D. Chessel, A.B. Dufour & J.

Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Fiche de Biostatistique

Couplages de tableaux
D. Chessel, A.B. Dufour & J. Thioulouse

Résumé

La fiche introduit aux principales méthodes de couplage de deux tableaux.

Plan

1. INTRODUCTION................................................................................................................. 2
1.1. Juxtaposition ............................................................................................... 2
1.2. Illustration.................................................................................................... 3
1.3. Croisement.................................................................................................. 5
2. ANALYSES CANONIQUES................................................................................................ 8
2.1. Analyse canonique des corrélations ........................................................... 8
2.2. Analyse canonique de deux sous-espaces............................................... 14
2.3. Analyse discriminante ............................................................................... 18
2.4. Analyse canonique des correspondances ................................................ 27
3. STRATEGIE DES VARIABLES INSTRUMENTALES ...................................................... 32
3.1. Analyses inter-classes .............................................................................. 34
3.2. Analyses intra-classes .............................................................................. 35
3.3. Ordinations sous contraintes .................................................................... 36
3.4. Analyse des Correspondances Non Symétriques..................................... 38
4. STRATEGIE DE LA CO-INERTIE .................................................................................... 41
4.1. AFC des tableaux de profils écologiques.................................................. 41
4.2. Analyse interbatterie ................................................................................. 43
4.3. AFC des tableaux de Burt croisés............................................................. 44
4.4. Analyse des niches écologiques ............................................................... 45
5. REFERENCES.................................................................................................................. 56

______________________________________________________________________
Biostatistique / [Link] / Page 1 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

1. Introduction
En toute généralité, une analyse à un tableau se décrit par un schéma de dualité. Pour
deux tableaux on a deux schémas. Ils seront considérés comme cohérents s'ils partagent
un espace euclidien sous-jacent. On supposera qu'ils sont appariés par les lignes (il
suffit de transposer si ce n'est pas le cas). On a alors deux schémas appariés :

Qp Qm
p → p m → m
X ↑
t
↓ X et Y t ↑ ↓Y
n ← n n ← n
D D

Il y a trois stratégies principales d'association de deux triplets. Elles recouvrent, à cause

des nombreux jeux de paramètres, un vaste ensemble de pratiques. Il suffit de saisir ces
trois principes pour faire un choix, voire pour construire des associations originales dont
on peut avoir besoin.

Le couplage de deux tableaux de données est une opération fondamentale en écologie

statistique. On dispose d’une énorme littérature sur le sujet. Parmi les bases historiques
on doit rappeler quelques opérations fondamentales.

1.1. Juxtaposition

Deux tableaux ayant les mêmes lignes sont simplement accolés pour former un nouveau
1
tableau qui appelle une analyse simple. La voie a été ouverte par P. Dagnélie .

X Y X|Y
Juxtaposition

On associe un tableau 30 lignes-stations et 11 colonnes-variables (tableau mésologique)

et un tableau 30 lignes-stations et 27 colonnes-espèces (tableau faunistique) extraits
2
de (Carte Doubs dans ADE-4) :

On soumet le résultat à une ACP normée :

______________________________________________________________________
Biostatistique / [Link] / Page 2 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

I p+m
Ip Im p+m → p+m
p → p m → m
 X*t 
X ↑
t
* ↓ X* Y*t ↑ ↓ Y* 6  t↑ ↓ [ X* Y* ]
 Y* 
n ← n n ← n
1 1 n ← n
In In 1
n n In
n

X* et Y* désignent les tableaux de variables normalisées. C'est le premier pas vers

l'analyse factorielle multiple (AFM voir la fiche K-tableaux). Cette approche ne
fonctionne que si les inerties des deux tableaux sont comparables. Si l'un des deux
l'emporte largement, il imposera son point de vue. L'AFM propose des modifications
pour pallier au défaut et s'applique alors à un nombre quelconque de tableaux.

1.2. Illustration

On pratique l'analyse d'un des deux tableaux et on introduit dans l'interprétation des
éléments issus de l'autre. R. H. Whittaker, théoricien fondateur de l'analyse des données
3
écologiques distingue ainsi l' ordination directe et l'ordination indirecte .

X x Y
Analyse Supplément

Dans la première, on analyse le tableau de milieu et on étudie la répartition des espèces.

______________________________________________________________________
Biostatistique / [Link] / Page 3 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

PCA: Correlation matrix PCA

ScatterDistri: Frequencies ScatterDistri: Stars

Ceci est une représentation d’informations supplémentaires.

4
Dans la seconde (Ordination indirecte ), on analyse le tableau relevés-espèces et on
étudie la répartition des variables.

X y Y
Supplément Analyse

______________________________________________________________________
Biostatistique / [Link] / Page 4 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

PCA: Covariance matrix PCA

Scatters: Values

Ceci est une représentation d’informations supplémentaires.

1.3. Croisement

Le tableau croisé utilise simplement un produit de matrices.

Analyse d’un tableau croisé

X Y X tY
Croisement

______________________________________________________________________
Biostatistique / [Link] / Page 5 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

C’est la base des analyses de co-inertie que nous verrons plus loin. Il suffit que le
produit de matrice ainsi défini ait un sens expérimental. Passer le tableau faunistique en
pourcentage par espèce et transposer :

Bin->Bin: Frequencies

FilesUtil: Transpose

MatAlg: Matrix multiplication C =

A*B

On obtient la position moyenne de chaque espèce sur chaque variable de milieu

normalisée :

DaS Alt Pen Déb pH Dur Pho Nit Amm Oxy Dbo
Chabot -0.20 -0.23 -0.17 -0.06 0.80 0.33 -0.37 -0.28 -0.47 1.01 -0.57
Truite -0.70 0.61 0.51 -0.53 0.25 -0.49 -0.47 -0.67 -0.47 0.79 -0.56
Vairon -0.54 0.41 0.27 -0.43 0.14 -0.29 -0.41 -0.48 -0.41 0.64 -0.49
Loche -0.41 0.32 0.15 -0.37 0.12 -0.28 -0.36 -0.36 -0.36 0.47 -0.44
Ombre -0.11 -0.25 -0.18 0.14 0.64 0.51 -0.37 -0.36 -0.47 1.05 -0.52
Blageon 0.01 -0.37 -0.33 0.07 0.76 0.34 -0.31 -0.06 -0.41 0.77 -0.55
Hotu 0.87 -0.86 -0.66 0.78 -0.16 0.40 -0.05 0.48 -0.04 -0.22 -0.07
Toxostome 0.59 -0.72 -0.57 0.56 -0.14 0.35 -0.21 0.42 -0.15 0.12 -0.35
Vandoise 0.33 -0.34 -0.30 0.33 0.06 0.26 -0.09 0.18 -0.10 -0.05 -0.16
Chevaine 0.38 -0.34 -0.36 0.35 0.02 0.31 -0.01 0.20 -0.03 -0.20 -0.02
Barbeau 0.83 -0.81 -0.61 0.80 0.05 0.43 -0.12 0.44 -0.13 -0.07 -0.22
Spirlin 0.88 -0.83 -0.80 0.99 -0.12 0.55 -0.11 0.43 -0.11 -0.05 -0.26
Goujon 0.74 -0.66 -0.56 0.71 0.01 0.38 0.08 0.43 0.03 -0.24 -0.03
Brochet 0.63 -0.45 -0.43 0.68 -0.03 0.34 -0.01 0.27 -0.04 -0.29 -0.05
Perche 0.57 -0.44 -0.48 0.64 -0.08 0.36 -0.16 0.13 -0.17 -0.14 -0.20
Bouvière 1.13 -0.94 -0.78 1.18 -0.03 0.60 -0.03 0.53 -0.08 -0.28 -0.15
Perche_soleil 1.13 -0.94 -0.73 1.13 -0.07 0.62 0.00 0.56 -0.04 -0.38 -0.05
Rotengle 1.01 -0.76 -0.76 1.10 0.10 0.61 0.16 0.47 0.10 -0.46 0.04
Carpe 1.17 -0.94 -0.80 1.21 0.15 0.65 -0.05 0.51 -0.12 -0.31 -0.16
Tanche 0.70 -0.55 -0.52 0.66 0.06 0.30 -0.08 0.33 -0.11 -0.28 -0.11
Brème_comm. 1.28 -0.99 -0.76 1.32 0.02 0.65 -0.01 0.46 -0.13 -0.43 -0.07
Poisson_chat 1.51 -1.06 -0.91 1.71 0.13 0.91 0.03 0.45 -0.14 -0.51 -0.07
Grémille 1.23 -0.98 -0.78 1.19 -0.03 0.64 0.21 0.66 0.11 -0.61 0.16
Gardon 0.66 -0.56 -0.57 0.60 -0.06 0.38 0.07 0.41 0.06 -0.42 0.07
Brème_bord. 1.26 -0.99 -0.78 1.24 0.10 0.63 0.02 0.58 -0.04 -0.48 -0.01
Ablette 1.03 -0.91 -0.76 0.92 -0.12 0.54 0.39 0.76 0.36 -0.61 0.36
Anguille 1.23 -0.97 -0.84 1.30 0.05 0.68 0.01 0.57 -0.07 -0.38 -0.10

Faire l’ACP non centrée de ce tableau :

______________________________________________________________________
Biostatistique / [Link] / Page 6 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Fondamentalement, dans l'analyse du tableau croisé, les lignes sont les variables d'un
tableau et les colonnes sont les variables de l'autre.

On a alors trois tableaux et on comprend que les relevés sont supplémentaires de deux
manières dans l’analyse du tableau croisé :

Le cas le plus célèbre d'un croisement de tableau signifiant est celui des profils
5
écologiques . Les variables de milieu sont toutes qualitatives et les variables
floristiques sont toutes binaires (0 absence, 1 présence). Le tableau X est formé des
indicatrices des classes de chaque variable de milieu. Le tableau Y est formé des
indicatrices de présence de chaque espèce. Le tableau croisé Y t X a pour lignes les
espèces et pour colonnes les modalités de milieu. Les cases contiennent le nombre de
stations de chaque modalité de milieu contenant l'espèce. Sur une ligne on trouve une
6
juxtaposition de profils écologiques bruts. P. Romane a eu l'idée d'envoyer un tel
7
tableau dans l'analyse des correspondances, idée retrouvée dans . On obtient un cas
8
particulier de l'analyse de co-inertie . Parmi nombre de pratiques basées sur les tableaux
croisés on trouve le croisement de partitions :

______________________________________________________________________
Biostatistique / [Link] / Page 7 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

X Y
Classification Classification

Le tableau croisé joue un rôle central dans les méthodes de couplage. Il faut, par
nécessité théorique, utiliser le produit scalaire commun :

Qp Qm ?
p → p m → m p → p
X ↑
t
↓X Yt ↑ ↓Y 6 X DY ↑
t
↓ Y t DX
n ← n n ← n m ← m
D D ?

Le choix des métriques associées au croisement va définir les principales familles de

méthodes.

2. Analyses canoniques
2.1. Analyse canonique des corrélations
9
L'analyse canonique des corrélations est la plus ancienne et la plus connue des
10
méthodes de couplage (revue pour l'écologie dans ). Le fondement considère deux
ACP normées. On appellera simplement X et Y les deux tableaux normalisés
(moyennes nulles et variances unitaires par colonnes).

On suppose que les deux paquets de variables (colonnes de X et Y) sont sans

redondances (la régression d'une variables de Y sur X ou d'une variable de X sur Y est
définie sans problème) donc que les matrices de corrélations des deux paquets sont
inversibles. L'analyse canonique est celle du schéma :

( X DX )
t −1
Qp Qm
p → p m → m p → p
Xt ↑ ↓X Yt ↑ ↓Y 6 Xt DY ↑ ↓ Y t DX
n ← n n ← n m ← m
( Y DY )
−1
D D t

Les matrices ( Xt DX ) et ( Y t DY )
−1 −1
sont symétriques, positives et inversibles donc des
matrices de produits scalaires. La géométrie qu'elles définissent est très particulière.
> cor <- matrix(c(1,0.8,0.8,1),nrow=2)
> cor
[,1] [,2]
[1,] 1.0 0.8
[2,] 0.8 1.0
> X <- mvrnorm(30,c(0,0),cor)
> X <- scale(X)

______________________________________________________________________
Biostatistique / [Link] / Page 8 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

> cor(X)
[,1] [,2]
[1,] 1.0000 0.7809
[2,] 0.7809 1.0000

f1 <- function () {
par(mar=rep(4,4))
plot(X,xlim=c(-2.5,2.5),ylim=c(-2.5,2.5))
abline(h=0)
abline(v=0)
abline(0,1)
abline(0,-1)
text(X,[Link](1:30),pos=4)
}

Avec le produit scalaire canonique, le carré de la distance entre les points 7 et 10 vaut
> sum((X[7,]-X[10,])^2)
[1] 4.643
> sum((X[7,]-X[21,])^2)
[1] 0.2102

> plot(-pr0$scores)
> text(-pr0$scores,[Link](1:30),pos=4)
> abline(h=0)
> abline(v=0)

En se mettant dans la base des axes principaux sans changer de métrique, on conserve
les distances :
> pr0 <- princomp(X)
> Y <- -pr0$scores
> sum((Y[7,]-Y[10,])^2)
[1] 4.643

______________________________________________________________________
Biostatistique / [Link] / Page 9 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

> sum((Y[7,]-Y[21,])^2)
[1] 0.2102
> Z <- Y
> Z[,1] <- Z[,1]/pr0$sdev[1]
> Z[,2] <- Z[,2]/pr0$sdev[2]
> plot(Z,xlim=c(-2.5,2.5),ylim=c(-2.5,2.5))
> text(Z,[Link](1:30),pos=4)
> abline(h=0)
> abline(v=0)

La variabilité sur chacun des axes principaux a été ramenée volontairement à 1 en

divisant par la racine de la valeur propre (valeur singulière) qui est l'écart-type de la
coordonnée :

Les distances sont changées profondément :

> sum((Z[7,]-Z[10,])^2)
[1] 3.076
> sum((Z[7,]-Z[21,])^2)
[1] 0.9924

On ne tient plus compte de la corrélation dans le calcul de la distance. L'opération

consiste à prendre le produit scalaire de matrice Λ −1 dans la base des axes principaux
donc AΛ −1A t dans la base canonique. Or :
Xt DX = A t ΛA ⇒ ( Xt DX ) = A t Λ −1A
−1

Les facteurs principaux du schéma :

( X DX )
t −1

p → p
X DY ↑
t
↓ Y t DX
m ← m
( Y DY )
t −1

sont (( X DX ) )
t −1 −1
= Xt DX normés donc vérifient a *t Xt DXa* = Xa * D = 1 . Ce sont
2

des coefficients de combinaisons linéaires de variables de variance unité.

