Résumé minimal du script ACP_proforlog.R pour les ACP sur la propriété forestière en France au début des années 2000 et des données en partie transformées
Vincent GODARD
29/11/2022 - V3
Analyse en composantes principales (ACP) avec R et FactoMineR sur les données relatives à la propriété forestière (sources : https://agreste.agriculture.gouv.fr/agreste-web/download/publication/publie/ChdAgr196/ChdAgr196.pdf)
Résumé des principales étapes du code R
- Calcul de la matrice des corrélations ;
- Module ACP ;
- Valeurs propres et vecteurs propres ;
- Coordonnées ;
- Contributions ;
- Qualités (COS2) ;
- Aide à l’interprétation ;
- Edition des rapports.
1. Import des données
Avec mes fichiers exemples, préférez les paramètres nord-américains (“.” séparateur de décimales, “,” séparateur de miliers).
Salle C210, identifiant => “geographie2” !
### setwd("D:/Users/geographie2/vgodard/ADD/proforest/R")
### respecter ce cheminement si "geographie2"
### getwd()
# Remove all objects
rm(list = ls() )2. Lecture des données
propfor <- read.table("PropFor19.csv",
header=TRUE,
sep=";",
dec=".",### Si param. régio. non US, remplacer le "." par une ","
row.names=1,
check.names=FALSE,
fileEncoding="latin1",
stringsAsFactors = TRUE) # si stringsAsFactors = FALSE on perd les modalités3. Matrice des corrélations et significativité
Installer et exécuter préalablement la librairie “Hmisc”
### Avec la librairie Hmisc
## install.packages("Hmisc") ## si pas déjà installé !
library(Hmisc)Script de la matrice des corrélations arrondie à un chiffre après la virgule et matrice des significativités des corrélations (p-value).
rcorr(as.matrix(propfor[,1:3]), type=c("pearson"))## ForDom log(ForColec) log(ForPriv)
## ForDom 1.00 0.41 0.06
## log(ForColec) 0.41 1.00 0.30
## log(ForPriv) 0.06 0.30 1.00
##
## n= 90
##
##
## P
## ForDom log(ForColec) log(ForPriv)
## ForDom 0.0000 0.5946
## log(ForColec) 0.0000 0.0036
## log(ForPriv) 0.5946 0.0036Faire un copier-coller dans un tableur pour mettre en évidence les corrélations positives ou négatives les plus élevées.
4. Module ACP
Si ce n’est déjà fait, installer le package “FactoMineR”, puis le charger
## install.packages("FactoMineR")
library("FactoMineR")L’ACP avec tous les éléments actifs (90 lignes et 3 variables)
- PCA centrée réduite par défaut (pour ne pas réduire et utiliser la covariance scale.unit = FALSE)
- PCA avec graphe par défaut (pour ne pas afficher le graphe graph = FALSE)
- ncp = nb de dimensions gardé dans le résultat final
res.propfor.pca <- PCA(propfor[1:90,1:3],
quanti.sup=NULL,
quali.sup=NULL,
ncp = 3,
scale.unit = TRUE,
graph = TRUE)
5. Les sorties de la fonction ACP
Si ce n’est déjà fait, installer le package “factoextra”, puis le charger
## install.packages("factoextra")
library("factoextra")Si on veut connaître tous les résultats de la fonction ACP dans Factominer et/ou factoextra :
### Listage des résultats
print(res.propfor.pca)## **Results for the Principal Component Analysis (PCA)**
## The analysis was performed on 90 individuals, described by 3 variables
## *The results are available in the following objects:
##
## name description
## 1 "$eig" "eigenvalues"
## 2 "$var" "results for the variables"
## 3 "$var$coord" "coord. for the variables"
## 4 "$var$cor" "correlations variables - dimensions"
## 5 "$var$cos2" "cos2 for the variables"
## 6 "$var$contrib" "contributions of the variables"
## 7 "$ind" "results for the individuals"
## 8 "$ind$coord" "coord. for the individuals"
## 9 "$ind$cos2" "cos2 for the individuals"
## 10 "$ind$contrib" "contributions of the individuals"
## 11 "$call" "summary statistics"
## 12 "$call$centre" "mean of the variables"
## 13 "$call$ecart.type" "standard error of the variables"
## 14 "$call$row.w" "weights for the individuals"
## 15 "$call$col.w" "weights for the variables"5.1. Les eigenvalues ou valeurs propres
La somme des eigenvalues égale le nombre d’axes (ici 3).
