STA201 – Analyse multivariée approfondie

Analyse des Correspondances

Multiples
Giorgio Russolillo

E-mail: [Link]@[Link]
Analyse factorielle des correspondances
(AFC) : Le problème

Giorgio Russolillo – STA201 - ACM Slide 1

AFC : Données d’exemple

• 4 Produits (Items) sont actuellement utilisés par 1268 consommateurs

• Ces consommateurs appartiennent à 7 catégories (types).

Type A

Type B
Type C

Type D

Type E

Type F
Type G

Étudier la relation entre les variables « Type de consommateur » et « Produit » à l’aide

de la visualision des modalités des deux variables comme des points dans une sous-
espace factoriel.

Giorgio Russolillo – STA201 - ACM Slide 2

Matrice des probabilités jointes
et marginales
Distribution marginale des lignes
(distribution de X INDÉPENDAMMENT de Y)
y1 … yj … yJ Tot

x1 f1.
…
…

…
xi … … fij … … fi.
…

…
xI fI.
…

Tot f.1 … f.j … f.J 1

Distribution marginale des

colonnes
(distribution de Y
INDÉPENDAMMENT de X)

Giorgio Russolillo – STA201 - ACM Slide 3

Profiles-ligne et profiles-colonne
• On obtient les profiles-ligne et les profils-colonne en divisant chaque
ligne (colonne) de la matrice des fréquences relatives par le marginal de
ligne (de colonne) correspondant.
• Les profils des lignes et de colonnes peuvent être interprétés comme des
probabilités conditionnelles
• A l’aide de la visualisation des profiles on observe si et pourquoi deux
variable qualitatives sont interdépendantes

Source : Cours d'analyse des

données multidimensionnelles,
Julie Josse - AGROCAMPUS
OUEST

Lorsqu’il y a indépendance, les profils sont tous égals au profil moyen

Giorgio Russolillo – STA201 - ACM Slide 4
Matrices des profils-ligne et des
profils-colonne

Type A
Type B
Profil-ligne : Type C
Distribution de Type D
probabilité du Type E
produit étant donné le Type F

type de Type G
Profil moyen
consommateur

Profil
moyen

Type A
Type B
Profil-colonne : Type C
Distribution de Type D
probabilité du type de Type E
Type F
consommateur étant
Type G
donné le produit

Giorgio Russolillo – STA201 - ACM Slide 5

But de l’AFC

• Lorsque le variables ont plus de quatre modalités c’est impossible de

visualiser les profiles lignes et colonnes dans leur espace originaire

• L’AFC cherche la meilleur projection des points-lignes et les points-

colonne dans un sous-espace factoriel a fin de visualiser et interpréter
aisément les associations parmi les modalités des deux variables.

• On maximise la somme des distances du c2 parmi les points projetés

Giorgio Russolillo – STA201 - ACM Slide 6

Analyse des Correspondances Multiple
(ACM) : Le problème

Giorgio Russolillo – STA201 - ACM Slide 7

Analyse de correspondances
multiples (ACM)
C’est une méthode pour l’analyse des variables catégorielles ou mixtes. Elle est
particulièrement adaptée aux données des enquêtes

Matrice de données brutes

x1 x2 x3 … xP
1 A 2 4 … A
2 B 5 4 A

X=
…

…
...
…

…
n C 1 2 … D

La p-ième variable a 𝑆𝑝 catégories, 𝑆 = 𝑆1 + 𝑆2 + ⋯ + 𝑆𝑝 + … + 𝑆𝑃 étant le nombre

total de catégories

Giorgio Russolillo – STA201 - ACM Slide 8

Exemple de questions d’une enquête
V1 Sex 2 cat. Male / Female
V2 Residence 3 cat. City / Region / Other Region
V3 Master's grade 4 cat. Low / Medium / High / Maximum
V4 Age continuous
V5 Bachelor's degree 4 cat. Classical / Scientific / Technical / Other
V6 Bachelor's grade 4 cat. Low / Medium / High / Maximum
V7 Attendance 4 cat. Never / <30% lect. / 30-60% / >60%
V8 Subject of Mémoire 5 cat. Economics / Law / Quantitative / Business / Other
V9 Post-degree scholarships 2 cat. Yes / No
V10 Professionally Qualifies 2 cat. Yes / No
V11 Working student 3 cat. Stable job / Part-time / Full-time student
V12 Occupation 4 cat. No occ. / No occ. by choice/ Temp. / Stable Occ.

Id. Sex Age Job Education Income …

1 male 35 Clerk High School 2,200 …
2 male 21 Student High School 0,000 … P = 12
3 female 46 Manager Master 3,800 …
:
S = 37
n male 71 Retired Elementary 1,700 …

Giorgio Russolillo – STA201 - ACM Slide 9

Objectif de l’ACM

1) Réduire la dimensionnalité de la matrice du codage disjonctif

complet
2) Visualiser dans un espace de faible dimension :
• les relations parmi catégories dans un espace de faible dimension
• les proximités parmi les observations dans un espace de faible
dimension
• les liaisons statistique parmi les variables
• les associations variable - observation

Giorgio Russolillo – STA201 - ACM Slide 10

Codage disjonctif complet

n lignes et S = S1+S2+…+Sp colonnes.

