BUREAU D'APPLICATION DES METHODES

STATISTIQUES ET INFORMATIQUES

DT 01/2001

Statis : une méthode d’analyse conjointe

de plusieurs tableaux de données

Samuel AMBAPOUR

BAMSI

BAMSI B.P. 13734 Brazzaville

 DT 01/2001

Statis : une méthode d’analyse conjointe

de plusieurs tableaux de données

Samuel AMBAPOUR*

Résumé : Nous présentons et utilisons une méthode d’analyse conjointe de plusieurs

tableaux de données : la méthode STATIS (structuration des tableaux à trois indices
de la statistique). Introduite par Y. Escoufier et H. l’Hermier des Plantes, elle
s’appuie sur les propriétés des opérateurs associés à différents tableaux de données.
Elle est mise en œuvre ici pour étudier l’évolution des tableaux entrées-sorties
(T.E.S) du Congo.

Mots clés : Analyse conjointe, Analyse des correspondances, Analyse en composantes

principales, interstructure, intrastructure, compromis, opérateur, produit scalaire,
T.E.S.

*SNE BP 95, Brazzaville, TEL : 81 05 69, FAX : 81 05 69

BAMSI BP 13734, Brazzaville, FAX : 81 58 64
E-mail : ambapour_samuel@[Link]
Je remercie J. Mata et J.C. Okandza pour leurs commentaires.
Ces documents de travail ne reflètent pas la position du BAMSI mais n’engagent que
ses auteurs.

2
Introduction

L’économiste dispose d’un ensemble de tableaux d’échanges correspondant à plusieurs

années qu’il souhaite analyser. Il peut pour ce faire, utiliser les techniques classiques
d’analyse des données (Ambapour-Kosso, 1992). En effet, les tableaux d’échanges
peuvent être considérés comme des tableaux de contingence particuliers associés aux
deux caractères qualitatifs : « être envoyé par … » et « être reçu par ». Dans ce cas,
l’analyse factorielle des correspondances permet d’obtenir des images résumées des
tableaux considérés isolement. L’étude globale des différents tableaux peut se faire
ensuite par la comparaison des images (plans factoriels) correspondant à des années
successives. Ce qui permet de saisir ou d’expliquer l’évolution de la structure des
échanges. Mais cette façon de procéder peut présenter des inconvénients.
L’économiste risque d’être submergé par le nombre important de représentations. Il
peut également penser que, chacun des tableaux ne donne qu’une vision partielle de
la réalité (Escoufier, 1985). Pour ces deux raisons, il va alors chercher un ensemble de
représentation unique. Ce vœu est pleinement comblé par l’existence aujourd’hui de
différentes techniques d’analyse conjointe de tableaux de données. On présente dans
ce texte, l’une d’entre elles : la méthode STATIS (structuration des tableaux à trois
indices de la statistique). C’est une méthode exploratoire d’analyse des données qui
s’applique à des données quantitatives : p tableaux de mesures X k ont été observés
en différentes occasions sur n individus.

Xp

Xk

X1

Cette méthode de répondre aux objectifs suivants :

3
- déceler les tableaux qui se ressemblent ;
- fournir un tableau résumé de l’ensemble ;
- décrire les écarts entre tableaux en prenant comme référence ce tableau résumé ;
- déterminer si les écarts sont dus aux variables ou aux individus.
Lorsque le temps indice les situations expérimentales, l’objectif peut être de
reconnaître les évolutions.

Dans le premier paragraphe de ce texte méthodologique, on définit les notations. On

caractérise ensuite les situations rencontrées dans l’application de cette méthode dans
le deuxième paragraphe ; les équivalences entre tableaux et les opérateurs qui
permettent de rendre opérationnelles ces équivalences sont également introduits. Le
troisième paragraphe développe les procédures mathématiques utilisées pour satisfaire
les objectifs énumérés précédemment. Enfin dans le dernier paragraphe, la méthode
STATIS est appliquée pour étudier l’évolution des T.E.S congolais. Seuls les résultats
de l’interstructure sont présentés.