Une eigenvalue > 1 a plus d’information (d’inertie) qu’une variable d’origine.
eig.val <- get_eigenvalue(res.propfor.pca)
eig.val## eigenvalue variance.percent cumulative.variance.percent
## Dim.1 1.5405275 51.35092 51.35092
## Dim.2 0.9457900 31.52633 82.87725
## Dim.3 0.5136826 17.12275 100.000005.2. Coordonnées des variables et des individus sur les axes
Interprétation des coordonnées des variables sur les axes factoriels.
res.propfor.pca$var$coord[, 1:3] ### [toutes les lignes ; colonnes 1 à 3, cf résultats *eigenvalue*]## Dim.1 Dim.2 Dim.3
## ForDom 0.7101109 -0.57337688 0.4086337
## log(ForColec) 0.8537348 -0.03277492 -0.5196756
## log(ForPriv) 0.5544429 0.78482783 0.2768363S’il y a des variables qualitatives supplémentaires.
res.propfor.pca$quali.sup$coord ## coord. for the supplementary categories ## NULLA évaluer au regard des valeurs test.
res.propfor.pca$quali.sup$v.test ## v-test of the supplementary categories, signif. si > 1.96 (on arrondi à 2 !)## NULLInterprétation des coordonnées des individus sur les axes factoriels
res.propfor.pca$ind$coord[1:90 , 1:3] ### [ligne 1 à 90 ; colonnes 1 à 3]## Dim.1 Dim.2 Dim.3
## 1 0.321212143 0.700501924 -1.1254262464
## 2 0.260983791 -0.689715988 0.5295990695
## 3 -0.293496515 -0.367895348 0.8849719606
## 4 3.027958367 -0.899393400 1.4535621207
## 5 1.130119021 -0.542609092 -0.5027397835
## 6 0.905821281 0.545407371 -0.6485537893
## 7 0.538510384 1.203564947 0.1160316607
## 8 0.881823340 -0.827655818 -0.2760269465
## 9 1.303038419 -0.289132333 0.3409403087
## 10 0.312131789 -0.086762031 -0.6573083193
## 11 0.853591779 0.033111910 -0.0642857751
## 12 0.340139975 1.236182078 0.2595609055
## 13 -0.279018231 0.232285982 -1.1699060494
## 14 -2.007769725 -0.600234258 -0.0411737797
## 15 -0.002617325 0.823325503 -0.8021855826
## 16 -1.182054102 0.585235554 0.5260770807
## 17 -0.901561640 0.234818935 0.1954561858
## 18 0.225371226 0.487805238 0.2275392881
## 19 0.185793357 1.703861429 -0.0732631668
## 21 2.353233380 -0.615789603 0.3234861011
## 22 -1.269161606 0.191140360 0.0002190839
## 23 -0.190044806 0.921264488 -0.0138711338
## 24 -0.426236976 2.289845407 1.1634143005
## 25 0.539922448 0.280675640 -1.4524222488
## 26 1.863533592 0.036078821 0.6764722249
## 27 -0.436188962 0.252250748 0.3072186633
## 28 -1.926427754 -0.325960526 0.8511660084
## 29 -1.359188296 0.005304792 0.0049828282
## 30 1.084567894 0.281518055 -0.0636296292
## 31 0.158977104 -0.061226070 -0.6747578243
## 32 -1.164924896 0.308807871 -0.2026903711
## 33 1.302840847 1.691192992 0.9563458772
## 34 0.803421385 0.322838872 0.3429780419
## 35 -1.591026901 -0.633721800 0.0493332252
## 36 -0.754237411 0.231651035 0.4982012850
## 37 -0.259567057 0.675727808 0.0729985051
## 38 1.214849299 0.542789174 -0.2845922540
## 39 1.133484935 -0.251825072 -0.7325085327
## 40 1.780238680 1.822750912 0.7670201932
## 41 -0.604429019 0.791742519 1.5199866046
## 42 -0.595384843 0.848818029 -0.3928752438
## 43 0.077916324 1.117518270 -0.3954925723
## 44 -2.140272525 -0.331833531 0.4215250187
## 45 -0.116501502 -0.440437768 2.0421972460
## 46 -0.840002494 1.583116582 0.6579533953
## 47 -1.012287975 0.867804745 0.2196405621
## 48 1.156948570 0.302990190 0.4105519885
## 49 -1.313581482 0.223244911 0.0669066507
## 50 -2.385670889 -1.120189216 -0.5609615984
## 51 1.521099009 -0.464094218 -0.3883232126
## 52 0.189954813 0.063728941 -0.1800587351
## 53 -2.484029999 -0.693457027 -0.0099534127
## 54 0.977032629 -1.486356978 -0.6421018630
## 55 1.884656917 -1.695721436 0.0140727581
## 56 -1.106384716 0.657784106 0.1919310502
## 57 2.231995893 -3.019633612 0.9725779386
## 58 1.112714514 0.357906214 0.0595876312
## 59 -1.480809624 -2.064974863 -0.1977601861
## 60 0.401053231 -0.868584100 0.4841261200
## 61 -0.631330577 -0.740002321 0.7654479106
## 62 -1.695176641 -0.933652230 -0.1868913487
## 63 0.526009684 1.459501116 -0.5201616831
## 64 0.412784030 1.005841524 -1.2077850811
## 65 0.033506177 -0.095269725 -1.3809060577
## 66 0.722789686 -0.627164787 0.0279847802
## 67 1.626161715 -2.587976107 0.0352427761
## 68 0.323916215 -1.444826403 -1.3310923690
## 69 -1.300623851 0.136425607 -0.4194342571
## 70 0.611990219 0.186029017 -1.4183572944
## 71 0.637069025 0.464596382 -0.3830259873
## 72 -1.002950721 0.026237835 0.7431297486
## 73 0.503272332 0.434388205 -1.1944288980
## 74 0.337518638 0.714179588 -1.0176236950
## 76 0.043516549 -1.688921342 1.0209487007
## 77 0.445800346 -0.652663880 0.7080953736
## 79 -2.449229068 -0.711273799 0.6959286709
## 80 -2.042315646 -0.369199264 0.3369241055
## 81 0.210405420 0.559479301 -0.1337460891
## 82 -2.202418057 0.130052096 0.6424435062
## 83 1.500385016 1.092873678 0.1696997975
## 84 0.141210831 0.086449425 -0.9398084977
## 85 -2.352147436 -1.239051518 0.0223457310
## 86 -1.240510344 0.454439782 0.6293804993
## 87 -0.631764053 1.083932554 -0.0727827746
## 88 2.393432125 -1.568481490 0.3163626707
## 89 0.866313349 0.709072417 -0.2997954640
## 90 -1.897510681 -2.092601213 -2.0412996429
## 110 0.659378223 -0.841669245 0.8109789110
## 2A 0.854408381 0.701895377 -0.2955742584
## 2B 0.644050056 0.269971156 -0.13796340935.3. Contribution des variables et des individus sur les axes
Interprétation des contributions des variables sur les axes factoriels.
res.propfor.pca$var$contrib[, 1:3] ### [toutes les lignes ; colonnes toutes, cf résultats *eigenvalue*] pour rechercher les plus contributives dans un tableur.## Dim.1 Dim.2 Dim.3
## ForDom 32.73278 34.7604709 32.50675
## log(ForColec) 47.31257 0.1135765 52.57386
## log(ForPriv) 19.95466 65.1259526 14.91939Interprétation des contributions des individus sur les axes factoriels.
res.propfor.pca$ind$contrib[, 1:3] ### [ligne toutes ; colonnes toutes] pour rechercher les plus contributifs dans un tableur.## Dim.1 Dim.2 Dim.3
## 1 7.441696e-02 5.764763e-01 2.739661e+00
## 2 4.912642e-02 5.588604e-01 6.066764e-01
## 3 6.212894e-02 1.590052e-01 1.694032e+00
## 4 6.612837e+00 9.503032e-01 4.570144e+00
## 5 9.211628e-01 3.458891e-01 5.467001e-01
## 6 5.917974e-01 3.494659e-01 9.098183e-01
## 7 2.091588e-01 1.701774e+00 2.912163e-02
## 8 5.608558e-01 8.047525e-01 1.648032e-01
## 9 1.224623e+00 9.821009e-02 2.514313e-01
## 10 7.026904e-02 8.843460e-03 9.345465e-01
## 11 5.255191e-01 1.288046e-03 8.939072e-03
## 12 8.344559e-02 1.795261e+00 1.457274e-01
## 13 5.615045e-02 6.338825e-02 2.960497e+00
## 14 2.907474e+00 4.232572e-01 3.666943e-03
## 15 4.940869e-06 7.963536e-01 1.391914e+00
## 16 1.007773e+00 4.023687e-01 5.986341e-01
## 17 5.862447e-01 6.477822e-02 8.263452e-02
## 18 3.663405e-02 2.795476e-01 1.119890e-01
## 19 2.489708e-02 3.410604e+00 1.161005e-02
## 21 3.994092e+00 