ANALYSE

DES
DONNEES
(Controle continu)

PRESENTÉE PAR :

OUKISS HAJAR
OUARDI DOUAA
NAOUIS IBTISSAM
ENCADRE PAR :
MOUAKADIRI ABIR Mr JAHIDI RACHID
OUKANI WISSAL
 Réalisée par :

OUKISS HAJAR MOUKADIRI ABIR

22006251 22006576

OUARDI DOUAA
22006504

OUKANI WISSAL Noauis ibtissam

22006637
22006669
Groupe 7
 Remerciement
La réalisation de ce rapport a été le fruit d’un travail rigoureux, nourri par
une recherche approfondie et une réflexion académique soutenue. Ce
cheminement n’aurait pu aboutir sans le soutien précieux de nombreuses
personnes, à qui nous adressons toute notre gratitude.

Nous remercions chaleureusement l’ensemble du corps professoral de

l’ENCG Settat pour la qualité de leur enseignement et leur engagement
constant. Nos remerciements les plus sincères vont tout particulièrement à
Monsieur JAHIDI, dont le dévouement, la bienveillance et la patience nous
ont accompagnés tout au long de cette aventure. Malgré ses multiples
responsabilités, il a su nous encadrer avec générosité et disponibilité.

Durant plusieurs semaines, nous avons investi notre énergie, mobilisé nos
connaissances et nos compétences dans un esprit de rigueur, de
professionnalisme et de collaboration. Cette expérience, enrichissante à
bien des égards, nous a permis de grandir tant sur le plan académique que
personnel.

Nous tenons enfin à exprimer notre reconnaissance à l’administration de

l’ENCG Settat pour avoir rendu possible cette opportunité formatrice, qui
restera une étape marquante de notre parcours.
 Sommaire

Chapitre01:Contexte et base de donnee .............. 01

02
Contexte de l’étude........................................................
Chapitre 2: Analyse avec SPSS

Statistiques descriptives...................................................
05
06
Matrice de corrélation.......................................................
L’extraction et la Variance totale expliquée................... 08
03 --> Qualité de représentation
--> Variance totale expliquée
Tracé d’effondrement........................................................
09
04
Analyse de la matrice de composantes........................... 10

Chapitre 3 : Analyse basée sur AI

05
Tableau des statistiques descriptives............................ 12
12
06 Matrice de corrélation.....................................................
Graphique des valeurs propres...................................... 14
Tableau des composantes rotatées............................... 15
Comparaison .................................................................. 16

20
Conclusion..............................................................................
 ADD 01

Introduction

Dans un contexte économique mondial en constante évolution,

comprendre les disparités et les dynamiques entre les pays devient
essentiel. Cette étude s’inscrit dans une démarche d’analyse
comparative des performances économiques et sociales de plusieurs
nations, à travers des indicateurs clés tels que le PIB, l’inflation, le
chômage, la dette publique et l’indice de développement humain
(IDH).

Pour mener à bien cette analyse, nous avons utilisé l’Analyse en

Composantes Principales (ACP), une méthode statistique permettant
de synthétiser et visualiser l’information contenue dans un grand
nombre de variables. L’objectif principal est de faire ressortir les
dimensions sous-jacentes expliquant les écarts entre les pays, tout
en conservant une vision claire et structurée.

Ce travail s'appuie à la fois sur des outils traditionnels (SPSS) et des

technologies innovantes (intelligence artificielle), offrant ainsi une
double lecture des résultats. Il vise à mieux cerner les forces et
faiblesses des économies étudiées, tout en identifiant les leviers de
croissance et de stabilité.
 02

Chapitre I : Contexte de l’étude

1. Contexte sectoriel :
L’économie mondiale est marquée par une grande diversité entre les pays,
tant sur le plan de la richesse produite que sur les conditions sociales et
financières. Pour mieux comprendre les dynamiques actuelles, il est essentiel
d’observer comment les pays se positionnent en termes de performance
économique, de stabilité et de développement.

À travers des indicateurs comme la production de richesse, la stabilité des

prix, le taux de chômage, la dette publique ou encore l’attractivité pour les
investissements étrangers, on peut évaluer la solidité et le potentiel de chaque
pays. Ces données permettent aussi d’identifier les déséquilibres
économiques, les risques éventuels, mais aussi les opportunités de croissance.