1. Notations – Schéma de dualité

Les notations utilisées sont celles de caillez et Pages (1976). On note

par : X = { x i
j i ∈ I ; j ∈ J } , le tableau de données du type individus caractères ; où :
I est appelé ensemble des individus ; avec CardI = n ;
J Ensemble des caractères ; avec CardJ = p .
Ce tableau de format ( p, n) admet deux représentations :
- une représentation du nuage M des n ‘’points individus’’ dans l’espace vectoriel
E = R p ; E est ‘’l’espace des individus’’ ;
- une représentation du nuage N des p ‘’points caractères’’ dans l’espace vectoriel
F = R n ; F est ‘’l’espace des caractères’’.
E et F sont munis de leur base canonique :
{e j j = 1,… , p}
{f i i = 1,… , n }

E * et F * espaces duaux de E et F auront pour base :

{ ef *
j = 1,… , p}
{ j*
i i = 1,… , n }

4
On peut alors considérer le tableau X comme la matrice associée à l’application
linéaire de F * dans E définie par :
X ( fi * ) = xi
De même la transposée X ' est la matrice de l’application linéaire de E * dans F est
définie par :
X '( ej* ) = x j

Pour mesurer les proximités entre individus (ou entre caractères), on munit E
(respectivement F ) d’une métrique euclidienne M (respectivement N ) :
M : E → E * ; M définit la distance entre individus ;
N : F → F* ; N définit la distance entre les caractères. Généralement, on choisit
pour N , la métrique des poids D p définie par la matrice diagonale :

⎛ p1 0 ⎞⎟
⎜
Dp = ⎜ ⎟
⎜ ⎟
⎝0 pn ⎠

X est centré pour D p si X D 1 = 0

Où :
⎛ 1⎞
⎜ ⎟
1 =⎜ ⎟
⎜ 1⎟
⎝ ⎠

Et finalement, au tableau des données X correspond le schéma de dualité ci-après

résumant les applications précédentes :

X
E = Rp F*

M V W Dp

X'
E *
F = Rn

5
avec :
W = X 'M X et V = X Dp X '
tels que :
V ( ej* , ek* ) = Dp ( x j , x k ) = Dp ( X ' ej* , X ' ek* )
W ( fi * , f k* ) = M ( xi , xk ) = M ( Xfi * , Xf k* )
W est la matrice de produits scalaires entre individus de E .
V est la matrice de produits scalaires entre variables de F . Si X est centré, V est
la matrice des variances et covariances entre les p variables du tableau X .

2. Les données – Caractérisation des situations

rencontrées
On dispose de k tableaux de données quantitatives obtenus à différentes époques, et
que l’on désire comparer. Lorsque l’on applique la méthode STATIS, on peut se
trouver dans l’une des trois situations décrites ci-dessous. On indique par ailleurs,
comment à chaque cas, on doit associer à chaque tableau, un élément caractéristique.

2.1. Les situations

2.1.1. Situation 1
k tableaux de mesures concernant les mêmes individus affectés des mêmes poids. On
a donc k triplets ( X k , M k , D ) , ou X k la matrice pk x n centrée pour D et M k une
métrique sur R pk . On pose :
Wk = X ′ M k X

2.1.2. Situation 2
k tableaux de mesures résultant de l’observation des mêmes variables. On a donc k
triplets ( X k , M , Dk ) , ou X k est une matrice p × nk centrée pour D , et M une
métrique sur R p . On pose :
Vk = X k Dk X k′

2.1.3. Situation 3
k tableaux de mesures résultant de l’observation des mêmes variables sur les mêmes
individus. C’est le cas par exemple des données chronologiques. La situation 3 comme

6
on peut le constater, englobe donc 1 et 2. Ainsi, suivant que l’on s’intéresse aux
individus ou aux variables, on se considère dans l’une des deux premières situations
décrites. A chacune de ces trois situations, correspond une stratégie appropriée. La
première privilégie les positions relatives des individus ; la deuxième étudie les
relations entre les variables. La troisième situation qui permet d’étudier des tableaux
croisant les mêmes individus avec les variables, applique les deux premières
stratégies.

