n t c o m p t e de son i m p o r t a n c e sur l ' e n s e m b l e des régions. O n appelle métrique d u p o u r les l i g n e s l a métrique diagonale M,
92
définie p a r l ' i n v e r s e d u p r o f i l m a r g i n a l des colonnes de N . On pondère chaque a caractère » p a r l'inverse de son i m p o r tance sur l'ensemble des i n d i v i d u s : ;.,.)= '^^ "
S - ^ ( ^ - ^ ) ' j_in.j\ni. nkJ
ainsi d J . ( L O R R ; I L D F ) = 13,0 (1). L a distance d u entre lignes possède entre autres p r o priétés celle de ne pas être modifiée si on regroupe deux colonnes a y a n t même p r o f i l . On peut de l a même manière définir l a distance d u entre les p r o f i l s des colonnes, p a r = n Dj" ^
B ) ACP des nuages des profils. — Appliquons au t a b l e a u des p r o f i l s des lignes le résultat d u c h a p i t r e I I « les facteurs principaux sont les vecteurs propres de MV ». L a métrique M est i c i n D ^ * , l a m a t r i c e V est égale à ' X D X (2) oîi i c i X est le t a b l e a u des p r o f i l s D ^ ^ N et D l a m a t r i c e de poids D ^ . E n r empl aça nt o n t r o u v e q u e : M V = D ^ ^ *N D 7 1 N Les f a c t e u r s p r i n c i p a u x s o n t d o n c i d e n t i q u e s a u x f a c t e u r s c a n o n i q u e s b. Les composa nt es p r i n c i p a l e s c o u c o o r do nné e s des profils-lignes s ' o b t i e n n e n t en prémultipliant b p a r l e t a b l e a u de données ( c = X u ) , s o i t c = D ^ ^ N b ; d'après les f o r m u l e s de t r a n s i t i o n c n ' e s t donc a u t r e q u e le f a c t e u r c a n o n i q u e o u p r i n c i p a l a m u l tiplié p a r •y/'X. O n s'aperçoit alors q u e I ' A C P d u n u a g e des p r o f i l s (1) On pourrait en utilisant les distances du ^* efTectuer une classification automatique sur les lignes du tableau N , la métrique du x' étant euclidienne on utilisera alors la méthode des nuées dynamiques ou la méthode de Ward en classillcation ascendante. (2) Pour des misons déjà évoquées plus haut on fait une analyse en composantes principales sur les données non eetUries. 93
des
l i g n e s est
équivalente
à I'ACP
d u nuage
p r o f i l s des colonnes : les f a c t e u r s p r i n c i p a u x
des
d'une
a n a l y s e s o n t à " v / x près les c o m p o s a n t e s p r i n c i p a l e s de l ' a u t r e Il
y
e t les v a l e u r s p r o p r e s s o n t les
a dualité
mêmes.
e n t r e les d e u x a n a l y s e s .
L e s valeurs propres que nous avions interprétées comme des carres de corrélation sont donc aussi des variances : leur somme (à l a valeur triviale près) est égale à l'inertie totale de chacun des nuages de profils. On peut alors reconstituer le tableau de contingence l'aide de l a formule :
où les
et b'j sont les composantes des fc-ièmes facteurs
et b*. L e s facteurs et les valeurs propres n expliquent n donc en quoi les iiij s'écartent des n i . n . j / n , c'est-à-dire pourquoi il n ' y a pas indépendance entre les deux caractères qualitatifs de tableau N . 0 û
"2
0
Une valeur propre non triviale égale à 1 indique que le tableau de contingence peut se séparer en deux sous>tableaux en réordonnant convenablement lea lignes et les colonnes de N . U n tableau de contingence diagonal (dépendance totale) ne fournirait que des valeurs propres égales à I . Dans le cas de l'indépendance entre les deux caractères, toutes les valeurs propres >.j, X ^ . . . seraient rigoureusement nulles. 2. L e s représentations g r a p h i q u e s . — t i t u e n t les résultats les p l u s s i g n i f i c a t i f s
Elles consmais leur
d é p o u i l l e m e n t n e p e u t se f a i r e sans p r é c a u t i o n 94
et
i l c o n v i e n t a v a n t t o u t de b i e n c o m p r e n d r e l e u r m o d e de c o n s t r u c t i o n , d ' a u t a n t que diverses c o n v e n t i o n s s o n t possibles. A ) Optique analyse canonique. — L a première idée qui vient à l'esprit consiste à projeter les indicatrices des modalités des deux caractères sur le plan (Ç', Ç^) ou le plan (n^, rj*) afin d'obtenir une figure comparable à un cercle des corrélations. Mais ici les indicatrices n'étant ni centrées, ni réduites, cette opération est dénuée de sens. L a solution retenue est en fait la suivante : la modalité i du premier caractère est possédée par n^, individus ayant des valeurs différentes de ç' et ; on convient alors de représenter la modalité i par le centre de gravité de ces individus. On montre alors facilement que les coordonnées du point représentatif de la modalité i sont a\, a^, . . ., . . . P a r contre, pour le deuxième caractère qualitatif, les coordonnées d u point représentatif de la modalité j sont : " X / ^ i ^ j ' A / ^ S ^ j ' • • "S/^k bj- • • Sur le plan associé à et %^ on obtiendra une figure d u type :
^2
bJ
y/X,b]
a]
D'après les foi-mules de transition on note que :
L e point représentatif de la modalité j est donc barycentre des points représentatifs des modalités du premier caractère. Si on utilise les caractères (rj', r,^) à la place de (Ç*, ç^) on aura une autre figure où la modalité i sera représentée par le point {'\/\, -^^2 *4) modalité j par (bj , bj). Ce sont alors les i qui sont les barycentres des y. 95
B ) Optique ACP. — S i on conaidère lea profila des lignes comme dea individus ( 1 " A C P ) i l est naturel de repréaenter les modalitéa d u premier caractère par les coordonnées de ces profils sur les axes principaux. O r , les composantes principales s'obtiennent en multipliant les facteurs canoniques par : les modalitéa d u premier caractère sont alora dïspoaéea aelon la même figiu'e qu'avec la représentation au moyen des caractères canoniques n''. (On peut alors représenter les modalités du deuxième caractère en éléments supplémentaires comme centres de gravité des individus les possédant.) Inversement l a deuxième A C P sur les profils des colonnes conduit à représenter lea modalitéa du deuxième caractère qualitatif selon la figure obtenue avec les k''. O n obtient alors deux représentations séparées dea modalités de chaque caractère.
