Analysis of STID1 Student Performance Through Principal Component Analysis (PCA)
Objectifs et prérequis du TP sur l'analyse en composantes principales Objectifs Ce TP sur l'analyse en composantes principales (ACP) a pour but d'apprendre aux étudiants à analyser les performances des étudiants de STID1 à partir de quatre notes. À l'issue de ce TP, les étudiants devraient être capables de : Comprendre la nature des variables étudiées. Interpréter les résultats d'une ACP.
D'après le document Analysis of STID1 Student Performance Through Principal Component Analysis (PCA)
Cet article a été rédigé automatiquement à partir du document source, puis vérifié avant publication.
Document source
Statistical Data Analysis · PDF · 6 pages · 1973
Afficher l'aperçu du document
Objectifs et prérequis du TP sur l'analyse en composantes principales
Objectifs
Ce TP sur l'analyse en composantes principales (ACP) a pour but d'apprendre aux étudiants à analyser les performances des étudiants de STID1 à partir de quatre notes. À l'issue de ce TP, les étudiants devraient être capables de :
- Comprendre la nature des variables étudiées.
- Interpréter les résultats d'une ACP.
- Remplir et analyser une matrice de corrélation.
- Calculer et interpréter les valeurs propres.
- Identifier les individus significatifs dans l'analyse.
Prérequis
Pour réaliser ce TP, il est nécessaire de disposer des outils suivants :
- Logiciel SAS pour effectuer l'ACP.
- Connaissances de base en statistiques, notamment sur les matrices de corrélation et les valeurs propres.
Réalisation de l'ACP sur les données des étudiants
Étape 1 : Préparation des données
Commencez par charger le fichier de données contenant les notes des 31 étudiants. Les notes concernent :
- Informatique (Note1)
- Algorithmique (Note2)
- Bases mathématiques (Note3)
- Techniques mathématiques (Note4)
Assurez-vous que les données sont correctement formatées et prêtes pour l'analyse.
Étape 2 : Calcul des statistiques descriptives
Calculez la moyenne et l'écart type pour chacune des quatre variables. Les résultats sont présentés comme suit :
Moyenne :
Note 1 : 9.63161
Note 2 : 8.78967
Note 3 : 10.9548
Note 4 : 9.09354
Écart type :
Note 1 : 3.5185
Note 2 : 3.9189
Note 3 : 4.3054
Note 4 : 4.92354
Étape 3 : Remplissage de la matrice de corrélation
Remplissez la matrice de corrélation linéaire pour les quatre notes. Voici la matrice :
| Note 1 | Note 2 | Note 3 | Note 4 | |
|---|---|---|---|---|
| Note 1 | 1 | 0.7742 | 0.5571 | 0.6468 |
| Note 2 | . | 1 | 0.6952 | 0.8130 |
| Note 3 | . | . | 1 | 0.9217 |
| Note 4 | . | . | . | 1 |
Les valeurs de la diagonale correspondent à 1, car chaque variable est parfaitement corrélée avec elle-même.
Étape 4 : Interprétation des coefficients de corrélation
Analysez les coefficients de corrélation linéaire. Des valeurs proches de 1 ou -1 indiquent une forte corrélation, tandis que des valeurs proches de 0 indiquent une faible corrélation. Par exemple, la corrélation entre Note 1 et Note 2 est de 0.7742, ce qui indique une forte relation.
Étape 5 : Calcul des valeurs propres
Calculez la valeur propre manquante de la matrice de corrélation. Voici les valeurs propres obtenues :
| Index | Valeur propre | % | % cumulée |
|---|---|---|---|
| 1 | 3.21172 | 80.29 | 80.29 |
| 2 | 0.53584 | 13.40 | 93.69 |
| 3 | 0.19518 | 4.88 | 98.57 |
| 4 | 0.05723 | 1.43 | 100 |
Théoriquement, on doit conserver les axes ayant une valeur propre supérieure à 1 pour obtenir une représentation graphique synthétique.
Étape 6 : Identification des individus significatifs
Identifiez les individus qui contribuent de manière significative à la formation des deux premiers facteurs. Analysez les vecteurs propres pour déterminer quels étudiants influencent le plus ces facteurs.
Étape 7 : Élimination des individus non pertinents
Déterminez quels individus doivent être éliminés lors de l'interprétation. Cela peut inclure ceux qui ont des valeurs extrêmes ou qui ne contribuent pas de manière significative.
Étape 8 : Représentation graphique du cercle des corrélations
Utilisez la représentation graphique du cercle des corrélations dans le plan factoriel 1×2 pour déterminer quelles variables sont bien représentées. Les variables proches du cercle sont mieux représentées.
Étape 9 : Classement des variables corrélées
Déterminez et classez les variables corrélées avec le premier et le deuxième facteur selon leur importance. Cela aide à comprendre quelles variables influencent le plus chaque facteur.
Étape 10 : Interprétation contextuelle des facteurs
Interprétez le premier facteur en tenant compte des variables qui y contribuent. Par exemple, si le premier facteur est fortement lié à la Note 1, cela peut indiquer une compétence en informatique.
Répétez cette interprétation pour le second facteur, en analysant les contributions des variables.
Résultats attendus de l'ACP
Les résultats de l'ACP devraient montrer une distribution des étudiants selon les deux premiers facteurs, permettant de visualiser des groupes d'individus ayant des performances similaires. Les valeurs et les corrélations observées devraient être cohérentes avec les résultats statistiques calculés.
Erreurs fréquentes avec l'analyse en composantes principales
Les erreurs courantes lors de l'ACP incluent :
- Ne pas vérifier la normalité des données avant l'analyse.
- Interpréter les valeurs propres sans tenir compte du contexte.
- Oublier d'éliminer les valeurs aberrantes qui peuvent fausser les résultats.
Reconnaître ces erreurs est essentiel pour garantir la validité des résultats obtenus.
Questions fréquentes
Qu'est-ce que l'analyse en composantes principales ?
L'analyse en composantes principales (ACP) est une méthode statistique utilisée pour réduire la dimensionnalité d'un ensemble de données tout en préservant le maximum de variance. Elle permet d'identifier les relations entre les variables.
Comment interpréter les résultats de l'ACP ?
Les résultats de l'ACP se présentent sous forme de valeurs propres et de vecteurs propres. Les valeurs propres indiquent l'importance de chaque facteur, tandis que les vecteurs propres montrent comment chaque variable contribue à ces facteurs.
Quelle est la matrice de corrélation ?
La matrice de corrélation est un tableau qui montre la corrélation entre chaque paire de variables. Elle est essentielle pour comprendre les relations entre les variables avant de procéder à l'ACP.
Comment calculer les valeurs propres ?
Les valeurs propres sont calculées à partir de la matrice de corrélation. Elles représentent la variance expliquée par chaque composante dans l'analyse en composantes principales.
Comment identifier les individus significatifs dans l'ACP ?
Les individus significatifs sont identifiés en examinant les coefficients des vecteurs propres associés aux facteurs. Ceux qui ont des coefficients élevés contribuent de manière significative à la formation des facteurs.
Commentaires
Aucun commentaire pour le moment. Posez la première question.