Ce type d’analyse est particulièrement utile pour repérer les économies en

plein essor, les marchés émergents prometteurs, ou encore les pays les plus
résilients face aux crises. En croisant les données économiques avec des
aspects sociaux comme l’indice de développement humain, on obtient une
vision plus complète et réaliste de la situation de chaque pays. Cela permet de
mieux orienter les décisions stratégiques, qu’il s’agisse d’investissements, de
partenariats ou de développement de projets internationaux.

Le secteur étudié ici repose donc sur une approche comparative, basée sur
des données statistiques objectives. Il ne s’agit pas seulement de classer les
pays selon leur richesse, mais d’analyser en profondeur les conditions qui
rendent un pays économiquement attractif, stable et capable de soutenir un
développement durable. Cette lecture globale permet de mieux comprendre
les rapports de force internationaux et les perspectives futures de chaque
économie.
 03

2. Présentation de la cible :
Dans cette étude, la cible correspond aux pays sélectionnés pour
faire l’objet d’une analyse comparative. Ils ont été choisis pour la
diversité de leurs situations économiques et sociales, afin d’offrir
une vision globale et représentative des réalités du monde actuel.
Certains affichent une forte croissance, d'autres se distinguent par
leur stabilité, leur niveau de développement humain ou encore leur
attractivité économique.

L’objectif est d’analyser comment ces pays se positionnent à

l’échelle internationale, en identifiant leurs points forts, leurs
limites et leurs perspectives d’évolution. En comparant des
économies matures et émergentes, l’étude met en lumière les
tendances actuelles, les modèles qui fonctionnent, ainsi que les
leviers qui favorisent le développement durable et la compétitivité.

Le choix des pays retenus repose sur la pertinence de leurs

données vis-à-vis des variables étudiées, comme le produit
intérieur brut, l'inflation, le chômage, la dette publique, les
investissements étrangers ou encore le niveau de développement
humain. Cela permet une analyse équilibrée entre contextes
différents, tout en respectant une logique de comparaison
rigoureuse.

Cette diversité au sein de la cible apporte une richesse à l’analyse.

Elle permet de confronter des trajectoires économiques variées :
certains pays misent sur la croissance industrielle, d’autres sur
l’innovation, la stabilité sociale ou l’ouverture aux marchés
étrangers. En croisant ces approches, l’étude offre une meilleure
compréhension des grands équilibres mondiaux et des stratégies
de réussite possibles.
 04

3. Présentation des concurrents :

Dans le cadre de cette analyse, les concurrents désignent les

pays qui présentent des profils économiques et sociaux
comparables. Ils évoluent dans des environnements similaires et
sont souvent confrontés aux mêmes enjeux, ce qui les place
naturellement dans une forme de compétition, notamment pour
attirer les investissements, développer leur commerce extérieur
ou renforcer leur position sur la scène mondiale.

L’étude de ces concurrents permet de mieux comprendre le

positionnement de chaque pays. En observant les performances
sur des indicateurs clés comme le PIB, l’inflation, le chômage, la
dette publique ou l’indice de développement humain, il devient
possible d’identifier les points forts et les points faibles de
chacun, ainsi que les stratégies adoptées pour progresser.

Cela permet également de faire ressortir certaines tendances :

par exemple, plusieurs pays peuvent être confrontés à une
même difficulté économique, tandis que d’autres se distinguent
par des politiques plus efficaces ou des choix économiques
judicieux. Cette comparaison enrichit l’analyse en montrant
concrètement ce qui fonctionne et ce qui freine le
développement.

Ces pays concurrents ne sont donc pas vus comme des

adversaires, mais plutôt comme des références ou des points de
comparaison utiles. Leur observation permet de tirer des
enseignements, d’identifier de bonnes pratiques et d’inspirer des
décisions éclairées dans un contexte économique de plus en plus
compétitif.
 ADD 05

Chapitre 2: Analyse avec SPSS

L'analyse en composantes principales (ACP) est une technique fondamentale de réduction

de dimensionnalité dans l'analyse de données multivariées. Il est principalement descriptif
et vise à transformer un ensemble de variables initiales, éventuellement corrélées, en un
nouvel ensemble de variables non corrélées appelées composantes principales. Les
composants sont organisés de manière hiérarchique, chaque composant capturant à son
tour autant que possible la variation globale des données qui ne peut pas être expliquée
par le composant précédent. L’objectif est de synthétiser les informations nécessaires et de
faciliter la visualisation de la structure inhérente des données dans l’espace à
dimensionnalité réduite