2.2. Equivalence entre tableaux de données : élément

caractéristique d’une étude
2.2.1. Définition d’une étude
Une étude est un triplet ( X , M , D ) , où :
X est le tableau de données croisant individus et variables ;
M est la métrique permettant le calcul des distances entre individus ;
D est la métrique des poids, permettant le calcul des distances entre variables.

Une étude peut être caractérisée ou représentée par deux ‘’objets’’ :

-l’objet W = X ' M X ;
- où l’objet V = X D X '

2.2.2. Opérateurs
On est dans la situation 1, c’est-à-dire que l’on veut comparer les individus d’un
tableau à l’autre. On compare ainsi les matrices Wk . L’élément caractéristique d’une
étude sera ici Wk . Au triplet ( X k , M k , D ) , on associe l’opérateur U k = Wk D . Cet
opérateur permet d’introduire très simplement des équivalences entre tableaux de
données dans une optique de description.

Equivalence 1
Les triplets ( X 1 , M1 , D ) et ( X 2 , M 2, D) sont équivalents si les opérateurs associés
U1 = W1 D et U 2 = W2 D sont identiques. Si l’on fait l’analyse en composantes
principales des deux triplets, on aura la même représentation des individus.

7
Equivalence 2
Les triplets ( X 1 , M1 , D ) et ( X 2 , M 2, D) sont équivalents si les opérateurs associés
sont homothétiques :
U1 = αU 2
W1 D = αW2 D α >0
Si l’on fait l’analyse en composantes principales des deux triplets, on aura la
représentation des individus homothétiques.

Produit scalaire et distance entre opérateurs

Tout opérateur U = WD p est une application D p - symétrique de F dans F F = R n ) . (
L’ensemble de ces applications définit un sous espace G de L( F , F ) (ensemble des
applications linéaires de F dans F ). La forme bilinéaire symétrique P définie sur
L( F , F ) par (Pages, Escoufier, Cazes, 1976) :
A ∈ L( F , F ), B ∈ L( F , F ) ⇒ P ( A, B ) = tr ( AB ) est positive sur G si on la restreint à G
car :
U ∈ G ⇒ P (U ,U ) = tr (U 2 ) = U = ∑ λi2
2

où λ1 désigne la i − ème valeur propre de l’opérateur U qui étant D p symétrique est

diagonalisable. La forme bilinéaire P permet donc de définir la distance et l’angle
(par le cosinus) entre deux opérateurs :
- Distance
U1 ∈ G ; U 2 ∈ G ; ⇒ d (U1 ,U 2 ) = U1 − U 2
- Angle
P (U1 ,U 2 ) tr (U1U 2 )
U1 ∈ G ; U 2 ∈ G ; ⇒ Ru1u2 = =
U1 , U 2 tr (U1 ) tr (U 2 )
2 2

On peut faire remarquer que le produit scalaire permet de retrouver les indices
classiques utilisés par les statisticiens pour mesurer les liaisons entre caractères. Ainsi,
on note :
Cov( A, B ) pour tr ( AB ) ; l’équivalent d’une covariance ;
Var ( A) pour tr ( A) 2 ; l’équivalent d’une variance ;

(
R ( A, B ) pour tr ( AB ) / tr ( A ) tr ( B )
2
)
2 1/ 2
; l’équivalent d’une corrélation.

8
2.2.3. Matrice de variances covariances
Dans le cas d’études résultant de l’observation des mêmes variables, c’est à dire la
situation 2, on prend comme élément caractéristique la matrice Vk de variances
covariances :

Vk = X k Dk X k '

Lorsque les données sont centrées et réduites par étude, Vk est la matrice de
corrélation.