Chaque colonne est une variable binaire.

Z=

zij = 1 si l’unité statistique i détient la catégorie l de la variable j

= 0 sinon
Giorgio Russolillo – STA201 - ACM Slide 11
Données et codage
P

sex age job

(2) (3) (4)
Codage réduit
Questionnaire
R= n
(i) 2 1 4 4 3 1 3 1 P variables
S catégories

S = S1 + S2 + … + Sp
m f <30 30-50 >50 stu cler man ret

Codage disjonctif
Z=
complet
0 1 1 0 0 ... 1 0 0 0
Le rang maximal de Z est
𝑆−𝑃+1

Giorgio Russolillo – STA201 - ACM Slide 12

Exemple : codage disjonctif complet
V1 Sex 2 cat. Male / Female
V2 Residence 3 cat. City / Region / Other Region
V3 Master's grade 4 cat. Low / Medium / High / Maximum
V4 Age continuous
V5 Bachelor's degree 4 cat. Classical / Scientific / Technical / Other
V6 Bachelor's grade 4 cat. Low / Medium / High / Maximum
V7 Attendance 4 cat. Never / <30% lect. / 30-60% / >60%
V8 Subject of Mémoire 5 cat. Economics / Law / Quantitative / Business / Other
V9 Post-degree scholarships 2 cat. Yes / No
V10 Professionally Qualifies 2 cat. Yes / No
V11 Working student 3 cat. Stable job / Part-time / Full-time student
V12 Occupation 4 cat. No occ. / No occ. by choice/ Temp. / Stable Occ.

V1 V2 V3 … V 11 V 12

1 1 0 0 0 1 0 1 0 0 0 0 1 0 0 0 1
2 0 1 0 0 1 0 1 0 0 0 0 1 1 0 0 0
3 1 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1
4 1 0 0 1 0 1 0 0 0 0 0 1 0 0 1 0
Z= 5 1 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0
:
:
383 0 1 0 0 1 0 1 0 0 0 0 1 0 0 1 0
384 0 1 0 0 1 0 0 1 0 0 0 1 1 0 0 0
385 0 1 0 0 1 0 0 0 1 0 0 1 0 0 1 0

S=37

Giorgio Russolillo – STA201 - ACM Slide 13

Tableau de Burt

• C’est une généralisation d’une table de contigence.

• Il est composé de plusieurs tables de contingence croisant chaque
couple de variables.

Matrice diagonale
avec fréquences
Tableau de contingence obtenu marginales
par croisement de XP et X2

Giorgio Russolillo – STA201 - ACM Slide 14

Tableau de Burt

C’est une matrice S x S formée par P2 blocs :

- les blocs diagonals sont des matrices diagonales
- les blocs extra-diagonals sont des tables de contingence
tot

n1 P
Z1’Z1 Z1’Z2 … … Z1’ZP
n2 P
Z2’Z1
Z2’Z2

…
B =Z’Z=
…

...
…

...
ZP’Z1 … … … ZP’ZP nS P

Tot n1P n2P … … nsP nP2

Giorgio Russolillo – STA201 - ACM Slide 15

Exemple : Table de Burt

B= Z’Z
Ma Fe City Regio Other … Occ1 Occ2 Occ3 Occ4
Ma 226 0
Fe 0 159
City 116 65 181 0 0
Regio 65 50 0 115 0
Other 45 44 0 0 89
: …
Occ1 49 60 51 32 26 109 0 0 0
Occ2 10 13 10 6 7 0 23 0 0
Occ3 72 48 48 37 35 0 0 120 0
Occ4 95 38 72 40 21 0 0 0 133

Giorgio Russolillo – STA201 - ACM Slide 16

Matrice diagonale D des
fréquences marginales

Giorgio Russolillo – STA201 - ACM Slide 17

Exemple: Matrice diagonale D
des fréquences marginales

Ma Fe City Regio Other … Occ1 Occ2 Occ3 Occ4

Ma 226 0
Fe 0 159
City 181 0 0
Regio 0 0 115 0
D= Other 0 0 89
: 0 0 …
Occ1 109 0 0 0
Occ2 0 23 0 0
0 0 0
Occ3 0 0 120 0
Occ4 0 0 0 133

Giorgio Russolillo – STA201 - ACM Slide 18

Fréquences marginales de Z

tot

…
Z=

...
Nombre
de

...
variables
P

Tot n1 n2 … … … … … … … … … ns nP

n Fréquences associés aux catégories

- la somme par ligne est constante et égale à P

- la somme par colonne est égale à la fréquence de la catégorie correspondante
Giorgio Russolillo – STA201 - ACM Slide 19
Les matrices F, Dn et Ds