4.454793e-01 2.263466e-01
## 22 1.161775e+00 4.292078e-02 1.038206e-07
## 23 2.604954e-02 9.970833e-01 4.161852e-04
## 24 1.310359e-01 6.159921e+00 2.927733e+00
## 25 2.102572e-01 9.254911e-02 4.562979e+00
## 26 2.504739e+00 1.529211e-03 9.898346e-01
## 27 1.372263e-01 7.475284e-02 2.041540e-01
## 28 2.676662e+00 1.248225e-01 1.567080e+00
## 29 1.332439e+00 3.305975e-05 5.370497e-05
## 30 8.484017e-01 9.310549e-02 8.757526e-03
## 31 1.822876e-02 4.403881e-03 9.848238e-01
## 32 9.787773e-01 1.120313e-01 8.886462e-02
## 33 1.224252e+00 3.360076e+00 1.978302e+00
## 34 4.655591e-01 1.224431e-01 2.544458e-01
## 35 1.825757e+00 4.718023e-01 5.264313e-03
## 36 4.103025e-01 6.304219e-02 5.368740e-01
## 37 4.859451e-02 5.364217e-01 1.152632e-02
## 38 1.064469e+00 3.461188e-01 1.751898e-01
## 39 9.266581e-01 7.450076e-02 1.160615e+00
## 40 2.285833e+00 3.903170e+00 1.272554e+00
## 41 2.634988e-01 7.364287e-01 4.997378e+00
## 42 2.556723e-01 8.464318e-01 3.338658e-01
## 43 4.378698e-03 1.467142e+00 3.383291e-01
## 44 3.303895e+00 1.293610e-01 3.843345e-01
## 45 9.789288e-03 2.278935e-01 9.021070e+00
## 46 5.089196e-01 2.944344e+00 9.363817e-01
## 47 7.390881e-01 8.847220e-01 1.043489e-01
## 48 9.654197e-01 1.078499e-01 3.645852e-01
## 49 1.244521e+00 5.854987e-02 9.682806e-03
## 50 4.104962e+00 1.474163e+00 6.806580e-01
## 51 1.668795e+00 2.530318e-01 3.261740e-01
## 52 2.602487e-02 4.771294e-03 7.012794e-02
## 53 4.450427e+00 5.649394e-01 2.142924e-04
## 54 6.885035e-01 2.595428e+00 8.918063e-01
## 55 2.561844e+00 3.378095e+00 4.283720e-04
## 56 8.828774e-01 5.083110e-01 7.968070e-02
## 57 3.593146e+00 1.071202e+01 2.046028e+00
## 58 8.930084e-01 1.504878e-01 7.680242e-03
## 59 1.581563e+00 5.009476e+00 8.459416e-02
## 60 1.160091e-01 8.863118e-01 5.069670e-01
## 61 2.874761e-01 6.433228e-01 1.267342e+00
## 62 2.072612e+00 1.024078e+00 7.555115e-02
## 63 1.995609e-01 2.502486e+00 5.852473e-01
## 64 1.228949e-01 1.188562e+00 3.155310e+00
## 65 8.097255e-04 1.066283e-02 4.124686e+00
## 66 3.768009e-01 4.620895e-01 1.693973e-03
## 67 1.907285e+00 7.868343e+00 2.686599e-03
## 68 7.567517e-02 2.452416e+00 3.832473e+00
## 69 1.220089e+00 2.186526e-02 3.805314e-01
## 70 2.701326e-01 4.065596e-02 4.351450e+00
## 71 2.927258e-01 2.535797e-01 3.173359e-01
## 72 7.255164e-01 8.087583e-04 1.194516e+00
## 73 1.826813e-01 2.216761e-01 3.085910e+00
## 74 8.216438e-02 5.992081e-01 2.239944e+00
## 76 1.365831e-03 3.351056e+00 2.254605e+00
## 77 1.433405e-01 5.004284e-01 1.084542e+00
## 79 4.326601e+00 5.943420e-01 1.047592e+00
## 80 3.008387e+00 1.601343e-01 2.455426e-01
## 81 3.193022e-02 3.677315e-01 3.869233e-02
## 82 3.498546e+00 1.986998e-02 8.927555e-01
## 83 1.623654e+00 1.403146e+00 6.229100e-02
## 84 1.438216e-02 8.779848e-03 1.910475e+00
## 85 3.990406e+00 1.803605e+00 1.080070e-03
## 86 1.109913e+00 2.426138e-01 8.568193e-01
## 87 2.878710e-01 1.380280e+00 1.145829e-02
## 88 4.131714e+00 2.890158e+00 2.164877e-01
## 89 5.413000e-01 5.906687e-01 1.944074e-01
## 90 2.596908e+00 5.144412e+00 9.013141e+00
## 110 3.135864e-01 8.322345e-01 1.422597e+00
## 2A 5.265251e-01 5.787721e-01 1.889713e-01
## 2B 2.991764e-01 8.562440e-02 4.117091e-025.4. Qualité de la représentation (COS2) des variables et des individus sur les axes
Interprétation des COS2 des variables sur les axes factoriels.