______________________________________________________________________
Biostatistique / [Link] / Page 10 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Les cofacteurs de ce schéma sont (( Y DY )

t
)
−1 −1
= Yt DY normés donc vérifient

b *t Yt DYb* = Yb * D = 1 . Ce sont des coefficients de combinaisons linéaires de

2

variables de variance unité.

Les théorèmes généraux indiquent que le premier facteur et le premier cofacteur

optimise la quantité :

( X DX ) = a *t ( Xt DX )( Xt DX ) Xt DYb *
t −1 −1
Xt DYb * a *
( X DX )
t

= a *t Xt DYb* = Xa * Yb * D

On obtient donc une combinaison de variables du tableau X de variance 1 (le

vecteur Xa * ) et une combinaison de variables du tableau Y de variance 1 (le
vecteur Yb * ) de corrélation maximale (la quantité Xa * Yb * D ). Xa * et Yb * sont
appelées variables canoniques. L'optimum de la corrélation qu'on peut faire avec une
combinaison linéaire de chaque tableau est la corrélation canonique (racine carrée de la
première valeur propre). La première valeur propre prend donc le nom de carré de
corrélation canonique entre les deux tableaux.

L'analyse canonique prend sa signification dans l'espace des variables. On peut la

résumer par la figure :

Variable
canonique
[X]
x*
Variables
du tableau X z Score
canonique

y*

Variable
Variables canonique
du tableau Y

[Y]

La variable canonique du tableau X est la combinaison des variables de X la mieux

prédite par une régression multiple sur les variables de Y tout comme la variable
canonique du tableau Y est la combinaison des variables de Y la mieux prédite par une
régression multiple sur les variables de X. On appelle score canonique la bissectrice des
deux variables canoniques (somme normalisée). Il est capital de voir dans l'analyse
canonique toutes les contraintes associées à deux régressions multiples. Le nombre de
prédicteurs doit être forcément limité par rapport au nombre de variables.

C'est pourquoi, sur les couplages de tableaux écologiques, elle a mauvaise presse. On ne
peut l’utiliser que si le nombre de variables est faible par rapport au nombre
d’individus.

______________________________________________________________________
Biostatistique / [Link] / Page 11 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Ce n’est pas la peine de continuer. Il existe une multitude de combinaisons linéaires des
variables faunistiques parfaitement corrélées à des combinaisons linéaires de variables
de milieu, mais cela ne peut rien nous apprendre. Par contre, on l’utilise avec un tableau
11
et les coordonnées de l’analyse de l’autre ou avec deux ensembles de coordonnées :

On garde ici deux variables canoniques pour deux variables (coordonnées) dans chaque
tableau. Les scores canoniques sont dans .canll. Ce sont des variables de synthèse, de
moyenne 0 et de variance 1 qui expriment la corrélation entre les deux tableaux :

15 3
14 4
12
16 7
13 6
17 10
11 1
19 18 5

20 9
29 22 8
21
27
30
28
26 24 23

1.7
-2.1 2
25
2 -3.4

On peut évidemment utiliser ces codes comme fond de carte pour toute expression
directe des données. Pour obtenir les scores canoniques, on a fait une moyenne
normalisée de variables canoniques, combinaisons de variables normalisées de chacun
des tableaux. On peut représenter ces deux ensembles et leur corrélation par :

15 47 3
1614
1312 6 2

17 10
11
5 1
18
19
9
20 8
22 21
29

30 27
28
26
24
23

2
-3 2 25
-3

Likelihood ratio tests of dimensionality

Barlett 1938, see Ch. 3.4.2 of Gittins, R. (1985) Canonical analysis,

______________________________________________________________________
Biostatistique / [Link] / Page 12 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

a review with applications in ecology. Springer-Verlag, Berlin. 1-351

-----------------------------------------------------
k= 0 Khi2 = 4.1260e+01 ddl = 4 proba = 8.5582e-08
k= 1 Khi2 = 1.5586e+01 ddl = 1 proba = 1.3171e-04
-----------------------------------------------------

Canonical correlation coefficients

k= 1 rk = 7.9279e-01 rk2 = 6.2852e-01
k= 2 rk = 6.5775e-01 rk2 = 4.3263e-01

La géométrie des nuages de variables s’exprime sur des cercles de corrélation :

a b

c d e

a - carte factorielle de l'analyse 1. b - carte factorielle de l'analyse 2. d - Représentation

des deux premiers scores canoniques. c - projection des variables (composantes
principales servant de variables) du tableau 1 sur le plan des scores canoniques. e -
projection des variables (composantes principales servant de variables) du tableau 2
sur le plan des scores canoniques. Cette figure mélange une projection d'un nuage de
points dans R p (a), une projection d'un nuage de points dans R q (b), deux projections
dans R n (c et e) et une figuration simple de deux scores normés non corrélés (d) non
associés à une projection de nuages.

Il faut faire une rotation de 90° pour le milieu et une rotation de 45° suivie d’une
symétrie autour de l’axe des x pour la faune pour recaler les deux nuages de points.
C’est en bas à droite que l’ajustement sera le moins bon, ce qui est parfaitement
exprimé dans le graphe double. En fait cette analyse marche bien parce qu’on a deux
systèmes de covariances. Le premier concerne le gradient amont-aval avec covariances
de signe opposé des espèces de tête de bassin et celles de plaine. Le second concerne la
pollution qui élimine toutes les espèces en haut comme en bas. L’analyse canonique sur
coordonnées factorielles est voisine de l’analyse de co-inertie.
______________________________________________________________________
Biostatistique / [Link] / Page 13 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

10
Pour approfondir l’analyse canonique, la référence s’impose. Retrouver les
illustrations de cet ouvrage sur la carte Angles :

3 3

y1*y2
north-south
2 2 1 Phleum.
Galium
east-west

Dactylis

2.2. Analyse canonique de deux sous-espaces

On comprend que la géométrie associée aux deux ensembles de variables centrées et
réduites s'étend à deux ensembles quelconques vecteurs. L'opération se réduit à
chercher des combinaisons de variables faisant des angles les plus petits possibles (sous
contrainte d'orthogonalité successive dans chaque paquet).

La documentation de la fonction de R résume parfaitement cette approche :

cancor package:mva R Documentation

Canonical Correlations

Description:

Compute the canonical correlations between two data matrices.

Usage:

cancor(x, y, xcenter = TRUE, ycenter = TRUE)

Arguments:

x: numeric matrix (n * p1), containing the x coordinates.

y: numeric matrix (n * p2), containing the y coordinates.

xcenter: logical or numeric vector of length p1, describing any

centering to be done on the x values before the analysis. If
`TRUE' (default), subtract the column means. If `FALSE', do
not adjust the columns. Otherwise, a vector of values to be
subtracted from the columns.

ycenter: analogous to `xcenter', but for the y values.

Details:

The canonical correlation analysis seeks linear combinations of

the `y' variables which are well explained by linear combinations
of the `x' variables. The relationship is symmetric as `well
explained' is measured by correlations.

Value:
______________________________________________________________________
Biostatistique / [Link] / Page 14 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

A list containing the following components:

cor: correlations.

xcoef: estimated coefficients for the `x' variables.

ycoef: estimated coefficients for the `y' variables.

xcenter: the values used to adjust the `x' variables.

ycenter: the values used to adjust the `x' variables.

References:

Hotelling H. (1936). Relations between two sets of variables.

Biometrika, 28, 321-327.

Seber, G. A. F. (1984). Multivariate Analysis. New York: Wiley, p.

506f.

Remarque : quand on cherche des références bibliographiques sur une méthode le plus
sérieux est de prendre celles de la documentation de R. Elles sont toujours
incontournables.

La procédure de R permet d'illustrer le fait que l'AFC est une analyse canonique.
> fauv
V1 V2 V3 V4
1 2 2 1 0
2 2 2 1 0
3 3 2 2 0
4 2 2 1 0
5 2 2 2 0
6 2 3 3 3
7 1 3 2 3

> [Link](unlist(fauv))
[1] 2 2 3 2 2 2 1 2 2 2 2 2 3 3 1 1 2 1 2 3 2 0 0 0 0 0 3 3
> [Link]<-[Link](unlist(fauv))
> [Link](row([Link](fauv)))
[1] 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7
> [Link]<-[Link](row([Link](fauv)))
> [Link](col([Link](fauv)))
[1] 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3 3 3 4 4 4 4 4 4 4
> [Link]<-[Link](col([Link](fauv)))

[Link]<-matrix(0, nrow=48, ncol=7)

[Link]<-matrix(0, nrow=48, ncol=4)

j<-0
for (i in 1:28) {
if ([Link][i]>0) {
for (k in 1:[Link][i]) {
j<-j+1
[Link][j,[Link][i]]<-1
[Link][j,[Link][i]]<-1
}
}
}
> [Link] > [Link]
[,1] [,2] [,3] [,4] [,1] [,2] [,3] [,4] [,5] [,6] [,7]
[1,] 1 0 0 0 1 0 0 0 0 0 0
[2,] 1 0 0 0 1 0 0 0 0 0 0
[3,] 1 0 0 0 0 1 0 0 0 0 0
[4,] 1 0 0 0 0 1 0 0 0 0 0
[5,] 1 0 0 0 0 0 1 0 0 0 0
[6,] 1 0 0 0 0 0 1 0 0 0 0
[7,] 1 0 0 0 0 0 1 0 0 0 0
[8,] 1 0 0 0 0 0 0 1 0 0 0
[9,] 1 0 0 0 0 0 0 1 0 0 0
[10,] 1 0 0 0 0 0 0 0 1 0 0

______________________________________________________________________
Biostatistique / [Link] / Page 15 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

[11,] 1 0 0 0 0 0 0 0 1 0 0
[12,] 1 0 0 0 0 0 0 0 0 1 0
[13,] 1 0 0 0 0 0 0 0 0 1 0
[14,] 1 0 0 0 0 0 0 0 0 0 1
[15,] 0 1 0 0 1 0 0 0 0 0 0
[16,] 0 1 0 0 1 0 0 0 0 0 0
...
[41,] 0 0 1 0 0 0 0 0 0 0 1
[42,] 0 0 1 0 0 0 0 0 0 0 1
[43,] 0 0 0 1 0 0 0 0 0 1 0
[44,] 0 0 0 1 0 0 0 0 0 1 0
[45,] 0 0 0 1 0 0 0 0 0 1 0
[46,] 0 0 0 1 0 0 0 0 0 0 1
[47,] 0 0 0 1 0 0 0 0 0 0 1
[48,] 0 0 0 1 0 0 0 0 0 0 1

> [Link]<-cancor([Link],[Link],xcenter=F,ycenter=F)

> [Link]
$cor:
[1] 1.00000 0.48086 0.11367 0.05559

> [Link]$cor^2
[1] 1.000000 0.231225 0.012921 0.003091

-----------------------
Total inertia: 0.247236
-----------------------
Num. Eigenval. [Link]. [Link] |Num. Eigenval. [Link]. [Link] |
01 +2.3122E-01 +0.9352 +0.9352 |02 +1.2921E-02 +0.0523 +0.9875 |
03 +3.0906E-03 +0.0125 +1.0000 |04 +0.0000E+00 +0.0000 +1.0000 |