G) La représentation simultanée usuelle, — E l l e consiste à représenter les modalités i d u p r e m i e r caractère p a r les p o i n t s de c o o r do nné e s V^Xt et les modalités j d u d e u x i è m e caractère p a r les p o i n t s de coordonnées "y/^f^ ceci r e v i e n t à superposer les g r a p h i q u e s des d e u x A C P , opération d o n t l a j u s t i f i c a t i o n m a t h é m a t i q u e est délicate dans le c a d r e de I ' A C P p u i s q u ' o n mélange sur u n m ê m e g r a p h i q u e
des « i n d i v i d u s » et des « caractères », éléments d'ensembles différents. D a n s l ' o p t i q u e c a n o n i q u e ceci r e v i e n t à u t i l i s e r t m c o m p r o m i s e n t r e les d e u x représentations possibles, a f i n de s a u v e g a r d e r l a symétrie des rôles j o u é s p a r les d e u x ensembles de m o d a l i t é s . A des coefficients près ceci r e v i e n t à t r a v a i l l e r sur des caractères m o y e n s z* =
E* 4 - m* ——^— •
O n p e r d c e p e n d a n t l'usage des r e l a t i o n s b a r y c e n triques. V o i c i l a représentation simultanée des régions e t des sections des baccalauréats s u r le p l a n p r i n c i p a l (1, 2) q u i représente p l u s de 80 % de l ' i n e r t i e de c h a c u n des d e u x nuages. 96
O n c o n s t a t e alors q u e T a x e 1 oppose T l l e - d e France à l'Alsace et l a Lorraine d'une p a r t ; e t d ' a u t r e p a r t les sections classiques ( A f i C D ) a u x sections t e c h n i q u e s ( E F G H ) . O n m e t i c i e n é v i dence u n p r e m i e r f a c t e u r de différenciation e n t r e régions : l a spéciahsation t e c h n i q u e o u classique. AM2 34K ALSA®
e
NOPC
ILDF ' HNOR RHOA LIMO
©
C
BRET AUVE ptCA
Aa'l M X
t
FRAC CHAM PAVL KHA
MIQI ®PROV
Aaul
L e simple examen d u graphique ne suffit pas à interpréter d i r e c t e m e n t le d e u x i è m e a x e p o u r l e q u e l l a variabilité e s t p l u s f a i b l e ; i l f a u t r e c o u r i r à l ' é t u d e des c o n t r i b u t i o n s ( v o i r p l u s l o i n ) . O n const a t e a l o r s q u e l e d e u x i è m e a x e reflète l ' o p p o s i t i o n e n t r e les régions d u S u d à f o r t e p r o p o r t i o n de bacs A (littéraire) e t l a région I l e - d e - F r a n c e à f o r t e p r o p o r t i o n de bacs G ( m a t h é m a t i q u e ) . E n se r e p o r t a n t a u x d o n n é e s , o n vérifie q u e l a Corse q u i se t r o u v e e n b a s d u g r a p h i q u e est l a région délivrant à l a fois l e m o i n s de bacs G (11,5 % ) e t l e p l u s d e bacs A ( 4 4 % ) . A c o n d i t i o n q u ' i l s s o i e n t b i e n représentés s u r l e g r a p h i q u e ( v o i r les cosinus carrés), o n p e u t i n t e r préter l a p r o x i m i t é e n t r e d e u x modalités d ' u n m ê m e caractère c o m m e é t a n t i m e s i m i l i t u d e d e p r o f i l ( d î s -
J . - H . BOVROCBB B TO . SA»01ITA
4
tance du faible). A i n s i TAlsace et l a Lorraine q u i o c c u p e n t des p o s i t i o n s voisines sur le p l a n p r i n c i p a l o n t à p e u près l a m ê m e répartition des baccalauréats. L'interprétation de l a p r o x i m i t é e n t r e xme m o d a l i t é i d ' u n caractère e t u n e modalité j de l ' a u t r e est p l u s périlleuse : o n p e u t s e u l e m e n t d i r e q u e les i n d i v i d u s possédant l a m o d a l i t é i o n t le m ê m e c e n t r e de gravité que c e u x q u i possèdent l a modalité / . S o u v e n t , m a i s pas t o u j o u r s , c e t t e p r o x i mité révèle u n t r a i t caractéristique : ainsi le p o i n t « Alsace » est très p r o c h e d u p o i n t « F » e t c'est e f f e c t i v e m e n t en Alsace q u e l ' o n observe l a p l u s g r a n d e p r o p o r t i o n de bacs F ( 1 6 , 1 % ) de m ê m e p o u r le bac B e t l ' I l e - d e - F r a n c e (13,1 % ) ; m a i s b i e n q u e le p o i n t « E » s o i t p r a t i q u e m e n t c o n f o n d u avec le p o i n t « L o r r a i n e », c'est dans l a région N o r d - Pas-de-Calais q u e l a p r o p o r t i o n en est l a p l u s g r a n d e (4,6 % c o n t r e 3,4 % ) . Comme c e n t r e de n o t i o n se L'origine fois p o u r
en A C P , l ' o r i g i n e des axes représente le gravité de l ' e n s e m b l e des p o i n t s : c e t t e c o n f o n d i c i avec celle de p r o û l m a r g i n a l . est donc l a m o y e n n e de l a F r a n c e à l a les régions e t p o u r les t y p e s de bac.