Equivalence 1
Les deux triplets ( X 1 , M1 , D ) et ( X 2 , M 2, D) sont équivalents si V1 = V2 . Si l’on fait
l’analyse en composantes principales des deux triplets, on aura la même
représentation des caractères.

Equivalence 2
Les deux triplets ( X 1 , M , D1 ) et ( X 2 , M , D2 ) sont équivalents s’il existe α > 0 tel que
V1 = αV2 . Si l’on fait l’analyse en composantes principales des deux triplets, on
obtiendra des représentations homothétiques des variables.

2.2.4. Situation 3
C’est le cas ou les mêmes variables sont observées sur les mêmes individus. On peut à
la fois comparer les Wk , les Vk . Selon l’optique de l’étude, on peut être amené à
préférer l’une ou l’autre des équivalences correspondantes, selon que l’on désire
étudier l’évolution des liaisons entre les individus, ou entre les variables.
Soit ( X1, M , D ) et ( X 2, M , D) deux études portant sur les mêmes individus et les
mêmes variables. S’il existe α > 0 tel que X 1' M 1 X 1 = α X '2 M 2 X 2 , et β > 0 tel que
X 1 DX '1 = β X 2 DX 2 ' alors α = β , X 1 = α 2 X 2 (au signe près).

9
3. Interstucture – Compromis – Infrastructure
Les objectifs définis en introduction, peuvent être résumés par trois mots : inter
structure, compromis, intrastructure. Ce sont là aussi, les principales étapes de la
méthode STATIS. L’exposé qui suit, s’inspire des formulations présentées par
Escoufier (1978), Glacon (1981) et Lavit (1988).

3.1. Interstucture
L’étude de l’interstructure correspond à l’analyse globale : l’objectif est de comparer
k tableaux de données. Pour ce faire, on construit la matrice C, k x k de produits
scalaires entre objets caractéristiques. La diagonalisation de C fournit alors une
représentation globale, analogue à une représentation d’analyse en composantes
principales.

3.1.2. La matrice C
a) L’objet caractéristique de l’étude est la matrice Wk
C est la matrice k × k dont l’élément C kl est :
tr (Wk DWl D ) = tr ( X ' k M k X k DX l' M l D )
Par ailleurs :
- tr (Wk Dl D ) ≥ 0 ;
- tr (Wk DWl D ) = 0 ⇔ ( X k DX l = 0 ) ; i.e les variables des deux tableaux sont non
corrélées.
Si :
- M k = I pk et M l = I pl (métrique euclidienne classique), alors :

(
tr (Wk DWl D ) = ∑∑ cov ( xk , xl ) )
2
;
- M k = D1/ σ 2 et M l = D1/ σ 2 (matrices diagonales des inverses des variances), alors :
k 1

tr (Wk DWl D) = ∑∑ (cor ( xk , xl ))2 .

b) L’objet caractéristique de l’étude est la matrice Vk

C est la matrice k × k dont l’élément C kl est :
tr (Vk MVl M ) = tr ( X k Dk X k' MX l Dl X l' M )
On a de façon analogue :
- tr (Vk MVl M ) ≥ 0

10
- tr (Vk MVl M ) = 0 ⇔ X k' MX l = 0 ; cela veut dire que les individus engendrent des sous
espaces vectoriels de E , M − orthogonaux.

3.1.3. Description des études variables

Soit Ok l’objet caractéristique de la k − ème étude. Le produit scalaire ϕ entre objets
est :
C kl =< Ok Ol >ϕ
Chaque Ok est une matrice pk pl à laquelle on peut associer le vecteur Ok de R pk pl
obtenu en juxtaposant les colonnes de Ok . On note aussi par ϕ la métrique sur
M k ⊗ M l , où M k est la métrique sur Ek = R pk et M l la métrique sur El = R pl .