Marginaux de ligne
1
𝑫# = 𝑰
𝑛
1/𝑛
1 ⋮
𝑭= 𝒁 ⋮
𝑛𝑃 1/𝑛

Marginaux de colonne
𝑛! 𝑛"
⋯⋯⋯ 1
𝑛𝑃 𝑛𝑃

1 𝑛"
𝑫" = 𝑫= 𝑰
𝑛𝑃 𝑛𝑃

Masses des points-ligne (observation) Dn : constantes à 1/n

Masses des points-colonne (catégories) DS, : chaque catégorie a un poids
proportionnel à sa fréquence relative, i.e. ns/nP
Giorgio Russolillo – STA201 - ACM Slide 20
Matrice des profils-ligne
Les Profils-ligne représentent les observations en Rs ; ils sont obtenus en divisant
chaque ligne de Z par le marginal correspondant (qui est constant et égale à P)

𝑃
Marginaux de profils-ligne
⋮
𝒁 ⋮
𝑃
𝑜𝑏𝑠 1 1
𝑛! ⋯ ⋯ ⋯ ⋯ ⋯ 𝑛$ 𝑛𝑃 ⋮ 1 ⋮
⋮ 𝑫/0
. 𝑭 = 𝒁 ⋮
⋮ 𝑃 1
𝑜𝑏𝑠 𝑛

Profil 𝑛! 𝑛" 𝑛$
moyen ⋯ ⋯ 1
𝑛𝑃 𝑛𝑃 𝑛𝑃

Giorgio Russolillo – STA201 - ACM Slide 21

Distance entre deux profils-ligne

Distance du c2 entre l’unité i et l’unité i’ (en ℜS):

𝑧'# 𝑧' $ # !
& &
− 𝑛
𝑑! 𝑖, 𝑖 " =& 𝑃 𝑃 =& 𝑧 − 𝑧' $ # !
𝑛# 𝑛# 𝑃 '#
#$% 𝑛𝑃 #$%

Profil-ligne moyen (metrique en ℜS)

Deux unités sont proches si elles ont choisi les mêmes catégories

Les catégories avec de petites fréquences ont un impact plus important dans le
calcul de la distance que les catégories avec des fréquences élevées

Giorgio Russolillo – STA201 - ACM Slide 22

Matrice des profils-colonne

Les Profils-colonne représentent les catégories en Rn, sont obtenus en divisant chaque
colonne de Z par le marginal correspondant (l’élément diagonal de D correspondant)

𝑃
⋮
𝒁 ⋮ C𝑎𝑡 1 ⋯ ⋯ ⋯ C𝑎𝑡 𝑆 Profil
moyen
𝑃
1/𝑛
⋮ 𝑃
𝑛! ⋯ ⋯ ⋯ ⋯ ⋯ 𝑛$ 𝑛𝑃
𝑭𝑫"#
! = 𝒁𝑫"# 1/𝑛 𝑛𝑃
⋮
1/𝑛
Marginaux des profils- colonne 1⋯⋯⋯⋯1 1

Giorgio Russolillo – STA201 - ACM Slide 23

Distance entre deux profils-colonne

Distance du c2 entre la catégorie s et la catégorie s’ (en ℜn):

𝑧'# 𝑧'#$ !
(
− (
𝑧'# 𝑧'#$ !
𝑛# 𝑛# $
𝑑 ! 𝑠, 𝑠 " =& = &𝑛 −
1. 𝑛# 𝑛# $
'$% 𝑛 '$%

Profil-ligne moyen (metrique en ℜ𝑛)

• Si deux catégories sont choisies par les mêmes observations ou par des
observations similaires, elles seront proches l’une de l’autre.
• La distance entre les catégories de différentes variables est interprétée comme une
mesure d’association

La distance du c2 entre un profil-colonne et l’origine est inversement

proportionnel à la frequence de la modalité : Les catégories “rares” sont
loin de l’origine

Giorgio Russolillo – STA201 - ACM Slide 24

Distance entre une catégorie
et le barycentre
Rappel : L’inertie est une mesure de l’étalement des points autour d’un barycentre

Elle se calcule comme moyenne des distances (au carrée) des points du barycentre
pondérée par les fréquences relatives (masses) des catégories.

En ℜn
espace des points-catégories

# %
𝑧&" 1 𝑛
𝑑% 𝑠, 𝐺 = 6 𝑛 − = −1
𝑛" 𝑛 𝑛"
&'!

Les catégories de basses fréquences sont loin du barycentre

Démonstration :
'
𝑧%& 1 1 ' 1 2 1 1 2 1 1 𝑛
𝑛( − =𝑛 ( 𝑧%& + ( − ( 𝑧%& = 𝑛 + − = 𝑛 − = −1
𝑛& 𝑛 𝑛&' 𝑛' 𝑛& 𝑛 𝑛& 𝑛 𝑛 𝑛& 𝑛 𝑛&
'
(note que 𝑧%& = 𝑧%& )

Giorgio Russolillo – STA201 - ACM Slide 25

Inertie d’une catégorie

Masse de la catégorie s

ns 2 1 " ns %
I(s) =
nP
( )
d s,G = $1− '
P# n&

La quantité d’inertie due à une catégorie spécifique est

inversement liée à la fréquence de cette catégorie !