3. L'étude des c o n t r i b u t i o n s . — P o u r interpréter c o r r e c t e m e n t les g r a p h i q u e s , i l f a u t c o m m e en A C P t e n i r c o m p t e , d ' u n e p a r t , de l a p r o x i m i t é e n t r e p o i n t s e t p l a n s p r i n c i p a u x e t , d ' a u t r e p a r t , d u rôle j o u é p a r c h a q u e p o i n t dans l a détermination d ' u n axe. Les données étant q u a U t a t i v e s o n n ' u t i l i s e pas i c i les corrélations e n t r e caractères e t axes p r i n c i p a u x m a i s les c o n t r i b u t i o n s . A ) Contribution des points à Vinertie des axes. — Les coordonnées des modalités s u r les axes étant •v/^t a* e t "v/Xj 6^, l ' i n e r t i e d u ft-ième axe p e u t 98
Contributions A2
Al Points A B C D E F G H
30,7 12,0 32,S 8,0 1,1 11,9 3,4 0,1 100 Points
ILDF CHAM PICA HNOR CENT BNOR BOUR NOPC LORR ALSA FRAC PAYL BRET PCHA AQUI MIDI LIMO RHOA AUVE LARO PROV CORS
36,0 0,6 0,2 1,0 0,0 0,1 9,2 9,2 16,2 13,1 2,6 2,2 0,1 0,7 0,7 0,3 0,4 0,5 0,2 4,0 1,6 1,1 100
A4
colonnes
5,2 15,5 10,6 1,1 8,5 39,5 19,5 0,2 100
A3
23,8 1,3 4,5 46,6 16,7 3,9 2,0 1,1 100
5,1 35,5 17,7 0,0 29,5 0,9 11,2 0,1 100
lignes 22,4 0,5 0.2 0,3 0,2 2,0 0,1 7,5 1,2 2,7 0,5 5,9 1,1 9,7 14,6 3,2 0,2 2,1 0,0 4.2 7,2 11,4-
100
5,3 1,4 1,6 14,3 0,5 0,4 5,6 3,2 8,5 7,9 2,0 5,4 7,4 1,8 6,6 0,0 1,8 9,7 5,5 1,3 2,0 7,7 100
0,3 3,3 0,4 19,5 0,0 11,5 0,3 37,4 1,2 1,8 0,1 0.1 0,5 0,6 6,4 1,1 2,0 1,3 1,5 0,1 0.1 10,8 100
99
se d é c o m p o s e r selon les modalités d u p r e m i e r caractère o u celles d n second : *-i
i~\
L a p a r t de \e à l a m o d a l i t é i est donc piX'^^Y : c'est l a c o n t r i b u t i o n de l a modalité i à l ' a x e k ( 1 ) . V o i c i e n p o u r c e n t a g e l a l i s t e des c o n t r i b u t i o n s des p o i n t s a u x q u a t r e p r e m i e r s axes ( v o i r t a b l e a u p . 9 9 ) . P o u r interpréter les axes, o n recherche les c o n t r i b u t i o n s les p l u s i m p o r t a n t e s (en italique). L'interprétation des d e u x p r e m i e r s axes a y a n t été d o i m é e p l u s h a u t , nous n ' y r e v i e n d r o n s pas. A f i n que l e l e c t e u r ne s ' i m a g i n e pas q u e seuls d e u x axes o n t u n intérêt, e x a m i n o n s les renseignements apportés p a r le 3^ e t le 4^ axe. I l est c o u r a n t en p r a t i q u e d'interpréter j u s q u ' à 5 axes. L e 3^ axe représente essentiellement l e bac D e t m e t e n é v i d e n c e l e rôle p a r t i c u l i e r de l a région H a u t e - N o r m a n d i e : o n c o n s t a t e en r e t o u r n a n t a u x données q u e c e t t e région présente en effet l e p l u s f a i b l e p o u r c e n t a g e de bacs D (18,6 % ) . L ' a x e 4 q u i est lié a u x bacs B e t E isole l a région N o r d - Pas-de-Calais caractérisée à l a fois p a r i m très f o r t p o u r c e n t a g e de bacs E e t u n f a i b l e p o u r centage de bacs B . B ) Proximités entre points et axes principaux (2). — C o m m e e n A C P o n u t i h s e l e cosinus carré de l ' a n g l e e n t r e les « i n d i v i d u s » i c i p r o f i l s l i g n e e t les profils colonne et l'axe p r i n c i p a l p o u r mesurer l a qualité de l a représentation d a n s les p l a n s p r i n c i p a u x . L a s o m m e de ces cosinus carrés p o u r u n m ê m e i n d i v i d u e t s u r tous les axes est égale à 1. (1> Souvent appelée Improprement contribution absolue. (2) Improprement appelées contributions relatives. 100
Cosinus
carrés avec les axes
H
0,23 0,61 0,38 0,09 0,52 0,85 0,80 0.09
0.58 0,20 0,51 0,28 0,03 0,11 0,06 0,03
0.14 O.OI 0,02 0,53 0,14 0,01 0.01 0,07
0.02 0.13 0,06 0,00 0,17 0,00 0.04 0.00
ILDF CHAM PICA HNOR CENT BNOR BOUR NOPC LORR ALSA FRAC PAYL BRET PCHA AQUI MIDI LIMO RHOA AUVE LARO PROV CORS
0.77 0,39 0,20 0,18 0,02 0,05 0,81 0,54 0,89 0,80 0,71 0.30 0,03 0,13 0,08 0,15 0,20 0,15 0,09 0,66 0,30 0,11
0.21 0,13 0,07 0,02 0.16 0.38 0.00 0,19 0,03 0,07 0,06 0.35 0.17 0,78 0.73 0.63 0.04 0,26 0,00 0.31 0.61 0,63
0,02 0.12 0,22 0,36 0,12 0,03 0.07 0.03 0,07 0,07 0.08 0.10 0.38 0.05 0.11 0,00 0.14 0.39 0,47 0.03 0,05 0,11
0.00
A B
C D
E F 6
0,19 0.03
0,33 0.00 0,48 0.00 0.21 0.01 0,01 0.00 0,00 0,02
0.01 0,07 0.05 O.IO 0.03 0.08 0,00
0,00 O.IO
O n vérifie a i n s i q u e l ' a x e 3 est b i e n caractéristique d u bac D , t a n d i s q u e l e bac H est m a l représenté p a r les 4 p r e m i e r s axes : sans d o u t e f o r m e - t - i l à l u i seul i m a x e ultérieur. I I I , — L ' a n a l y s e des correspondances multiples 1. L e s données* — O n relève s u r n i n d i v i d u s n o n p l u s d e u x m a i s p caractères q u a l i t a t i f s . C'est en p a r t i c u l i e r le cas des enquêtes p a r q u e s t i o n n a i r e où 101
