Analyse Factorielle de Correspondance

AFC

Said EL KHATRI : elkhatri@[Link] 1

 Analyse Factorielle de Correspondance
AFC

L’AFC est une méthode descriptive

qui permet de décrire la liaison (ou correspondance)

entre deux ou plusieurs variables qualitatives.

Said EL KHATRI : elkhatri@[Link] 2

 Analyse Factorielle de Correspondance
AFC

On distingue :

∙ L'Analyse Factorielle des Correspondances (AFC) :

appliquée pour 2 variables qualitatives

∙ L'Analyse Factorielle des Correspondances Multiples (AFCM) :

appliquée pour plus de 2 variables qualitatives

Said EL KHATRI : elkhatri@[Link] 3

Rappel de statistiques de base

Said EL KHATRI : elkhatri@[Link] 4

 Variable qualitative

• nominale
exemple:
couleur [jaune, vert, ..],
ville [Casa, Rabat, Oujda, ..]

• ordinale
exemple:
type de voiture [aucune, petite, moyenne, grande]
age [16-24, 25-34, 35-44, 45-54, 55-64, 65-74, 75+]

Said EL KHATRI : elkhatri@[Link] 5

 Exemple
A la sortie des salles de Cinéma, on demande au public de donner
une appréciation (mauvais, moyen, bon, très bon)

sur ce film puis on note :

leur âge (16-24, 25-34, 35-44, 45-54, 55-64, 65-74, 75+)

Appréciation âge
1 Bon 25-34
2 Moyen 35-44
3 Bon 75+
:
K=1357 Mauvais 16-24
Said EL KHATRI : elkhatri@[Link] 6
 1 variable qualitative
Soit I la variable (caractère) qualitative à n modalités 1,,n : I Є {A1, ,An}

I : décrit un ensemble de k individus.

Individu variable I
1 A3
2 An
Individu Age
3 A1
1 35-44
: :
2 16-24
k A2 3 +75
: :
k 16-24
Said EL KHATRI : elkhatri@[Link] 7
 1 variable qualitative
Analyse :
Etudier les effectifs et fréquences des modalités de la variable

Représentation graphique

Diagramme en bâton Camembert ou secteur (pie char)

300 276
256 75+
250 65-74 62 16-24
229
207 155 5% 207
55-64 11% 25-34
200 15%
172 172 229
155 13% 17%
150 45-54 35-44
256 276
100 19%
62 20%
50

0
16-24 25-34 35-44 45-54 55-64 65-74 75+

Said EL KHATRI : elkhatri@[Link] 8

 2 Variables qualitatives
Exemple de 2 modalités
Mauvais Bon

16-24 69 48

55-64 122 6

140
100%
120
90%
100 80%
70%
80 60%
16-24
50% 55-64
60 55-64 40% 16-24
40 30%
20%
20 10%
0%
0
Mauvais Bon
Mauvais Bon

Said EL KHATRI : elkhatri@[Link] 9

 2 Variables qualitatives
Exemple de 2 modalités
Mauvais Bon

16-24 69 48

55-64 122 6

100%
140
90%
120 80%

100 70%
60%
80
Bon
Mauvais 50%
60 40% Mauvais
Bon
30%
40
20%
20 10%
0%
0
16-24 55-64
16-24 55-64

Said EL KHATRI : elkhatri@[Link] 10

 2 Variables qualitatives
Une variable à 7 modalités
180

160
Une variable à 4 modalités
140

120
Mauvais
100
Moyen
80
Bon
60 Très Bon
40

20 180

0 160
16-24 25-34 35-44 45-54 55-64 65-74 75+
140 16-24
120 25-34
100 35-44

80 45-54

60 55-64
65-74
40
75+
20

0
Mauvais Moyen Bon Très Bon

Said EL KHATRI : elkhatri@[Link] 11

 2 Variables qualitatives
Une variable à 7 modalités
100% Une variable à 4 modalités
90%
80%
70%
60% Très Bon

50% Bon

40% Moyen

30% Mauvais
20%
10% 100%

0% 90%
16-24 25-34 35-44 45-54 55-64 65-74 75+ 80%
75+
70%
65-74
60%
55-64
50%
45-54
40%
35-44
30%
25-34
20%
16-24
10%
0%
Mauvais Moyen Bon Très Bon