Démonstration :
𝑛" % 𝑛" 𝑛 1 𝑛" 1 𝑛"
𝐼 𝑠 = 𝑑 𝑠, 𝐺 = −1 = − = 1−
𝑛𝑃 𝑛𝑃 𝑛" 𝑃 𝑛𝑃 𝑃 𝑛

Giorgio Russolillo – STA201 - ACM Slide 26

Inertie d’une variable

Inertie d’une variable p avec sp categories :

sp sp
1 # ns & 1
I(p) = ∑ I(s) = ∑ %1− ( = s p −1 ( )
s=1 s=1 P $ n' P

La quantité d’inertie due à une variable spécifique est une

fonction directe du nombre de catégories de la variable.

Giorgio Russolillo – STA201 - ACM Slide 27

Inertie totale

Intertia total du nuage de points-catégorie en ℜn

P P
1 S
I = ∑ I(p) = ∑ ( )
s p −1 = −1
p=1 p=1 P P

l’inertie totale est fonction du nombre de variables et du nombre

de catégories

Note que l’inertie du nuage en ℜS est forcement coïncidente

Giorgio Russolillo – STA201 - ACM Slide 28

Profils lignes et colonne :
pour résumer
Comme dans l’analyse des correspondences, nous travaillons sur le « profils-
ligne » et les « profils-colonnes »
• nous associons à chaque profil-colonne une masse egale à la frequence
relative de la catégorie.
• Les profils-ligne ont tous la même masse, égale à 1/n
• nous utilisons la distance du χ2 comme métrique

n points en ℜS S points en ℜn
Profils-ligne Profils-colonne
1
𝑫()
* 𝑭 = 𝒁 𝑭𝑫()
& = 𝒁𝑫
()
𝑃
Masses Masses
1 1
Dn = I n DS = D
n Pn
Métrique Métrique −1
−1
⎛ 1 ⎞ ⎛1 ⎞
(D ) ( )
−1 −1
=⎜ D Dn = ⎜ I n ⎟
S
⎝ Pn ⎟⎠ ⎝n ⎠

Giorgio Russolillo – STA201 - ACM Slide 29

Implémenter une analyse des correspondances
multiples

Giorgio Russolillo – STA201 - ACM Slide 30

Critères de l’ACM

On cherche des directions (axes) orthogonales qui :

• Maximisent la distance du χ2 parmi les points-observations projectés sur les

axes dans ℜS (équivalent à maximiser les distances parmi les points et le
barycentre du nuage)

• Maximisent la distance du χ2 parmi les points-modalités projectés sur les

axes dans ℜS (équivalent à maximiser les distances parmi les points et le
barycentre du nuage)

Cela revient à maximiser la moyenne des rapports de corrélations

(Tenenhaus, page 260)

Giorgio Russolillo – STA201 - ACM Slide 31

Equivalences parmi méthodes

L’implémentation d’une ACM équivaut à exécuter :

• Une AFC du tableau du codage disjonctif complet

• Une AFC (analyse factorielle des correspondance) du tableau de Burt

• Une ACP pondérée des profils-ligne (ou des profils-colonne)

Giorgio Russolillo – STA201 - ACM Slide 32

L’ACM comme AFC sur la matrice Z :
Solution du problème en ℜS
On considère un vecteur 𝒖 de taille 𝑃 et de norme unitaire selon la métrique définie par
la matrice 𝑫(! ) (!
" , c.à.d. tel que 𝒖 𝑫" 𝒖 = 1

Le vecteur des projections des 𝑛 points-observation (profils-ligne) sur l’axe (avec la

métrique 𝑫(!
" ) est
𝑫(! (!
# 𝑭𝑫" 𝒖
Profils-ligne Métrique

L’objectif est maximiser la somme des carrés des projections en considérant les masses
des observations :
𝒖) 𝑫(! ) (!
" 𝑭 𝑫# 𝑫# 𝑫(! (!
# 𝑭𝑫" 𝒖
sous la contraint 𝒖) 𝑫(!
" 𝒖=1 Masses

En appliquant la Lagrangienne, on obtient la solution

𝑭) 𝑫(! (!
# 𝑭𝑫" 𝒖 = 𝜇𝒖

!
S’agit donc de diagonaliser la matrice 𝑭) 𝑫(! (! )
# 𝑭𝑫" = 𝒁 𝒁𝑫
(!
*

Giorgio Russolillo – STA201 - ACM Slide 33

L’ACM comme AFC sur la matrice Z :
Solution du problème en ℜn
On considère un vecteur 𝒗 de taille 𝑛 et de norme unitaire selon la métrique définie par
la matrice 𝑫(! ) (!
# , c.à.d. tel que 𝒗 𝑫# 𝒗 = 1