chaque question définit u n caractère dont les modalités sont les différentes réponses possibles (une seule réponse pouvant être donnée à une question). Ainsi dans une enquête (1) portant sur les films regardés à la télévision en 1978 6 083 individus (des téléspectateurs) sont décrits pur p = 92 caractères, totalisant 298 modalités : 72 concernent des films et comportent 3 modalités (non v u , v u en totalité, v u partiellement), les 20 autres caractérisant l'interviewé (âge, niveau d'instruction, région d'habitation, etc.). A chaque caractère j on associe alors l'ensemble des indicatrices de ses modalités : les données constituent alors le tableau disjonctif X à n lignes et m j -f- m 2 + . . . + "ip colonnes :
\
1 /
X,
X.
/ 2. L a méthode. — L'analyse des correspondances « simples » consistait à appliquer l'analyse canonique à deux tableaux d'indicatrices. Puisqu'il y a maintenant p tableaux d'indicatrices, on utilise la généralisation de l'analyse canonique proposée par J . D . Carroll (voir chap. I V , fin) qui consiste à représenter les individus au moyen de nouveaux caractères z^, z^..., solutions de l'équation : S A: Z == OZ i-1 (1) Les résultais utilisés Ici sont reproduits avec l'aimable autorisation du Centre d'Etudes d'Opinion (maison de Radio-France) chargé des enquêtes d'audience auprès des téléspectateurs. Cette étude a été réalisée par D. Ralmondi et C. Chappe. 102
Pour des tableaux d'indicatrices, cette généralisation possède la propriété remarquable suivante : Rechercher les valeurs propres et les vecteurs propres de S A j revient à effectuer une analyse des correspondances sur le tableau disjonctif considéré comme un tableau de contingence. D e manièie précise, si on effectue l'analyse des correspondances sur X , les coordonnées des individus-lignes sur les axes p r i n c i p a u x et les valeurs propres associées sont les vec1 v teurs propres et les valeurs propres de ~ L a démonstration se f a i t en recourant à l'écriture e x p l i c i t e des projecteurs A j : Ai =
Xi{%DXi)-i'XiD
O n vérifie alors sans difficulté que -
est i d e n t i q u e a u
p r o d u i t de deux t a b l e a u x de profils associés à X ( v o i r I I , 2 de ce chapitre). L'analyse des correspondances m u l t i p l e s r e v i e n t donc à effectuer une analyse des correspondances formelles sur le tableau d i s j o n c t i f X , bien que ce ne soit pas u n v r a i tableau de contingence, ce q u i p e r m e t d ' o b t e n i r des représentationss imultanéea de toutes les modalités de tous les caractères en p r o j e t a n t les points-colonnes de X sur les plans p r i n c i p a u x . Les caractères z o n t p o u r propriété de rendre m a x i m a l e la somme des carrés des r a p p o r t s de corrélation avec les p caractères q u a l i t a t i f s . ^ "^H** x^) est m a x i m a l .
i
Si on se souvient q u ' e n A C P normée ( M = Dj/g>) les c o m p o santes principales c rendent m a x i m a l e s S r^(c, x^), on v o i t alors que I ' A F C m u l t i p l e est l'équivalent d'une A C P où les p caractères seraient q u a l i t a t i f s . O n représente alors les modalités des p caractères p a r les centres de gravité des i n d i v i d u s q u i les possèdent. Les résultats s'interprètent comme ceux d'une analyse des correspondances ordinaire, à ceci près que l a n o t i o n de p a r t d ' i n e r t i e expliquée perd de son intérêt car dans ce t y p e d'analyse les valeurs propres ne représentent toujours qu'une faible p a r t i e de l a trace. E n ôtant l a v a l e u r t r i v i a l e 1 , l ' i n e r t i e t o t a l e > v a u t y = Trace j - S A i ) — 1 soit - S Trace — 1 . L a trace \P } P 1 _ de A» v a l a n t mt (son rang) on t r o u v e J = - i m ^ — 1 , c'est-àP
m
d i r e It n o m b r e m o y e n de modalités m o i n s 1 . Chaque v a l e u r propre étant inférieure à I , le premier facteur représente une p a r t d ' i n e r t i e nécessairement inférieure à l'inverse de — Si les p caractères o n t 5 modalités en moyenne le p r e m i e r facteur ne pourra j a m a i s dépasser 25 % de l ' i n e r t i e . — L e tableau de contingence des baccalauréats d o n n a i t une première valeur propre représentant 56 % de l ' i n e r t i e . L e passage à l a f o r m e d i s j o n c t i v e d o n n e r a i t une trace de 22 •4- 8 \ — 1j et le premier facteur ne p e u t e x t r a i r e
(
p l u s de 1/14 de l ' i n e r t i e , soit 7,1 % (en réalité on t r o u v e 3,96 % ) , alors q u ' i l a l a même signification et donne l a même c o n f i g u r a t i o n des i n d i v i d u s (à l'échelle près) que celui d u tableau de contingence.
