At 15:57 08/07/2002 +0000, Olivier Beauchard wrote:
>Bonjour,
>
>Mon problème concerne le tableau suivant. C'est un tableau disjonctif sur
>des modalités de comportement de poissons répartis en 24 bassins. Ce
>tableau est partitionné par 2 colonnes-date:
>- colonne mois (il y a 3 mois)
>- colonne période (matin, midi et soir), sachant que les mesures sont
>répliquées trois jours par semaine.
>Le but est de mettre en évidence ce qui sépare les bassins du point de vue
>du comportement donc travailler sur des plans factoriels ne présentant que
>24 points et non pas avec plus de 2000 relevés-dates comme le fait l'ACM
>de ce tableau.
>Si on raisonne sur les 24 barycentres de l'ACM, est-il possible
>d'optimiser la séparation des 24 groupes par une méthode du type "Analyse
>discriminante des correspondances"?
C'est l'objectif de l'analyse inter-classe. Si tant est que les problèmes
de statistique inférentielle sous-jacents ont été résolus, on peut rappeler
que :
1) à partir d'un tableau de variables qualitatives obtenu par CategVar:
Read Categ File on peut faire l'analyse des correspondances multiples par
MCA: Multiple Correspondence Analysis
2) à partir du tableau disjonctif complet associé (qu'on peut obtenir à
partir du précédent par CategVar: Categ->Disj) on peut faire une AFC par
COA: COrrespondence Analysis. Les résultats 1 et 2 sont très voisins.
3) à partir de l'ACM de 1) couplée avec une nouvelle variable qualitative
issue de CategVar: Read Categ File dans Discrimin: Initialize: LinkPrep on
peut faire l'analyse inter-classe centrée sur ce qui sépare les groupes
dans Discrimin: Between analysis: Run et tester la pertinence de l'analyse
par Discrimin: Between analysis: Test. Eviter systématiquement l'analyse
discriminante sur variables qualitatives qui sauf cas particulier est instable.
4) à partir du tableau disjonctif complet de 2) on peut sommer les lignes
d'un groupe par FilesUtil: CateRowSum-Mean et on obtient un tableau
classes-modalités fait de tables de contingence juxtaposées. L'AFC directe
de ce tableau donne l'essentiel de 3) mais ne permet pas la représentation
de la variabilité interne des groupes.
5) l'utilitaire CategVar: CrossingCateg donnera l'importance du lien entre
chaque variable du tableau 1) ou 3) avec la variable groupe (tests khi2).
l'utilitaire CategVar: ReadTestBurt donnera l'importance du même lien avec
le tableau de 4). Il vaut mieux commencer par là si on n'est sùr de rien
(voir la doc de CategVar).
Daniel Chessel
Universite Lyon 1 - Biométrie et Biologie Evolutive - Bât 741
69622 Villeurbanne CEDEX
Tel : 04 72 44 82 77 - (33) 4 72 44 82 77
This archive was generated by hypermail 2b30 : Fri Feb 14 2003 - 14:36:10 MET