Le vecteur des projections des 𝑠 points-catégorie (profils-colonne) sur l’axe (avec la

métrique 𝑫(!
# ) est
𝑫(! ) (!
" 𝑭 𝑫# 𝒗
Profils-colonne Métrique

L’objectif est maximiser la somme des carrés des projections en considérant les masses
des catégories :
𝒗) 𝑫(! (!
# 𝑭𝑫" 𝑫" 𝑫(! ) (!
" 𝑭 𝑫# 𝒗
sous la contraint 𝒗) 𝑫(!
# 𝒗=1 Masses

En appliquant la Lagrangienne, on obtient la solution

𝑭𝑫(! ) (!
" 𝑭 𝑫# 𝒗 = 𝜇𝒗

!
S’agit donc de diagonaliser la matrice 𝑭𝑫(! ) (! (! )
" 𝑭 𝑫# = 𝒁𝑫 𝒁 *

Giorgio Russolillo – STA201 - ACM Slide 34

L’ACM comme AFC sur la matrice Z

n points en ℜS S points en ℜn

1 1
Marginaux lignes : Dn = I n Marginaux colonnes : DS = D
n Pn
1
Profils lignes : 𝑫()
* 𝑭 = 𝒁 Profils colonne : 𝑭𝑫()
& = 𝒁𝑫
()
𝑃
Masse (Poids) : 𝑫𝒏 Masse (Poids) : 𝑫𝑺

Métrique : 𝑫"# Métrique : 𝑫"#

$
!

1
1
Equation du h-ième axe, vh : ZD−1Z"v h = µ h v h
Equation du h-ième axe , uh : Z!ZD u h = µ h u h
−1

P P

1 −1 1
Equation du h-ième facteur ϕh : D Z"Zφh = µ hφh Equation du h-ième facteur ϕh : ZD-1Z!ϕ h = µ hϕ h
P P
1
1 Formule de transition : ϕ h = D-1Z!φh
Formule de transition : φh = Zϕ h µh
P µh

Giorgio Russolillo – STA201 - ACM Slide 35

 L’ACM comme AFC sur la matrice B

• On analyse le nuage des 𝑆 points-modalité dans ℜS

1 31 31
• Cela revient à diagonaliser la matrice + 𝑫 𝑩𝑫 𝑩, qui est le carré
2
1
de la matrice 𝒁4 𝒁𝑫31 à diagonaliser issue de l’analyse sur 𝒁.
2

• L’analyse sur 𝑩 donne :

• Le mêmes vecteurs propres de l’analyse sur 𝒁

• Des valeurs propres qui sont le carrés de celles issues de

l’analyse sur 𝒁

• Des facteurs colinéaires aux facteurs de l’analyse sur 𝒁

Giorgio Russolillo – STA201 - ACM Slide 36

 ACM comme une ACP pondérée
&
Distance du c2 entre l’unité i et l’unité i’ 𝑛
𝑑! 𝑖, 𝑖 " =& 𝑧 − 𝑧' $ # !
(en Rn) : 𝑛# 𝑃 '#
#$%
&
Distance euclideenne normée entre l’unité 1
i et l’unité i’ (en Rn) : 𝑑 ! 𝑖, 𝑖 " = & ! 𝑧'# − 𝑧' $ # !
𝜎#
#$%

Variance de la s-ème variable 𝑛" 𝑛" % 𝑛" 𝑛 − 𝑛"

𝜎"% = 𝐸 𝑧 % − 𝐸 𝑧 %
= − % =
indicatrice : 𝑛 𝑛 𝑛%

La distance du c2 est une distance 𝑑% 𝑖, 𝑖 ) = ∑$"'! 𝑤" !

𝑧&" − 𝑧& $" %
,"#
euclidéenne normée pondérée avec des #(#"
avec 𝑤" =
poids 𝑤# : #*

On obtient la solution ACM par le biais d’une ACP du tableau de profils-ligne où

on assigne le poids 𝑤# à la catégorie 𝑠
Giorgio Russolillo – STA201 - ACM Slide 37
Interpréter une analyse des correspondances
multiples

Giorgio Russolillo – STA201 - ACM Slide 38

Quantité d’inertie expliquée par un
facteur
• Le rang de Z est 𝑆 − 𝑃 + 1
• Le nombre de valeurs propres de la matrice 𝐹𝐷"(! 𝐹 ) 𝐷#(! (et de la matrice
𝐹 ) 𝐷#(! 𝐹𝐷"(! ) différent de 0 de et 1 est 𝑆 − 𝑃

𝜇)
Quantité de variabilité expliquée par un axe: ×100
∑&*+
)$% 𝜇)

Étant donné que 𝐼 = 𝑆/𝑃 − 1 et qu’au maximum nous pouvons avoir 𝑆 − 𝑃

valeurs propres différentes de zéro, nous nous attendons à ce que chacune de ces
%
&
(! !
valeurs propres explique 1/P de l’inertie totale : =
$(* *

On garde les axes associés aux valeurs propres supérieurs (c.à d

qui expliquent une inertie superieure) à 1/𝑃.