> sqrt(48)*[Link]$xcoef
[,1] [,2] [,3] [,4] [,5] [,6] [,7]
[1,] 1 0.8629 1.1259 0.03902 2.120e+000 9.646e-001 1.078e+000
[2,] 1 0.8629 1.1259 0.03902 3.157e-001 -1.741e+000 -1.859e+000
[3,] 1 0.8783 -1.1166 1.47126 -3.632e-001 1.017e+000 -7.133e-001
[4,] 1 0.8629 1.1259 0.03902 -2.072e+000 -2.408e-001 1.495e+000
[5,] 1 0.7214 -1.3666 -2.14752 -1.649e-015 -3.925e-016 -7.850e-017
[6,] 1 -0.9812 -0.6509 0.55022 3.632e-001 -1.017e+000 7.133e-001
[7,] 1 -1.4030 0.6985 -0.45015 -3.632e-001 1.017e+000 -7.133e-001
-------------------------------------------------
Binary input file: D:\…\fauv.fcl1 - 7 rows, 4 cols.
1 | 0.8629 -1.1259 0.0390 Inf
2 | 0.8629 -1.1259 0.0390 Inf
3 | 0.8783 1.1166 1.4713 Inf
4 | 0.8629 -1.1259 0.0390 Inf
5 | 0.7214 1.3666 -2.1475 Inf
6 | -0.9812 0.6509 0.5502 -Inf
7 | -1.4030 -0.6985 -0.4502 Inf

> sqrt(48)*[Link]$ycoef
[,1] [,2] [,3] [,4]
[1,] 1 0.874910 0.04364 1.2889
[2,] 1 0.159135 1.06232 -0.9199
[3,] 1 0.006676 -1.57200 -0.7272
[4,] 1 -2.479171 0.20931 0.8999
-------------------------------------------------
Binary input file: D:\…\fauv.fcc1 - 4 rows, 4 cols.
1 | 0.8749 -0.0436 1.2889 -Inf
2 | 0.1591 -1.0623 -0.9199 -Inf
3 | 0.0067 1.5720 -0.7272 -Inf
4 | -2.4792 -0.2093 0.8999 -Inf

Pour comprendre le lien, il suffit de voir que si X est le paquet des indicatrices des
colonnes et si Y est le paquet des indicatrices des lignes les deux schémas suivants sont
strictement identiques :

______________________________________________________________________
Biostatistique / [Link] / Page 16 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

( X DX )
t −1
D−J 1
p → p J → J
Xt DY ↑ ↓ Y t DX Pt ↑ ↓P
m ← m I ← I
( Y DY )
−1
t D−I 1

Le vecteur 1n est dans chacun des sous-espaces engendrés, d'où la corrélation

canonique de 1 dans celle de R et la valeur propre de 0 dans celle de ADE-4. On trouve
12
dans l'affirmation de l'importance fondamentale de l'AFC comme analyse canonique.

L’opération est basée sur une vision du tableau de données très parlante au plan
expérimental :

Jusqu’à présent, on a vu dans chaque espèce une variable qui prenait la valeur 0 pour
une absence. On peut considérer que les absences n’ont aucune signification, soit que
l’échantillonnage soit insuffisant pour détecter certaines des espèces, soit que des
espèces pourrait se trouver dans certaines stations mais n’y sont pas pour des
13
contingences historiques. Le raisonnement est dans . Ne considérons donc que les
présences. Il y a dans ce tableau 375 cases non vides, c’est-à-dire 375 occurrences d’une
espèce dans un relevé. Par exemple, on a une occurrence Vairon dans la station 6. Cette
occurrence est caractérisée par le nom de l’espèce Vairon, le nom du relevé 6 et son
poids 3 ou plutôt 3/1004 (1004 est la somme de toutes les abondances). Les occurrences
sont les nouveaux individus statistiques. On peut définir deux paquets de variables. Le
premier compte 30 variables qui prennent la valeur 1 si l’occurrence est dans le relevé
et 0 sinon. Le second compte 27 variables qui prennent la valeur 1 si l’occurrence est de
l’espèce et 0 sinon. On a deux tableaux à 375 lignes et respectivement 30 et 27
variables. Faire l’analyse canonique de ces deux tableaux, c’est faire l’analyse des

______________________________________________________________________
Biostatistique / [Link] / Page 17 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

14
correspondances du tableau faunistique. Source historique dans . Voir
OccurData: Array_to_Occur.

COA: COrrespondence Analysis, COA: Reciprocal scaling et ScatterClass: Stars.

Utilisée dans cette optique, l’analyse des correspondances a des propriétés uniques de
définition réciproque de la diversité des relevés (à gauche) et de l’amplitude d’habitat
15
des espèces (à droite) .

2.3. Analyse discriminante

L’analyse discriminante étudie le lien entre un tableau et une partition des individus.
C’est un problème de couplage de tableaux exactement comme précédemment.
Qualitative

Classe 1
Classe 2
Classe 3
Classe 4
Classe 5
Numéro

1 1 1 0 0 0 0
2 3 0 0 1 0 0
3 2 0 1 0 0 0
4 2 0 1 0 0 0
5 2 0 1 0 0 0
6 3 0 0 1 0 0
7 3 0 0 1 0 0
8 3 0 0 1 0 0
9 1 1 0 0 0 0
10 1 1 0 0 0 0
11 4 0 0 0 1 0
12 4 0 0 0 1 0
13 4 0 0 0 1 0
14 5 0 0 0 0 1
15 5 0 0 0 0 1
16 1 1 0 0 0 0

Une variable qualitative est toujours un ensemble d’indicatrices de classe. Une variable
qualitative à 5 modalités est un ensemble de 5 variables quantitatives binaires (en fait 4,
car la cinquième est entièrement définie par les autres).
> num
[1] 1 3 2 2 2 3 3 3 1 1 4 4 4 5 5 1
> tabnum
X1 X2 X3 X4 X5
1 1 0 0 0 0
2 0 0 1 0 0
3 0 1 0 0 0
4 0 1 0 0 0
5 0 1 0 0 0
______________________________________________________________________
Biostatistique / [Link] / Page 18 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

6 0 0 1 0 0
7 0 0 1 0 0
8 0 0 1 0 0
9 1 0 0 0 0
10 1 0 0 0 0
11 0 0 0 1 0
12 0 0 0 1 0
13 0 0 0 1 0
14 0 0 0 0 1
15 0 0 0 0 1
16 1 0 0 0 0

Le minimum nécessaire à la manipulation du lien entre une variable qualitative et une

variable quantitative tient dans le rapport de corrélation.
> y
[1] 0.3504 0.9401 0.3695 0.5425 0.9813 1.4071 0.3313 0.6016 0.9463
[10] -0.2008 -0.2587 0.2105 0.1749 -0.8171 -2.1751 -0.2260
> m0 <- predict(lm(y~[Link](num)))

Comment mesurer le lien entre la variable qualitative (num) et la variable quantitative

y?

1
1

0
0

-1
-1

-2
-2

1 2 3 4 5 -1.5 -1.0 -0.5 0.0 0.5

num m0

A gauche, les valeurs de y en fonction du numéro de classe, à droite les valeurs de y en

fonction de la moyenne de la classe correspondante. On rajoute les moyennes par
classe :
1

1
0

0
-1

-1
-2

-2

1 2 3 4 5 -1.5 -1.0 -0.5 0.0 0.5

num m0
> tapply(y,num,mean)
1 2 3 4 5
0.2175 0.6311 0.82 0.04226 -1.496 Les moyennes par classe
> tapply(y,num,var,un=F)
1 2 3 4 5
0.2301 0.0663 0.1614 0.0455 0.461 Les variances par classe
> var(y,un=F)
[1] 0.6717 La variance totale
> var(m0,un=F)
[1] 0.4953 La variance des moyennes par classe (variance Inter)
> tapply(y,num,var,un=F)
1 2 3 4 5
0.2301 0.0663 0.1614 0.0455 0.461
> table(num) Le nombre d’individus par classe
1 2 3 4 5
4 3 4 3 2

______________________________________________________________________
Biostatistique / [Link] / Page 19 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

> sum(tapply(y,num,var,un=F)*table(num))/16
[1] 0.1765 La moyenne des variances par classe (variance Intra)
> sum(tapply(y,num,var,un=F)*table(num))/16+var(m0,un=F)
[1] 0.6717
> var(y,un=F)
[1] 0.6717 La variance totale = Inter + Intra

> var(m0,un=F)/var(y,un=F)
[1] 0.7373 Le pourcentage de variance expliquée = rapport de
corrélation
> cor(m0,y)^2
[1] 0.7373 Le carré de corrélation avec la moyenne par classe

Le pourcentage de variance expliquée est un carré de corrélation. Donc chercher une

combinaison de variables qui optimise le pourcentage de variance expliquée (rapport de
corrélation), c’est chercher une combinaison de variables la plus corrélée avec une
combinaison du paquet d’indicatrices de classe. C’est une analyse canonique. L’analyse
des correspondances est ainsi une double analyse canonique et introduite comme telle
16
dans .

Les schémas de l'analyse discriminante sont donc :

( X DX )
t −1
Qp Im
p → p m → m p → p
Xt ↑ ↓X Yt ↑ ↓Y 6 Xt DY ↑ ↓ Y t DX
n ← n n ← n m ← m
( Y DY )
−1
D D t

Mais Y est un paquet d'indicatrices (m classes). Pour faire les calculs on utilise le
schéma de gauche, mais pour interpréter, on le modifie sans changer sa nature :

( X DX )
t −1

( X DX )
t −1
p → p
p → p
Xt DY ↑ ↓ Y t DX
6 Xt DY ( Y t DY ) ↑ ↓ ( Y t DY ) Y t DX
−1 −1
m m

( Y DY ) ↓ ( Y t DY )
−1 −1
t
↑ m ← m
Yt DY
m ← m
Y t DY

Dans D, on trouve les poids des points. Y t DY est une matrice diagonale (deux
indicatrices n'ont aucune valeur non nulle à la même place) qui contient les poids des
classes (somme des poids des points de la classe). Y t DX fait les sommes pondérées des
valeurs de X par classe et la multiplication par ( Y t DY )
−1
divise par le poids de la
classe. On trouve donc avec les facteurs des coefficients de combinaisons linéaires des
variables de X qui maximisent la variance des moyennes par classe, donc la variance
inter-classes. Quand on part d'une ACP normée, on obtient l'analyse discriminante
linéaire (ADL) fondamentale en morphométrie où elle est née.

______________________________________________________________________
Biostatistique / [Link] / Page 20 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

> library(MASS)
> ?lda
> data(iris)
> names(iris)
[1] "[Link]" "[Link]" "[Link]" "[Link]" "Species"
> dim(iris)
[1] 150 5
> iris[1:5,]
[Link] [Link] [Link] [Link] Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa

> lda(iris[,1:4],iris$Species)
Call:
[Link](iris[, 1:4], iris$Species)

Prior probabilities of groups:

setosa versicolor virginica
0.3333 0.3333 0.3333

Group means:
[Link] [Link] [Link] [Link]
setosa 5.006 3.428 1.462 0.246
versicolor 5.936 2.770 4.260 1.326
virginica 6.588 2.974 5.552 2.026

Coefficients of linear discriminants:

LD1 LD2
[Link] -0.8294 0.0241
[Link] -1.5345 2.1645
[Link] 2.2012 -0.9319
[Link] 2.8105 2.8392

Proportion of trace:
LD1 LD2
0.9912 0.0088

Les données sont reproduites dans la carte Iris.

----------------------- Correlation matrix -------------------

[ 1] 1000
[ 2] -118 1000
[ 3] 872 -428 1000
[ 4] 818 -366 963 1000
--------------------------------------------------------------
Total inertia: 4
-----------------------
Num. Eigenval. [Link]. [Link] |Num. Eigenval. [Link]. [Link] |
01 +2.9185E+00 +0.7296 +0.7296 |02 +9.1403E-01 +0.2285 +0.9581 |
03 +1.4676E-01 +0.0367 +0.9948 |04 +2.0715E-02 +0.0052 +1.0000 |

______________________________________________________________________
Biostatistique / [Link] / Page 21 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

File D:\Ade4\Dir_Try\Iris\[Link] contains the parameters:

input file: D:\Ade4\Dir_Try\Iris\[Link]
categorical variable file: D:\Ade4\Dir_Try\Iris\esp
n. of categorical variable used: 1

Discriminant analysis
Groups are defined by column 1 of file D:\Ade4\Dir_Try\Iris\esp
Input statistical triplet: table D:\Ade4\Dir_Try\Iris\[Link]
Number of rows: 150, columns: 4
total inertia (norm C- generalised inverse) = matrix rank: 4.000e+00

between-class inertia (norm C-): 1.192e+00 (ratio: 2.980e-01)

Num. Eigenval. [Link]. [Link] |Num. Eigenval. [Link]. [Link] |

01 +9.6987E-01 +0.8137 +0.8137 |02 +2.2203E-01 +0.1863 +1.0000 |
03 +0.0000E+00 +0.0000 +1.0000

File D:\Ade4\Dir_Try\Iris\[Link] contains the eigenvalues and relative

inertia for each axis
It has 3 rows and 2 columns

File D:\Ade4\Dir_Try\Iris\[Link] contains the coefficient of the

discriminant scores
It has 4 rows and 2 columns
File :D:\Ade4\Dir_Try\Iris\[Link]
|Col.| Mini | Maxi |
|----|----------|----------|
| 1|-1.200e-01| 6.790e-01|
| 2|-1.461e+00| 1.922e+00|
|----|----------|----------|

File D:\Ade4\Dir_Try\Iris\[Link] contains the canonical scores of row (unit

norm)
It has 150 rows and 2 columns

File :D:\Ade4\Dir_Try\Iris\[Link]
|Col.| Mini | Maxi |
|----|----------|----------|
| 1|-1.727e+00| 1.608e+00|
| 2|-2.355e+00| 2.439e+00|
|----|----------|----------|
File D:\Ade4\Dir_Try\Iris\[Link] contains the principal axes
It has 4 rows and 2 columns
File :D:\Ade4\Dir_Try\Iris\[Link]
|Col.| Mini | Maxi |
|----|----------|----------|
| 1|-5.308e-01| 9.850e-01|
| 2| 4.604e-02| 7.580e-01|
|----|----------|----------|
File D:\Ade4\Dir_Try\Iris\[Link] contains the correlations between PCA
scores
and DA scores. It has 4 rows and 2 columns
File :D:\Ade4\Dir_Try\Iris\[Link]
|Col.| Mini | Maxi |
|----|----------|----------|
| 1|-1.501e-01| 9.815e-01|
| 2|-8.347e-01| 2.991e-01|
|----|----------|----------|

Les deux programmes sont assez différents. On ne retrouvera pas facilement les
concordances. Si X est le tableau normalisé :
______________________________________________________________________
Biostatistique / [Link] / Page 22 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

> cor(iris[,1:4])
[Link] [Link] [Link] [Link]
[Link] 1.0000 -0.1176 0.8718 0.8179
[Link] -0.1176 1.0000 -0.4284 -0.3661
[Link] 0.8718 -0.4284 1.0000 0.9629
[Link] 0.8179 -0.3661 0.9629 1.0000

Jusque là tout va bien.