[Link] ET INTERPRETATION DES RESULTATS

[Link] descriptives

Le tableau ci-dessous présente la moyenne et l'écart type de chaque variable, fournissant

ainsi des indications sur le degré d'homogénéité des pays. On prend par exemple
GDPperCapita2023 (PIB par habitant) : La moyenne s'élève à environ 19 164 unités
monétaires, mais l'écart-type est extrêmement élevé (20 281), dépassant même la moyenne
(Coefficient de Variation ≈ 106%). Cela indique une disparité considérable des niveaux de
richesse par habitant au sein de l'échantillon. La distribution est très asymétrique, avec
Lorem ipsum
quelques dolor
entités trèssitriches
amet, consectetur
et beaucoup adipiscing
d'autres elit. Pellentesque
à des niveaux bien inférieurs. vel velit non
En analysant
dolor dignissimainsi lnflation2023
efficitur : Une
fringilla sedinflation
[Link] de 4,70%
Ut luctus avec un écart-type
ullamcorper [Link]
2,61
(CV ≈ 55%), indiquant des pressions inflationnistes différentes au sein du groupe.
molestie risus ac urna ultricies finibus. Vestibulum et nulla vel dui efficitur porta.
Globalement, notre échantillon est fortement hétérogène ce qui rend l’analyse ACP très
Integer id dignissim dui, quis condimentum ligula. Ut convallis magna sapien, a
intéressante L'ACP identifiera les combinaisons linéaires des variables initiales qui expliquent
tempor velit
le mieux mollis eget.
la dispersion Aenean imperdiet
(l'hétérogénéité) observée dansegestas tempor. Sed vel tincidunt
les données.
mauris. Nullam: La
Par exemple at première
diam dolor. Aeneanpourrait
composante pharetra massa
opposer les eu
paysefficitur sagittis.
riches et développés (fort
PIB/hab, fort IDH) aux pays moins riches et moins développés
 ADD 06

[Link] de corrélation :

La matrice de corrélation est un outil permettant de vérifier la présence

d'intercorrélation entre les variables en vue d'extraire des dimensions homogènes. En
examinant la matrice de
Corrélation associée à notre base de données, on peut conclure que les corrélations
les plus
Marquées se trouvent entre les paires de variables suivantes :

PIB/HABITANT (DDPPERCAPTAL2023) et HDI2021(indice de développement

humain) : une corrélation forte de :0.752 cela est naturel puisque les pays plus
développés tendent d’avoir un indice de développement humain plus riches (éducation
, sante etc)
CHOMAGE ET l’inflation : une corrélation de :0,507 C'est un point intéressant et
potentiellement contre-intuitif, Cela pourrait suggérer la présence de phénomènes de
stagflation (inflation élevée malgré un chômage élevé) dans une partie de l'échantillon,
ou l'influence de facteurs structurels communs affectant les deux indicateurs dans la
même direction pour ces entités.
PIBPERCAPITAL ET PIB TRILLION :représente une corrélation modérée Cela suggère
que les entités plus riches et/ou plus grandes économiquement tendent à avoir des
niveaux d'endettement public (probablement en % du PIB) plus élevés dans cet
échantillon
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Pellentesque vel velit non
dolor dignissim efficitur fringilla sed turpis. Ut luctus ullamcorper vehicula. Etiam
molestie risus ac urna ultricies finibus. Vestibulum et nulla vel dui efficitur porta.
Integer id dignissim dui, quis condimentum ligula. Ut convallis magna sapien, a
tempor velit mollis eget. Aenean imperdiet egestas tempor. Sed vel tincidunt
mauris. Nullam at diam dolor. Aenean pharetra massa eu efficitur sagittis.
 ADD 07

