Analyse en composantes principales sur les rangs

Bonjour J'ai une grosse base de données à explorer avec pas mal de valeurs aberrantes. J'ai commencé par appliquer une Analyse en composantes principales classique et j'ai lu dans un article qu'il existait une façon "non paramétrique" pour calculer les composantes, dans le but d'atténuer l'importance des valeurs aberrantes lorsque l'on construit les composantes.

Il s'agit de remplacer la matrice de corrélation (de Pearson), par la matrice de corrélation de Spearman (ou de Kendall). Ensuite, on calcule les vecteurs propres et tout, de la même façon qu'une ACP classique.

Je me demandais si cette technique "non paramétrique" était utilisée en pratique, si vous l'avez déjà testé et si oui qu'est-ce que vous en pensez ?

En vous remerciant

Adrien

Oui, c'est très courant. Il y a plein de textes là-dessus. Une recherche sur Google vous serait utile, je pense.

Voir par exemple, ici.

HTH, Eric.

Je vous remercie de cette réponse . J'ai fait quelques recherches sur internet et je ne vois pas trop quelle commande utiliser sur R ?

J'ai l'habitude pour mes analyses factorielles, d'utiliser le package factomineR. Cependant dans la commande PCA, on ne peut pas le forcer à utiliser une matrice de corrélation (il la calcule tout seul).

Dois je le programmer moi même ??

Encore merci et bonne journée à vous

Je n'ai jamais fait ça dans R, mais apparemment on peut s'en sortir avec princomp() et rentrer la matrice de correlation qui convient avec l'argument covmat. Voir par exemple une discussion sur ce point ici.

HTH, Eric.

Merci beaucoup !!

Bonjour,

une alternative est d'utiliser une estimation robuste (covRob du package robust) de la ta matrice de corrélation.

cdlt

Bonjour, je complète mon post afin d'aider ceux qui cherchent la commande de R pour le faire.

En fait c'est très simple, il suffit juste de transformer chaque variable par les variables de rang (avec la commande rank). Et on fait une ACP avec la commande PCA de R (du package FactoMineR) sur la matrice des rangs.

En effet la corrélation de Spearman est égale à celle de Pearson que l'on fait sur les variables rangs.


Encore merci tout le monde