⎛ O1' ⎞
⎜ ⎟
Soit X le tableau k x ( pk pl ) ; X = ⎜ ⎟
⎜ Ok' ⎟
⎝ ⎠
On a le schéma de dualité suivant :

X
*
Rk R pk p1

I C ϕ
*
Rk X’ R pk pl

Ici C=X ϕ X ' ; C* peut être considéré comme une matrice de variances covariances
entre les k variables Ok . On peut encore écrire C sous la forme : C= YY ' , où Y est la
matrice k × r ( r =rang de C) dont les colonnes sont des vecteurs propres de C, de
norme égale à la racine carré de la valeur propre correspondante. Les lignes de C
fournissent une représentation de k études analogues à celles des variables en analyse
en composantes principales ; chaque étude est représentée par un vecteur qui, s’il est
bien représenté, a pour norme Ok ϕ
; deux vecteurs bien représentés auront un angle
proche de celui de Ok et Ol selon ϕ .
Si l’on veut représenter de façon identique des objets proportionnels, on diagonalise
dans ce cas la matrice R des cosinus entre objets :
< Ok Ol >
R kl =
Ok ϕ Ol ϕ

11
Ce qui revient à normer toutes les variables Ok . L’interprétation des résultats est
alors analogue à celle de l’analyse en composantes principales normées. Les R kl sont
suivant les cas de la forme :

tr (Wk DWl D )
R kl = = Rv (Wk D,Wl D) ; si Ok est de la forme Wk ;
tr (Wk D ) tr (Wl D )
2 2

tr (Vk MVl M )
R kl = ; si Ok est de la forme Vk
tr (Vk M ) tr (V1 D )
2 2

3.1.4. Description des études individus

On centre la matrice C par rapport à la matrice diagonale des poids Dk . On substitue
donc à C la matrice centrée :
C*= ( I − 1 1' Dk ) C ( I − Dk 1 1 ' )

⎛ 1⎞
⎜ ⎟
où 1 est le vecteur ⎜ ⎟ de R k
⎜ 1⎟
⎝ ⎠
De toute évidence, on ne modifie pas les distances entre études en substituant à C la
matrice C*. On a le schéma de dualité ci-dessous.

Y
*
R pk pl Rk

ϕ C* Dk
Y '

pk pl*
R Rk

C * =Y ' ϕ Y
Où
Y = X’ ( I − Dk 1 1 ' ) = (O1 … Ok )( I − Dk 1 1 ' )
La diagonalisation de C * Dk fournit une représentation analogue à la représentation
des individus en analyse en composantes principales.

12
3.2. Compromis

On cherche un compromis, de même nature que les objets pour représenter les études,
qui soit un ‘’bon’’ résumé de l’ensemble des objets. En d’autres termes on veut
résumer les k objets Ol ,...Ok par un seul, considéré comme ‘’représentatif’’ de
l’ensemble. On peut choisir comme compromis :
O = ∑ lk Ok
où :
⎛ l1 ⎞
⎜ ⎟
l = ⎜ ⎟ est un vecteur propre de C, normé, associé à la grande valeur propre λ1 .
⎜l ⎟
⎝ k⎠

Les deux propositions suivantes sont démontrées (Escoufier, 1978 ; Glacon, 1981) :
soit α ' un vecteur de composantes (α1 ,..., α k ) positives telles que α 'α = 1 , on a :

1- ∑ < ∑α O , O k k k >ϕ2 ≤ ∑ < O, Ok >ϕ2 = λ12

∑α O
2
≤ O ϕ = λ1
2
2- k k ϕ

Par exemple si les Ok sont de la forme Wk , en posant : WD = ∑ lkWk D et

Wα D = ∑ α kWk D , les deux propositions précédentes s’écrivent respectivement :