Said EL KHATRI : elkhatri@[Link] 12

Analyse de 2 variables qualitatives
À l’aide de l’AFC

Said EL KHATRI : elkhatri@[Link] 13

 Tableaux de contingence
Soient I et J deux variables qualitatives décrivant un
ensemble de k individus.
I →n modalités I=1,..,I=i,..,I=n
J →p modalités J=1,..,J=j,..,J=p

kij : l'effectif de la classe (I=i,J=j)

1 … j … p
1 : k1.
Ki. : total marginal de I=i : :
i … … kij … … ki.
K.j : total marginal de J=j : :
n : kn.
k.1 k.j k.p k

Said EL KHATRI : elkhatri@[Link] 14

 Tableaux de contingence
Soient I=âge et J=appréciation deux variables qualitatives
décrivant un ensemble de k= 1357individus.
I →n=7 modalités I=1,,I=n (16-24, 25-34, 35-44, 45-54, 55-64, 65-74, 75+)
J →p=4 modalités J=1,,J=p (mauvais, moyen, bon, très bon)

K2,3 =14 : l'effectif de la classe (I=2: 25-34,J=3:Bon)

effectif réel
Mauvais Moyen Bon Très Bon Total
16-24 69 49 48 41 207
K2. =229: total marginal de I=2
25-34 148 45 14 22 229
35-44 170 65 12 29 276
K.3 =98: total marginal de J=3 45-54 159 57 12 28 256
55-64 122 26 6 18 172
65-74 106 21 5 23 155
75+ 40 7 1 14 62
Total 814 270 98 175 1357
Said EL KHATRI : elkhatri@[Link] 15
 Tableau de fréquences
fij : fréquence de la classe (I=i,J=j) :
fi. : fréquence marginale de I=i : poids de la ligne i
f.j : fréquence marginale de J=j : poids de la colonne j
1 … j … p
1 : f1.
: :
i … … fij … … fi.
: :
n : fn.
f.1 f.j f.p 1
Said EL KHATRI : elkhatri@[Link] 16
 Tableau de fréquences
f2,3 =14/1357=1.03%: fréquence de la classe (I=2,J=3) :
f2. =16.88%: fréquence marginale de I=2 : 25-34ans
f.3 =7.22% : fréquence marginale de J=3: Bon
Mauvais Moyen Bon Très Bon Total
16-24 5.08% 3.61% 3.54% 3.02% 15.25%
25-34 10.91% 3.32% 1.03% 1.62% 16.88%
35-44 12.53% 4.79% 0.88% 2.14% 20.34%
45-54 11.72% 4.20% 0.88% 2.06% 18.87%
55-64 8.99% 1.92% 0.44% 1.33% 12.68%
65-74 7.81% 1.55% 0.37% 1.69% 11.42%
75+ 2.95% 0.52% 0.07% 1.03% 4.57%
Total 59.99% 19.90% 7.22% 12.90% 100.00%

Said EL KHATRI : elkhatri@[Link] 17

 Objectifs de l’AFC
Analyse du Tableau de contingence
effectif réel
Mauvais Moyen Bon Très Bon Total
16-24 69 49 48 41 207
25-34 148 45 14 22 229 La comparaison
35-44 170 65 12 29 276 entre ces 2
45-54 159 57 12 28 256 chiffres n’a pas de
sens
55-64 122 26 6 18 172
65-74 106 21 5 23 155
75+ 40 7 1 14 62
Total 814 270 98 175 1357

• Analyser la liaison entre l’âge et l’appréciation ?

• Analyser le lien entre les différents âges ?
• Analyser le lien entre les différentes appréciations ?
• Analyser le lien entre une classe d’âge et une classe d’appréciation
18
 Dépendance entre I et J

Rappel :
Il y a indépendance entre deux variables qualitatives I et J si
pour tout i et tout j:

Si les deux variables I et J sont indépendantes

alors :

Said EL KHATRI : elkhatri@[Link] 19

 Dépendance entre I et J

L'écart à l'indépendance se mesure par :

Les variables I et J sont indépendantes

si et seulement si :

Said EL KHATRI : elkhatri@[Link] 20

 Dépendance entre I et J

Lorsque I et J sont indépendantes, on montre que:

