Université sultan moulay Sliman faculté de l’économie et de gestion

Beni Mellal

• Master Management des ressources humaine et innovation managériale

• Module statistiques approfondies

Analyse en composant principale

ACP

Réalisé par : Encadré par :

➢ NYAZI Mohamed Amine PR: Mr. SALHI Salah Eddine

➢ BAABBA Hannan
➢ LAOUIZ Nouhaila
➢ JKHAKHA Dounia

Année universitaire 2024 /2025

 Remerciements
Nous tenons à exprimer notre profonde gratitude à Monsieur le Professeur
SALHI Salah Eddine pour son engagement constant, sa bienveillance et la
qualité de son encadrement tout au long de ce travail.

Grâce à ses efforts remarquables et à la richesse des contenus partagés

dans le cadre du module Statistiques approfondies, nous avons pu
développer des compétences analytiques solides et une compréhension
approfondie des méthodes multivariées, notamment l’Analyse en
Composantes Principales (ACP).

Son implication pédagogique et sa disponibilité ont grandement contribué

à la réussite de ce travail, et nous lui en sommes sincèrement
reconnaissants.

P a g e 2 | 29
 Plan détaillé du rapport
Introduction générale
Partie 1 : fondements théoriques de l’ACP
Définition Origine et domaines d’utilisation
Conditions d’utilisation
Nature des données requises
Principales étapes de l’Analyse en Composantes Principales (ACP)
1. Construction de la matrice des relations
2. Validation de la factorialité
3. Extraction des composantes principales
4. Sélection du nombre de composantes retenues
5. Calcul des scores, charges et diagnostics
6. Vérification de la structure factorielle
7. Visualisation, interprétation et exploitation
Les étapes pour réaliser un ACP sous SPSS
Partie 2 : Application pratique sous SPSS
Résultat Spss et interprétations
Conclusion générale
Liste des tableaux et figures
Liste des Références

P a g e 3 | 29
Introduction générale :

Dans un environnement où la complexité des phénomènes organisationnels ne cesse de croître, la capacité à

collecter, traiter et interpréter des données est devenue cruciale. En sciences sociales et en gestion, les décisions
basées sur des preuves statistiques permettent de réduire l’incertitude, de repérer des tendances et d’anticiper des
évolutions. Maîtriser des méthodes statistiques avancées représente ainsi un atout majeur : non seulement pour
décrypter des corrélations subtiles ou des effets cachés, mais aussi pour construire des modèles prédictifs et
prescriptifs qui soutiennent la stratégie.

Apprendre et appliquer ces méthodes renforce la rigueur analytique et l’efficacité des interventions, qu’il s’agisse
d’études de marché, d’évaluations de politiques publiques ou d’analyses internes aux organisations. De la simple
description de données aux techniques multivariées sophistiquées, chaque approche a son rôle : statistiques
descriptives pour dresser un état des lieux, tests d’hypothèses pour valider des conjectures, méthodes de régression
pour évaluer des relations, analyses de clusters pour segmenter, et plus encore.

L’exemple des ressources humaines

Dans le domaine des ressources humaines, les bases de données rassemblent de multiples indicateurs
(performances, compétences, ancienneté, satisfaction, formation, rémunération, bien-être, etc.). L’analyse isolée
de chaque variable ne suffit pas : comprendre les interdépendances est essentiel pour élaborer des parcours de
développement, anticiper le turnover ou calibrer les politiques de rémunération et de fidélisation. Toutes les
méthodes statistiques — descriptives, inférentielles, de classification ou de modélisation — contribuent à éclairer
ces décisions.

P a g e 4 | 29
Partie 1 : fondements théoriques de l’ACP

I. Définition Origine et domaines d’utilisation

1. Origines et évolution
📘 Définition par des statisticiens

L’Analyse en Composantes Principales (ACP) a été introduite par Karl Pearson en 1901, c’est une méthode
statistique de réduction de dimensionnalité qui transforme un ensemble de variables corrélées en un ensemble de
variables non corrélées appelées composantes principales. Cette transformation permet de résumer l’information
contenue dans les données tout en conservant l’essentiel de leur variabilité.

Harold Hotelling a formalisé l’ACP en 1933 en développant une approche mathématique basée sur l’algèbre
linéaire, notamment l’utilisation de vecteurs et de valeurs propres, pour identifier les directions maximisant la
variance des données.

Ainsi, l’ACP est largement utilisé dans divers domaines, notamment pour le prétraitement des données destinées
aux algorithmes de machine learning, en réduisant la complexité et en éliminant la multi-colinéarité.

2. Conditions d’utilisation
• Variables quantitatives : L’ACP s’applique exclusivement à des variables numériques continues.
• Relations linéaires : Elle suppose que les relations entre les variables sont linéaires.
• Standardisation des données : Il est essentiel de centrer et réduire les variables, surtout si elles sont mesurées
sur des échelles différentes, pour éviter qu’une variable domine l’analyse en raison de son échelle.
• Absence de valeurs aberrantes : Les valeurs extrêmes peuvent influencer fortement les résultats de l’ACP.
Il est donc recommandé de les identifier et de les traiter avant l’analyse.