I l est d'usage de séparer les caractères en deux groupes : les caractères actifs dont le tableau disj o n c t i f est seul soumis à une analyse des correspondances et les caractères passifs ou illustratifs dont les modalités sont représentées en éléments supplémentaires sur les graphiques (barycentres des individus les possédant) mais n'ont pas servi à la détermination des axes. Dans u n questionnaire, les caractères actifs sont en général ceux qui décrivent plus ou moins objectivement un individu (profession, âge, sexe...), les caractères passifs correspondent aux questions const i t u a n t le sujet même de l'enquête (« Avez-vous regardé t e l film ? ») que l'on veut relier aux questions du premier groupe mais pas nécessairement entre elles. Les avantages de cette pratique sont midtiples : — On fait apparaître les liaisons intéressantes entre caractères étudiés et caractères descriptifs plus rapidement qu'en compulsant des tableaux croisés. — Dans le cas d'un grand questionnaire on économise un temps de calcul considérable car l'ana104
lyse n*a pas besoin d'être effectuée sur la totalité des tableaux des réponses mais seulement sur une partie. 3. U n exemple. — Nous donnerons ici les résultats simplifiés de l'enquête sur les films de la télévision. 12 caractères étaient actifs totalisant 53 modalités dont notamment : L'âge (5 modalités) AGI 5-24 ana
AG2 25-34 ans
AG3 3S-49 ans
AG4 50-64 ans
Cil petit patron
CI2 profession libérale cadre supérieur
en cadre moyen
CI4 employé
CI5 ouvrier qualifié
CI6 O.S.
CI7 élève étudiant
CI8 femme au foyer
CI9 retraité
CIIO agriculteur
AG5 65 et plus
La pTof essîon (10 modalités)
Le nombre d*adultes au foyer Al 1 adulte
A2 2 adultes
DIO sans diplôme
DU inférieur au bac
(3
modalités)
A3 3 et plus
Le diplôme (4 modalités) DI2 bac ou supérieur
DIS encore à l'école
Le sexe (2 modalités)
H
I
F
L*inertie t o t a l e v a l a i t donc — — 1 = 3,42.
iz Les premières valeurs propres sont ; 0,340 (9,96 % ) 0,285 (8,35 % ) 0,249 (7.30 % ) . 105
£ n se limitant au plan principal 1-2, on interprète les axes de la manière suivante (les contributions ne sont pas reproduites ici). — L'axe 1 sépare, à gauche du graphique, les téléspectateurs de plus de 65 ans (ÂG5), retraités (CI9), seuls ( A l ) des téléspectateurs de 15 à 24 ans ( A G I ) , élèves ou étudiants (CI7) encore à l'école (DI3) qui sont à droite du graphique. — L'axe 2 isole en haut les téléspectateurs d'instruction supérieure ( D I 2 ) , cadres ou professions libérales (CI2, CI3), de 25 à 34 ans (AG2), de l'ensemble des autres catégories, en particiJier des agriculteurs (CIO) et des sans diplômes (DIO).
L* (lûti •nclunté*
Aâ3 CM
Un* AngiliM ramwiuqui
cil
ig liniifi Monywowl"
,Un iôur ' l« f l l *
106
A u centre du graphique on trouve le téléspectateur « moyen » de l'échantillon qui correspond aux ouvriers {CI5, CÏ6). Le sexe du téléspectateur ne semble pas être u n caractère très discriminant. Sur cette grille d'interprétation qui permet de structurer l'échantillon selon deux axes (âge, niveau culturel), i l suffit maintenant de projeter les réponses concernant l a vision des différents films (centre de gravité des individus prenant la modalité « v u en totalité ») pour caractériser rapidement leur public. Bien entendu une étude détaillée doit prendre en compte les axes 3, 4, etc. (l'axe 4 était ici caractéristique des agricidteurs). Les films tous publics se situant au centre du graphique tandis que les films q u i intéressent seulement certaines catégories de téléspectateurs se détachent nettement : ainsi La Flûte enchantée^ opéra filmé, se situe dans le quart nordouest du graphique (téléspectateurs cultivés et âgés). Sous les yeux d'Occident, d'Y. Allégret avec P. Fresnay (1936), et Nana avec Martine Carole (1955) sont situés dans le quart sud-ouest (téléspectateurs moins cultivés et âgés), tandis que Un jour la fête, comédie musicale avec M . Fugain (1975), semble caractéristique des téléspectateurs jeunes d'un milieu peu cultivé et le Zinzin d'Hollywood de Jerry Lewis sur l'axe 1 à droite a dû être v u par des jeimes de tous les milieux. I V . — Conclusion ï vers Fanalyse non linéaire dea données L a mise B O U S forme disjonctive est bien pins qu'une commodité mathématique et cela pour d i verses raisons. Puisqu'un caractère numérique peut être transformé en u n caractère quafitatif par décou107
page en classes de ses valeurs (ex. : le caractère âge découpé en classes d*âge), i l est possible d'étudier des tableaux comportant u n mélange de caractères numériques et qualitatifs : i l suflBt de t o u t Tendre qualitatif et d'effectuer une analyse des correspondances multiples. A la limite u n tableau individus-caractères numériques que l'on étudie usuellement par l'analyse en composantes principales peut être rendu qualitatif, mis sous forme disjonctive et soumis à une analyse des correspondances. Une telle démarche peut surprendre puisqu'à première vue on perd de l'information en rendant qualitatif u n caractère numérique. L'intérêt est qu'en procédant ainsi on peut prendre en compte des liaisons non linéaires éventuelles entre caractères. E n effet, I'ACP repose essentiellement sur l'étude des corrélations ; or le coefficient de corrélation ne mesure que la forme plus ou moins linéaire de la dépendance entre deux caractères. U n coefficient de corrélation voisin de zéro ne signifie pas forcément q u ' i l y a indépendance ; i l peut exister ime relation non linéaire, paraboUque par exemple. De plus, la recherche des composantes principales est Umitée par principe aux combinaisons linéaires des caractères initiaux. Par contre, lorsque l'on transforme u n caractère numérique en caractère qualitatif et que l'on considère toutes les combinaisons linéaires des indicatrices (c'est-à-dire toutes les quantifications possibles), on envisage en fait toute une gamme de fonctions autres que linéaires transformant u n caractère numérique en un autre caractère numérique. On conçoit alors que l'étude des relations linéaires entre des fonctions non linéaires des caractères revient à celle des relations non linéaires entre caractères. 108