à (n-1)*(p-1) degrés de liberté

avec :

Said EL KHATRI : elkhatri@[Link] 21

 Dépendance entre I et J
Soit T0.95 tel que P(χ2< T0.95 )=0.95
T0.95 est donnée par les logiciels et les tables statistiques

Si D2 > T0.95
alors D2 est vraisemblablement non nulle à 95%
de confiance
=> la liaison entre I et J est significative

0.95
(95%) 0.05

Said EL KHATRI : elkhatri@[Link] T0.95 22

 Dépendance entre I et J
Remarques :

Les logiciels statistiques fournissent aussi le degré de signification α de D² :

P(D²<χ2)=α

Si α tend vers 0 (inférieur à 0.05), on peut accepter que D² est non nulle
(la liaison entre I et J est significative au risque α =seuil de risque).

0.95
(95%) 0.05

T0.95

Said EL KHATRI : elkhatri@[Link] 23

 Exemple
Tableau des nombres théoriques :

Effectif théorique
Mauvais Moyen Bon Très Bon Total
16-24 124 41 15 27 207
25-34 137 46 17 30 229
35-44 166 55 20 36 276
45-54 154 51 18 33 256
55-64 103 34 12 22 172 effectif réel
65-74 93 31 11 20 155 Mauvais Moyen Bon Très Bon Total
16-24 69 49 48 41 207
75+ 37 12 4 8 62 25-34 148 45 14 22 229
35-44 170 65 12 29 276
Total 814 270 98 175 1357 45-54 159 57 12 28 256
55-64 122 26 6 18 172
65-74 106 21 5 23 155
75+ 40 7 1 14 62
Total 814 270 98 175 1357
Said EL KHATRI : elkhatri@[Link] 24
 Exemple
Les différences :
effectif réel Effectif théorique
Mauvais Moyen Bon Très Bon Total Mauvais Moyen Bon Très Bon Total
16-24 69 49 48 41 207 16-24 124 41 15 27 207
25-34 148 45 14 22 229 25-34 137 46 17 30 229
35-44 170 65 12 29 276 35-44 166 55 20 36 276
45-54 159 57 12 28 256 45-54 154 51 18 33 256
55-64 122 26 6 18 172 55-64 103 34 12 22 172
65-74 106 21 5 23 155 65-74 93 31 11 20 155
75+ 40 7 1 14 62 75+ 37 12 4 8 62
Total 814 270 98 175 1357 Total 814 270 98 175 1357

Said EL KHATRI : elkhatri@[Link] 25

 Exemple
L’âge et l’appréciation sont ils liés ?

test du Khi2 d'indépendance:

Khi2 observée 148,268 D2
Khi2 critique 28,869 T0.95

degré de liberté 18 = (4-1)X(7-1)

degré de signification < 0,001
alpha 0,05

Khi2 observée > Khi2 critique

L’âge et l’appréciation sont bien liés
Le degré de signification < 0.05

Said EL KHATRI : elkhatri@[Link] 26

 Nuage de points
Remarque :
• Ni les lignes ni les colonnes ne sont centrés
• Les lignes et les colonnes jouent un rôle symétrique et on n'a
pas à distinguer entre « ligne » et « colonne ».
• Dans la suite on se focalisera sur les profils lignes.

Said EL KHATRI : elkhatri@[Link] 27

 Profils-lignes
On fait correspondre à chaque modalité i de I
le profil-ligne qui est le vecteur :

À diviser
chaque terme
par :

Said EL KHATRI : elkhatri@[Link] 28

Profils-lignes

Said EL KHATRI : elkhatri@[Link] 29

 Exemple
Fréquence réelle Profils-lignes
Mauvais Moyen Bon Très Bon Total Mauvais Moyen Bon Très Bon Total