3. Nature des données requises

• Tableau de données : L’ACP nécessite un tableau de données où les lignes représentent les observations
(individus) et les colonnes représentent les variables quantitatives.
• Corrélations entre variables : L’ACP est particulièrement utile lorsque les variables sont corrélées, car elle
permet de résumer l’information redondante en un nombre réduit de composantes principales.

P a g e 5 | 29
II. Principales étapes de l’Analyse en Composantes Principales (ACP)
1. Construction de la matrice des relations

• Matrice de corrélation/covariance : Calculer la matrice carrée entre toutes les variables centrées (et
réduites si norme souhaitée). Elle montre les associations linéaires préexistantes et sert de point de départ à
l’extraction des axes.
• Observation : Si les corrélations sont faibles entre la plupart des variables, l’ACP aura peu d’intérêt (peu
de variance expliquée par les premières composantes)

2. Validation de la factorialité

Avant toute analyse, on s’assure que le jeu de variables présente bien une structure factorielle exploitable. On
commence par calculer l’indice KMO (Kaiser–Meyer–Olkin), qui quantifie la proportion de variance partagée entre
variables : plus il est proche de 1, plus les corrélations partielles sont faibles comparées aux corrélations brutes, et
donc plus un modèle factoriel est pertinent (Kaiser, 1974). KMO ≥ 0,90 : excellent 0,80 ≤ KMO < 0,90 : très bon
0,70 ≤ KMO < 0,80 : bon

0,60 ≤ KMO < 0,70 : médiocre mais acceptable

0,50 ≤ KMO < 0,60 : faible

KMO < 0,50 : inacceptable – l’ACP n’est pas recommandée

Seuils d’après Hutcheson & Sofroniou (1999) et Hair et al. (2006)

le test de sphéricité de Bartlett vérifie que la matrice de corrélation n’est pas identique à la matrice unité (p < 0,05
indique des corrélations significatives) ; tant que cette condition n’est pas remplie, toute ACP serait statistiquement
inappropriée. Test de sphéricité de Bartlett H₀ : la matrice de corrélations est la matrice identité (pas de corrélation).
P-value < 0,05 : on rejette H₀ → corrélations suffisantes pour l’ACP

3. Extraction des composantes principales

• Principe : Identifier des directions orthogonales qui maximisent la variance projetée. Techniquement, on
obtient ces directions via la décomposition de la matrice de corrélation (ou covariance).
• Interprétation rapide : Chaque composante est une combinaison linéaire des variables initiales, conçue
pour capter le plus de variabilité possible.

4. Sélection du nombre de composantes retenues

• Variance expliquée cumulée : Retenir juste assez de composantes pour couvrir un seuil prédéfini de la
variance totale (ex. 70–90 %).
P a g e 6 | 29
 • Critère de Kaiser : Conserver les composantes dont la “variance expliquée” est supérieure à celle d’une
variable standardisée (valeur propre > 1).
• Scree plot : Regarder le “coude” dans le graphique des valeurs propres : avant le point où l’ajout d’axes
n’apporte plus grand-chose.
• Analyse parallèle : Comparer aux résultats sur données aléatoires pour ne garder que les axes qui captent
plus de variance que le hasard.
• Pratique : Combiner ces approches pour justifier clairement le choix du nombre d’axes

5. Calcul des scores, charges et diagnostics

• Scores des individus : Pour chaque observation, on calcule sa position dans l’espace réduit défini par les
composantes retenues. Ces scores servent à visualiser ou segmenter les cas.
• Charges factorielles : Évaluer l’importance de chaque variable dans chaque composante (corrélation entre
variable initiale et composante). Cela permet de comprendre quel sens donner à l’axe.
• Qualité de représentation : Mesurer, pour chaque individu et chaque axe, la part de sa variation expliquée
(cos²) et vérifier la part de variance totale captée (inertie expliquée).
• Diagnostics : Repasser éventuellement les tests KMO/Bartlett ou examiner les communalisations pour
confirmer la pertinence de l’ACP choisie. Documenter ces indicateurs pour assurer la rigueur.

6. Vérification de la structure factorielle

Stabilité des saturations et communalités Vérifiez que, après rotation, toutes les saturations factorielles restent
supérieures à votre seuil minimal (p. ex. |loading| ≥ 0,40) et que toutes les communalités sont satisfaisantes (h² ≥
0,50). Critère : si une variable descend en dessous de ces seuils, il faudrait envisager un retrait (sinon, on poursuit
sans retrait).