Giorgio Russolillo – STA201 - ACM Slide 39

Correction de Benzécri

• En ACM les taux d’inertie expliquée par les facteurs sont des mesures
pessimistes de la qualité d’une représentation
• L’information concernant l’inertie due aux distances parmi les catégories de
la même variable n’est pas intéressante

Démarche proposée par Benzécri :

1) sélectionner les ℓ valeurs propres supérieures au seuil 1/𝑝

* ! % !
2) calculer les valeurs propres corrigées : 𝜇G- = × ∑ 𝜇- − pour 𝜇- >
*(! * *

3) calculer la somme des valeurs propres corrigées 𝜇G! , … , 𝜇Gℓ

4) tracer l’éboulis des valeurs propres corrigées en traçant le pourcentage d’inertie
cumulée corrigée

Giorgio Russolillo – STA201 - ACM Slide 40

Aides à l’interprétation

• La contribution absolue (CTR) d’une catégorie mesure l’importance d’une

catégorie dans la définition de l’axe. C’est le produit de la fréquence
relative de la modalité et de la coordonnée au carré de la modalité sur l’axe.
• Catégories les plus intéressantes : 𝐶𝑇𝑅(𝑠) > 𝑛𝑠/𝑛𝑃 (masse de la
catégorie 𝑠)

• Nous pouvons mesurer la contribution d’une variable à l’axe en

additionnant les contributions de toutes les modalités associées à la
&+
variable : 𝐶𝑇𝑅, 𝑝 = ∑#$% 𝐶𝑇𝑅, 𝑠

• La qualité de la représentation (contribution relative) d’un point sur le plan

factoriel est mesurée par les cosinus carrés.

Giorgio Russolillo – STA201 - ACM Slide 41

Exemple : Races canines
Breed Size Weight Velocity Intelligence Devotion Aggressiveness Function
beauceron SZ++ WE+ V++ INT+ DEV+ AG+ Utility
basset SZ- WE- V- INT- DEV- AG+ Hunting
ber_allem SZ++ WE+ V++ INT++ DEV+ AG+ Utility
boxer SZ+ WE+ V+ INT+ DEV+ AG+ Company
bull-dog SZ- WE- V- INT+ DEV+ AG- Company
bull-mass SZ++ WE++ V- INT++ DEV- AG+ Utility
caniche SZ- WE- V+ INT++ DEV+ AG- Company
chihuahua SZ- WE- V- INT- DEV+ AG- Company
cocker SZ+ WE- V- INT+ DEV+ AG+ Company
colley SZ++ WE+ V++ INT+ DEV+ AG- Company
dalmatien SZ+ WE+ V+ INT+ DEV+ AG- Company
dobermann SZ++ WE+ V++ INT++ DEV- AG+ Utility
dogue_all SZ++ WE++ V++ INT- DEV- AG+ Utility
epagn_bre SZ+ WE+ V+ INT++ DEV+ AG- Hunting
epagn_fra SZ++ WE+ V+ INT+ DEV- AG- Hunting
fox_hound SZ++ WE+ V++ INT- DEV- AG+ Hunting
fox_terri SZ- WE- V+ INT+ DEV+ AG+ Company
grand_ble SZ++ WE+ V+ INT- DEV- AG+ Hunting
labrador SZ+ WE+ V+ INT+ DEV+ AG- Hunting
levrier SZ++ WE+ V++ INT- DEV- AG- Hunting
mastiff SZ++ WE++ V- INT- DEV- AG+ Utility
pekinois SZ- WE- V- INT- DEV+ AG- Company
pointer SZ- WE+ V++ INT++ DEV- AG- Hunting
saint_ber SZ++ WE++ V- INT+ DEV- AG+ Utility
setter SZ- WE+ V++ INT+ DEV- AG- Hunting
teckel SZ- WE- V- INT+ DEV+ AG- Company
terre_neu SZ++ WE++ V- INT+ DEV- AG- Utility
Giorgio Russolillo – STA201 - ACM Slide 42
Races canines :
Table de Burt