16-24 5.08% 3.61% 3.54% 3.02% 15.25% 16-24 0.33 0.24 0.23 0.20 1.00

25-34 10.91% 3.32% 1.03% 1.62% 16.88% 25-34 0.65 0.20 0.06 0.10 1.00

35-44 12.53% 4.79% 0.88% 2.14% 20.34% 35-44 0.62 0.24 0.04 0.11 1.00
45-54 11.72% 4.20% 0.88% 2.06% 18.87% 45-54 0.62 0.22 0.05 0.11 1.00
55-64 8.99% 1.92% 0.44% 1.33% 12.68% 55-64 0.71 0.15 0.03 0.10 1.00
65-74 7.81% 1.55% 0.37% 1.69% 11.42% 65-74 0.68 0.14 0.03 0.15 1.00
75+ 2.95% 0.52% 0.07% 1.03% 4.57% 75+ 0.65 0.11 0.02 0.23 1.00
Total 59.99% 19.90% 7.22% 12.90% 100.00% Moyenne 0.60 0.20 0.07 0.13 1.00

180 100%
160
140 80%
120 Mauvais
60% Très Bon
100
80 Moyen Bon
40%
60 Bon Moyen
40 20%
20 Très Bon Mauvais
0 0%

Said EL KHATRI : elkhatri@[Link] 30

 Nuage des profils lignes
n points 1 … j … p
1 X11 X1j X1p 1
Dans : : :
i Xi1 … Xij … Xip 1
: :
n Xnj 1
f.1 f.j f.p 1

G 1
O

1
Said EL KHATRI : elkhatri@[Link] 31
 Détermination des directions factorielles
L'idée de l'AFC, comme en ACP, est de déterminer un nouveau repère qui
permettra, en des projections bidimensionnelles, de montrer les plus grands
allongements de ce nuage au tour de son centre de gravité

Les directions factorielles sont trouvées de la même manière qu'en ACP, sauf que :
En ACP En AFC
• Les point Ii sont munis : • Chaque point Ii est muni :
du même poids pi=1/n d’un poids pi=fi.

• La distance utilisée est la distance • La distance utilisée est la distance de Khi2

euclidienne

• les colonnes (variables) sont centrées • ni les lignes ni les colonnes ne sont
centrées

• Les points existent dans un espace de • Les points existent dans un espace de
dimension : r =min(p,n) dimension : r =min(p-1,n-1)
Said EL KHATRI : elkhatri@[Link] 32
 Détermination des directions factorielles
• Chaque point Ii est muni :
d’un poids pi=fi.

Said EL KHATRI : elkhatri@[Link] 33

 Détermination des directions factorielles
• La distance utilisée est la distance de Khi2

Said EL KHATRI : elkhatri@[Link] 34

 Détermination des directions factorielles
• ni les lignes ni les colonnes ne sont centrées mais on analysera la dispersion du nuage des
points par rapport à son centre de gravité

Soit g le Profil ligne moyen

g est tel que :

gt=(f.1, …,f.p)

Très
Mauvais Moyen Bon Bon Total
16-24 0.33 0.24 0.23 0.20 1.00
25-34 0.65 0.20 0.06 0.10 1.00
35-44 0.62 0.24 0.04 0.11 1.00
45-54 0.62 0.22 0.05 0.11 1.00
55-64 0.71 0.15 0.03 0.10 1.00
65-74 0.68 0.14 0.03 0.15 1.00
75+ 0.65 0.11 0.02 0.23 1.00

Moyenne 0.60 0.20 0.07 0.13 1.00

Said EL KHATRI : elkhatri@[Link] 35

 Détermination des directions factorielles
• Les points existent dans un espace de dimension : r =min(p-1,n-1)

Les points appartiennent à l’hyperplan : x1 +x2+ …+xp=1

Said EL KHATRI : elkhatri@[Link] 36

 Détermination des directions factorielles
Inertie totale du nuage des profils lignes

I I

NB: S’il y a indépendance, les profils Xi seraient confondus avec le centre de gravité G
Said EL KHATRI : elkhatri@[Link] 37
 Détermination des directions factorielles
Inertie totale du nuage des profils colonnes

J J

Remarque :
L’inertie totale (des profils lignes ou colonnes) est une mesure de la liaison qui est
indépendante de l’effectif total du tableau