Contrôle final du plan factoriel : les groupes de variables restent cohérents, sans variables isolées ni points aberrants

7. Visualisation, interprétation et exploitation

• Graphiques principaux :
o Nuage des individus (PC1 vs PC2, etc.) pour repérer groupes, tendances ou points atypiques.
o Cercle de corrélation pour visualiser les relations entre variables sur le plan factoriel (angles et
longueurs de vecteurs).
o Scree plot, intégré pour justifier le nombre d’axes retenus.
• Interprétation des axes : Nommer chaque composante en fonction des variables à forte charge (par ex.
“Engagement formation” ou “Performance globale”).
• Profilage des individus : Utiliser les scores pour identifier ou valider des segments (clusters), par ex.
“profils expérimentés vs nouveaux entrants”.

Les étapes pour réaliser un ACP sous SPSS

P a g e 7 | 29
 [Link] l’analyse

o Menu : Analyse → Réduction des dimensions → Analyse factorielle…

[Link] “Descriptif”

o ☑ Coefficients (matrice de corrélation)

o ☑ Indice KMO et Test de sphéricité de Bartlett
o Cliquez sur Poursuivre

[Link] “Extraction”

o Méthode : choisir Composantes principales

o ☑ Matrice de corrélation
o ☑ Structure factorielle sans rotation (désactiver si rotation prévue)
o ☑ Graphique des valeurs propres (scree plot)
o Sous “Extraire” : cocher Valeur propre > 1 (critère de Kaiser) ou indiquer le nombre d’axes à conserver

[Link] “Rotation”

o Méthode : Varimax (facilite l’interprétation)

o ☑ Structure après rotation

o ☑ Cartes factorielles (nuages)

o Cliquez sur Poursuivre

[Link] “Scores des facteurs”

o ☑ Enregistrer les scores comme variables

o Méthode : Régression (génère variables fac1_1, fac2_1…)
o Cliquez sur Poursuivre

[Link] “Options”

o ☑ Supprimer les coefficients factoriaux inférieurs à 0,30 (rend les tableaux plus lisibles)
o Cliquez sur Poursuivre

[Link] l’analyse

o Cliquez sur OK pour exécuter

P a g e 8 | 29
Partie 2 : Application pratique sous SPSS

L’analyse porte sur un échantillon de 50 employés d’une même organisation, mesurés selon sept indicateurs clés : ancienneté
(années), salaire mensuel, nombre de promotions, heures de formation au cours des 12 derniers mois, taux d’absentéisme,
score d’évaluation annuelle (échelle 1–10) et âge. Ces variables ont été sélectionnées pour explorer à la fois les dimensions
expérience, rémunération, engagement et performance des collaborateurs. Avant toute analyse, les données ont été
préparées sous forme d’un tableau Excel afin d’assurer la comparabilité des échelles et de sécuriser la pertinence de
l’Analyse en Composantes Principales (ACP) qui suit.

Lien : RH database

a) Capture d'écran 1 : Vue des variables

• Commentaire : Avant de lancer l'analyse, il est crucial de vérifier la nature de vos variables. Pour une
ACP, les variables doivent généralement être de type "Échelle" (quantitatives) pour que l'analyse soit
pertinente. Ici, la plupart des variables sont bien définies comme numériques et de type "Échelle", à
l'exception de "employé" qui est une chaîne et "Nombrepromotion" et "Scoreévaluation" qui sont nominales
mais devraient être d type échelles pour l'ACP.

P a g e 9 | 29
 b) Capture d'écran 2 : Sélection de l'analyse factorielle
Après la correction et le nettoyage de la base de données, la première étape pour lancer une Analyse en Composantes
Principales (ACP) dans IBM SPSS Statistics consiste à accéder au menu "Analyse", puis à sélectionner "Réduction des
dimensions", et enfin "Analyse factorielle". Cette étape permet d’ouvrir l’interface dédiée à l’ACP, une technique de
réduction de la dimensionnalité utilisée pour identifier les structures sous-jacentes dans les données.

c) Capture d'écran 3 : Sélection des variables pour l'analyse factorielle

• Commentaire : Cette étape consiste à spécifier les variables sur lesquelles l'ACP sera réalisé. Il est
important de n'inclure que les variables métriques (quantitatives) qui sont supposées partager une variance
commune et dont on souhaite réduire la dimensionnalité.

P a g e 10 | 29
 d) Capture d'écran 4 : Options des statistiques descriptives

• Description : La boîte de dialogue "Analyse factorielle : Caractéristiques" est affichée. Dans la section
"Statistiques", "Coefficients" est coché, et "Indice KMO et test de sphéricité de Bartlett" est également
coché sous "Matrice de corrélation".
• Commentaire : L'indice KMO (Kaiser-Meyer-Olkin) et le test de sphéricité de Bartlett sont des diagnostics
cruciaux pour évaluer l'adéquation des données à une ACP. Le KMO mesure la proportion de variance dans
vos variables qui pourrait être expliquée par des facteurs sous-jacents, et une valeur supérieure à 0.6 est
généralement considérée comme acceptable. Le test de Bartlett évalue si la matrice de corrélation est une
matrice identité (ce qui signifierait qu'il n'y a pas de corrélation entre les variables et que l'ACP ne serait
pas appropriée). Un p-value significatif (p<0.05) pour le test de Bartlett indique que l'ACP est approprié .