SZ+ SZ++ SZ- WE+ WE++ WE- V+ V++ V- INT+ INT++ INT- DEV+ DEV- AG+ AG- CompanyHuntingUtility
SZ+ 5 0 0 4 0 1 4 0 1 4 1 0 5 0 2 3 3 2 0
SZ++ 0 13 0 8 5 0 2 7 4 5 3 5 3 10 9 4 1 4 8
SZ- 0
TABLEAU 0DE BURT
9 2 0 7 2 2 5 4 2 3 6 3 2 7 6 3 0
| TA- TA+ TA++| PO- PO+ PO++| VE- VE+ VE++| INT- INT+ INT++| AF- AF+ | AG- AG+| Comp Chas Util|
WE+ 4 8 2 14 0 0 6 8 0 7 4 3 7 7 6 8 3 8
-----+----------------+----------------+----------------+----------------+-----------+-----------+----------------+ 3
TA- | 7 0 0 |
WE++ 0
TA+ |
5 0 0 5 00 | 5 0 0 1 4 2 1 2 0 5 4 1 0 0 5
TA0++| 0 0 15 |
WE- 1 0 7 0 0 8 2
-----+----------------+----------------+
0 6 4 1 3 7 1 3 5 7 1 0
PO- |
V+ 4
PO+ |
2 70 2 14 6100 || 0 80 2140 800 || 0 0 5 2 1 6 2 3 5 4 4 0
V++ PO++
0 | 7 0 2 0 8 5 | 1 0 0 0 05 | 9 0 3 3 3 3 6 5 4 1 4 4
-----+----------------+----------------+----------------+
V- VE-
1 | 4 52 5 14 0 42 || 4 62 606 040 || 0 100 1008 500 || 1 4 5 5 5 5 5 1 4
VE+ |
INT+ VE++
4 | 5 0 4 0 7 9 | 2 0 4 8 51 | 3 0 5 0 139 | 0 0 9 4 5 8 7 3 3
-----+----------------+----------------+----------------+----------------+
INT++ IN-
1 | 3 3 2 0 4 5 | 1 3 13 22 | 3 4 1 1 03 | 68 00 0 |3 3 3 3 1 2 3
IN+ | 3 4 6 | 4 7 2 | 5 5 3 | 0 13 0 |
INT- IN++
0 | 5 1 3 1 3 4 | 2 1 3 4 11 | 3 1 4 2 03 | 00 08 6 |2 6 5 3 2 4 2
-----+----------------+----------------+----------------+----------------+-----------+
DEV+ AF-
5 | 3 1 6 0 712 | 0 1 77 65 | 3 5 5 2 96 | 36 42 3 14
| 13 0 0 | 5 9 10 2 2
AF+ | 6 5 3 | 7 7 0 | 5 6 3 | 2 9 3 | 0 14 |
DEV- 0 10 3 7 5 1 2 6 5 4 3 6 0 13 8 5
-----+----------------+----------------+----------------+----------------+-----------+-----------+ 0 7 6
AG- | 5 3 6 | 5 8 1 | 5 5 4 | 3 8 3 | 5 9 | 14 0 |
AG+ 2 | 9 2 2 2 6 9 | 4 3 36 34 | 5 5 5 3 55 | 35
AG+ 55 3 |5 8 8 5 | 13 0 013 | 3 3 7
-----+----------------+----------------+----------------+----------------+-----------+-----------+----------------+
AG- 3 | 4 6 7 3 8 1 | 1 7 53 50 | 4 5 5 4 81 | 32
Comp 73 1 |9 0 5 10 | 0 7 143 | 7
10 0 60 | 1
Chas | 1 2 6 | 1 8 0 | 1 4 4 | 4 3 2 | 7 2 | 6 3 | 0 9 0 |
Company 3 | 1 0 6 0 3 8 | 0 0 73 45 | 1 4 5 0 74 | 12
Util 32 3 10
| 6 0 2 | 3 1 7 7 | 100 0 08 | 0
-----+----------------+----------------+----------------+----------------+-----------+-----------+----------------+
Hunting 2 | 4 TA- 3TA+ 8TA++| 0PO- PO+1 PO++|
4 4VE- VE+
1 VE++|3 INT-2 INT+4INT++|2 AF- 7AF+ | 3AG- 6AG+| Comp 0 Chas Util|
9 0
Utility 0 8 0 3 5 0 0 4 4 3 3 2 2 6 7 1 0 0 8

Giorgio Russolillo – STA201 - ACM Slide 43

Races canines:
Carte des observation
MCA factor map
Dim 2 (21.69%)

pekinois
1.0 basset
chihuahua

teckel
La proximité entre les
bull-dog
mastiff
points-observation montre
0.5 qu’ils partagent beaucoup
saint_ber
terre_neu
de modàlités
cocker
bull-mass
dogue_all fox_terri
caniche
0.0

setter
levrier
fox_hound
grand_ble pointer

beauceron colley
-0.5 dobermann
ber_allem epagn_fra

boxer labrador
dalmatien
epagn_bre
-1.0

-1.5 -1.0 -0.5 0.0 0.5 1.0

Dim 1 (27.66%)

Giorgio Russolillo – STA201 - ACM Slide 44

Interprétation des cartes des
catégories

• Chaque variable est représenté par autant de points que le nombre de ses catégories.

• Le barycentre du nuage de points (origine des axes) est aussi le barycentre des catégories de
chaque variable.

• La proximité entre deux points-catégorie est l’expression de l’association (interdépendance) des

modalités qu’elles représentent.