Indice KMO et test de BARLETT

Dans le cas présent, l’indice KMO est de 0,643. Cette valeur, bien qu’elle ne soit pas excellente,
indique que la structure des corrélations simples reste globalement suffisamment forte par rapport
aux corrélations partielles. Cela signifie que les variables partagent une certaine structure commune,
ce qui justifie une tentative d’extraction de facteurs communs via l’ACP. Toutefois, cette valeur
suggère également que certaines variables pourraient avoir des corrélations partielles encore trop
importantes. Une amélioration possible de cet indice consisterait à supprimer les variables les moins
adaptées, identifiables grâce à la matrice anti-image

Le test de Bartlett est un test du khi² qui vérifie si la matrice de corrélation est significativement
différente de la matrice identité :
Les résultats du test montrent :
Khi² approximatif = 95,576
ddl = 28
p-value = ,000
Cette p-value proche de 0 (inférieure à 0,05) nous amène à rejeter l’hypothèse nulle : il existe des
corrélations significatives entre les variables. Cette condition est impérative pour justifier une
réduction dimensionnelle par ACP, car l’intérêt même de cette méthode repose sur l’existence d’un
socle commun de variance entre les variables.

Donc ces deux indicateurs montrent que les conditions statistiques minimales sont remplies : il est
donc pertinent d’appliquer l’ACP
 ADD 08

3.L’extraction et la variance totale expliquée

Qualité de représentation

Avant l’ACP, chaque variable a une qualité de représentation de 1.000, ce qui signifie qu’elles sont
parfaitement décrites dans leur propre espace. C’est la situation de départ idéale. Après réduction
dimensionnelle, certaines variables restent très bien représentées (ex. : FDIGDP,
GDPperCapita2023, HDI2021) > 0,5 , ce qui indique qu’elles conservent l’essentiel de leur
information dans l’espace des composantes principales. D’autres, comme GDPinTrillion$2023 <
0,5, sont moins bien représentées, montrant une perte d’information plus importante.

Le tableau de la variance totale expliquée montre que les trois premières composantes principales
cumulent 67.853 % de la variance totale, ce qui indique une réduction efficace de la dimensionnalité
tout en conservant l’essentiel de l’information. Bien que ce taux soit légèrement inférieur au seuil des
75 %, le choix de trois composantes reste justifié : leurs valeurs propres sont toutes supérieures à
1(kaiser), ce qui signifie qu’elles apportent chacune plus de variance qu’une variable initiale. De plus,
ce choix favorise la parcimonie et une interprétation plus claire des données. Ainsi, ces trois axes
représentent une base cohérente et suffisante pour l’analyse.
 ACP 09

[Link]é d’effondrement

L’analyse en composantes principales (ACP) réalisée dans cette étude a permis d’extraire les facteurs
les plus significatifs à partir des données initiales. L’objectif était de réduire la dimensionnalité tout en
conservant un maximum d’information.
Le tableau de la variance totale expliquée montre que trois composantes principales ont des valeurs
propres supérieures à 1, ce qui justifie leur rétention selon le critère de Kaiser. Ces composantes
synthétisent à elles seules une part importante de la variance totale du jeu de données.
La première composante possède une valeur propre de 2,833, expliquant 35,411 % de la variance.
La deuxième composante a une valeur propre de 1,509, représentant 18,864 % de la variance.
La troisième composante, quant à elle, affiche une valeur propre de 1,086, soit 13,578 % de la
variance.

Au total, ces trois composantes principales expliquent 67,853 % de la variance cumulée, ce

qui est considéré comme satisfaisant dans le cadre d'une analyse exploratoire, car cela
signifie que plus des deux tiers de l’information initiale est conservée.
Par ailleurs, le tracé d’effondrement (ou scree plot) révèle une cassure notable après la
troisième composante, renforçant ainsi l’idée que seules ces trois premières composantes
méritent d’être retenues pour l’interprétation.
Cette réduction de la complexité facilite la visualisation et l’analyse ultérieure des données,
tout en conservant l’essentiel de leur structure sous-jacente.
 ACP 10

[Link] de la matrice de composantes

Composante 1 (C1) : "Niveau de développement économique et performance macroéconomique"

Les variables HDI, FDIGDP, Inflation, Unemployment, Gov. Debt et Current Account ont toutes
des charges assez élevées sur C1.
Cela suggère que C1 est une dimension globale du développement économique, avec un
mélange de facteurs sociaux (HDI), macroéconomiques (Inflation, Debt), et d’attractivité (FDI).
Conclusion pour C1 : Elle résume l’état général de la santé économique et du développement d’un
pays. Un score élevé sur C1 signifie un pays avec bon HDI, bon FDI, mais aussi peut-être des
tensions inflationnistes et de dette.