Said EL KHATRI : elkhatri@[Link] 38

 Détermination des directions factorielles

Remarque :
l’ACP permet de décrire la l’AFC permet de décrire la
variabilité de p variables liaison entre 2 variables
quantitatives en étudiant la qualitatives I et J en étudiant
structure de la variance totale la structure de la liaison
Via la recherche de nouveaux Via la recherche de nouveaux
axes qui expliquent le axes qui expliquent le
maximum d’inertie maximum d’inertie
 Maximum de variance Maximum de liaison
mesure
•La liaison entre les 2 variables qualitatives
•L’inertie totale du nuage des profils lignes
•L’inertie totale du nuage des profils colonnes
•L'écart à l'indépendance
Said EL KHATRI : elkhatri@[Link] 39
 Détermination des directions factorielles
Les directions d'inertie privilégiées sont trouvées de la même manière qu'en ACP, sauf
qu'avec l'AFC:
1) les profils lignes et les profils colonnes ont chacun un poids,
2) la distance utilisée est de Khi2
3) ni les colonnes ni les lignes ne sont centrées

On obtient :

• r axes factoriels : r=min(p-1,n-1)

• Le premier axe a le maximum d’inertie

• Le dernier axe a le minimum d’inertie

• L’inertie totale :
Said EL KHATRI : elkhatri@[Link] 40
 Qualité
La qualité de représentation d’un axe =?
= le pourcentage d’inertie expliqué par l’axe
= inertie de l’axe / inertie totale

La qualité de représentation d’un plan =?

= le pourcentage d’inertie expliqué par le plan
= (la somme des inerties des 2 axes)/ inertie totale
NB: En général, les 2 premiers axes suffisent pour expliquer plus de 70% de l'inertie
initiale. Lorsque ce n'est pas le cas, on utilise les 3 premiers axes en les étudiant
deux par deux.

Said EL KHATRI : elkhatri@[Link] 41

 Exemple

Said EL KHATRI : elkhatri@[Link] 42

 Qualité
La qualité de représentation d’une modalité =?
Sur un axe =? = cosinus2 de l’angle fait par la modalité et l’axe :
Ai
Cos2(Fk)=GHi2/GAi2

Fk
G Hi

Sur un plan =? = cosinus2 de l’angle fait par la modalité et le plan

Ai

G Cos2=GHi2/GAi2=a2/GAi2+b2/GAi2
a
b Fk Cos2=Cos2(Fk)+Cos2(Fl)
Hi
Fl
Said EL KHATRI : elkhatri@[Link] 43
 Contribution
La contribution d’une modalité à l’inertie totale :
= inertie de la modalité / inertie totale

piGAi
=
p1GA1 + p2GA2 + …+ pnGAn Ai
A2 A1
piGAi
= G
A3

Indique quelles modalités sont les plus différentes de

la moyenne dans l’ensemble du nuage
Said EL KHATRI : elkhatri@[Link] 44
 Contribution
La contribution d’une modalité à l’inertie d’un axe
= inertie de la modalité sur l’axe / inertie de l'axe
piGHi
=
p1GH1 + p2GH2 + …+ pnGHn La contribution d'une modalité à l’inertie
d’un axe est un compromis entre la
distance au centre de gravité et le poids de la
piGHi modalité
=
λk => Les points extrêmes ne sont pas nécessairement
ceux qui contribuent
le plus a la construction des axes

Ai
Permet de donner un sens à l’axe
Fk
G Hi

Said EL KHATRI : elkhatri@[Link] 45

 Interprétation des résultats
Les 2 nuages :

- des profils-lignes
- et des profils-colonnes

sont projetés successivement sur des plans factoriels

et interprétés.
On peut projeter simultanément les 2 nuages sur un
même plan

Said EL KHATRI : elkhatri@[Link] 46

 Interprétation des résultats
L'interprétation de l'AFC consistera à :
* Donner un sens aux axes en étudiant les contributions de
chaque profil (modalité) : Les profils ayant les plus fortes contributions sur
un axe, permettront de donner un sens à cet axe

* Interpréter la position des profils (modalités) par rapport au

sens donné aux axes : L'étude des signes des coordonnées des profils permet
de mettre en valeur des oppositions.

* Interpréter la proximité des profils-lignes

* Interpréter la proximité des profils-colonnes

Said EL KHATRI : elkhatri@[Link] 47

 Interprétation des résultats
Au sein d’une même variable, la proximité de deux
modalités est significative

• Deux points profils proches sur le graphe

représenteront deux modalités de I ayant des
distributions (répartitions) suivant les modalités de J
assez semblables.