∑ ⎡⎣tr (Wα DW D )⎤⎦ ≤ ∑ ⎡⎣tr (WDW D )⎤⎦

2 2
k k = λ12

tr (Wα D ) ≤ tr (WD ) = λ1
2 2

Les résultats obtenus justifient, d’une part le nom de compromis donné à WD et,
montrent d’autre part, que ce compromis est une combinaison des Wh D ( h = 1, k ) de
norme maximum. Par ailleurs, étant une combinaison linéaire positive d’opérateurs
semi définis positifs, WD est lui même semi définitif. Sa diagonalisation permet de
trouver une matrice Y , tel que WD = Y 'YD qui permet une représentation des n objets
résumant au mieux les visions fournies par chacune des k études. Signalons enfin que,
dans le cas des Wk , comme tous les éléments de C sont positifs, les composantes de
l sont donc toutes de même signe et on peut les choisir toutes positives. O (ainsi

13
que O ) est une combinaison linéaire à coefficients positifs de matrices semi définies
positives. Ce compromis est donc semi défini positif et centré pour D .

3.3. Intrastructure
La diagonalisation du compromis nous donne :
- dans le cas des Wk une représentation des individus ‘’intermédiaire’’ entre les
représentations que pourrait fournir chaque étude ;
- dans le cas des Vk , une représentation ‘’moyenne’’ des variables.

3.3.1. Ok est de la forme Wk

C’est le cas où l’on a les mêmes individus.

Représentation des variables.

Notons par :
Λ : la matrice diagonale des valeurs propres non nulles de WD ; Λ = YDY ' ;
Y : la matrice dont les lignes sont les composantes principales, vecteurs propres de
WD de norme égale à la racine carrée de la valeur propre correspondante.
Si l’on effectue l’analyse en composantes principales du triplet ( X , M , D ) , une
représentation des variables est donnée par :
Ẑ = XDY ' Λ −1/ 2
Les variables et les composantes principales de chaque étude sont représentées
respectivement par :
Zˆ = X DY ' Λ −1/ 2 ;
k k

Yˆk = Yk DY ' Λ −1/ 2

Cette façon de procéder conduit à réaliser la représentation des X k et des Yk sur le
principe qui permet de représenter les variables supplémentaires en analyse en
composantes principales. Quand Y est entier, on a une représentation exacte de toutes
les variables et les composantes principales. Dans la pratique, on a la meilleure
représentation plane simultanée de toutes les variables en ne conservant que les deux
premières lignes de Y .

14
Représentation des individus
On veut trouver une représentation graphique permettant de comparer les positions
respectives des individus tels qu’ils sont décrits par les différents tableaux ou de
comparer leurs évolutions. On peut représenter les individus par les colonnes de :
Yk = Yk DY ' (YDY ' ) Y = Yk DY ' Λ −1Y
−1

Yk est l’approximation au sens des moindres carrés de Yk fournie par Y . Si l’on ne

garde pour Y que les deux premières lignes, on peut représenter les n objets tels qu’ils
sont vus par le compromis. Par ailleurs, en superposant les différentes représentations
que fournissent les deux premières lignes des Yk , on peut comparer visuellement les
différentes visions des objets.

3.3.2. Ok est de la forme Vk

On est dans la situation où l’on a les mêmes variables. C’est le cas dual du précédent.
On peut représenter :
- les variables, par la méthode duale de la précédente ;
- les individus, par :
Y k = Λ −1/ 2 Z ' MZX k
où, Z est tel que :
V = ∑Vk = ZZ '

4. application de statis à l’étude de l’évolution des T.E.S

congolais

Les données sont celles utilisées par Mlle L.J. Ondong (1996) pour son mémoire de
maîtrise. Il s’agit des tableaux entrées-sorties congolais (T.E.S) correspondant aux
années 1989 et 1993. L’objectif de l’étude était de comparer les différents tableaux,
afin de déceler si possible, l’existence d’une tendance de la structure industrielle
congolaise ; ce qui permettrait de faire des prévisions. Nous allons commenter les
principaux résultats d’un programme d’analyse conjointe de tableaux quantitatifs
(logiciel ACT ; Lavit, 1989) pour l’analyse des cinq tableaux entrées-sorties congolais.
On peut faire remarquer que tous les tableaux ont la même structure : 16 lignes et 16
colonnes. On est dans le cas où l’on a les mêmes individus et les mêmes variables. On
peut alors adopter soit la situation 1, soit la situation 2. Nous considérerons la