res.propfor.pca$var$contrib[, 1:3] ### [toutes les lignes ; colonnes toutes, cf résultats *eigenvalue*] pour rechercher les plus contributives dans un tableur.## Dim.1 Dim.2 Dim.3
## ForDom 32.73278 34.7604709 32.50675
## log(ForColec) 47.31257 0.1135765 52.57386
## log(ForPriv) 19.95466 65.1259526 14.91939Interprétation des qualités de représentation des individus sur les axes factoriels.
res.propfor.pca$ind$contrib[, 1:3] ### [ligne toutes ; colonnes toutes] pour rechercher les plus contributifs dans un tableur.## Dim.1 Dim.2 Dim.3
## 1 7.441696e-02 5.764763e-01 2.739661e+00
## 2 4.912642e-02 5.588604e-01 6.066764e-01
## 3 6.212894e-02 1.590052e-01 1.694032e+00
## 4 6.612837e+00 9.503032e-01 4.570144e+00
## 5 9.211628e-01 3.458891e-01 5.467001e-01
## 6 5.917974e-01 3.494659e-01 9.098183e-01
## 7 2.091588e-01 1.701774e+00 2.912163e-02
## 8 5.608558e-01 8.047525e-01 1.648032e-01
## 9 1.224623e+00 9.821009e-02 2.514313e-01
## 10 7.026904e-02 8.843460e-03 9.345465e-01
## 11 5.255191e-01 1.288046e-03 8.939072e-03
## 12 8.344559e-02 1.795261e+00 1.457274e-01
## 13 5.615045e-02 6.338825e-02 2.960497e+00
## 14 2.907474e+00 4.232572e-01 3.666943e-03
## 15 4.940869e-06 7.963536e-01 1.391914e+00
## 16 1.007773e+00 4.023687e-01 5.986341e-01
## 17 5.862447e-01 6.477822e-02 8.263452e-02
## 18 3.663405e-02 2.795476e-01 1.119890e-01
## 19 2.489708e-02 3.410604e+00 1.161005e-02
## 21 3.994092e+00 4.454793e-01 2.263466e-01
## 22 1.161775e+00 4.292078e-02 1.038206e-07
## 23 2.604954e-02 9.970833e-01 4.161852e-04
## 24 1.310359e-01 6.159921e+00 2.927733e+00
## 25 2.102572e-01 9.254911e-02 4.562979e+00
## 26 2.504739e+00 1.529211e-03 9.898346e-01
## 27 1.372263e-01 7.475284e-02 2.041540e-01
## 28 2.676662e+00 1.248225e-01 1.567080e+00
## 29 1.332439e+00 3.305975e-05 5.370497e-05
## 30 8.484017e-01 9.310549e-02 8.757526e-03
## 31 1.822876e-02 4.403881e-03 9.848238e-01
## 32 9.787773e-01 1.120313e-01 8.886462e-02
## 33 1.224252e+00 3.360076e+00 1.978302e+00
## 34 4.655591e-01 1.224431e-01 2.544458e-01
## 35 1.825757e+00 4.718023e-01 5.264313e-03
## 36 4.103025e-01 6.304219e-02 5.368740e-01
## 37 4.859451e-02 5.364217e-01 1.152632e-02
## 38 1.064469e+00 3.461188e-01 1.751898e-01
## 39 9.266581e-01 7.450076e-02 1.160615e+00
## 40 2.285833e+00 3.903170e+00 1.272554e+00
## 41 2.634988e-01 7.364287e-01 4.997378e+00
## 42 2.556723e-01 8.464318e-01 3.338658e-01
## 43 4.378698e-03 1.467142e+00 3.383291e-01
## 44 3.303895e+00 1.293610e-01 3.843345e-01
## 45 9.789288e-03 2.278935e-01 9.021070e+00
## 46 5.089196e-01 2.944344e+00 9.363817e-01
## 47 7.390881e-01 8.847220e-01 1.043489e-01
## 48 9.654197e-01 1.078499e-01 3.645852e-01
## 49 1.244521e+00 5.854987e-02 9.682806e-03
## 50 4.104962e+00 1.474163e+00 6.806580e-01
## 51 1.668795e+00 2.530318e-01 3.261740e-01
## 52 2.602487e-02 4.771294e-03 