• deux points profils éloignés représenteront deux

modalités de I dont les distributions suivant les
modalités de J sont très différentes

Said EL KHATRI : elkhatri@[Link] 48

 Interprétation des résultats
Entre variables différentes, on jauge l’angle formé
entre les deux modalités et l’origine

• Un angle proche de zéro, implique une liaison

• Un angle proche de 90°, implique pas liaison

• Un angle proche de 180°, implique une liaison

inverse

Said EL KHATRI : elkhatri@[Link] 49

 Exemple
(10.7%)

Toutes les modalités sont

bien représentées sur le plan
(1,2): grand cosinus carré
=(somme des cosinus carrés)

(86,6%)
Caractéristiques des points colonnesa

Score dans la dimension Contribution

De point à inertie de De dimension à inertie de point
dimension (cosinus carré)

FILM Masse 1 2 3 Inertie 1 2 3 1 2 3 Total

Mauvais ,600 ,348 -,033 ,119 ,023 ,237 ,006 ,158 ,977 ,003 ,020 1,000

Moyen ,199 -,184 ,505 -,290 ,008 ,022 ,471 ,309 ,245 ,648 ,107 1,000

Bon ,072 -1,702 ,060 ,429 ,065 ,680 ,002 ,246 ,989 ,000 ,011 1,000

Tres_bon ,129 -,384 -,661 -,348 ,013 ,062 ,521 ,288 ,458 ,476 ,066 1,000

Total actif 1,000 ,109 1,000 1,000 1,000 50

 Exemple
(10.7%)

Caractéristiques des points lignesa

Score dans la dimension Contribution

De point à inertie de De dimension à inertie de point
dimension (cosinus carré)
AGE Masse 1 2 3 Inertie 1 2 3 1 2 3 Total
16_24 ,153 -1,294 -,077 ,032 ,079 ,830 ,008 ,003 ,999 ,001 ,000 1,000
25_34 ,169 ,156 ,169 ,239 ,002 ,013 ,045 ,178 ,549 ,226 ,225 1,000 (86,6%)
35_44 ,203 ,185 ,296 -,234 ,005 ,023 ,165 ,206 ,458 ,412 ,129 1,000
45_54 ,189 ,174 ,210 -,155 ,003 ,019 ,077 ,084 ,607 ,309 ,084 1,000
55_64 ,127 ,389 -,129 ,357 ,007 ,062 ,020 ,298 ,843 ,032 ,125 1,000
65_74 ,114 ,330 -,464 ,083 ,007 ,040 ,227 ,015 ,587 ,407 ,007 1,000
75+ ,046 ,292 -1,040 -,506 ,007 ,013 ,457 ,216 ,167 ,744 ,089 1,000
Said EL KHATRI : elkhatri@[Link]
Total 1,000 ,109 1,000 1,000 1,000
51
actif
 Etre d’un age moyen

10.7%
Exemple et dire que le film est
moyen

Etre plus vieux et ne pas

Etre jeune et aimer ce film aimer ce film

Etre très
86,6% vieux et bien
aimer ce film

Said EL KHATRI : elkhatri@[Link] 52

10.7%
Exemple

86,6%

Said EL KHATRI : elkhatri@[Link] 53

 Formes classiques des nuages
Le nuage a une forme de parabole

Se produit fréquemment lorsqu'une des deux

variables est ordinale : classe d'âge, revenus,
périodes …
Il est alors intéressant de relier, dans l'ordre, les
points correspondants aux modalités de la
variable.
Said EL KHATRI : elkhatri@[Link] 54
 Formes classiques des nuages

L'axe 1 oppose les modalités faibles aux modalités fortes

L'axe 2 oppose les classes moyennes aux classes extrêmes.

Said EL KHATRI : elkhatri@[Link] 55

Formes classiques des nuages
Points aberrants

Said EL KHATRI : elkhatri@[Link] 56

 Formes classiques des nuages
Deux paquets de points

Said EL KHATRI : elkhatri@[Link] 57

 Formes classiques des nuages
Deux paquets de points

Si on ré-ordonne les modalités des variables selon l'ordre défini par les axes,
alors le tableau de contingence associé sera de la forme :

Said EL KHATRI : elkhatri@[Link] 58

 Analyse Factorielle des
Correspondances Multiples (AFCM)

Said EL KHATRI : elkhatri@[Link] 59

 AFCM

L‘AFCM est une « généralisation » de l’AFC

Elle permet d'étudier les liaisons qui existent entre

plusieurs variables qualitatives sur une même
population.