Composante 2 : Dynamique de marché du

travail et comptes extérieurs
Interprétation :
Cette composante exprime une tension
entre l’emploi, l’inflation et la balance
courante.
Un pays avec un score élevé pourrait avoir
un marché du travail sous pression
(chômage) et inflation, mais une balance
courante excédentaire (si score négatif).

💡 Conclusion C2 : Cette composante semble indiquer un déséquilibre macroéconomique, où

des pays peuvent avoir des difficultés internes (chômage, inflation), malgré un comportement
externe contrasté (déficit ou excédent courant).

Composante 3 : Attractivité extérieure et IDE

Interprétation :
Le poids fort du FDI (Investissement direct étranger) montre que cette composante mesure
l’attractivité économique extérieure.
La contribution modérée de l’IDH renforce l’idée d’un intérêt pour les pays stables et
développés.
💡 Conclusion C3 : Cette composante représente une ouverture à l’investissement international,
reflet de la confiance des marchés et investisseurs étrangers.
 ACP 11

Interprétation des composantes

Composante 1 : Elle semble représenter un axe de

performance économique globale (croissance,
richesse). Les variables comme GDPperCapita2023,
GDPinTrillion$2023, et Gov.Debt2022 sont assez bien
projetées sur cet axe.
Composante 2 : Semble capturer un axe de stabilité
sociale/économique, avec des variables comme
Unemployment2023, Inflation2023, ou FDIGDP.

Composante 3 : Peut-être liée à des déséquilibres

macroéconomiques, comme les comptes courants
(CurrentAccount2023), ou à des facteurs de
développement plus complexes (HDI2021).

🔍 Interprétation variable par variable :

Unemployment2023: Positionnée positivement sur la Composante 2 → reflète une certaine
instabilité économique. Elle est isolée des indicateurs de richesse, donc mal corrélée avec
eux.
Inflation2023 :Proche d'Unemployment2023, ce qui montre qu’elle évolue dans le même sens
que le chômage. Peut indiquer un environnement économique instable.
Gov.Debt2022 : Légèrement vers la droite (Composante 1) → semble associée à des
économies plus développées, mais aussi potentiellement plus endettées.
HDI2021: Placée entre les indicateurs de développement économique et de stabilité → bon
indicateur composite.
FDIGDP :Assez proche d’Inflation et Unemployment → peut signaler une corrélation entre
investissements directs étrangers et instabilité.
GDPperCapita2023 :Corrélé positivement à la Composante 1 → indicateur clair de
performance économique.
GDPinTrillion$2023 :Similaire à GDP per capita, mais à une échelle nationale → position
similaire.
CurrentAccount2023 En bas à droite → assez différent des autres, probablement un indicateur
de déséquilibre externe.
HDI2021: Positionnée de façon centrale → bien corrélée à plusieurs dimensions du
développement.
 ADD 12

Chapitre 3 : Analyse basée sur AI

Ces statistiques descriptives confirment la nécessité absolue de

standardiser les données avant l'ACP en raison des échelles très
différentes. Elles montrent également une variabilité suffisante et
suggèrent des corrélations probables entre les variables, rendant l'ACP
une technique pertinente et potentiellement très informative pour
réduire la dimensionnalité et identifier les structures sous-jacentes
(facteurs latents économiques et sociaux) dans cet ensemble de données.

Lorem ip
dolor dig
molestie
Integer id
tempor v
mauris. N

La structure des corrélations met en évidence une dimension dominante

liant positivement la taille économique, la richesse par habitant et le
développement humain. L'inflation apparaît comme un facteur
inversement lié à cette dimension de prospérité et de développement. Ces
interrelations confirment l'existence de structures significatives dans les
données, justifiant l'utilisation de techniques d'analyse multivariée comme
l'ACP pour synthétiser ces informations et identifier les axes principaux de
variation.
 ADD 13

Ces tests ne quantifient pas la perte d'information, mais ils indiquent

que les conditions sont favorables à une ACP réussie. Le KMO de 0.72
suggère que l'ACP devrait pouvoir extraire des composantes qui
représentent bien la structure commune des données. Par conséquent,
on peut anticiper que la réduction dimensionnelle (en gardant les
composantes les plus importantes) se fera avec une perte d'information
gérable, c'est-à-dire en perdant principalement du bruit ou de la
variance spécifique plutôt que la structure fondamentale des relations
entre variables.

