M1 BADS
M1 BADS
Multidimensional Analysis, Food Data, Socio-professional Categories · lab
Fiche de révisionGuide de TP
Rédigée à partir de ce document, puis vérifiée avant publication.
Ce laboratoire propose une analyse multidimensionnelle des données relatives à la consommation de denrées alimentaires selon les catégories socio-professionnelles. L'objectif est d'appliquer une Analyse en Composantes Principales (ACP) pour étudier les corrélations entre variables et identifier des axes factoriels pertinents. Pour réaliser ce TP, il est nécessaire de disposer du tableau initial des données, des résultats d’ACP (matrice de corrélation, valeurs propres, matrices de composantes) et de connaissances de base en statistiques multivariées.
Commencez par examiner la matrice de corrélation entre les variables alimentaires. Cette matrice montre la force et le sens des relations linéaires entre chaque paire de variables.
Pour décrire la matrice :
Dans ce cas, le couple de variables les plus corrélées est Autre pain (PAA) et Raisin de tables (RAI) avec une corrélation de 0,959. Le couple le moins corrélé est Pain ordinaire (PAO) et Autre pain (PAA) avec une corrélation de -0,774 (corrélation négative forte).
Un résultat correct est d’identifier clairement ces couples et d’expliquer brièvement ce que cela signifie pour les données.
Le total des valeurs propres est donné par la somme des valeurs propres initiales, ici :
6,208 + 0,880 + 0,416 + 0,306 + 0,168 + 0,018 + 0,003 + 2,403E-16 = 8 (approximativement)
Ce total correspond au nombre de variables initiales (8 variables). Chaque valeur propre représente la quantité de variance expliquée par un axe factoriel donné.
Une valeur propre élevée pour un axe signifie que cet axe explique une grande part de la variance totale des données.
Deux méthodes sont proposées :
Dans ce cas :
Justification : la méthode du coude est privilégiée ici car elle permet de conserver deux axes qui expliquent ensemble une grande partie de la variance (près de 89 %), même si la deuxième valeur propre est inférieure à 1.
La matrice de rotation Varimax montre la contribution des variables aux deux axes retenus :
| Variable | Composante 1 | Composante 2 |
|---|---|---|
| Pain ordinaire (PAO) | -0,728 | 0,661 |
| Autre pain (PAA) | 0,950 | -0,154 |
| Jus ordinaire (VIO) | -0,608 | 0,650 |
| Autre jus (VIA) | 0,905 | -0,329 |
| Pommes de terre (POT) | -0,108 | 0,923 |
| Légumes secs (LEC) | -0,679 | 0,616 |
| Raisin de tables (RAI) | 0,938 | -0,277 |
| Plats préparés (PLP) | 0,714 | -0,551 |
Commentaires :
On peut donc donner un sens aux deux axes :
Les individus correspondent aux catégories socio-professionnelles :
Le positionnement des individus sur la carte factorielle permet de repérer des regroupements selon leurs profils de consommation. Par exemple :
Un résultat correct consiste à identifier ces groupes et à expliquer que la carte factorielle permet de visualiser les similarités et différences entre catégories socio-professionnelles.