Scribd Logo
Importer

Bienvenue sur Scribd !

  • 759 vues

    ACP, SPSS Interpretaion

    Transféré par

    Youssef Rhammali
    L'analyse examine les résultats d'une analyse en composantes principales sous SPSS 17, notamment les tests de Bartlett et KMO, les composantes principales extraites et leur variance expliquée, ainsi que les poids factoriels.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PPTX, PDF, TXT ou lisez en ligne sur Scribd

    ACP, SPSS Interpretaion

    Transféré par

    Youssef Rhammali
    759 vues10 pages
    L'analyse examine les résultats d'une analyse en composantes principales sous SPSS 17, notamment les tests de Bartlett et KMO, les composantes principales extraites et leur variance expliquée, ainsi que les poids factoriels.

    Description originale:

    acp spss interpretation

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PPTX, PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    L'analyse examine les résultats d'une analyse en composantes principales sous SPSS 17, notamment les tests de Bartlett et KMO, les composantes principales extraites et leur variance expliquée, ainsi que les poids factoriels.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PPTX, PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pptx, pdf ou txt
    759 vues10 pages

    ACP, SPSS Interpretaion

    Transféré par

    Youssef Rhammali
    L'analyse examine les résultats d'une analyse en composantes principales sous SPSS 17, notamment les tests de Bartlett et KMO, les composantes principales extraites et leur variance expliquée, ainsi que les poids factoriels.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PPTX, PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pptx, pdf ou txt
    Vous êtes sur la page 1sur 10

    Interprétation des résultats

    Sous SPSS 17

    b.a
    -Elle Permet de voir la présence d’ inter corrélation entre les variables pour pouvoir
    en extraire des dimensions plus globales.
    - l’analyse en composantes principale n’a d’intérêt que si l’ensemble des
    variables sont corrélées entre elles ;
    - Plus on est proche de 1 ou -1 plus les 2 variables sont corrélés par exemple le CA
    avec la part de marché sont corrélés(0,689)
    - Problème: plus grand est le nombre des variables ,plus il est difficile d’avoir
    une idée précise du degré de corrélation entre elles.

    - solution : le test Bartlett et le KMO


    Nota: le test Bartlett est
    sensible à la taille de
    l’échantillons ,plus N est
    grande plus le test est moins
    significatif ;

    -Le test da Bartlett permet de vérifier la corrélation des variables


    entres elles
    -Comment lire ce test ?
    - la signification doit être égale à ,000
    Nota:
    KMO | Recommandation

    >0,9 | très excellent


    0,8+ | Excellent
    0,7+ | Moyen
    0,6 | Médiocre
    0,5 | Misérable
    <0,50 | Inacceptable

    -KMO est un indice qui permet de vérifier la corrélation des


    variables globalement ,il doit être supérieur à 0,5 sinon on doit
    calculer le KMO pour chaque variables pour voir son niveau de
    corrélation avec les autres afin retrancher celles qui ne
    présentent pas une corrélation significative avant de procéder à
    l’analyse en composantes principales
    - Mais comment calculer le KMO pour chaque variable ?
    - Matrices anti-images
    - La portion importante à considérer ici est le diagonale apparaissant
    dans le tableau corrélation anti-images(,694 | ,774 | …) ces valeurs
    correspondent aux mesures KMO calculés pour chaque variable afin de
    mesurer sa corrélation avec les autres.
    -Ce tableau permet de calculer la variances expliquée par les composantes principales
    dans notre cas la première composante principale explique 60,776% tandis que la
    deuxième explique 15,809% de la variance totale .
    - au total notre ACP va permettre de représenter 76,585% de la variance présente dans
    nos données à l’aide de deux composantes indépendantes .
    - on ne peut retenir une composante qui n’explique pas plus de 1. Nota: ce critère appelé aussi
    critère de KMO peut être
    vérifier par un autre test
    celui-ci appelé « Scree
    test »de Cattell (le coude )
    Nota: ce test vient confirmer
    le nombre composantes
    extraites en fonction du
    critère KMO

    On ne retient
    que les
    composantes
    qui expliquent
    plus d’une
    valeur propre

    - La première composante explique plus de 4 valeurs propres


    - La deuxième composante explique plus d’une valeurs propres
    - La troisième composante explique moins d’une valeurs propres
    donc elle est rejetée.
    - c’est la matrices des poids factoriels ( ????)

    -1 |elle contient les coefficients permettant


    d’exprimer chacune des variables en fonction
    des composantes extraites 

    - par exemple le CA peut être présenter


    comme suit :
    CA =0,955 C1+0,180 C2 ;)
    - Ou encore pour la part du marché :
    Pm= 0,791 C1 – 0,430 C2

    -2 |On peut dire aussi qu’un changement


    d’une unité C1 entrainera un changement
    correspondant de 0,955 unités dans le CA
    ,alors qu’un changement d’une unité de C2
    Provoquera 0,180 unités de changement dans
    le prix

    -3 |On peut aussi interpréter les poids factoriels comme coefficients de corrélation entre les
    composantes principales et les variables. puisque les différentes composantes extraites sont
    indépendantes .
    - on peut qu’il y a une corrélation de 0,955 entre le CA et C1 , ou encore 91,2% (0,955^2) de
    variance commune entre ces deux score.
    -Ce tableau représente la
    qualité d’extraction pour
    chaque variable

    - par exemple on peut


    constater que 94,4% de la
    variance du variable CA
    est expliqué par les deux
    composantes extraites.

    Nota: cette variance


    commune est la somme des
    carrés des poids factoriels
    examinés précédemment :
    (0,995^2 )+(0,180^2)=
    0,944

    Vous aimerez peut-être aussi