P a g e 11 | 29
 e) Capture d'écran 5 : Méthode d'extraction

• Description : La boîte de dialogue "Analyse factorielle : Extraction" est ouverte. La "Méthode" est définie
sur "Composantes Principales". Dans la section "Afficher", "Diagramme des valeurs propres" est coché. La
méthode "Extraire" est basée sur la "Valeur propre" supérieure à 1, et le "Nombre fixe de facteurs" est réglé
sur 2.
• Commentaire : Cette étape est fondamentale pour l'ACP. La méthode "Composantes Principales" est le
choix standard pour l'ACP. on choisit la méthode « Composantes Principales » avec le critère Kaiser (valeur propre
> 1) pour identifier les dimensions sous-jacentes. Ici, on force l’extraction de 2 facteurs afin de pouvoir visualiser
plus aisément le nuage de points sur les deux premières composantes, tout en consultant le scree plot pour confirmer
ou ajuster ce choix.

f) Capture d'écran 6 : Méthode de rotation

• Description : La boîte de dialogue "Analyse factorielle : Rotation" est affichée. La "Méthode" de rotation
est définie sur "Varimax", qui est une rotation orthogonale. L'option "Structure après rotation (Cartel (s)
factorielle (s))" est cochée.
• Commentaire : La rotation des facteurs est utilisée pour obtenir une structure factorielle plus simple et
plus interprétable. "Varimax" est l'une des rotations orthogonales les plus courantes, qui minimise le nombre
de variables qui ont des saturations élevées sur plus d'un facteur, rendant ainsi les facteurs plus distincts.

P a g e 12 | 29
 g) Capture d'écran 7 : Enregistrement des scores factoriels

• Description : La boîte de dialogue "Analyse factorielle : Facteurs" est ouverte. L'option "Enregistrer dans
des variables" est cochée, avec la "Méthode" "Régression" sélectionnée.
• Commentaire : Cette étape permet à SPSS de calculer et d'enregistrer les scores pour chaque composante
principale pour chaque observation (individu) dans le jeu de données. Ces nouvelles variables ("FAC1_1",
"FAC2_1" comme on le voit dans la capture d'écran 9) représentent les valeurs des individus sur les
nouvelles dimensions (composantes principales) et peuvent être utilisées pour d'autres analyses (par
exemple, classification, régression) ou pour la visualisation. La méthode "Régression" est une méthode
courante pour estimer ces scores.

P a g e 13 | 29
 h) Capture d'écran 8 : Options de gestion des valeurs manquantes

Description : La boîte de dialogue « Analyse factorielle : Options » est affichée. L’option « Remplacer les valeurs
manquantes par la moyenne » est sélectionnée sous « Valeurs manquantes ».

Commentaire : Cette option de gestion des données manquantes est importante. « Remplacer les valeurs
manquantes par la moyenne » signifie que, pour chaque variable, les cas manquants sont substitués par la moyenne
de cette variable. C’est une méthode simple qui conserve la taille de l’échantillon, mais elle peut sous-estimer la
variance et biaiser les corrélations entre variables.

i) Capture d'écran 9 : Données avec les scores factoriels générés

• Description : La vue des données principale de SPSS est affichée. Deux nouvelles colonnes, "FAC1_1" et
"FAC2_1", ont été ajoutées à l'extrémité droite du jeu de données. Ces colonnes contiennent les scores
factoriels calculés pour chaque observation sur les deux premières composantes principales extraites.
• Commentaire : Cette capture d'écran confirme la réussite de l'analyse et l'enregistrement des scores
factoriels. Ces scores sont les coordonnées de chaque individu dans l'espace des composantes principales.
Ils sont désormais prêts à être utilisés pour des visualisations (comme un nuage de points pour les deux
premières composantes) ou d'autres analyses multivariées.

P a g e 14 | 29
 j) Capture d'écran 10 : Préparation d'un diagramme de dispersion (scatter plot)

• Description : Une boîte de dialogue "Dispersion/Points" (Scatter/Dot) est ouverte, proposant différents
types de diagrammes de dispersion. L'utilisateur a probablement sélectionné le type "Dispersion simple"
(Simple Scatter).
• Commentaire : Après avoir obtenu les scores factoriels (FAC1_1 et FAC2_1), il est très courant de
visualiser les individus dans l'espace des deux premières composantes principales à l'aide d'un nuage de
points. Cela permet d'identifier des regroupements d'individus ou des structures sous-jacentes non
apparentes dans les données brutes.