CHAPITRE V I
L'ANALYSE DISCRIMINÂIVTË Sous ses différentes formes •—• analyse factorîelle discriminante ou analyse discriminante décisionnelle — cette méthode connaît de nombreuses applications. Elle permet de mettre en évidence les liaisons existant entre u n caractère à expliquer qualitatif et u n ensemble de caractères explicatifs quantitatifs. L'analyse factorieUe discriminante permet, à l'aide d'une visualisation sur u n plan factoriel approprié, de décrire les liaisons entre le caractère à expliquer et les caractères explicatifs. L'analyse discriminante décisionnelle permet de prévoir les modahtés d u caractère à expliquer à partir des valeurs prises par les caractères explicatifs. I . — L'analyse factorielle diacrimînante 1. Présentation de la méthode. — Considérons u n ensemble d'individus sur lequel on observe tin caractère qualitatif prenant q modalités. Chaque individu étant repéré par une seule modalité de ce caractère, on a ainsi défini une partition de l'ensemble des individus en q classes disjointes. Par ailleurs, on mesure sur les mêmes individus p caractères quant i t a t i f s . On se pose le problème suivant : les q classes diffèrent-elles sur l'ensemble des caractères quan109
titatifs ? Le b u t de l'analyse factorielle discriminante (AFD) est de répondre à cette question. Mais précisons ce problème à l'aide d'un exemple. Dans une expérience réalisée par J.-C. Amiard, 23 poissons sont répartis dans trois aquariums soumis à différents niveaux de contamination. On désire déterminer dans quelle mesure la contamination des poissons est liée à l'intensité de la radiocontamination. Le caractère qualitatif prend ici trois modalités : l'appartenance à l ' u n des trois aquariums. On mesure les quinze caractères quantitatifs suivants : *>
YEU BR OP X* N A G x^ F O I TUB x' EC X* M U S X* P O I x"> L O N LONS LART LAR x" LARM x" DYEU
Radioactivité des y e u x Radioactivité dea branchies Radioactivité des opercules Radioactivité des nageoires Radioactivité d u foie Radioactivité d u t u b e digestif Radioactivité des écailles Radioactivité des muscles Poids Longueur Longueur staudard L a r g e u r de l a tête Largeur Largeur d u museau Diamètre des y e u x
De même qu'en analyse en composantes principales, on détermine un nouveau caractère, combinaison linéaire des anciens caractères. Cependant, i l ne s'agit plus d'obtenir un caractère de variance maximale mais séparant au mieux les trois groupes entre eux. Plus précisément, on désire que ce nouveau caractère preime des valeurs : — les plus voisines possible pour les individus appartenant à un même groupe ; — les plus différentes pour des individus appartenant à des groupes distincts. 110
Ainsi sur l'exemple suivant, trois groupes sont représentés sur le plan des deux caractères et x^. c
Les groupes 1 et 3 se confondent sur le caractère x^ et 1 et 2 sur x^. On v o i t par contre que le caractère c=0,8x^-—0,6a;^ sépare en projection les trois groupes. U n seul caractère, combinaison linéaire des anciens, permet d'expliciter les différences entre groupes sur les deux caractères d'origine. 2. Formulation géométrique. — Trois présentations de I ' A F D sont couramment utilisées. On peut en effet montrer que cette méthode est u n cas particulier de l'analyse en composantes principales ou de l'analyse canonique. Nous préférons commencer par une présentation directe et, dans un deuxième temps, mettre en évidence les relations avec les méthodes présentées précédemment. A ) Approche directe. a) Variances intraclasse et interclasse. — On observe les valeurs prises par p caractères centrés, notés X*, . . . , x ' , . . . , x*" sur n individus. Chaque individu est muni d'un poids Pi > 0 avec : n XPi=-ii~l 111
Dans l'espace dea individus R ' , chaque observat i o n est repérée par u n vecteur {x}, .. .^xf, ..., xf). Les caractères étant centrés, le centre de gravité du nuage des individus est confondu avec l'origine. Comme en analyse en composantes principales, on calcule la matrice de variance (totale) notée : V = 'X D X Coasidérons u n n o u v e a u caractère riance est égale à :
c = Xn
dont la va-
Il c 11' = 'c D e = "u ' X D X u = ' u V u Nous allons v o i r que l a variance de ce caractère p e u t être décomposée en deux : variance inierclassey p r o v e n a n t de l a dispersion des centres de gravité des q classes autour de l'origine et variance intraclasse p r o v e n a n t de la dispersion des i n d i v i d u s d'une classe autour de leur centre de gravité. A chaque classe, on associe son centre de gravité ftk
et son poids
P^
P,.