> ld <- lda(iris[,1:4],iris$Species)
> names(ld)
[1] "prior" "counts" "means" "scaling" "lev" "svd" "N"
[8] "call"

> ld$scaling
LD1 LD2
[Link] -0.8294 0.0241
[Link] -1.5345 2.1645
[Link] 2.2012 -0.9319
[Link] 2.8105 2.8392

On trouve des poids des variables qui permettent de calculer des combinaisons linéaires
des variables de départ.
-------------------------------------------------
Binary input file: D:\ADE4\DIR_TRY\IRIS\[Link] - 4 rows, 2 cols.
1 | -0.1200 0.0177
2 | -0.1169 0.8378
3 | 0.6790 -1.4609
4 | 0.3744 1.9218

La parenté est lointaine et ce ne sont pas les mêmes.

scaling: a matrix which transforms observations to discriminant
functions, normalized so that within groups covariance matrix
is spherical.

Il y a une grosse difficulté théorique. Si X est le tableau normalisé, les variables

(colonnes) sont des vecteurs de R n . Les indicatrices des classes forment un sous-espace
vectoriel sur lequel sont projetées les variables. Ce projecteur s'écrit
P = Y ( Y t DY ) Y t D , PX est le tableau projeté où les données sont remplacées par le
−1

centre de gravité (moyenne) de la classe correspondante. La fonction lda donne ces

valeurs brutes :
> ld$means
[Link] [Link] [Link] [Link]
setosa 5.006 3.428 1.462 0.246
versicolor 5.936 2.770 4.260 1.326
virginica 6.588 2.974 5.552 2.026

Le tableau X − PX donne la différence, soit le tableau des écarts aux moyennes par
classe. On peut calculer sa matrice de covariances :
( X − PX ) D ( X − PX ) = Xt DX − Xt Pt DX − Xt DPX + Xt Pt DPX
t

Un projecteur a pour propriété fondamentale d'assurer que Xt P t D ( X − PX ) = 0 car les

variables projetées sont dans le sous-espace et les écarts aux variables projetées sont
orthogonales à ce sous-espace. Donc ( X − PX ) D ( X − PX ) = Xt DX − Xt P t DX , ou
t

encore :

______________________________________________________________________
Biostatistique / [Link] / Page 23 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Xt DX = Xt P t DPX + ( X − PX ) D ( X − PX )
t

La matrice de covariances de X se décompose en matrice de covariances du tableau des

moyennes par classe (covariances inter-classes) et matrice de covariances du tableau
des écarts aux moyennes par classe (covariances intra-classes). L'équation de l'analyse
de variance (variance = variance inter + variance intra) s'étend à l'ensemble de la
matrice de covariances :
T= W+B

On peut donc réécrire le schéma de l'analyse discriminante en appelant T la matrice des

covariances totales ( T = Xt DX ), G le tableau des moyennes par classe
( G = ( Y t DY ) Y t DX ) et Dm est la diagonale des poids des classes ( Dm = Y t DY ) :
−1

T−1
p → p
G ↑ t
↓G
m ← m
Dm

On y trouve les combinaisons linéaires de variance unité et de covariance totale nulle

deux à deux qui maximise la variance inter-classe. La note "a matrix which transforms
observations to discriminant functions, normalized so that within groups covariance
matrix is spherical" indique qu'on utilise le schéma :

W −1
p → p
G ↑
t
↓G
m ← m
Dm

On y trouve les combinaisons linéaires de variance intra-classe unité et de covariance

intra-classe nulle deux à deux qui maximise la variance inter-classe. C'est un problème
très voisin car G t DmG = Xt P t DPX = B . Si λk est valeur propre du premier et µ k est
valeur propre du second on a :

T−1Bu k = λk u k ⇒ Bu k = λk Tu k = λk ( W + B ) u k ⇒ Bu k = λk Wu k + λk Bu k
λk λ µk
⇒ (1 − λk ) Bu k = λk Wu k ⇒ W −1Bu k = u k ⇒ µ k = k ⇒ λk =
1 − λk 1 − λk 1 + µk

La trace du premier Trace ( T−1B ) s'appelle le critère de Pillai

17
et celle du second
Trace ( W −1B ) s'appelle le critère généralisé de Hotelling dû à Lawley
18
. Ces quantités
19
donnent des tests d'hypothèses dans le modèle gaussien (toute l'information est dans ).
> ld <- lda(iris[,1:4],iris$Species)
> plot(ld,dimen=1, type="both")

______________________________________________________________________
Biostatistique / [Link] / Page 24 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

La fonction de R donne la combinaison de variables de variance intra-class unité (la

variance par classe en moyenne vaut 1) qui maximise la variance inter-classe. La
fonction d'ADE-4 donne la combinaison de variables de variance unité qui maximise la
variance inter-classe.

On a donc la solution d'un même problème sous deux contraintes différentes. Il n'y a pas
de contradictions mais pas d'identité des solutions. Le choix d'ADE-4 permet
d'introduire dans une analyse discriminante un triplet de départ arbitraire, ce qui donne
20
par exemple, une analyse discriminante des correspondances .

On retrouve le lien entre l'analyse discriminante et l'analyse canonique par :

Num. Eigenval. [Link]. [Link] |Num. Eigenval. [Link]. [Link] |
01 +9.6987E-01 +0.8137 +0.8137 |02 +2.2203E-01 +0.1863 +1.0000 |
03 +0.0000E+00 +0.0000 +1.0000

> x <- iris[,1:4]

> i1 <- [Link](iris$Species==levels(iris$Species)[1])
> i2 <- [Link](iris$Species==levels(iris$Species)[2])
> y <- [Link](i1,i2)
> can0 <- cancor(x,y)
> can0
$cor
[1] 0.9848 0.4712

$xcoef

______________________________________________________________________
Biostatistique / [Link] / Page 25 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

[,1] [,2] [,3] [,4]

[1,] 0.01187 -0.001753 -0.25105 0.07782
[2,] 0.02197 -0.157466 0.12503 -0.18250
[3,] -0.03151 0.067796 0.12746 -0.21329
[4,] -0.04023 -0.206546 -0.03786 0.37437

$ycoef
[,1] [,2]
[1,] 0.19465 0.04595
[2,] 0.05753 0.19155

$xcenter
[Link] [Link] [Link] [Link]
5.843 3.057 3.758 1.199

$ycenter
i1 i2
0.3333 0.3333

> can0$cor^2
[1] 0.9699 0.2220

> w <- [Link](scale(x,scale=F)%*%can0$xcoef[,1])*sqrt(150)

> w
[1] 1.41352 1.24991 1.31324 1.19460 1.42589 1.35043 1.26463 1.33348
1.15030
…
[145] -1.20059 -0.98977 -0.90816 -0.87102 -1.03205 -0.82112
>
-------------------------------------------------
Binary input file: D:\ADE4\DIR_TRY\IRIS\[Link] - 150 rows, 2 cols.
1 | -1.4135 0.2677
2 | -1.2499 -0.7009
3 | -1.3132 -0.2365
4 | -1.1946 -0.5975
5 | -1.4259 0.4584
…
145 | 1.2006 2.1642
146 | 0.9898 1.4948
147 | 0.9082 -0.3239
148 | 0.8710 0.7316
149 | 1.0321 2.0894
150 | 0.8211 0.2958

L'analyse discriminante est donc bien une analyse canonique. L'analyse des
correspondances est donc une double analyse discriminante, comme on l'a vue, puisque
chaque paquet d'indicatrices dans l'analyse canonique sert pour la discrimination de
21
l'autre. Souvent on ne se sert que de l'une des deux , par exemple de la discrimination
des espèces par les relevés.

1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 3 2
1 3 2 2 1 3 7 4 5 4 0 6 6 7 9 5 8 8 9 0 9 1 5 3 2 7 6 8 0 4

______________________________________________________________________
Biostatistique / [Link] / Page 26 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

1 2 2 2 2 2 2 2 2 2 3 2
1 3 2 2 1 3 7 4 5 4 0 6 6 7 9 5 8 8 9 0 9 1 5 3 2 7 6 8 0 4

Chevaine
Barbeau
Hotu
Toxostome
Vandoise

Brème_comm.
Poisson_chat

Brème_bord.
Ablette
Anguille
Bouvière
Perche_soleil
Rotengle
Carpe

Grémille
Gardon
Tanche
Spirlin
Goujon
Brochet
Perche
1 1 1

Blageon
1

Chabot
Truite
Vairon
Loche
Ombre
1 1 1 1 1

-3

Une analyse canonique fort singulière a été baptisée LONGI car elle est utilisée pour
l'étude de la croissance et les données longitudinales. Un tableau X de plusieurs
mesures anthropométriques est confronté à deux indicatrices, la première B portant sur
l'individu mesuré et la seconde A portant sur son âge (mesures longitudinales au cours
22
de la croissance). On peut définir le sous-espace A ∩ B⊥ ensemble des variables
constantes par classe d'âge et de moyenne nulle par individu pour faire l'analyse
canonique avec l'espace des variables définies par le tableau X. Ces approches sont
23
développées dans .

2.4. Analyse canonique des correspondances

L’analyse canonique des correspondances (CCA) étend la stratégie de l'analyse des

correspondances. En effet en réécrivant le tableau faunistique comme deux tableaux
d’indicatrices, la mention 00010000000...000 qui indique auxquel des relevés doit être
rattachée l’occurrence peut être remplacée par l’enregistrement des variables de milieu
de ce relevé. On fait alors l’analyse canonique entre les indicatrices des espèces et les
variables de milieu couplées par le biais des occurrences. On appelle cette méthode
l’analyse canonique des correspondances qui se retrouve être l’analyse discriminante
des occurrences (milieu) par la variable qualitative nom d’espèce. Elle donne des
combinaisons linéaires de variables de milieu de variance unité qui maximise la
24
variance des positions moyennes des espèces . Cette méthode, « dominante sur le
marché », suppose qu’on ne voit dans le tableau floro-faunistique que des présences
______________________________________________________________________
Biostatistique / [Link] / Page 27 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

c’est-à-dire dans les relevés des assemblages d’espèces qui sont chacune dans un milieu
pour des raisons qui lui sont propres (théorie de la niche).

On peut comprendre l'opération sur un exemple. Soient 4 sites, 3 espèces et 2 variables

de milieu. Le couple de tableaux appariés par les sites devient un couple de tableaux
appariés par les occurrences. Cette dualité est une source de difficulté.