P a g e 15 | 29
 k) Capture d'écran 11 : Configuration du diagramme de dispersion simple

• Commentaire : Cette étape cruciale configure le nuage de points. En plaçant les scores factoriels de la
première composante sur l'axe des X et ceux de la deuxième sur l'axe des Y, on crée une représentation
bidimensionnelle de la position de chaque individu dans l'espace factoriel. L'étiquetage des observations
par la variable employée permettra d'identifier chaque point sur le graphique, ce qui est utile pour
l'interprétation individuelle ou pour identifier des groupes spécifiques si employé représente des catégories.

l) Captures d'écran 12 : Éditeur de diagrammes – Ajout des lignes de référence

Commentaire : L’ajout des lignes de référence à X = 0 et Y = 0 est essentiel pour interpréter le plan factoriel.
Elles divisent le graphique en quatre quadrants, facilitant l’identification de groupes d’individus selon leurs scores
sur les composantes principales

III. Résultat Spss et interprétations

Analyse factorielle
Matrice de corrélation
Ancienneté Salaire mensuel Nombre de
années promotions
Ancienneté années 1,000 ,921 ,950
Corrélation Salaire mensuel ,921 1,000 ,855
Nombre de promotions ,950 ,855 1,000

P a g e 16 | 29
 Heures de formation -,880 -,780 -,797
Taux d’absentéisme -,429 -,369 -,384
Score évaluation ,438 ,416 ,380
Âge ,989 ,902 ,933

Matrice de corrélation
Heures de Taux Score évaluation Âge
formation absentéisme
Ancienneté années -,880 -,429 ,438 ,989
Salaire mensuel -,780 -,369 ,416 ,902
Nombre de promotions -,797 -,384 ,380 ,933
Corrélation Heures de formation 1,000 ,425 -,397 -,874
Taux d’absentéisme ,425 1,000 -,228 -,468
Score évaluation -,397 -,228 1,000 ,428
Âge -,874 -,468 ,428 1,000

Indice KMO et test de Bartlett

Mesure de précision de l'échantillonnage de Kaiser-Meyer- ,838
Olkin.
Khi-deux approximé 471,692
Test de sphéricité de Bartlett ddl 21
Signification de Bartlett ,000

1. Définition des deux critères

• Kaiser-Meyer-Olkin (KMO)
Le KMO mesure l’« adéquation d’échantillonnage ». Il compare la somme des corrélations observées
entre variables à la somme des corrélations partielles (celles qui restent une fois éliminée l’influence des
autres variables).
o Valeurs proches de 1 : excellentes (≥ 0,8)
o Entre 0,6 et 0,7 : acceptables
o < 0,6 : insuffisantes pour une ACP
• Test de sphéricité de Bartlett
Ce test statistique évalue si la matrice de corrélations est significativement différente d’une matrice
identité (c’est-à-dire sans corrélations entre variables).
o Hypothèse nulle (H₀) : la matrice de corrélation est une matrice identité
o Si p < 0,05 : on rejette H₀ → il existe des corrélations suffisantes pour justifier une ACP

P a g e 17 | 29
Qualité de représentation
Initial Extraction

Ancienneté années 1,000 ,988

Salaire mensuel 1,000 ,877
Nombre de promotions 1,000 ,909
Heures de formation 1,000 ,818
Taux d’absentéisme 1,000 ,765
Score évaluation 1,000 ,464
Âge 1,000 ,970

Méthode d'extraction : Analyse en composantes

principales.

• Communalité initiale
Correspond à la variance totale de chaque variable avant extraction, normalisée à 1 (100 % de la variance)
puisque, dans une ACP, chaque variable est standardisée.

• Communalité d’extraction
Indique la part de variance de chaque variable expliquée par l’ensemble des composantes principales retenues.
Par exemple, une communalité d’extraction de 0,818 signifie que 81,8 % de la variance de la variable est capturée
par les axes extraits.

Variance totale expliquée

Composante Valeurs propres initiales Extraction Sommes des carrés des
facteurs retenus
Total % de la variance % cumulés Total % de la variance
1 5,010 71,572 71,572 5,010 71,572
2 ,781 11,161 82,733 ,781 11,161

3 ,776 11,081 93,813

4 ,232 3,310 97,123

5 ,146 2,092 99,216

6 ,048 ,687 99,902

7 ,007 ,098 100,000

Variance totale expliquée

Composante Extraction Sommes Somme des carrés des facteurs retenus pour la rotation
des carrés des
facteurs retenus
% cumulés Total % de la variance % cumulés
1 71,572 4,270 60,996 60,996
2 82,733 1,522 21,737 82,733

P a g e 18 | 29
6

Méthode d'extraction : Analyse en composantes principales.

• Valeur propre (eigenvalue) : quantité de variance « brute » capturée par l’axe (ex. 5,010 pour la 1ʳᵉ
composante signifie qu’elle retient l’équivalent de 5 variables standardisées).

• % de la variance : part de la variance totale expliquée par cet axe (71,6 % pour la 1ʳᵉ).

• % cumulés : somme progressive des % expliqués, montrant la couverture globale quand on additionne les
composantes (82,7 % avec les deux premières).

