Analyse ACP : Consommation alimentaire et CSP
Analyse ACP : Consommation alimentaire et CSP
Programming, Math, etc. · textbook
Fiche de révisionExplication
Rédigée à partir de ce document, puis vérifiée avant publication.
Cette étude porte sur l'analyse des habitudes de consommation alimentaire selon les catégories socio-professionnelles (CSP). Elle s'adresse aux étudiants et chercheurs en statistiques appliquées, sociologie de la consommation ou sciences de gestion souhaitant comprendre comment l'analyse en composantes principales (ACP) peut révéler des tendances dans des données multidimensionnelles complexes.
Le travail cherche à comprendre comment les différentes catégories socio-professionnelles consomment divers types de denrées alimentaires. L'objectif est d'identifier des relations entre les aliments consommés et les groupes sociaux, afin de mieux caractériser les comportements alimentaires selon la CSP. Cette question est pertinente pour les domaines de la nutrition, du marketing alimentaire et des sciences sociales, car elle permet d'adapter des politiques ou des offres commerciales aux profils des consommateurs.
L'analyse en composantes principales (ACP) est une méthode statistique utilisée pour réduire la dimension d'un ensemble de données tout en conservant l'essentiel de l'information. Elle transforme des variables initiales corrélées en un nouveau jeu de variables non corrélées appelées composantes principales ou axes factoriels.
Chaque composante principale est associée à une valeur propre qui mesure la quantité d'information (inertie) qu'elle contient. La somme des valeurs propres est égale au nombre total de variables, ici 8, ce qui correspond à la variance totale expliquée par toutes les composantes.
La matrice de corrélation, élément fondamental de l'ACP, contient les coefficients de corrélation de Pearson entre chaque paire de variables. Ces coefficients varient entre -1 et 1 :
La rotation Varimax est une technique utilisée pour faciliter l’interprétation des composantes en maximisant la variance des charges factorielles sur chaque axe, ce qui rend plus claire la contribution de chaque variable à chaque composante.
Les données initiales comportent huit catégories socio-professionnelles (AGRI, SAAG, PRIN, CSUP, CMOY, EMPL, OUVR, INAC) et huit variables alimentaires (PAO, PAA, VIO, VIA, POT, LEC, RAI, PLP). L’ACP est appliquée sur la matrice de corrélation des variables alimentaires pour identifier les axes principaux qui expliquent la majorité de la variance.
La méthode de sélection des axes repose sur la règle de Kaiser (retenir les axes dont la valeur propre est supérieure à 1) et la méthode du coude (observation du point où la courbe des valeurs propres fléchit). Ici, bien que la règle de Kaiser suggère un seul axe, l’énoncé choisit deux axes pour obtenir un plan factoriel en deux dimensions, plus facile à interpréter visuellement.
La rotation Varimax est utilisée pour clarifier la structure des composantes, en facilitant l’interprétation des variables qui contribuent le plus à chaque axe.
La matrice de corrélation révèle des relations fortes entre certaines variables :
La somme des valeurs propres est égale à 8, ce qui correspond au nombre total de variables. La première composante principale explique 77,6 % de la variance totale, la deuxième 11,0 %, soit près de 88,6 % cumulés pour les deux premiers axes.
La rotation Varimax montre que :
Concernant les catégories socio-professionnelles :
Cette structuration permet de visualiser les groupes d’individus selon leurs profils alimentaires et de distinguer des tendances de consommation propres à chaque CSP.
Le travail ne traite pas explicitement des limites, mais on peut noter que :
Ces limites suggèrent que des analyses complémentaires pourraient approfondir la compréhension des comportements alimentaires.