Said EL KHATRI : elkhatri@[Link] 60

 AFCM
Tableau des données : p variables qualitatives : V1, ,Vp
observées sur n individus.

« Vij » est la modalité de la variable

« Vj » prise par l’individu « i » V1 … Vj … Vp
1 :
: :
i … … Vij … …
: :
n :

Said EL KHATRI : elkhatri@[Link] 61

 AFCM
Tableau des données : exemple

Individu Age genre Niveau d’éducation Couleur des

yeux
1 25-34 H Licence noir

2 +75 F Bac bleu

: : : : :

n 16-24 F Lycée bleu

Said EL KHATRI : elkhatri@[Link] 62

 Soit :
AFCM
mj le nombre de modalités de la variable Vj : 1,,mj

On décompose la variable Vj en mj variables, tel que: pour chaque individu une

seule variable prend la valeur 1 (modalité réalisée), le reste =0

Individu Age genre

16-24 25-34 35-44 45-54 55-64 65-74 75+ homme femme

1 0 1 0 0 0 0 0 1 0

2 0 0 0 0 0 0 1 0 1

: : : : : : : :

n 1 0 0 0 0 0 0 0 1

mj=age= 7 mj=genre= 2

Said EL KHATRI : elkhatri@[Link] 63

 AFCM
m = nbre de modalité total

V1 … Vp
1 … m1 … … … 1 … mp
1 0 … 1 1 … 0 p
2 1 … 0 0 … 0 p
3 0 … 0 0 … 1 p
: …
n 1 … 0 0 … 0 p
n1 … … nm pn

Said EL KHATRI : elkhatri@[Link] 64

AFCM: Analyse du tableau logique
Le tableau peut être vu comme un tableau de contingence entre :
-la variable « individus » AFC
-et une variable à m modalités V.

L'inertie des nuages est :

m = nbre total des modalités
p = nbre de variables qualitatives

Said EL KHATRI : elkhatri@[Link] 65

 AFCM: Interprétation
L'interprétation d'une AFCM
est assez semblable à celle d’une AFC:

• interprétation des axes

• puis interprétation des proximités entre les différentes
modalités des variables

Said EL KHATRI : elkhatri@[Link] 66

 AFCM: Interprétation des variables
quantitatives
L'AFCM est utilisée en général pour interpréter un ensemble
de variables quantitatives dont les valeurs ont été regroupées
en classes.
Exemple :
Age : 16-24 (1), 25-34(2), 35-44(3), 45-54(4), 55-64(5), 65-74(6), 75+(7)
Revenu : <3000,00 (1),3000-5000(2),5000-10000(3), >10000(4)

Variables
anti-corrélées Variables
décorrélées

Said EL KHATRI : elkhatri@[Link] 67

 AFCM: Remarques
Effectif des modalités :
L'inertie apportée au nuage par une modalité k est:

nk faibe => In(k) fort

V1 … Vp
1 … m1 … … … 1 … mp
Il est préférable de limiter le 1 0 … 1 1 … 0 p
2 1 … 0 0 … 0 p
nombre de modalités à faible 3 0 … 0 0 … 1 p
effectif. : …
Ou redéfinir les modalités. n 1 … 0 0 … 0 p
n1 … … nm pn

Said EL KHATRI : elkhatri@[Link] 68

 AFCM: Remarques
Nombre de modalités :
L'inertie apportée au nuage par une variable est:

mj grande => In(Vj) fort

V1 … Vp
1 … m1 … … … 1 … mp
Il est donc conseillé de travailler 1 0 … 1 1 … 0 p
2 1 … 0 0 … 0 p
avec des variables ayant des 3 0 … 0 0 … 1 p
modalités en nombre comparable : …
n 1 … 0 0 … 0 p
n1 … … nm pn

Said EL KHATRI : elkhatri@[Link] 69

 Fin du chapitre :

Analyse Factorielle de Correspondance

AFC

Said EL KHATRI : elkhatri@[Link] 70