• Extraction – Sommes des carrés des facteurs retenus : après avoir décidé quelles composantes garder
(généralement celles dont la valeur propre > 1), ces colonnes répètent la variance expliquée par chacune d’elles
(ici, identique à la partie « initiale » puisque vous conservez exactement les deux axes présentant valeur propre
≥ 1).

Figure A1 : Diagramme d’éboulis (ou tracé/diagramme du coude) des valeurs propres

Le diagramme de coude (scree plot) trace les valeurs propres de chaque composante en ordre décroissant. On y
repère un « coude », c’est-à-dire un point où la pente de la courbe passe d’une forte décroissance à un
P a g e 19 | 29
aplatissement : cela signale qu’au-delà de cet axe, les composantes suivantes n’apportent plus guère
d’information supplémentaire.

Ici, après la première composante (λ=5,010), la chute vers la deuxième (λ=0,781) reste marquée, puis l’écart
entre la deuxième et la troisième (λ=0,776) devient très faible. Autrement dit, la courbe s’atténue dès la
deuxième composante, formant le coude. Comme ces deux axes cumulent déjà 82,7 % de la variance, et que la
troisième n’ajoute quasiment rien, retenir deux composantes s’avère justifié : on conserve l’essentiel de
l’information tout en simplifiant le modèle.

Matrice des composantesa

Composante
1 2
Ancienneté années ,986 ,129
Salaire mensuel ,923 ,158
Nombre de promotions ,936 ,180
Heures de formation -,902 -,071
Taux d’absentéisme -,519 ,704
Score évaluation ,515 -,445
Âge ,980 ,091

Méthode d'extraction : Analyse en composantes

principales.a
a. 2 composantes extraites.

La matrice des composantes (ou matrice des charges factorielles) présente pour chaque variable son coefficient
de corrélation avec chaque composante principale ; ce coefficient (entre –1 et +1) indique :

• La force de l’association (plus la valeur absolue est proche de 1, plus la variable est bien expliquée par
l’axe).
• Le signe (positif ou négatif) donne le sens : la variable évolue dans le même sens que la composante
(charge positive) ou inversement (charge négative).

Synthèse

• Composante 1 : axe « expérience et rémunération »

o Variables fortement corrélées (> 0,9) : ancienneté, âge, nombre de promotions, salaire mensuel.
o Charge négative sur les heures de formation (–0,90) : plus on est expérimenté/mieux payé, moins
on suit de formation formelle.
• Composante 2 : axe « absentéisme vs. Performance »
o Charge positive sur le taux d’absentéisme (+ 0,70) et négative sur le score d’évaluation (– 0,45).
o Les autres variables y sont peu liées (|charge| < 0,2).

Cela met en évidence deux dimensions claires :

P a g e 20 | 29
 1. Seniority & avantages (axe 1),
2. Absentéisme vs. Qualité de l’évaluation (axe 2).

Matrice des composantes après rotationa

Composante
1 2
Ancienneté années ,949 ,295
Salaire mensuel ,905 ,243
Nombre de promotions ,926 ,229
Heure de formation -,849 -,313
Taux absentéisme -,177 -,857
Score évaluation ,282 ,620
Âge ,929 ,327

Méthode d'extraction : Analyse en composantes

principales.
Méthode de rotation : Varimax avec normalisation
de Kaiser.a
a. La rotation a convergé en 3 itérations.

Problème résolu par la rotation

• Sans rotation, les composantes initiales « chargent » souvent plusieurs variables : cela crée un modèle
complexe, lourd à lire.
• Les variables se répartissent en partie sur tous les axes, peinant à former des groupes clairs.

Ce que fait Varimax (rotation orthogonale)

• Elle réoriente les axes dans l’espace factoriel (sans en changer la structure globale) pour :
1. Maximiser les charges élevées (variables très corrélées à un seul axe),
2. Minimiser les charges faibles (variables peu corrélées aux autres axes)

Dans notre cas chaque nombre dans la « matrice des composantes après rotation » est une charge factorielle : il
mesure la corrélation entre la variable et la composante.

1. Valeur absolue
o Proche de 1 : la variable est fortement expliquée par la composante.
o Proche de 0 : la variable n’est pas du tout liée à cette composante.
2. Signe
o Positif (+) : la variable contribue dans le même sens que la composante.
o Négatif (–) : la variable s’oppose au sens de la composante.

Matrice de tranformation des

composantes
Composante 1 2
1 ,908 ,418
2 ,418 -,908

P a g e 21 | 29
Méthode d'extraction : Analyse en
composantes principales.
Méthode de rotation : Varimax avec
normalisation de Kaiser.

Figure A2 : Cercle de corrélation après rotation (PC1 vs PC2)

• PC1 – Axe horizontal :

Regroupe fortement l’Ancienneté, le Salaire, le Nombre de promotions et l’Âge (tous chargés positivement),
traduisant un facteur de « Séniorité / Récompenses ».

