ACM

Bonjour à tous,

Dans le cadre de mon stage, je dois répondre à la question suivante : "Peut-on déterminer quelles variables qualitatives peuvent permettre de discriminer les résultats ?"

Mon fichier est composé de la façon suivante : - 1 variable qualitative par colonnes (nombre de modalités différents suivant les variables)
et - 1 individu par lignes

On m'a dit qu'il fallait utiliser une ACM.

J'aimerais savoir quel procédé utiliser avec cette méthode ACM pour réussir à répondre à la question posée.

Si vous voulez d'autres précisions, n'hésitez pas à me contacter.

Merci d'avance.

Tony

Salut,

Fais l'analyse et après si tu as du mal à interpréter les résultats tu reviendras poser des questions plus précises mais là ta question n'a pas de sens posée telle quelle.

Nik

J'ai fais l'analyse !

Sous les yeux, j'ai "la décomposition de l'inertie et du Khi-Carré", les "Contributions des modalités", la "Matrice des indicatrices" et le "Plan Factoriel".

Maintenant, je regarder les contributions de chaque modalités, c'est sa ?

Une ACM tu peux l'interpreter comme une ACP sauf que tes variables sont uniquement qualitatives.

Décomposition de l'inertie : pour avoir le nombre d'axes à considérer

Contrib des modalités : part d'explication apportée par chaque individu ou chaque variable

Plan factoriel : observations des regroupements et des corrélations entre variables

Merci mokila :-)

Pour le nombre d'axes à considérer j'ai appris en cours pas mal de méthodes pour choisir le bon nombre d'axes (méthode du coude, méthode 80% de l'information, ...).
Mais dans mon ACM j'ai des valeurs propres (inertie) très faibles et donc des pourcentages d'inertie très faibles aussi.

Par exemple, les 3 premiers axes expliquent 51,8 % de l'information totale...

Tu vois le soucis ?

A toi de voir, pour simplifier, si tu observe un saut de valeur propre (ce que tu appelles méthode du coude je pense) qui te défini le nombre d'axe à interpréter.
En soit, si tu as un jeu de données de grande dimension, ne résumer que 51% de l'inertie sur les 3 premiers axes peut déjà être un bon résultat.
Ensuite, si tu n'observe pas de saut de valeur propre, celà peut dire que tu met en évidence des exceptions qui structurent ton jeu de données, d'où des valeurs propres faibles et proches.

Je n'ai personnellement pas appris de méthode pour déterminer le nombre d'axe à interpréter, seulement le saut de valeur propre. A toi de voir ensuite quand t'arrêter si tu n'en observe pas (si les axes ne sont plus interprétables par exemple...)

Cordialement,

Hadrien35

Merci bien pour tout Hadrien35

Cordialement

nyto35