1 0 0 1.5 10.0 
1 0 0  1.5 10.0 
  
1 0 0 1.8 8.7 
2 0 0 1.5 10.0     
1 1 1  1.8 
8.7  0 1 0 1.8 8.7 
  6 0 1 0  3.1 8.3 
0 1 1  3.1 8.3     
    0 0 1 1.8 8.7 
0 0 2 3.2 8.4  0 0 1  3.1 8.3 
   
0 0 1 3.2 8.4 
0 0 1  3.2 8.4 
  

Si les poids des occurrences dans le tableau sites-espèces ne sont pas entiers il faudrait
réécrire une colonne de poids au lieu de décomposer les entiers :

1 0 0  1.5 10.0  2 
1 0 0  1.8 8.7  1 
2 0 0 1.5 10.0  2 
 0 1 0  1.8 8.7  1 
1 1 1  
1.8 8.7  3    
 6 0 0 1  1.8 8.7  1 
0 1 1  3.1 8.3  2  
    0 1 0   3.1 8.3  1 
0 0 2 3.2 8.4  2    
0 0 1   3.1 8.3  1 
0  
 0 1  3.2 8.4  2 

Mathématiquement, le premier tableau relève (entre autre) d'une analyse des

correspondances qui donne un tableau de fréquences bivarié. Le second relève d'une
analyse en composantes principales normée. Pour que le couplage fonctionne les poids
doivent être cohérents. Ce sont nécessairement ceux de l'AFC. Centrer et normaliser le
tableau de milieu avec les poids issus du tableau faunistique donne un résultat cohérent
si on utilise les fi. sur le tableau sites-variables ou les fij sur le tableau occurrences-
variables. La position moyenne de l'espèce 1 (profil 2 1 0 0) sur la première variable de
milieu (valeurs 1.5 1.8 3.1 3.2) vaut ( 2 ×1.5 + 1× 1.8 ) 3 à gauche et évidemment la
même chose à droite. On note I le nombre de sites, J le nombre d'espèces et p le nombre
de variables pour retrouver les schémas des analyses simples :

DJ Ip
J → J p → p
−1 t −1
DJ P DI ↑ ↓ D I PD−J 1
−1
Xt ↑ ↓X
I ← I I ← I
DI DI

______________________________________________________________________
Biostatistique / [Link] / Page 28 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

En passant aux occurrences, on aura :

IJ Ip
J → J p → p
Lt ↑ ↓ L Yt ↑ ↓Y
O ← O O ← O
DO DO

Y est le tableau occurrences-milieu après normalisation, X est le tableau sites milieu

après normalisation. Les deux matrices de corrélations sont les mêmes :
Y t DO Y = X t D I X

L est le tableau des indicatrices occurrences-espèces. Son schéma est entièrement

artificiel puisque Lt DO L = D J . Le tableau espèces-variables des positions moyennes des
espèces sur les variables se calcule alors de deux manières en restant exactement lui-
même :
M = D−J 1P t X = D−J 1Lt DO Y

Si on fait l'analyse canonique du couple vu par les occurrences, on a le schéma :

(Y D Y) (Y D Y)
t −1 t −1
O O
p → p p → p
Y t DO L ↑ ↓ Lt DO Y ⇔ Y t DO LD−J 1 ↑ ↓ D−J 1Lt DO Y
J ← J J ← J
D−J 1 DJ

Si on fait l'analyse canonique du couple vu par les sites, on a le schéma :

( X D X)
t −1
O
p → p
Xt D I D−I 1PD−J 1 ↑ ↓ D−J 1P t D−I 1D I X
J ← J
DJ

C'est-à-dire exactement la même chose qui s'écrit :

( X D X)
t −1
O
p → p
Mt ↑ ↓M
J ← J
DJ

On obtient, comme cas particulier du modèle général, que les facteurs de cette analyse
donnent des combinaisons de variables de milieu qui maximisent la variance des
______________________________________________________________________
Biostatistique / [Link] / Page 29 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

positions moyennes des espèces. Mais, très curieusement, pour obtenir ce schéma
unique, on a pris un couplage d'analyse canonique en associant les tableaux par les
occurrences et un couplage avec une seule inversion de métrique (donc une ACPVI,
chapitre suivant) en associant les tableaux par les sites. Quand il existe plusieurs
justificatifs théoriques distincts pour une même procédure, en général la procédure a du
25
succès (bibliographie dans ) et on retiendra des justificatifs le plus adéquats à
défendre un point de vue. Plusieurs autres modèles se cachent dans ce schéma complexe
26 27
et on trouvera des synthèses dans et .

L'important à retenir : l'ACC se pratique après une AFC du tableau faune et une ACP
normée du tableau de milieu utilisant la pondération des relevés issue de l’AFC du
tableau faune. De ce point de vue encore, le milieu enregistré dans un relevé est
d’autant plus important qu’il y a plus de taxons présents (un relevé vide ne compte pas).
C’est le milieu de l’occurrence qui est ainsi pris en compte. Les facteurs limitant sont
minimisés, les facteurs de séparation de niches écologiques sont maximisés. C’est une
contrainte forte.

|----------------------------------------------
| files [Link]
| [Link]
| [Link]
| [Link]
| [Link]
| [Link]
| [Link]
| are those of the complete analysis
| of the projected table (DDUtil can been used)

26
L’analyse est vue comme l’ACP du tableau d’AFC prédit par les variables de milieu .
______________________________________________________________________
Biostatistique / [Link] / Page 30 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

|----------------------------------------------
| files [Link]
| cca.ivl1
| [Link]
| allow a convenient interpretation
|----------------------------------------------

ivfa contient les coefficients des variables de milieu (les loadings d’une ACP). Ces
coefficients définissent des variables de variance unité (ivl1) :

qui maximisent la variance des positions des espèces (ci-dessus). Les coefficients sont
bizarres. On calcule les corrélations entre scores et variables :

______________________________________________________________________
Biostatistique / [Link] / Page 31 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Les très fortes incohérences entre les coefficients qui fabriquent les scores à partir des
variables et les corrélations entre ces mêmes scores et ces mêmes variables indiquent
que les conditions d’emploi ne sont pas bonnes. C’est un problème très général en
28
régression multiple et toutes les méthodes dérivées . A utiliser avec la plus grande
prudence. L’ACC fait souvent guère plus que l’AFC sans qu’on s’en rende compte.

A retenir : on maximise une corrélation entre combinaisons de variables quantitatives en

analyse canonique des corrélations. On maximise la corrélation entre scores des lignes
et des colonnes dans une analyse des correspondances. On maximise un pourcentage de
variance expliquée par une partition en analyse discriminante. On maximise la variance
des moyennes par espèces avec des combinaisons de variables de milieu normalisées en
analyse canonique des correspondances. Ces méthodes relèvent de la stratégie des
analyses canoniques.

3. Stratégie des variables instrumentales

Ce sont des méthodes dissymétriques. Un tableau est formé d’explicatives (variables
instrumentales) et un tableau est formé de variables à étudier. Dans ces méthodes on
étudie le second en utilisant le premier. On parle en général d’Analyses en Composantes
29
Principales sur Variables Instrumentales ou ACPVI. Fondations dans . Le principe de
base se trouve dans le schéma :
X Y
Yest

Projection

Prédiction
Analyse

Lignes
supplémentaires

______________________________________________________________________
Biostatistique / [Link] / Page 32 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

X est le tableau des variables instrumentales. Y est le tableau à analyser. Chacune des
variables de Y est prédite par une régression multiple sur les variables de X. Les
modèles sont rangés dans le tableau Yest. Les variables de Yest sont obtenues par
projection des variables de Y sur le sous-espace engendré par les variables de X. Cette
opération est linéaire. On considère alors que Yest est un ensemble de lignes. Quand on
passe de la ligne i du tableau Y à la ligne i du tableau Yest l’opération n’est plus linéaire.
On analyse Yest et on projette en lignes supplémentaires celle de Y. On fait une analyse
de Y sous contrainte de X. Suivant X et Y on a un ensemble de méthodes dites
d’ordination sous contraintes ou d’analyses sur variables instrumentales. Les schémas
utiles sont :

( X DX )
t −1
Qp Qm
p → p m → m p → p
Xt ↑ ↓X Yt ↑ ↓Y 6 Xt DY ↑ ↓ Y t DX
n ← n n ← n m ← m
D D Qq
Le schéma de droite est celui d'une ACPVI. On le réécrit sous la forme :
D
n → n
X ( X DX ) X D ↑ ↓ DX ( X DX ) Xt
t −1 t t −1

DX ( Xt DX ) Xt D
−1

n → n
Y↑ ↓ Yt
m ← m
Qm
ou encore :
D Qm
n → n m → m
PX ↑ ↓ PXt Yt ↑ ↓Y
n n ⇔ n n
Y↑ ↓ Yt PXt ↑ ↓ PX
m ← m n ← n
Qm D
qui montre Yest = PX Y . Le tableau X peut être remplacé par une base orthonormée d'un
sous-espace de projection (module Projectors d'ADE-4) ce qui permet de distinguer les
ACPVI directes et les ACPVI orthogonales qui décomposent une analyse simple avec
deux projecteurs complémentaires :
Qm Qm
m → m m → m
Y ↑t
↓Y Y ↑
t
↓Y
n n n n
P ↑ t
X ↓ PX I n − PXt ↑ ↓ I n − PX
n ← n n ← n
D D
______________________________________________________________________
Biostatistique / [Link] / Page 33 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

3.1. Analyses inter-classes

Le cas le plus simple est formé d’un tableau Y quelconque et d’un tableau X des
indicatrices d’une variable qualitative. Prédire Y par X, c’est simplement remplacer une
valeur par la moyenne des individus de la même classe pour la même variable. La
transformation opérée par les variables instrumentales est figurée par le graphe en
étoiles. Utiliser la carte JV73_poi. Faire une typologie de rivière à partir d’une
typologie de stations.

Between-class inertia 8.733e+00 (ratio: 3.135e-01)

31% de variabilité entre rivières
Within-class inertia 1.912e+01 (ratio: 6.865e-01)
69 % de variabilité interne aux rivières

______________________________________________________________________
Biostatistique / [Link] / Page 34 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

3.2. Analyses intra-classes

Si on utilise, en lieu de l’analyse du tableau estimée par les variables instrumentales,

l’analyse du tableau des résidus des prédictions, on fait une ACPVI orthogonale. Pour le
cas des indicatrices des classes, il s’agit de mettre les centres de gravité des sous-nuages
à l’origine. Les deux analyses sont strictement complémentaires.

Doubs Drugeon Dessoubre Allaine

5 5 5 5

Audeux Cusancin Loue Lison

Amont
5 5 5 5
Aval

Furieuse Cuisance Doulonnes Clauge

5 5 5 5
4.1
-6.7 6
-4

1 1
-2 1 Chb -1.5 0.5
-2 -1
Van
Che
Spi
Tox Gar
Hot
Gou Per
Bar
Lam
Lam

Bla Omb
Chb

Tru Tan
Tru
Loc Omb Lot Bro
Per Gar
Hot Spi
Bla Bar
Tox Gou
Vai
Van
Che
Loc

Vai

A gauche, structure intraclasse, à droite structure interclasse.

Les contraintes qu’on peut imposer sont donc très fortes. Il faut identifier les objectifs.
Discriminante et inter-classes ont les mêmes objectifs mais pas les mêmes contraintes.
L’analyse des correspondances inter-classes est le cas particulier de l'analyse inter-
classe après une AFC. On peut aussi la pratiquer en faisant l’AFC du tableau des
sommes par classes avec projection en individus supplémentaires des lignes du tableau
30
de départ. On parle alors de discrimination barycentrique . Retenir les schémas de
principe :

______________________________________________________________________
Biostatistique / [Link] / Page 35 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Score des colonnes

Score des
Score des lignes classes
par moyennes par moyennes
conditionelles variance
Variance = 1 maximale

31
Schéma de principe de l’analyse discriminante des correspondances .
Score des colonnes
Variance = 1

Score des
Score des lignes classes
par moyennes par moyennes
conditionelles variance
maximale

Schéma de principe de l’analyse des correspondances inter-classes.

L'intra-classes en AFC peut s’étendre aux blocs de colonnes et aux doubles contraintes
32
(COA: Internal COA) .

3.3. Ordinations sous contraintes

Les contraintes en inter et intra-classes sont simples. On peut les rendre assez
complexes en introduisant des sous-espaces de projection (module Projectors). Utiliser
33
la carte Proven pour faire une analyse sous contrainte A+B :

1.2
-1.9 1.3

P3 -2.2

P4 P5 P6

Effet A
C5 C6
C4

P2

C3

P1
C2

Effet B
C1

______________________________________________________________________
Biostatistique / [Link] / Page 36 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Lire le plan d’expérience (CategVar: Read Categ File), faire l’AFC du tableau
faunistique (COA: COrrespondence Analysis), définir les espaces de projections
(Projectors: Two Categ Var->Orthonormal Bases) en introduisant la pondération des
lignes de l’analyse précédente et faire l’ACPVI sur le sous-espace A+B
(Projectors: PCA on Instrumental Variables) :

ScatterClass: Stars sur le fichier ivls donne avec le plan d’expériences :

Il faut aussi croiser les deux variables (TextToBin: LabelToCateg).

L’ensemble est obtenu après superposition du fichier ivli. On peut aussi faire la figure
superposant ivls et ivli :

______________________________________________________________________
Biostatistique / [Link] / Page 37 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Superposer ivli et ivls signifie qu’on veut une analyse dont les coordonnées des lignes
soient de la meilleure manière (aux moindres carrés pondérés) du type A+B. On peut
34
imposer des contraintes emboîtées du type B sachant A ou A ∩ B⊥ et décomposer
35
l’inertie dans des plans complexes . Ces méthodes ne sont pas d’un emploi ordinaire.

3.4. Analyse des Correspondances Non Symétriques

Pour avoir une vision coordonnée, on peut enregistrer que si l’AFC est l’analyse
canonique entre les deux paquets d’indicatrices de classes, il existe deux ACPVI, une
dans chaque sens, entre ces deux paquets d’indicatrices et qu’on obtient ainsi deux
36
analyses non symétriques des correspondances. Origine dans , introduction en
37 38
écologie dans et en sciences sociales dans (article vivement recommandé aux
amateurs).