Lorem ip
dolor dig
molestie
Integer id
tempor v
mauris. N
 ADD 14

La solution initiale de l'ACP identifie trois dimensions orthogonales principales dans les données
:
Une dimension dominante de développement économique et humain global et de stabilité
macroéconomique.
Une deuxième dimension associant l'inflation, le chômage et les flux d'IDE entrants, en
opposition au solde du compte courant.
Une troisième dimension isolant spécifiquement le niveau de la dette publique.
Cette structure avant rotation maximise la variance expliquée séquentiellement mais peut
parfois être difficile à interpréter (particulièrement Comp2 ici). Une rotation (par exemple,
Varimax) pourrait être envisagée pour simplifier la structure factorielle, c'est-à-dire faire en
sorte que chaque variable charge fortement sur un moins grand nombre de composantes,
facilitant potentiellement une interprétation plus tranchée, notamment pour la deuxième
composante.

Lorem ip
dolor dig
molestie
L analyse du scree plot suggère fortement de retenir trois composantes principales. Bien que le Integer id
critère de Kaiser strict pointe vers deux composantes, la règle du coude est assez nette après la
troisième composante, et surtout, ces trois premières composantes expliquent ensemble un tempor v
pourcentage très satisfaisant (80%) de la variance totale des données originales. Retenir trois mauris. N
dimensions permet une réduction significative de la complexité (passage de 8 variables à 3
composantes) tout en conservant une part très importante de l'information initiale pertinente.
La perte d'information en s'arrêtant à 3 composantes (20% de la variance) est jugée acceptable
au regard du gain en parcimonie.
 ADD 15

La rotation Varimax a réussi à produire une structure simple, où chaque variable (parmi celles
montrées) charge fortement sur une seule composante et faiblement sur les autres. Cela
facilite grandement l'interprétation par rapport à la solution non rotatée :
La dimension "Développement/Richesse" (Comp1) est maintenant plus pure, débarrassée
des influences négatives de l'inflation/chômage vues dans la Comp1 non rotatée.
La dimension "Instabilité" (Comp2) se concentre sur l'inflation (et probablement d'autres
indicateurs de déséquilibre non montrés).
La dimension "Dette" (Comp3) est confirmée et encore plus clairement isolée.
Ces trois composantes rotatées représentent des dimensions orthogonales (non corrélées) et
interprétables qui résument 80% de l'information initiale (comme vu dans le scree plot). Elles
fournissent une base solide pour des analyses ultérieures, comme la classification des pays ou
l'étude de l'impact de ces dimensions synthétiques sur d'autres phénomènes.
Les visualisations complémentaires suggérées (diagramme en radar, nuage de points 3D) sont
pertinentes pour exploiter ces résultats : le radar permettrait de visualiser le profil d'un pays
spécifique sur ces trois axes, tandis que le nuage 3D positionnerait tous les pays dans cet
espace réduit à trois dimensions, révélant des groupes ou des trajectoires.

Lorem ip
dolor dig
molestie
Integer id
tempor v
mauris. N
 ADD 16

Conclusion
comparaison entre les deux analyses :
Dans ce travail, nous avons réalisé une analyse en composantes principales
(ACP) de deux manières : l'une générée par une intelligence artificielle, et l'autre
réalisée manuellement à l'aide d'un logiciel statistique SPSS. L’objectif de cette
partie est de comparer les deux approches et d’évaluer leurs similitudes,
différences, avantages et limites.

