Analyse Factorielle des Correspondances Multiples :
L'analyse factorielle des correspondances multiples (AFCM) est une extension
de l'AFC avec des individus décrits par plusieurs variables qualitatives.
C'est notamment le cas de tableaux résultant d'une enquête croisant un ensemble
d'individus avec un ensemble de modalités de réponses à des questions.
Au contraire de l’AFC, les individus peuvent être directement pris en compte
dans l’AFCM en tant que lignes du tableau analysé.
Si des variables sont quantitatives, il est toujours possible de les découper en
classes.
Analyse :
Passage au codage disjonctif complet :
Cette opération permet de transformer les données, où nous n’avons considéré
qu’un sous-ensemble de n variables prises sur q exploitations d’un tableau
original de données de m variables prises sur p exploitations.
Il faut déterminer les variables qualitatives et celles quantitatives.
On peut réaliser un codage ;
La variable continue (….) nécessite l'établissement de classes dont le nombre et
les valeurs limites dépendent de l’objectif du chercheur et des contraintes que
nous allons voir plus loin.
On obtient le tableau de données codées.
On transforme ensuite le tableau de données codées en tableau disjonctif
complet, en utilisant les valeurs 0 et 1 :
0 : pour une absence de la modalité ;
1 : pour une présence de la modalité.
Pour chaque variable, il y a obligatoirement choix d'une modalité et d'une seule.
Chaque modalité a un nom. On étudiera les relations entre les modalités des
variables.
La plupart des logiciels réalisent la transformation du tableau de données codées
en tableau disjonctif complet.
Dans la suite, nous considérons N individus décrits par p variables qualitatives
x1, x2 ,..., x p.
La variable xj a qj modalités notées j1, j2, …, jqj. Nous désignerons les données
de ce tableau, en ignorant les marges, par la matrice X.
Dans ce tableau, on voit que la modalité js a une fréquence absolue njs et
une fréquence relative njs/(pN).
Tableau de contingence de Burt :
Le tableau de contingence de Burt fournit des tableaux de contingence relatifs
aux combinaisons des 3 variables prises deux à deux.
Les valeurs obtenues pour cette matrice B sont consignées dans le tableau ...
Elles peuvent également être données en pourcentages.
Il apparaît que B est une matrice symétrique de dimension q x q, où q est le
nombre total de modalités (q=9 pour l'exemple), et peut être découpée en sous-
matrices :
Les 3 sous-matrices se trouvant sur la diagonale de B fournissent les
effectifs des modalités de chaque variable initiale. La première sous-
matrice indique que k individus n’ont pas de variable (soit 45% des
individus), m ont une variable et p ont deux variables. La seconde sous-
matrice nous indique que h individus pratiquent le premier variables….
Les sous-matrices se trouvant en dehors de la diagonale de B, fournissent
les effectifs lorsqu’on croise les modalités de deux variables. Donner des
exemples.
On peut également regarder avec intérêt les résultats des tests d’indépendance
réalisés sur les variables deux à deux.
Le tableau « Valeurs de 2 obs et des probabilités de signification obtenues
pour les sous-tableaux des tableaux de BURT », qui regroupe les valeurs
obtenues, montre que toutes les hypothèses d’indépendance doivent être rejetées
au niveau de probabilité 0,1%. Les variables sont toutes très liées les unes des
autres.
Dans la pratique les données d’enquêtes sont souvent plus volumineuses et les
liens entre les variables sont généralement plus complexes. Les informations
contenues dans le tableau de Burt ne peuvent apparaître plus claires sans l'appui
de représentations graphiques. C’est l’objet de l’AFCM.
Vérifiez si le nombre total de modalités, le nombre total d’axes et l’inertie totale
sont corrects. Pour l’exemple, il y a 9 modalités, 6 axes et une inertie totale de 2.
Valeurs et vecteurs propres :
Limitons, dans un premier temps, nos interprétations aux dimensions dont les
valeurs propres associées sont significatives. A défaut de tests de signification,
retenons les axes dont les valeurs propres associées sont supérieures à 1/p (p
variables), soit x dans le cas de notre exercice.
Le tableau montre que 2 valeurs propres peuvent être retenues. Elles
représentent k% de l’inertie totale (généralement c'est beaucoup plus pessimiste
que cela, on peut aussi considérer des taux modifiés). Ceci se confirme par le
diagramme des valeurs propres qui montre une descente brusque après les deux
premières valeurs propres.
Regardez les tableaux des contributions absolues et des cosinus carrés des
modalités et des individus pour les dimensions retenues. Repérez les modalités
qui contribuent fortement à l’inertie des axes retenus
Contributions absolues :
Une modalité est d'autant plus intéressante que sa contribution est supérieure à
son poids. La contribution d'une variable sur un axe est donnée par la somme
des contributions de ses modalités sur cet axe.
Contributions à l'inertie :
On peut aussi montrer que deux individus sont d'autant plus proches qu'ils
prennent les mêmes modalités, et deux modalités sont d'autant plus proches que
les mêmes individus les prennent.
Une modalité est donc d'autant plus éloignée du centre de gravité du nuage des
profils colonnes que sa fréquence est petite.
Il apparaît que l'inertie due à une modalité est d'autant plus grande que sa
fréquence est faible.
Il ressort que l'inertie due à une variable est autant plus forte que son nombre de
modalités est grand.
Cosinus carrés :
On calcule les cosinus carrés avec les axes pour juger de la qualité d'une
projection.
Une modalité est d’autant bien représentée sur un axe que le cosinus carré
correspondant est élevé.
Interprétations des axes.