Les ACPVI ont plusieurs modes d’interprétation qui peuvent être plus ou moins
adaptées à certains types de couplage. Le premier est basé sur :

Axe d'inertie

Y X

Prédiction des
coordonnées par
régression multiple
Coordonnées
par projection
du nuage de points

Par exemple, position des espèces avec des scores de variance unité, position des
relevés à la moyenne et prédiction de ces positions par régression sur les variables de
______________________________________________________________________
Biostatistique / [Link] / Page 38 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

milieu. Faire l’AFC du tableau faunistique, puis l’ACP normée du tableau de milieu en
utilisant les poids de la précédente, puis utiliser CCA :

| files AA.ivc1
| [Link]
| [Link]
| allow a convenient interpretation

Gar
2.2
-2.2 2.2
Bro
-2.2
Per
Tan

Gou
Che Vai
Van Loc

Lam

Lot Tru

Loue Chb

Spi
Omb
Tox Bla
Hot

Bar

Double représentation des relevés en ACC. Carrés noirs: position des espèces avec des
codes normalisés. Carrés blancs: position des relevés par averaging. L'extrémité du
trait indique la prévision de la position précédente faite par régression multiple sur les
variables de milieu.
11
Mais on a aussi le principe :
______________________________________________________________________
Biostatistique / [Link] / Page 39 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

| files [Link]
| AA.ivl1
| [Link]
| allow a convenient interpretation
|----------------------------------------------

Représentation simultanée des objets en ACC. Flèches : coefficients des combinaisons

linéaires (loadings). Carrés blancs: position des relevés avec des variances unité.
Carrés noirs: position des espèces par averaging.

Il est important de reconnaître dans tous les cas que ces figures optimisent un critère
donné sous des contraintes connues et que chaque figure est optimum de son point de
vue. Il peut y avoir plusieurs points de vue.

______________________________________________________________________
Biostatistique / [Link] / Page 40 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

4. Stratégie de la co-inertie

La troisième stratégie est la seule à tolérer des dimensions quelconques des deux côtés
et est pratiquement la seule utilisable si les variables de milieu sont qualitatives (ce sont
alors l’effectif des modalités qui définit la dimension du tableau X). C’est la plus simple
puisqu’en gros elle fait une double analyse d’inertie des tableaux et garantit que les
deux systèmes de coordonnées sont les plus cohérents possibles. Le schéma général est :
Qp Qm Qp
p → p m → m p → p
Xt ↑ ↓X Yt ↑ ↓Y 6 Xt DY ↑ ↓ Y t DX
n ← n n ← n m ← m
D D Qm

On peut étudier quatre exemples.

4.1. AFC des tableaux de profils écologiques

Une des plus anciennes pratiques issues de la théorie des profils écologiques consiste à
faire l’AFC d’un tableau croisé. Les variables de milieu doivent être qualitatives.
39
Prendre l’exemple des cartes mafragh . Le tableau floristique est passé en présence-
absence :

Le tableau de milieu qualitatif est lu puis passé en disjonctif complet :

Variable number 1 has 4 categories

----------------------------------------------
[ 1]Category: 1 Num: 21 Freq.: 0.216
[ 2]Category: 2 Num: 18 Freq.: 0.186
[ 3]Category: 3 Num: 22 Freq.: 0.227
[ 4]Category: 4 Num: 36 Freq.: 0.371
...

______________________________________________________________________
Biostatistique / [Link] / Page 41 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Transposer le tableau faunistique et multiplier les matrices :

Output file: ProEco

--- Number of rows: 56, columns: 35

Éditer ce tableau :
01 Scirpus maritimus L. 6 3 3 22 13 11 6 4 29 5 25 9 3 23 8 1 11 14 8 14 20 2 11 13 8 19 15 4 19 11 1 22 8 3 0
02 Scirpus littoralis Schrad. 0 1 1 7 7 1 1 0 8 1 3 6 1 3 5 0 3 2 4 1 8 0 4 3 2 3 6 1 6 2 0 5 3 1 0
03 Juncus maritimus Lamk. 3 2 3 10 3 8 5 2 15 3 14 4 2 13 3 0 5 9 4 9 9 1 5 8 4 10 8 3 8 7 2 13 3 0 0
04 Aeluropus littoralis (Gouan) Parl. 7 5 2 18 9 12 6 5 26 6 25 7 7 19 6 5 9 12 6 14 18 6 7 13 6 20 12 7 16 9 1 15 10 3 3
05 Alisma Plantago-aquatica L. 0 0 2 6 3 3 2 0 8 0 7 1 2 4 2 0 1 6 1 4 4 0 5 2 1 2 6 3 3 2 0 5 3 0 0
06 Damasonium Alisma Mill. 3 1 1 3 1 3 1 3 6 2 7 1 0 7 1 1 4 3 0 4 4 2 3 2 1 5 3 2 5 1 0 5 2 1 0
07 Phragmites communis Trin. 2 2 0 2 1 1 2 2 5 1 4 2 1 5 0 1 2 3 0 5 1 1 1 1 3 5 1 1 2 3 0 5 0 0 1
08 Heleocharis uniglumis (Link.) Schult. 0 0 0 5 4 1 0 0 5 0 4 1 0 4 1 0 1 4 0 0 5 0 1 3 1 4 1 0 3 2 0 2 3 0 0
09 Salicornia arbica L. 2 3 6 0 0 2 7 2 10 1 9 2 0 6 5 0 5 4 2 7 4 1 5 2 3 4 7 1 6 4 4 6 0 0 1
10 Cressa cretica L. 0 2 1 3 2 1 2 1 6 0 5 1 0 5 1 0 1 4 1 4 2 0 1 2 3 4 2 0 2 4 0 5 1 0 0
11 Plantago coronopus L. 1 2 3 0 0 0 4 2 5 1 4 2 0 4 2 0 3 1 2 5 1 0 2 1 3 2 4 0 2 4 2 3 1 0 0
12 Lolium rigidum Gaud. 1 5 3 8 4 5 4 4 16 1 11 6 2 10 5 1 6 5 5 14 3 1 7 5 4 6 11 3 9 5 2 6 3 4 2
13 Medicago intertexta (L.) Mill. 10 9 15 11 7 12 17 9 37 8 36 9 11 27 7 12 21 9 3 41 4 18 15 7 5 27 18 19 20 6 4 7 8 11 15
14 Crypsis alopecuroides (Pill. et Mitt.) Schrad. 2 2 1 1 1 0 1 4 6 0 5 1 0 5 1 1 2 2 1 5 1 1 3 1 1 4 2 1 3 2 0 4 1 0 1
15 Carlina racemosa L. 4 1 4 4 1 3 4 5 11 2 11 2 3 9 1 2 6 4 1 11 2 2 8 2 1 7 6 4 7 2 2 3 4 1 3
16 Eryngium Barrelieri Boiss. 1 0 1 2 1 2 1 0 3 1 4 0 0 4 0 0 1 3 0 4 0 0 2 1 1 2 2 0 3 1 1 2 0 1 0
17 Carlina lanata L. 3 1 6 1 0 3 5 3 10 1 11 0 3 7 1 3 5 3 0 10 1 4 5 1 1 6 5 5 5 1 2 4 3 1 1
19 Hordeum maritimum Witth. 5 5 4 7 4 5 5 7 17 4 16 5 5 13 3 4 8 5 4 18 3 4 10 5 2 10 11 7 11 3 1 7 5 4 4
20 Phalaris caerulescens Desf. 7 7 11 8 5 12 9 7 27 6 27 6 8 20 5 9 12 9 3 29 4 13 10 7 3 18 15 14 16 3 2 9 7 6 9
21 Centaurium spicatum (L.) Fritsch. 5 7 7 10 7 8 8 6 24 5 22 7 5 20 4 6 14 5 4 27 2 10 11 6 2 17 12 12 13 4 1 6 6 5 11
22 Cynosurus cristatus Poiret non L. 1 0 0 0 0 1 0 0 0 1 1 0 0 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 0 0 0 0 1 0 0
23 Urginea maritima (L.) Baker 1 1 4 3 2 3 4 0 8 1 9 0 0 9 0 3 4 2 0 9 0 4 4 1 0 7 2 5 4 0 0 2 4 0 3
24 Trifolium maritimum Huds. 2 2 3 1 0 2 4 2 6 2 6 2 2 3 3 1 5 1 1 5 3 2 4 0 2 2 6 2 4 2 1 4 2 1 0
25 Atriplexhastata L. 0 1 0 5 4 1 0 1 6 0 1 5 1 3 2 1 1 2 2 5 1 1 2 1 2 2 4 2 1 3 0 1 2 3 0
26 Narcissus Tazetta L. 0 0 3 1 0 1 3 0 4 0 4 0 0 4 0 0 2 2 0 4 0 0 2 1 1 2 2 0 3 1 1 1 1 0 1
27 Scilla autumnalis L. 1 5 1 5 2 4 1 5 11 1 7 5 1 8 3 1 3 3 5 10 2 1 4 5 2 5 7 2 6 4 0 5 1 4 2
28 Ormenis praecox (Link.) Briq. 5 3 3 3 2 3 6 3 9 5 13 1 4 10 0 4 9 1 0 14 0 8 5 1 0 10 4 8 6 0 0 3 3 2 6
30 Asphodelus microcarpus Salzm. et Viv. 0 0 1 2 1 1 1 0 3 0 2 1 0 2 1 0 2 0 1 3 0 0 2 1 0 1 2 1 2 0 0 0 1 2 0
31 Mentha Pulegium L. 2 1 0 0 1 1 0 1 1 2 3 0 1 2 0 1 2 0 0 3 0 0 3 0 0 2 1 1 2 0 0 0 2 1 0
32 Ridolfia segetum Moris. 3 3 1 2 3 2 3 1 4 5 7 2 2 7 0 6 2 0 1 9 0 8 0 0 1 8 1 8 0 1 0 2 4 1 2
33 Atriplex littoralis L. 2 2 1 5 4 1 3 2 9 1 5 5 2 6 2 0 3 5 2 9 1 1 3 3 3 5 5 1 5 4 0 4 1 3 2
34 Beta vulgaris ssp. maritima (L.) Batt. 9 4 4 4 1 5 6 9 17 4 21 0 6 14 1 6 8 5 2 20 1 9 8 2 2 12 9 10 8 3 1 4 4 2 10
35 Scolymus hispanicus L. 1 5 7 2 1 4 7 3 12 3 14 1 3 9 3 2 7 3 3 13 2 5 5 3 2 10 5 5 7 3 1 2 2 7 3
36 Cichorium Intybus L. 2 0 1 1 1 1 2 0 2 2 3 1 4 0 0 1 2 1 0 4 0 2 1 1 0 3 1 2 2 0 0 0 0 2 2
37 Inula crithmoides L. 2 4 1 4 3 4 1 3 8 3 8 3 4 4 3 3 5 2 1 9 2 4 5 1 1 5 6 5 5 1 0 2 4 2 3
38 Hedysarum coronarium L. 2 1 2 4 4 3 1 1 8 1 4 5 3 5 1 6 3 0 0 9 0 7 2 0 0 7 2 8 1 0 0 0 3 3 3
39 Picris echioides L. 7 7 5 4 3 5 11 4 17 6 20 3 10 11 2 7 11 4 1 22 1 12 5 6 0 18 5 12 9 2 0 3 3 8 9
40 Convolvulus arvensis L. 4 4 3 2 3 3 6 1 7 6 12 1 6 6 1 5 6 2 0 13 0 8 2 3 0 11 2 9 3 1 0 1 3 4 5
41 Galactites Duriaei Spach. 0 3 3 1 1 1 5 0 6 1 7 0 1 6 0 0 4 3 0 7 0 2 3 1 1 3 4 2 4 1 1 4 1 0 1
42 Arthrocnemum indicum (Willd.) Moq. 0 2 5 0 0 1 6 0 7 0 5 2 0 3 4 0 3 2 2 4 3 0 3 1 3 1 6 0 3 4 4 2 0 0 1
43 Sonchus oleraceus L. 4 5 4 3 3 4 7 2 11 5 14 2 5 8 3 4 9 2 1 16 0 10 2 4 0 12 4 10 5 1 0 2 3 6 5
44 Rumex Acetosella L. ssp. angiocarpus Murb. 5 2 5 1 3 1 8 1 8 5 12 1 4 8 1 3 5 5 0 13 0 8 2 2 1 11 2 8 3 2 1 1 1 4 6
45 Avenafatua L. 4 2 3 2 3 2 6 0 5 6 9 2 4 7 0 5 5 1 0 11 0 8 2 1 0 11 0 8 3 0 0 1 4 3 3
46 Diplotaxis erucoides (L.) DC 5 3 4 1 3 4 5 1 7 6 12 1 6 6 1 4 8 1 0 13 0 10 1 2 0 13 0 10 3 0 0 1 5 4 3
47 Stachys marrubifolia Viv. 1 2 3 1 1 2 3 1 7 0 6 1 0 6 1 3 4 0 0 7 0 6 1 0 0 6 1 6 1 0 0 1 3 2 1
48 Arisarum vulgare Targ. Tozz. ssp. exsertum M 0 1 3 0 0 3 1 0 4 0 4 0 1 3 0 2 2 0 0 4 0 3 0 1 0 4 0 3 1 0 0 0 2 2 0
49 Borago off cinalis L. 3 1 6 1 2 4 4 1 9 2 10 1 4 6 1 5 5 1 0 11 0 8 1 2 0 11 0 8 3 0 0 1 4 6 0
50 Convolvulus tricolor L. 1 1 2 2 2 2 1 1 6 0 4 2 0 5 1 4 2 0 0 6 0 6 0 0 0 6 0 6 0 0 0 0 4 2 0
51 Narcissus pseudo-narcissus L. 1 0 1 0 1 0 1 0 1 1 2 0 0 2 0 0 1 1 0 2 0 1 1 0 0 2 0 1 1 0 0 0 0 1 1
53 Leotondon tuberosus L. 0 0 2 0 0 0 2 0 2 0 2 0 0 2 0 0 1 1 0 2 0 0 1 0 1 1 1 0 1 1 1 0 1 0 0
54 Ammi Visnaga Lamk. 0 1 1 0 0 0 2 0 2 0 2 0 0 2 0 0 2 0 0 2 0 0 2 0 0 0 2 0 2 0 0 1 0 0 1
55 Lythrum tribracteatum Salzm. 0 2 0 0 0 1 1 0 1 1 2 0 0 1 1 0 1 1 0 2 0 0 1 1 0 1 1 0 1 1 0 0 1 0 1
56 Lolium multiflorum Lamk. 1 1 0 0 0 0 1 1 2 0 1 1 1 1 0 1 1 0 0 2 0 1 0 1 0 2 0 1 1 0 0 0 0 0 2
57 Cynodon dactylon (L.) Pers. 0 1 0 1 1 1 0 0 1 1 2 0 1 1 0 0 1 1 0 2 0 1 0 1 0 2 0 1 1 0 0 2 0 0 0
58 Chrozophora tinctoria L. 1 1 0 0 1 1 0 0 0 2 2 0 1 1 0 1 1 0 0 2 0 2 0 0 0 2 0 2 0 0 0 1 1 0 0
59 Juncus acutus L. 0 0 2 0 0 1 1 0 2 0 1 1 0 2 0 0 1 1 0 1 1 0 1 0 1 0 2 0 1 1 2 0 0 0 0