[Link] technique :

Sur le plan technique, les deux analyses présentent une forte convergence. Les
deux approches ont utilisé l'Analyse en Composantes Principales (ACP) , une
méthode statistique éprouvée pour réduire la dimensionnalité des données
tout en préservant l'information essentielle.
La rotation Varimax, une technique de simplification des composantes, a été
appliquée dans les deux cas, ce qui facilite grandement l'interprétation des
résultats.
Le nombre de composantes retenues est également identique : trois.
Ce choix est justifié par le critère du seuil de Kaiser et l'observation du
graphique des valeurs propres (scree plot), qui indiquent tous deux que les trois
premières composantes capturent la majorité de la variance totale.
En ce qui concerne la variance expliquée, les deux analyses montrent que les
trois premières composantes représentent environ 70 % de la variance totale.
Bien que les pourcentages exacts varient légèrement, cette différence est
normale et peut être attribuée aux variations algorithmiques et aux arrondis.
Les saturations des variables sur les composantes sont également trèsLorem ip
similaires. Les variables les plus importantes pour chaque composante sont lesdolor dig
mêmes dans les deux analyses, ce qui confirme la robustesse des résultats. molestie
Integer id
Enfin, les matrices de corrélation et les indices KMO/tests de Bartlett sonttempor v
satisfaisants dans les deux cas, ce qui indique que les données sont appropriéesmauris. N
pour l'ACP.
 ADD 17

RECAP DE LA COMPARAISON
TECHNIQUE

MÉTHODE D'ACP :
Les deux approches utilisent l'ACP.
La rotation Varimax a été appliquée dans les deux
cas, ce qui facilite l'interprétation des composantes.

NOMBRE DE Les deux analyses ont retenu trois composantes

COMPOSANTES :
principales, ce qui est cohérent avec le scree plot et le
seuil de Kaiser.

VARIANCE Les trois premières composantes expliquent environ

EXPLIQUÉE : 70 % de la variance totale dans les deux analyses, ce
qui indique qu'elles capturent une part importante de
l'information.
Les % de variance expliquée par composante sont
légèrement différents, ce qui est normale en fonction
des algorithmes de calculs.
SATURATIONS DES
VARIABLES : Les saturations des variables sur les composantes
sont similaires dans les deux analyses, mais il existe
quelques différences mineures.
Les variables les plus importantes pour chaque
composante sont globalement les mêmes.

MATRICES DE
CORRÉLATION : Les matrices de corrélation sont similaires, ce qui
confirme la cohérence des résultats.
Les indices KMO et les tests de Bartlett sont
satisfaisants pour les deux analyses.
 ADD 18

2. Interprétation :

L'interprétation des composantes est un autre point de convergence majeur.

Les deux analyses ont identifié trois composantes principales :
Une composante liée à la richesse et au développement humain (PIB, HDI).
Une composante liée à l'instabilité économique (inflation, chômage,
investissement étranger).
Une composante liée à la dette publique.
Cette interprétation est cohérente avec les connaissances du domaine et met
en évidence les relations complexes entre les variables économiques et sociales.
La pertinence des deux analyses est indéniable. Elles fournissent des
informations précieuses pour comprendre les facteurs qui influencent le
développement économique et social des pays.
L'analyse de l'IA a fourni un exemple de classement des pays en fonction de leur
composante dominante.
Interprétation des Composantes : Classement des Pays :

Les deux analyses ont identifié des

L'analyse de l'IA a fourni un
composantes liées à la
exemple de classement des
richesse/développement, à
pays en fonction de leur
l'instabilité économique et à la
composante dominante.
dette publique.
L'interprétation des composantes
est cohérente avec les
connaissances du domaine. Lorem ip
Les deux analyses sont pertinentes dolor dig
pour comprendre les relations molestie
entre les variables économiques et Integer id
sociales. tempor v
mauris. N
 ADD 19

3. Avantages et Limites :

Chaque approche présente des avantages et des limites :

Analyse SPSS :
Avantages :
Contrôle total sur les paramètres de l'analyse.
Transparence des méthodes utilisées.
Flexibilité pour personnaliser les résultats.
Limites :
Nécessite une expertise en statistiques.
Peut être plus chronophage.
Nécessite une bonne connaissance du logiciel SPSS.

Analyse de l'IA :
Avantages :
Rapidité d'exécution.
Visualisations claires et concises.
Interprétation automatisée.
Limites :
Manque de transparence sur les algorithmes utilisés.
Possibilité de biais introduits par l'IA.
Nécessite de fournir des liens externes, ou des images, qui peuvent
ne pas être pratique.

En somme, les deux analyses offrent des perspectives complémentaires. L'IALorem ip

excelle dans la rapidité et la simplicité, tandis que SPSS offre un contrôle et unedolor dig
personnalisation supérieurs. molestie
Integer id
tempor v
mauris. N