15
première. Afin d’équilibrer l’influence de différents tableaux, on utilise les objets
normés pour caractériser chaque étude. Les résultats de l’interstructure sont les
suivants :

tr (Wk D, Wl D )
4.1. Matrice Rv (k , l ) =
tr (Wk D ) 2 tr (Wl D ) 2
C’est la matrice de corrélation vectorielle entre études. Elle est donnée dans le
tableau 1 ci-dessous. On constate que les coefficients associés aux cinq tableaux sont
très élevés ; cela signifie que la structure des produits dans les différents tableaux n’a
pratiquement pas évolué entre 1989 et 1993. on peut néanmoins signaler que la
structure du T.E.S de 1992 apparaît un peu différente des autres.

Tableau 1 : Matrice des coefficients Rv

Années 1989 1990 1991 1992 1993
1989 1,000 0,987 0,985 0,938 0,991
1990 0,987 1,000 0,974 0,944 0,989
1991 0,985 0,974 1,000 0,940 0,987
1992 0,938 0,944 0,940 1,000 0,943
1993 0,991 0,989 0,987 0,943 1,000

4.2. Valeurs propres non nulles de Rv

Comme on l’a déjà indiqué, la proximité entre tableaux est représentée par l’inter
structure. La diagonalisation de la matrice des coefficients Rv fournit un système
d’axes associé aux cinq valeurs propres du tableau 2.

Tableau 2 : Valeurs propres de l’inter structure

Axes Valeurs propres % d’inertie % cumulé

1 4,87 97,43 97,43
2 0,08 1,70 99,13
3 0,03 0,52 99,66
4 0,00 0,20 99,85
5 0,00 0,15 100,00

16
Le premier axe explique 97,43% de l’inertie. En principe, une représentation sur ce
premier axe suffit. Cependant, pour marquer la légère différence entre le tableau de
1992 et les autres, nous utilisons le premier plan factoriel qui explique 99,13% de
l’inertie.

4.3. Coordonnées des tableaux sur les 5 premiers axes

Tableau 3 : Coordonnées des tableaux

Axes 1989 1990 1991 1992 1993

1 0,993 0,991 0,990 0,965 0,995
2 0,081 0,049 0,059 0,261 0,065
3 0,007 0,109 0,119 0,003 0,005
4 0,083 0,038 0,031 0,007 0,020
5 0,001 0,035 0,029 0,002 0,072

4.4. Représentation graphique

La représentation graphique témoigne, comme on l’a déjà indiqué d’une très forte
proximité entre les différents tableaux. Ce qui confirme la stabilité de la structure
étudiée.

17
4.5. Qualité de la représentation
La qualité de la représentation se mesure par la norme des tableaux en projection.
Comme on peut le constater (tableau 4), la représentation dans le premier plan
factoriel est de très bonne qualité.

Tableau 4 : Qualité de la représentation

Années Norme exacte Norme projetée cos 2 x1000

1989 1 1 992,94
1990 1 0,99 985,38
1991 1 0,99 983,98
1992 1 1 999,94
1993 1 1 994,41

18
Références

Ambapour-Kosso, S., (1992). Introduction à l’analyse des données. Cahiers du CASP