______________________________________________________________________
Biostatistique / [Link] / Page 42 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Il contient des profils écologiques bruts (nombre de stations contenant l’espèce dans
chaque classe de milieu). On peut comparer chacun d’entre eux à la somme totale
(nombre de présences d’espèces dans chaque classe de milieu) ou à la distribution des
stations par classe de milieu. Scirpus maritimus a 34 présences dont 22 dans la classe 4
de la variable 1. Pour cette variable, le profil des stations est 21, 18, 22 et 36. Pour cette
même variable, le décompte des présences totales est 132, 129, 158 et 189. C’est le
profil moyen de toutes les espèces pour cette variable de milieu. On peut comparer tous
6
les profils sur toutes les variables en faisant l’AFC de ce tableau (origine dans et
7
« redécouverte » dans ).

On obtient un résultat complet par l’analyse de la co-inertie de l’AFC du tableau en

présence-absence et de l’ACM du tableau de milieu pondéré par les poids des lignes de
8
la précédente ( ). De même l’ACP non centrée de la page 6 donne les résultats de
l’analyse de co-inertie de l’ACP normée du tableau et de l’ACP du tableau faunistique
passé en fréquences par espèce.

4.2. Analyse interbatterie

A l’origine de l’analyse de co-inertie, on trouve l’analyse interbatterie (résultats sur les

40
mêmes individus de deux batteries de tests psychotechniques) de Tucker . Au lieu de
chercher deux combinaisons de variables maximisant leur corrélation, on cherche deux
combinaisons de variables maximisant leur covariance sous la contrainte ∑ j =1α 2j = 1 et
p

∑
q
j =1
β 2j = 1 , p et q étant le nombre des variables de chaque tableau. On optimise ainsi
un produit car cov 2 ( x, y ) = cor 2 ( x, y ) var ( x ) var ( y ) . cor 2 ( x, y ) est maximisé dans
l’analyse canonique, var ( x ) est maximisée dans l’analyse du premier tableau et
var ( y ) est maximisée dans celle du second. La co-inertie est un compromis entre
analyse canonique et double analyse simple.

______________________________________________________________________
Biostatistique / [Link] / Page 43 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Les propriétés dérivent directement du couplage simple de deux ACP normées :

Ip
Ip Im p → p
p → p m → m
1 t 1
Xt ↑ ↓X Yt ↑ ↓Y 6 X Y↑ ↓ Yt X
n n
n ← n n ← n
1 1 m ← m
In In Im
n n

Le schéma de principe se résume dans la figure précédente.

4.3. AFC des tableaux de Burt croisés

41
Un autre cas fondamental est celui de l’AFC des tableaux de Burt croisés que Cazes
a appelé analyse canonique sur variables qualitatives et qui est en fait l’analyse de co-
inertie de deux analyses des correspondances multiples. L’analyse de co-inertie est donc
un procédé de couplage de tableaux très général. Son principe tient dans la figure ci-
dessus. Deux tableaux définissent deux nuages de points. Choisir un axe dans chaque
espace et projeter les nuages définit deux systèmes de coordonnées. La covariance des
deux systèmes définit la co-inertie des deux axes. Trouver les deux axes qui maximisent
la co-inertie, c’est trouver les axes de co-inertie des deux nuages. Appliqué à tout

______________________________________________________________________
Biostatistique / [Link] / Page 44 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

42
couple d’analyses utilisant la même pondération des individus , ce principe est aussi
facile d’emploi que l’analyse d’un tableau.

4.4. Analyse des niches écologiques

Pour croiser un tableau floro-faunistique et un tableau de variables mésologiques, on

pensera surtout au modèle de liaison qu’on désire :

A gauche : Courbes de réponse non linéaire des espèces sur les gradients environnementaux. Recherche
des gradients séparant les profils. Cas typique de l’utilisation de l’ACC (AFCVI) ou de la co-inertie sur
une méthode utilisant les profils espèces. A droite : Courbes de réponses monotones. Recherche des
facteurs augmentant ou limitant l’abondance des espèces. Cas typique de l’utilisation de l’ACPVI ou de
la co-inertie sur ACP.

Reprendre l’exemple de l’introduction. Faire le couplage de deux ACP.

______________________________________________________________________
Biostatistique / [Link] / Page 45 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

DiagoRC: General program for two diagonal inner product analysis

Input file: E:\Ade4\DOUBS\[Link]
--- Number of rows: 27, columns: 11
-----------------------
Total inertia: 134.703
-----------------------
Num. Eigenval. [Link]. [Link] |Num. Eigenval. [Link]. [Link] |
01 +1.1902E+02 +0.8836 +0.8836 |02 +1.3871E+01 +0.1030 +0.9865 |
03 +7.5658E-01 +0.0056 +0.9922 |04 +5.2783E-01 +0.0039 +0.9961 |
05 +2.7089E-01 +0.0020 +0.9981 |06 +1.6462E-01 +0.0012 +0.9993 |
07 +6.6011E-02 +0.0005 +0.9998 |08 +1.8209E-02 +0.0001 +0.9999 |
09 +4.6041E-03 +0.0000 +1.0000 |10 +2.7934E-03 +0.0000 +1.0000 |
11 +0.0000E+00 +0.0000 +1.0000

File E:\Ade4\DOUBS\[Link] contains the eigenvalues and relative inertia

for each axis
--- It has 11 rows and 2 columns

File E:\Ade4\DOUBS\[Link] contains the column scores

--- It has 11 rows and 2 columns

File E:\Ade4\DOUBS\[Link] contains the row scores

--- It has 27 rows and 2 columns

Utiliser iili et iico pour aborder directement les deux paquets de variables :

______________________________________________________________________
Biostatistique / [Link] / Page 46 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

----------------------------------------------------
Co-inertia analysis between two statistical triplets
1 ---> E:\Ade4\DOUBS\[Link] (rows: 30, col: 11, axes: 3, inertia:
11.000000)
2 ---> E:\Ade4\DOUBS\[Link] (rows: 30, col: 27, axes: 3, inertia:
66.077797)
Co-inertia: 134.7, RV coefficient: 0.45056

E:\Ade4\DOUBS\pcapca.iiw1 is a binary file with 11 rows and 2 columns

It contains the canonical weights of variables of table 1

E:\Ade4\DOUBS\pcapca.iiw2 is a binary file with 27 rows and 2 columns

It contains the canonical weights of variables of table 2

E:\Ade4\DOUBS\pcapca.iil1 is a binary file with 30 rows and 2 columns

It contains the coordinates of the rows (table 1)

E:\Ade4\DOUBS\pcapca.iil2 is a binary file with 30 rows and 2 columns

It contains the coordinates of the rows (table 2)

Utiliser iim1 et iim2 pour aborder simultanément les deux nuages de points :

______________________________________________________________________
Biostatistique / [Link] / Page 47 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

E:\Ade4\DOUBS\pcapca.iim1 is a binary file with 30 rows and 2 columns

It contains the normalized coordinates of the rows (table 1)

E:\Ade4\DOUBS\pcapca.iim2 is a binary file with 30 rows and 2 columns

It contains the normalized coordinates of the rows (table 2)

E:\Ade4\DOUBS\pcapca.iia1 is a binary file with 3 rows and 2 columns

It contains the coordinates of the projections of inertia
axes onto the co-inertia axes (table 1)

E:\Ade4\DOUBS\pcapca.iia2 is a binary file with 3 rows and 2 columns

It contains the coordinates of the projections of inertia
axes onto the co-inertia axes (table 2)

Utiliser iia1 et iia2 pour replacer les analyses simples par rapport au couplage (on voit
comment se sont associées les deux analyses de base) :

-----------------------------------------------------------------
|Num| Covaria.| Varian1 | varian2 | Correla.| INER1 | INER2 |
-----------------------------------------------------------------
| 1| 10.91| 5.412| 41.25| 0.7302| 6.322| 42.75|
-----------------------------------------------------------------
| 2| 3.724| 2.839| 8.201| 0.7718| 2.232| 8.158|
-----------------------------------------------------------------

______________________________________________________________________
Biostatistique / [Link] / Page 48 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

A commenter.

Coupler une ACP normée et une AFC :

IMPORTANT : le test de permutation sur la trace

-----------------------------------------------------------------
|Num| Covaria.| Varian1 | varian2 | Correla.| INER1 | INER2 |
-----------------------------------------------------------------
| 1| 1.53| 5.598| 0.5763| 0.8519| 5.728| 0.601|
-----------------------------------------------------------------
| 2| 0.4183| 2.351| 0.1113| 0.8176| 2.426| 0.1444|

______________________________________________________________________
Biostatistique / [Link] / Page 49 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Il vaut mieux se méfier de l’axe 2 de cette analyse. L’analyse OMI est aussi une analyse
de co-inertie. Son principe repose sur la figure :

Eléments de base dans une analyse OMI. Les lignes du tableau X définissent un nuage
de points et chaque taxon (colonne de F est une pondération de ces points qui définit un
centre de gravité (position moyenne du taxon dans l’espace).

On évite ainsi, comme on l’a fait dans l’analyse précédente de centrer et réduire les
variables de milieu avec les poids du tableau faunistique. Les stations sont d’abord
considérées sans référence avec ce qu’on y trouve. Ce sont simplement des points
d’échantillonnage du milieu.

Les variables de milieu définissent un nuage de n points de R p . Chaque espèce est une
distribution de fréquences qui a un centre de gravité (centre de la niche) et on fait l’ACP
non centrée des points moyens. Sur les plans on reprojette ensuite les vecteurs de la
base canonique (variables), les relevés de départ et les positions moyennes des espèces.
On peut ainsi prendre en compte les deux types de relation au milieu, séparer les niches
ou mettre en évidence les parties de l’espace mésologique où se concentrent des
43
groupes d’espèces .

______________________________________________________________________
Biostatistique / [Link] / Page 50 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

Représentation simultanée dans une analyse OMI. 1 - Les lignes du tableau X (relevés)
2 - les colonnes du tableau F (position moyenne du taxon dans l’espace) 3 - les vecteurs
de la base canonique (variables) sont positionnés par projection orthogonale sur un
même plan.