• PC2 – Axe vertical :

Oppose clairement le Taux d’absentéisme (charge négative) au Score d’évaluation (charge positive), illustrant
un axe « Performance / Assiduité ».

• Heures de formation :
Corrélées négativement à PC1, suggérant que les profils les plus seniors suivent moins de formation.

• Absentéisme :
Très fortement chargé sur PC2 uniquement, ce qui indique qu’il s’agit d’un phénomène distinct, peu lié à la
séniorité.

P a g e 22 | 29
Matrice des coefficients des coordonnées des
composantes
Composante
1 2
Ancienneté années ,248 -,068
Salaire mensuel ,252 -,107
Nombre de promotions ,266 -,131
Heures de formation -,201 ,007
Taux absentéisme ,283 -,862
Score évaluation -,145 ,560
Âge ,227 -,024

Méthode d'extraction : Analyse en composantes

principales.
Méthode de rotation : Varimax avec normalisation
de Kaiser.
Scores composante.

Cette matrice sert à calculer les scores individuels sur PC1 et PC2 :

• Comment : pour chaque salarié, on multiplie sa valeur standardisée sur chaque variable par le coefficient
correspondant, puis on somme ces produits.
• À quoi ça sert : obtenir la coordonnée de chaque individu dans le nouvel espace factoriel, pour le
positionner et le comparer selon les deux axes retenus.

Matrice de covariance des

composantes
Composante 1 2
1 1,000 ,000
2 ,000 1,000

Méthode d'extraction : Analyse en

composantes principales.
Méthode de rotation : Varimax avec
normalisation de Kaiser.
Scores composants.

1. Ce que cela signifie :

• Les valeurs diagonales (1,000) montrent que chaque composante a une variance de 1, car les scores
ont été standardisés.
• Les valeurs hors diagonale (0,000) indiquent que les composantes sont non corrélées entre elles
(covariance nulle).

Figure A3 : Nuage des individus sur le plan PC1–PC2

P a g e 23 | 29
 2. Description générale du nuage de points

Ce graphique positionne chaque salarié dans un espace à deux dimensions construit par l’Analyse en
Composantes Principales (ACP).

• L’axe horizontal (PC1) synthétise les variables liées à l’expérience et aux récompenses : ancienneté, âge,
salaire, promotions.
• L’axe vertical (PC2) oppose le taux d’absentéisme au score d’évaluation, reflétant la dynamique de
performance individuelle.

Chaque point représente un individu, placé selon ses caractéristiques globales.

3. Analyse des axes et de la structure

• PC1 (horizontal) peut être lu comme un axe de séniorité ou d’évolution de carrière.

➤ Les salariés situés à droite sont expérimentés, bien rémunérés, et promus.
➤ À gauche, on trouve plutôt des profils récents, jeunes ou encore en formation.
• PC2 (vertical) reflète un axe d’assiduité et de performance.
➤ En haut : évaluations positives, peu d’absences.
➤ En bas : absences fréquentes, performances faibles.

La distribution des points dans ce plan met en évidence des groupes naturels selon ces deux dimensions.

P a g e 24 | 29
 4. Interprétation des zones du graphique

• Haut droite :
Salariés expérimentés et performants — une base solide à préserver, mais à ménager pour éviter
l’épuisement.
• Haut gauche :
Jeunes recrues très prometteuses — un investissement RH stratégique pour l’avenir.
• Bas droite : les
Profils expérimentés mais en retrait (absentéisme, baisse d’évaluation) — signaux de désengagement à
prendre au sérieux.
• Bas gauche :
Nouveaux arrivants avec des difficultés précoces — à encadrer ou réorienter rapidement.

La densité ou la dispersion des points dans certaines zones informe aussi sur la régularité ou la diversité des
profils dans l’organisation.

5. Perspectives

Ce type de visualisation peut être intégré dans un tableau de bord RH dynamique. Il permet :

• D’anticiper les besoins d’accompagnement,

• De cibler des actions de formation ou de fidélisation,
• D’identifier les déséquilibres dans la pyramide RH,
• Ou encore de repérer des profils-clés pour des mobilités internes.

Conclusion

L’Analyse en Composantes Principales (ACP) réalisée sur notre échantillon de 50 employés a permis de dégager
deux dimensions majeures, justifiant pleinement l’usage de cette méthode :

Axes et contribution à la décision

o Axe 1 (“Expérience & Rémunération vs Formation”) regroupe fortement l’ancienneté, l’âge, les promotions
et le salaire en forte opposition aux heures de formation : il permet d’identifier les collaborateurs seniors
stabilisés par rapport aux plus récents qui se forment encore intensivement.
o Axe 2 (“Performance vs Absence”) oppose le score d’évaluation au taux d’absentéisme, offrant une lecture
directe du niveau de performance individuelle et du risque de désengagement.