n° spécial n°3-4.
Aris, H., Rio, P., (1992). Une méthode tridimensionnelle basée sur le rapprochement
des tableaux considérés. Journal de la Société Statistique de Paris, Vol 133, n°1/2.
Braun, J.M., (1973). Séries chronologiques multiples : recherche d’indicateurs. Revue
de Statistique Appliquée, Vol XXI, n°1.
Bernard, M.C., Lavit, C., (1985). L’évolution des sociétés rurales du Languedoc
Roussillon (1954-1975) : application de la méthode Statis. 110ème congrès des sociétés
savantes. Géographie.
Bonnefous, S., Cloutier, E., Roy, E., (1978). Analyse multidimensionnelle des
proximités. Rapport CEA, R-4910.
Cailles, F., Pages, J.P., (1976). Introduction à l’analyse des données, Smash.
Cazes, P., Bauumeder, A., Bonnefous, S., Pages, J.P., (1977). Codage des tableaux
logiques. Introduction à la pratique des variables qualitatives. Cahiers du BURO,
série recherche n°27. Université P & M Curie.
Dazy, F., Lebarzic, J.F., (1996). Analyse des données évolutives : méthodes et
applications, Editions Technip.
Escoufier, Y., (1976). Opérateur associé à un tableau de données. Annales de
l’INSEE, n°22-23.
Escoufier, Y., (1978). Cours d’Analyse des Données. CRIG, Montpellier.
Escoufier, Y., (1985). Objectifs et procédures de l’analyse conjointe de plusieurs
tableaux de données. Statistique et Analyse des Données, Vol 10, n°1.
Escoufier, Y., (1986). A propos du choix des variables en analyse des données.
Métron, n° XLIV.
Foucart, T., (1978). Sur les suites de tableaux de contingence indexés par le temps.
Statistique et Analyse des Données, n°2.
Foucart, T., (1984). Analyse factorielle de tableaux multiples, Masson.
Foucart, T., (1989). Une nouvelle approche de la méthode statis. Revue de Statistique
Appliquée, Vol XXXI, n°2.
Glacon, F., (1981). Analyse conjointe de plusieurs matrices de données. Thèse de 3ème
cycle, Université scientifique et médicale de Grenoble.

19
Khodja, H., Lubes-Niel, H., et ali (1998). Analyse spatio-temporelle de données
pluviométriques en Afrique de l’Ouest. Une alternative intéressante : les tests de
permutation. Revue de statistique et Analyse des Données, Vol XLVI, n°1.
Lavit, C., (1985). Application de la méthode statis. Statistique et Analyse des
Données, Vol 10, n°1.
Lavit, C., (1988), Analyse conjointe de tableaux quantitatifs, Masson.
Lavit, C., (1989). ACT : Logiciel d’Analyse Conjointe de Tableaux quantitatifs ;
méthode statis, CISIA.
Le Chevalier, F., (1990). L’analyse en composantes conjointes d’une famille de
triplets indexés. Statistique et Analyse des Données, Vol 15, n°2.
L’hermier des Plantes, H., Thiebaut B., (1977). Etude de la pluviosité au moyen de
la méthode statis. Revue de statistique Appliquée, Vol XXV, n°2.
Mailles, J.P., (1980). Analyse des tableaux de proximité. Cahier du BURO, série
recherche, n°33, Université P & M Curie.
Mailles, J.P., Mailles, D., Bonnefous, S., (1976). Analyse des données et APL :
techniques, bibliothèque, exemples. Rapport CEA. R-4753.
Ondong, L.J., (1996). Analyse factorielle des matrices d’échanges : cas des TES
congolais de 1989-1993, Mémoire de maîtrise, Université M. Ngouabi.
Pages, J., (1996). Eléments de comparaison entre l’analyse factorielle multiple et la
méthode statis. Revue de Statistique Appliquée, Vol XLIV, n°4.
Pages, J.P., Escoufier, Y., Cazes, P., (1976). Opérateurs et analyse des tableaux à
plus de deux dimensions. Cahiers du BURO, série recherche, n°25, Université P & M
Curie.
Saporta, G., (1981). Méthodes exploratoires d’analyse de données temporelles. Cahier
du Buro, série recherche, n°25, Université P & M Curie.
Stemmelen, E., (1979). Tableaux d’échanges : description et prévision. Cahier du
BURO, n°28, Université P & M Curie.
Tennenhaus, M., Prieuret, B., (1974). analyse des séries chronologiques
multidimensionnelles. RAIRO, Vol 2, mai.
Thorson, H., (1981). Une contribution de l’analyse statistique des tableaux
d’échanges. Thèse de 3ème cycle, Montpellier.

20