Dans le module Niche :

Environmental data: E:\Ade4\DOUBS\[Link]

Sites: 30 Variables: 11
Species abundance: E:\Ade4\DOUBS\DouPoi
Sites: 30 Species: 27

Mean position of each species on each variable in the file

E:\Ade4\DOUBS\[Link]
Row=species: 27 Col=variable: 11

Weights of species in file E:\Ade4\DOUBS\[Link]

Row=species: 27 Col=1

Weights of variables in file E:\Ade4\DOUBS\[Link]

(from input environmental triplet)
Row=variable: 11 Col=1
----------------------------------------------------
DiagoRC: General program for two diagonal inner product analysis
Input file: E:\Ade4\DOUBS\[Link]
--- Number of rows: 27, columns: 11
-----------------------
Total inertia: 3.03502
-----------------------
Num. Eigenval. [Link]. [Link] |Num. Eigenval. [Link]. [Link] |
01 +2.6725E+00 +0.8805 +0.8805 |02 +3.0548E-01 +0.1007 +0.9812 |

______________________________________________________________________
Biostatistique / [Link] / Page 51 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

03 +2.9327E-02 +0.0097 +0.9909 |04 +1.5938E-02 +0.0053 +0.9961 |

05 +5.2015E-03 +0.0017 +0.9978 |06 +4.3056E-03 +0.0014 +0.9992 |
07 +1.5703E-03 +0.0005 +0.9998 |08 +5.5805E-04 +0.0002 +0.9999 |
09 +1.0100E-04 +0.0000 +1.0000 |10 +7.1023E-05 +0.0000 +1.0000 |
11 +0.0000E+00 +0.0000 +1.0000

File E:\Ade4\DOUBS\[Link] contains the eigenvalues and relative inertia for

each axis
--- It has 11 rows and 2 columns

File E:\Ade4\DOUBS\[Link] contains the column scores

--- It has 11 rows and 2 columns

File E:\Ade4\DOUBS\[Link] contains the row scores

--- It has 27 rows and 2 columns

Utiliser nali et naco pour aborder directement les deux paquets de variables :

File E:\Ade4\DOUBS\B.nac1 contains the column scores with unit norm

It has 11 rows and 2 columns
File :E:\Ade4\DOUBS\B.nac1

File E:\Ade4\DOUBS\[Link] contains the coordinates of the sites

It has 30 rows and 2 columns

______________________________________________________________________
Biostatistique / [Link] / Page 52 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

File E:\Ade4\DOUBS\[Link] contains the coordinates of the sites

It has 3 rows and 2 columns

L’espace des relevés de milieu est l’espace commun de représentation de tous les objets.

C’est sans doute la meilleure manière d’exprimer simultanément la pollution comme

facteur limitant et le gradient amont-aval comme facteur de séparation de niche.
44
Refaire l’exercice sur la carte Light_tr

______________________________________________________________________
Biostatistique / [Link] / Page 53 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

1
Coefficients des combinaisons linéaires de variables normalisées (comme dans une
ACP normée)

2
Positions des relevés (nuit de piégeage lumineux) par les combinaisons linéaires
(comme dans une ACP normée)

3
Représentation de la variation d'abondance des taxons sur le plan précédent. Les
coefficients des variables optimisent la somme des carrés des distances à l'origine des
positions moyennes des espèces.

______________________________________________________________________
Biostatistique / [Link] / Page 54 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

4
Synthèse de la position moyenne des espèces dans le plan des relevés

5
Interprétation de l'axe de l'analyse OMI dans le plan des variables de l'ACP normée de
départ.

Le couplage des tableaux est donc un univers assez complexe. Chacun des tableaux
supporte sa propre analyse. Le couplage des deux peut se faire suivant trois principes
généraux. Le schéma retenu pour le couple peut enfin être interprété de diverses façons.
Il s'en suit une grande diversité d'expression. Fondamentalement, il y a plusieurs
manières de voir et d’exprimer l’essentiel. Prévoir une réflexion préalable à toute
analyse pour définir les objectifs et intégrer les propriétés connues des données, éviter
les conseils impérieux de ceux qui savent ce qu'il faut faire et faire des essais préalables
sans se soucier d'une expression définitive. Une méthode se révèle systématiquement
bonne dans certains cas et mauvaise dans d'autres. Quand les données ne sont pas
fameuses, éviter enfin "l'acharnement méthodologique". What is not acceptable is to
rummage around trying methods until the desired significance (or lack thereof) is
45
obtained .

______________________________________________________________________
Biostatistique / [Link] / Page 55 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

5. Références
1
Dagnélie, P. (1965) L'étude des communautés végétales par l'analyse statistique des liaisons entre les
espèces et les variables écologiques : principes fonadamentaux, un exemple. Biometrics : 21, 345-361 &
890-907.
2
Verneaux, J. (1973) Cours d'eau de Franche-Comté (Massif du Jura). Recherches écologiques sur le
réseau hydrographique du Doubs. Essai de biotypologie. Thèse d'état, Besançon. 1-257.
3
Whittaker, R.H. (1967) Gradient analysis of vegetation. Biological Reviews : 42, 207-264.
4
McIntosh, R.P. (1958) Plant communities. Science : 128, 115-120..
5
Godron, M., Daget, P., Emberger, L., Le Floch, E., Poissonet, J., Sauvage, C. & Wacquant, J.P. (1968)
Relevé méthodique de la végétation et du milieu. Editions du CNRS, Paris. 1-292. Gounot, M. (1969)
Méthodes d'étude quantitative de la végétation. Masson, Paris. 1-314.
6
Romane, F. (1972b) Utilisation de l'analyse multivariable en Phytoécologie. Investigaciön pesquera :
36, 131-139.
7
Montana, C. & Greig-Smith, P. (1990) Correspondence analysis of species by environmental variable
matrices. Journal of Vegetation Science : 1, 453-460.
8
Mercier, P, Chessel, D. & Dolédec, S. (1992) Complete correspondence analysis of an ecological
profile data table: a central ordination method. Acta Œcologica : 13, 25-44.
9
Hotelling, H. (1936) Relations between two sets of variates. Biometrika : 28, 321-377.
10
Gittins, R. (1985) Canonical analysis, a review with applications in ecology. Springer-Verlag, Berlin.
1-351.
11
Barkham, J.P. & Norris, J.M. (1970) Multivariate procedures in an investigation of vegetation and soil
relations of two beach woodlands, Costwold Hills, England. Ecology : 51, 4, 630-639.
12
Esteve, J. (1978) Les méthodes d'ordination : éléments pour une discussion. In : Biométrie et
Ecologie. Legay, J.M. & Tomassone, R. (Eds.) Société Française de Biométrie, Paris. 223-250.
13
Green, R.H. (1971) A multivariate statistical approach to the Hutchinsonian niche: bivalve Molluscs
of Central Canada. Ecology : 52, 543-556.
14
Fisher, R.A. (1940) The precision of discriminant functions. Annals of Eugenics : 10, 422-438.
Williams, E.J. (1952) Use of scores for the analysis of association in contingency tables. Biometrika : 39,
274-289.
15
Thioulouse, J. & Chessel, D. (1992) A method for reciprocal scaling of species tolerance and sample
diversity. Ecology : 73, 670-680.
16
Hill, M.O. (1973) Reciprocal averaging : an eigenvector method of ordination. Journal of Ecology :
61, 237-249.
17
Pillai, K.C.S. (1955) Some new test criteria in multivariate analysis. Annals of Mathematical
Statistics : 26, 117-121.
18
Lawley, D.N. (1938) A generalization of Fisher' Z-test. Biometrika : 30, 180 sqq.
19
Tomassone, R., Danzard, M., Daudin, J.J. & Masson, J.P. (1988) Discrimination et classement.
Masson, Paris. 1-173.
20
Perrière, G., Lobry, J.R. & Thioulouse, J. (1996) Correspondence discriminant analysis: a multivariate
method for comparing classes of protein and nucleic acid sequences. CABIOS : 12, 519-524.
21
Hill, M.O. (1977) Use of simple discriminant functions to classify quantitative phytosociological data.
In : Proceedings of the First International Symposium on Data Analysis and Informatics. Diday, E. (Ed.)
INRIA Rocquencourt, France. 181-199.
22
Afriat, S.N. (1957) Orthogonal and oblique projectors and the characteristics of pairs of vector spaces.
Proceedings of the Cambridge Philosophical Society, Mathematical and Physical Sciences : 53, 800-816.
______________________________________________________________________
Biostatistique / [Link] / Page 56 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

23
Pontier, J., Dufour, A.B. & Normand, M. (1990) Le modèle euclidien en analyse des données. SMA,
édition Ellipses, Bruxelles. 1-428.
24
Ter Braak, C.J.F. (1986) Canonical correspondence analysis : a new eigenvector technique for
multivariate direct gradient analysis. Ecology : 67, 1167-1179.
Ter Braak, C.J.F. (1987) The analysis of vegetation-environment relationships by canonical
correspondence analysis. Vegetatio : 69, 69-77.
Chessel, D., Lebreton, J.D. & Yoccoz, N. (1987) Propriétés de l'analyse canonique des correspondances.
Une utilisation en hydrobiologie. Revue de Statistique Appliquée : 35, 55-72.
25
Birks, H.J.B. & Austin, H.A. (1992) An annoted bibliography of canonical correspondence analysis
and related constrained ordination methods (1986-1991). Botanical Institute, Allégaten 41, N-5007
Bergen, Norway. 1-29.
26
Lebreton, J.D., Sabatier, R., Banco, G. & Bacou, A.M. (1991) Principal component and
correspondence analyses with respect to instrumental variables : an overview of their role in studies of
structure-activity and species- environment relationships. In : Applied Multivariate Analysis in SAR and
Environmental Studies. Devillers, J. & Karcher, W. (Eds.) Kluwer Academic Publishers. 85-114.
27
Ter Braak, C.J.F. & Verdonschot, P.F.M. (1995) Canonical correspondence analysis and related
multivariate methods in aquatic ecology. Aquatic Sciences : 57, 255-289.
28
Ter Braak, C.J.F. (1990) Interpreting canonical correlation analysis through biplots of structure
correlations and weights. Psychometrika : 55, 519-531.
29
Rao, C.R. (1964) The use and interpretation of principal component analysis in applied research.
Sankhya, A : 26, 329-359.
30
Bergougnan, D. & Couraud, C. (1982) Pratique de la discrimination barycentrique. Cahiers de
l'Analyse des Données : 7, 341-354.
31
Perrière, G., Lobry, J.R. & Thioulouse, J. (1996) Correspondence discriminant analysis: a multivariate
method for comparing classes of protein and nucleic acid sequences. CABIOS : 12, 519-524.
32
Cazes, P., Chessel, D. & Doledec, S. (1988) L'analyse des correspondances internes d'un tableau
partitionné : son usage en hydrobiologie. Revue de Statistique Appliquée : 36, 39-54.
33
Blondel, J., Chessel, D. & Frochot, B. (1988) Niche expansion and density compensation of island
birds in mediterranean habitats. A case study from comparison of two ecological successions. Ecology :
69, 6, 1899-1917.
34
Yoccoz, N. & Chessel, D. (1988) Ordination sous contraintes de relevés d'avifaune : élimination
d'effets dans un plan d'observations à deux facteurs. Compte rendu hebdomadaire des séances de
l'Académie des sciences. Paris, D : III, 307 : 189-194.
35
Sabatier, R., Lebreton, J.D. & Chessel, J.D. (1989) Principal component analysis with instrumental
variables as a tool for modelling composition data. In : Multiway data analysis. Coppi, R. & Bolasco, S.
(Eds.) Elsevier Science Publishers B.V., North-Holland. 341-352.
36
Lauro, N. & D'Ambra, L. (1984) L'analyse non symétrique des correspondances. In : Data Analysis
and Informatics III. Diday, E. & Coll. (Ed.) Elsevier, North-Holland. 433-446.
37
Gimaret-Carpentier, C., Chessel, D. & Pascal, J.P. (1998) Non-symmetric correspondence analysis: an
alternative for community analysis with species occurrences data. Plant Ecology : 138, 97-112.
38
Kroonenberg, P.M. & Lombardo, R. (1999) Nonsymmetric correspondence analysis: a tool for
analysing contingency tables with a dependence structure. Multivariate Behavioral Research : 34, 367-
396.
39
Belair, G. de & Bencheikh-Lehocine, M. (1987) Composition et déterminisme de la végétation d'une
plaine côtière marécageuse : La Mafragh (Annaba, Algérie). Bulletin d'Ecologie : 18, 4, 393-407.
40
Tucker, L.R. . (1958) An inter-battery method of factor analysis. Psychometrika : 23, 2, 111-136.
41
Cazes, P. (1980) L'analyse de certains tableaux rectangulaires décomposé en blocs : généralisation des
propriétés rencontrées dans l'étude des correspondances multiples. I. Définitions et applications à
______________________________________________________________________
Biostatistique / [Link] / Page 57 / 02-04-03
[Link]
 D. Chessel, A.B. Dufour & J. Thioulouse - Biométrie et Biologie Evolutive - Université Lyon1

l'analyse canonique des variables qualitatives. II Questionnaires : variantes des codages et nouveaux
calculs de contributions. Les Cahiers de l'Analyse des Données : 5, 145-161 & 387-406.
42
Dolédec, S. & Chessel, D. (1994) Co-inertia analysis: an alternative method for studying species-
environment relationships. Freshwater Biology : 31, 277-294.
43
Dolédec, S., Chessel, D. & Gimaret, C. (2000) Niche separation in community analysis: a new
method. Ecology, 81, 2914-2927.
44
Usseglio-Polatera, P. & Auda, Y. (1987) Influence des facteurs météorologiques sur les résultats de
piégeage lumineux. Annales de Limnologie : 23, 1, 65-79.
45
Green, R.H. (1993) Relating two sets of variables in environmental studies. In : Multivariate
environmental statistics. Patil, G.P. & Rao, C.R. (Eds.) North-Holland, Amsterdam. 149-163.

______________________________________________________________________
Biostatistique / [Link] / Page 58 / 02-04-03
[Link]