• Si les catégories d’une variable montrent un ordre, nous pouvons étudier les trajectories suivies
par les points correspondants

Giorgio Russolillo – STA201 - ACM Slide 45

 Races canines : Carte des
catégories
MCA factor map

Dim 2 (21.69%)
V-

1.0
WE-

SZ-
WE++ INT-

0.5

Le coordonnées
des catégories de
chaque variable 0.0 DEV-
AG+ AG-
sont de moyenne INT+
DEV+
SZ++
nulle
-0.5
V++ INT++
V+

WE+ SZ+
-1.0

-1.5 -1.0 -0.5 0.0 0.5 1.0

Dim 1 (27.66%)

Giorgio Russolillo – STA201 - ACM Slide 46

Propriété pseudo-barycentrique

Coordonnées des n points-observation en ℜS

units
1
φh = Zϕ h categories

P µh

A 1⁄ 𝜇 près, la coordonnée d’une observation est égale à la moyenne des

coordonnées des catégories auxquelles elle appartient

Coordonnées des points de catégorie s en ℜn

units

1 -1
categories
ϕh = D Z!φh
µh

A 1⁄ 𝜇 près, la coordonnée d’une catégorie est égale à la moyenne des

coordonnées des observations qui ont la catégorie

Giorgio Russolillo – STA201 - ACM Slide 47

Races canines : Biplot asymétrique
Asymmetric variable plot (axes F1 and F2: 49,35 %)
2,5

2
WE- V-

1,5 SZ-
pekinois WE++
chihuahua basset INT-
1
bull-dog
teckel mastiff
terre_neu saint_ber
F2 (21,69 %)

0,5
fox_terri cocker bull-mass
dogue_all
caniche AG+ DEV-
0
AG-
DEV+ setter pointer levrier
INT+
colley beauceron grand_ble fox_hound SZ++
-0,5
dalmatien boxer epagn_fra ber_allem dobermann
labrador
-1 epagn_bre INT++ V++

V+
-1,5
WE+
SZ+
-2
-2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5
F1 (27,66 %)

Active variables Active observations

Chaque observation est barycentre de ses modalités

Giorgio Russolillo – STA201 - ACM Slide 48
Races canines : Biplot asymétrique

Asymmetric observation plot (axes F1 and F2: 49,35 %)

2
basset
chihuahua

1,5 pekinois
teckel
WE- V- mastiff
bull-dog
1 SZ-
INT- terre_neu WE++
cocker saint_ber bull-mass
0,5 fox_terri
dogue_all
F2 (21,69 %)

DEV-
caniche AG+
AG-
0
DEV+
INT+ setter SZ++
-0,5 pointer levrier fox_hound
INT++ V++grand_ble
SZ+ V+ colley WE+ beauceron
-1 epagn_fra dobermann
ber_allem
dalmatien
labrador boxer
-1,5
epagn_bre

-2
-1,5 -1 -0,5 0 0,5 1 1,5 2
F1 (27,66 %)

Active variables Active observations

Chaque modalité est barycentre de observations qui la possédent

Giorgio Russolillo – STA201 - ACM Slide 49
Races canines : représentation
symétrique
Symmetric plot (axes F1 and F2: 49,35 %)
1,5

WE- chihuahua V-
basset
pekinois
1
SZ-
bull-dog
teckel INT- mastiff WE++

0,5 terre_neu saint_ber

bull-mass
cocker
fox_terri dogue_all
caniche DEV-
F2 (21,69 %)

AG+
0
AG- SZ++
DEV+ setter levrier
INT+
pointer fox_hound
grand_ble
colley
-0,5 beauceron
epagn_fra INT++ V++ dobermann
V+ ber_allem
dalmatien
labrador boxer
WE+
-1 epagn_bre
SZ+

-1,5
-1,5 -1 -0,5 0 0,5 1 1,5
F1 (27,66 %)

Active variables Active observations

La proximités entre les points-catégorie et les points-observation, dans le cadre

d’une représentation simultanée, montrent l’importance de certaines caractéristiques
dans la détermination des profils des observations.
Giorgio Russolillo – STA201 - ACM Slide 50
Races canines :
Carte des variables
Variables representation
Dim 2 (21.69%)

1.00

Weight
Le coordonnées des points sont
0.75
les rapports de corrélation de
Velocity
chaque variable et le facteur

0.50

Size

0.25
Intelligence

Aggressiveness
0.00
Devotion
0.00 0.25 0.50 0.75 1.00
Dim 1 (27.66%)

Giorgio Russolillo – STA201 - ACM Slide 51

Quelques références sur l’ACM..

.. Et l’analyse des données en général.

• Escofier B., Pagès J., Analyses factorielles simples et multiples, Dunod, 2008.
• Lebart L., Morineau A., Piron M., Statistique exploratoire multidimensionnelle,
Dunod, 3ème édition, 2000.
• Saporta G., Probabilités, Analyse des Données et Statistique, Technip, 2006.
• Tenenhaus M., Statistique : Méthodes pour décrire, expliquer et prévoir, Dunod,
2006.

Certaines parmi ces slides sont inspirées par celles de Ricco Rakotomalala (Université
Lumière Lyon 2) : [Link]

Giorgio Russolillo – STA201 - ACM Slide 52

 This presentation is made available through a Creative Commons Attribution-
Noncommercial license. Details of the license and permitted uses are available at
[Link]

© 2021 G. Russolillo

Title: Analyse des Correspondances Multiples

Attribution: G. Russolillo, CNAM

For further information please contact G. Russolillo ([Link]@[Link])

Giorgio Russolillo – STA201 - ACM Slide 53