Par défmition, le poids d'une classe est égal à l a somme des poids des observations leur a p p a r t e n a n t .
Soit la matrice de variance des p caractères calculée sur les individus de l a /c-ième classe. Posons : k-l
W est appelée matrice de variance intraclasse. Soit enfin B la matrice de variance des p caractères calculée sur le nuage des q centres de gravité munis de leurs poids respectifs. B est appelée matrice de variance interclasse. On montre alors facilement l a relation : V = W + B. La variance d u caractère c s'écrit donc : Il c||* = HiVa = W n + US
HiBn
Ainsi l a variance d'un caractère se décompose en ime somme de deux termes : — ' u B u , variaase interclasse liée à l a dispersion des centres de gravité des classes autour de l'origine ; — h i W u , variance intraclasse liée à l a dispersion des observations appartenant à une classe autour de leurs centres de gravité respectifs. b) Recherche des facteurs discriminants, — Soit un caractère c = X u . Nous considérons que ce caractère est parfaitement discriminant s'il prend la même valeur sur tous les individus d'une même classe et des valeurs différentes sur des individus appartenant à des classes distinctes. Dans ce cas, ' u W u = 0 puisque à l'intérieur de chaque classe, le caractère est constant et, par conséquent, ' n V u = hiBu. Choisir le meilleur caractère discriminant revient donc à maximiser ' u B u , c'est-à-dire la variance interclasse de ce caractère. E n pratique, puisque la somme de la variance interclasse et de la variance intraclasse est constante, on maximise le rapport entre la variance interclasse et la variance totale qui peut alors s'interpréter en terme de pourcentage. Par définition, le premier caractère discriminant est c = X u t e l que la quantité ^ B u / ' a V u soit maximum. Remarquons que, dans l'exemple précédent ( d i s c r i m i n a t i o n p a r f a i t e ) , ce r a p p o r t serait égal à 1 . Remarquons également que 'nBu
*nVo
«nVu
%Vn
"
et que, puisque les d e u x quantités de gauche sont positives, i l est équivalent de m a x i m i s e r le p r e m i e r r a p p o r t o u de
US
minimiaer le second. D e pins ces quantités sont comprises entre 0 et 1. E x p l i c i t o n s m a i n t e n a n t le calcul des facteurs discriminants, n d o i t m a x i m i s e r la quantité : x = ^ -
< O . X . l ) .
U t i l i s a n t l a même technique qu'en analyse en composantes principales, nous écrivons que, a u m a x i m u m recherché, la dérivée d u q u o t i e n t p a r r a p p o r t a u x différentes composantes de u d o i t être n i d l e :
2('uVu) B u — 2('uBu) V a = 0
V - ï B u = Xu n d o i t donc être vecteur propre de B et sa valeur propre X d o i t être la plus grande puisqu'elle représente la quantité à maximiser. Soit u * l a solution. est appelé premier discriminant.
facteur
discriminarU,
X^ est son
pouvoir
L e premier caractère d i s c r i m i n a n t = X u ^ étant o b t e n u , on recherche c* = X n - n o n corrélé à c* t e l que le r a p p o r t 'uBu . . . . J r-==- Boit m a x u n u m et ainsi de smte. TlVu
On montre aisément que B a les mêmes vecteurs propres que B mais pour valeurs propres >./(l — X) (solution utilisée par les auteurs anglosaxons). On montre que les vecteurs propres de V " ^ B notés u\, , u*"" ^ rangés dans l'ordre décroissant des valeurs propres positives X^, . . \ - i sont les solutions successives de ce problème. Remarquons qu'il y a au plus q — 1 valeurs propres différentes de zéro, puisque B est une matrice de variance calculée à partir de q vecteurs de (les q centres de gravité) et que la somme 114
pondérée de ces g centres de gravité est le vecteur nul. Lorsqu'il n ' y a que deux groupes, l'unique facteur discriminant est donné par u = — gj) ou W ' " ^ ( g 2 — gi) qui l u i est proportionnel. Remarquons enfin que le pouvoir discriminant ne dépend pas de la normalisation des caractères, cependant, on considérera généralement des caractères de variance unité (réduite). B) Uanalyse factorielle discriminante est un cas particulier de Vanalyse en composantes principales. — On voit très facilement que I ' A F D est une analyse en composante principale du nuage des q centres de gravité munis de leur poids dans l'espace R" avec pour métrique V""^. I l suffit pour cela d'appliquer les résultats d u chapitre I I . On considère g p o i n t s dans RP : g j , g^, . . . , gq Chaque centre de gravité est m u n i d u poids de sa classe. Soient G la m a t r i c e c onte nant en ligne les q centres de gravité et la m a t r i c e diagonale d u poids des classes. L a matrice de variance associée à ce nuage est : B = 'GDpG Supposons m a i n t e n a n t que est m u n i de la métrique M = V ~ ^ , inverse de l a matrice de variance totale. O n a v u que les facteurs p r i n c i p a u x étaient les vecteurs propres de Y ~ ^ B associés a u x plus grandes valeurs propres : V - i B u = Xu On retrouv e bien les équations de T A F O . U t i l i s a n t cette présentation, i l est difficile de j u s t i f i e r le c h o i x de l a métrique V~~', o u même de m o n t r e r que les valeurs propres sont comprises entre zéro et u n . C'est p o u r q u o i nous l u i avons préféré l'approche directe.