Valeur ajoutée de l’ACP

o Simplification et segmentation : ces deux composantes synthétisent plus de 82 % de la variance, facilitant la

visualisation (nuages et cercles de corrélation) et la segmentation managériale (mentorat pour les seniors
performants, suivi des nouveaux très engagés, actions sur l’absentéisme).

P a g e 25 | 29
o Réduction de dimension : en ne conservant que deux axes, on élimine la multicolinéarité tout en gardant
l’essentiel de l’information métier, utile notamment pour des modèles prédictifs (turnover, réussite de
formation).

Limites et précautions

o Linéarité : l’ACP ne capte pas les relations non linéaires éventuelles entre indicateurs RH (à surveiller avec
des méthodes complémentaires comme UMAP).
o Influence des outliers : malgré la standardisation et la vérification des aberrantes, quelques profils très
extrêmes (taux d’absentéisme ou heures de formation hors normes) peuvent encore tirer légèrement les axes.
o Interprétation des axes : même après rotation Varimax, il reste nécessaire de valider chaque libellé d’axe par
un regard métier pour éviter les étiquettes trop génériques.

Recommandations pour un usage optimal dans des cas de jeux de données plus massifs

o Standardisation rigoureuse : indispensable pour équilibrer la contribution de chaque variable.

o Vérification et traitement des outliers : conserver uniquement les valeurs réelles significatives, winsoriser
ou exclure celles qui compromettraient l’analyse.
o Rotation Varimax : fortement recommandée pour clarifier les charges et faciliter l’interprétation des axes.
o Complémentarité méthodologique : associer l’ACP à du clustering sur les scores ou à des méthodes non
linéaires pour révéler d’éventuelles structures supplémentaires.

Perspectives

o ACP robuste : intégration de techniques robustes (e.g. ROBPCA) pour limiter l’influence des valeurs
extrêmes.

o ACP supervisée : guider l’extraction des composantes par des variables cibles (performance, satisfaction)
pour un focus métier plus précis.
o Pipeline analytique : coupler l’ACP avec du clustering ou de la régression pour générer des insights
opérationnels (prédiction du turnover, ciblage des plans de formation).

En résumé, l’ACP appliquée ici pour un exemple relativement simple fournit une visualisation solide pour explorer
les dynamiques RH : deux axes clairs, plus de 80 % de variance expliquée, et des pistes opérationnelles pour la
segmentation, le développement et la prise de décision.

P a g e 26 | 29
Liste des tableaux et figures

Tableaux

• Tableau A2 : KMO et test de Bartlett.

• Tableau A3 : Matrice de corrélation.
• Tableau A4 : Communalités avant et après extraction.
• Tableau A5 : Valeurs propres et variance expliquée (Total Variance Explained).
• Tableau A6 : Matrice des composantes (avant rotation)
• Tableau A7 : Matrice des composantes après rotation (Varimax)

Graphiques

• Figure A1 : Diagramme d’éboulis (ou tracé/diagramme du coude) des valeurs propres

• Figure A2 : Cercle de corrélation après rotation (PC1 vs PC2)
• Figure A3 : Nuage des individus sur le plan PC1–PC2

P a g e 27 | 29
 Références

✓ Pearson, K. (1901).
On Lines and Planes of Closest Fit to Systems of Points in Space.
The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, Série 6, Volume 2,
n° 11, pp. 559–572.
→ PDF complet : [Link]

✓ Hotelling, H. (1933).
Analysis of a Complex of Statistical Variables into Principal Components.
Journal of Educational Psychology, 24 (6), pp. 417–441.
→ PDF complet :
[Link]
otelling_PCA_part1.pdf

✓ Jolliffe, I. T. (2002).
Principal Component Analysis (2ᵉ éd.).
Springer Series in Statistics, Springer, New York. ISBN 978-0-387-95442-4.
→ Accès à la page éditeur : [Link]

✓ Shlens, J. (2014).
A Tutorial on Principal Component Analysis.
arXiv:1404.1100 [[Link]].
→ [Link]

✓ Zou, H., Hastie, T., & Tibshirani, R. (2006).

Sparse Principal Component Analysis.
Journal of Computational and Graphical Statistics, 15(2), pp. 265–286.
→ [Link]

P a g e 28 | 29
✓ van der Maaten, L., & Hinton, G. (2008).
Visualizing Data using t-SNE.
Journal of Machine Learning Research, 9(Nov), pp. 2579–2605.
→ [Link]

✓ McInnes, L., Healy, J., & Melville, J. (2018).

UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction.
arXiv:1802.03426 [[Link]].
→ [Link]

✓ Hubert M., Rousseeuw P.J., Vanden Branden K. (2005) ROBPCA: A New Approach to Robust Principal
Component Analysis, Technometrics 47(1):64–79. [Link]

✓ Salibián-Barrera M., Van Aelst S., Willems G. (2006) Principal components analysis based on
multivariate MM-estimators with fast and robust bootstrap, Journal of the American Statistical
Association 101(475):1198–1211. [Link]

P a g e 29 | 29