G) Uanalyse factorielle discriminante est un cas particulier de Vanalyse canonique. — Nous allons maintenant montrer que I ' A F D est une analyse canonique entre les deux ensembles de caractères x^, .. lis
x*, . . c e n t r é s et y*, . . . . y*, . . y * non centrés. Les caractères du deuxième ensemble représentent les variables indicatrices associées aux q modalités du caractère qualitatif. Four cela nous allons simplement montrer que les facteurs canoniques associés aux variables sont identiques aux facteurs discriminants. Les facteurs canoniques d o i v e n t vérifier (cf. chap. I V ) réquation :
vri'v„VB*Vmi = xu Dans cette équation on a : V» V„ V„ VM
= 'X D X = V = 'Y D Y = 'X DY = ' Y D X
O n v o i t facilement que V j , est l a m a t r i c e diagonale de poids des classes :
O n p e u t également vérifier que : Vi, =
'X
D Y = 'G Dp
P a t conséquent, Péquation des facteurs canoniques devient : V - » ' G D p D ^ i D p G u = Xo et comme B = ' G Dp G, ..il v i e n t î V - i B n = Xu
On retrouve bien les équations de T A F D . Le pouvoir discriminant X peut donc être interprété en terme de corrélation canonique. Remarquons que, contrairement à ce que nous avons fait en analyse canonique, nous n'avons pas supposé que les caractères y * étaient centrés : on montre en effet facilement que l a solution obtenue ne dépend pas du centrage de y. 116
L'analyse discriminante peut donc être présentée comme une analyse canonicpie entre l'ensemble des variables indicatrices associées au caractère à expliquer et l'ensemble des caractères explicatifs. Une fois de plus, l'analyse canonique apparaît comme une méthode générale permettant de décrire les liaisons entre deux ensembles de caractères. 3. Les résultats et leur interprétation. — Reprenons l'exemple des poissons d'Amiard. Le tableau ci-dessous contient les valeurs moyennes des quinze variables sur la population totale et sur chacime des trois classes. Popjdation
Classe
MUS POI LON LONS LART LARM DYEU
15.4 105 109,1 164,9 27,2 281,6 297,7 3,3 82,1 190,5 170,7 42,8 13,6 9,7
8,2 57 52,3 91.1 15,2 162.6 144 1,7 92.2 197.1 177,8 44,7 13.4 9.7
15,5 108,3 79,5 133,1 33,5 341,9 260.8 4.7 75.4 187,5 165,6 41,6 14 9.9
Effectif
23
8
a
YEU BR OP NAG FOI TUB
EC
1
Classe
2
Classe
3
23.6 156.3 207.9 285.4 33.7 348,7 515.7 3.4 78,1 186,3 168.4 41,8 13,3
9.6 7
E n moyenne, la radioactivité des poissons d u premier groupe (poissons les plus gros) est nettement plus forte. L a matrice de corrélation totale est reproduite page 119. 117
1
DYEU LARM
ssi
LAR LART LONS LON POI
sSs-s !-IS£-S SlISsS sîlISSS
MUS 1
EC
1
M
1
2S3llsS-53 1
TUB
1
1
1
1
1
:-IS33S33lî
mmîmîmmmm 1 1 11 i1 11 I1 1 1
FOI
NAG
OP BR
1
1
1
1
1
M
M
1
1 11 11i
!-Î3353l33S-3Ss
1i 1 M 1 3Sl3i533S-S3S-Ï3 1
11
YEU
1 1
11 11 1I
M 1 1 1 1
2- o o « o o © cT o o cT o1
M
1
1
M . ) , Analyse des données multidimensionnelles, P U F , 2 * éd., 1 9 7 7 . B o u H o c H E ( J , - M . ) , Analyse des données en marketing, Masson, 1 9 7 7 . C A I L U E Z ( F . ) et P A G E S ( J . - P . ) , Introduction à l'analyse des données, SMASH, 1 9 7 6 . C E H E S S A T ( R . ) , Exercices commentés de statistique et informatique appliquée, D u n o d , 2 * é d . , 1 9 8 1 . C H A N D O N ( J . - L . ) et P I N S O N ( S . ) , Analyse typologique, Masson, 1 9 8 0 . D A G N É L I E ( P . ) , Analyse statistique à plusieurs variables, Presses a g r o n o m i q u e s de G e m b l o u x , 1 9 7 5 . D i D A Y ( B . ) et c o l l . . Optimisation en classification automatique, 2 tomes, I N H I A , 1 9 7 9 . D i D A Y ( E . ) , L E M A I R E ( J . ) , P O U O E T ( J . ) , T E S T U ( F . ) , Eléments d'analyse des données, D u n o d , 1 9 8 3 . FÉNELON ( J . - P . ) , Qu'est-ce que l'analyse dea données, L E F O N E N , 1 9 8 1 . F o o c A R T ( T . ) , Analyse factorielle, programmation sur micro-ordinateur, M a s s o n , 1 9 8 2 . G u i o o u ( J . - L . ) , Méthodologies mulUdimensionnelles : Analyse des données et choix à critères multiples, D u n o d , 2 * éd., 1 9 7 7 . J A H B U ( M . ) et L E B E A U X ( M , - 0 . ) , Classification automatique pour l'analyse dea donnéea, 1 . 1 : Méthodes et algorithmea ; t, I I : Logiciels, Dunod, 1978. L E B A R T ( L . ) et M O R I N E A U ( A . ) , SPAD, Système portable pour l'analyse dea données, C E S I A , 1 9 8 5 . L E B A R T ( L . ) , M O R I N E A U ( A . ) et F É N E L O N ( J . - P . ) , Traitement dea données at