7.012794e-02
## 53 4.450427e+00 5.649394e-01 2.142924e-04
## 54 6.885035e-01 2.595428e+00 8.918063e-01
## 55 2.561844e+00 3.378095e+00 4.283720e-04
## 56 8.828774e-01 5.083110e-01 7.968070e-02
## 57 3.593146e+00 1.071202e+01 2.046028e+00
## 58 8.930084e-01 1.504878e-01 7.680242e-03
## 59 1.581563e+00 5.009476e+00 8.459416e-02
## 60 1.160091e-01 8.863118e-01 5.069670e-01
## 61 2.874761e-01 6.433228e-01 1.267342e+00
## 62 2.072612e+00 1.024078e+00 7.555115e-02
## 63 1.995609e-01 2.502486e+00 5.852473e-01
## 64 1.228949e-01 1.188562e+00 3.155310e+00
## 65 8.097255e-04 1.066283e-02 4.124686e+00
## 66 3.768009e-01 4.620895e-01 1.693973e-03
## 67 1.907285e+00 7.868343e+00 2.686599e-03
## 68 7.567517e-02 2.452416e+00 3.832473e+00
## 69 1.220089e+00 2.186526e-02 3.805314e-01
## 70 2.701326e-01 4.065596e-02 4.351450e+00
## 71 2.927258e-01 2.535797e-01 3.173359e-01
## 72 7.255164e-01 8.087583e-04 1.194516e+00
## 73 1.826813e-01 2.216761e-01 3.085910e+00
## 74 8.216438e-02 5.992081e-01 2.239944e+00
## 76 1.365831e-03 3.351056e+00 2.254605e+00
## 77 1.433405e-01 5.004284e-01 1.084542e+00
## 79 4.326601e+00 5.943420e-01 1.047592e+00
## 80 3.008387e+00 1.601343e-01 2.455426e-01
## 81 3.193022e-02 3.677315e-01 3.869233e-02
## 82 3.498546e+00 1.986998e-02 8.927555e-01
## 83 1.623654e+00 1.403146e+00 6.229100e-02
## 84 1.438216e-02 8.779848e-03 1.910475e+00
## 85 3.990406e+00 1.803605e+00 1.080070e-03
## 86 1.109913e+00 2.426138e-01 8.568193e-01
## 87 2.878710e-01 1.380280e+00 1.145829e-02
## 88 4.131714e+00 2.890158e+00 2.164877e-01
## 89 5.413000e-01 5.906687e-01 1.944074e-01
## 90 2.596908e+00 5.144412e+00 9.013141e+00
## 110 3.135864e-01 8.322345e-01 1.422597e+00
## 2A 5.265251e-01 5.787721e-01 1.889713e-01
## 2B 2.991764e-01 8.562440e-02 4.117091e-026. Aide à l’interprétation
6.1. Graphiques un peu plus sophistiqués
- Contribution des variables
fviz_pca_var(res.propfor.pca,
col.var = "contrib",
select.var = list(contrib = 3),# Ici, que 3 var !
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"))
- Contribution des 3 individus les plus contributifs (un peu juste, peut-être ?)
fviz_pca_ind(res.propfor.pca,
col.ind = "contrib",
select.ind = list(contrib = 3),# Sélectionne le "top 3" selon la contribution
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
repel = TRUE) # Avoid text overlapping (slow if many points)
6.2. Aide à la description et à l’interprétation
Identification des variables les plus significatives par composante.
### fonction dimdesc() [in FactoMineR]
res.desc <- dimdesc(res.propfor.pca,
axes = c(1:3),
proba = 0.05)Aide sur l’axe 1
### Description of dimension 1
res.desc$Dim.1## $quanti
## correlation p.value
## log(ForColec) 0.8537348 1.136755e-26
## ForDom 0.7101109 4.610922e-15
## log(ForPriv) 0.5544429 1.430109e-08
##
## attr(,"class")
## [1] "condes" "list "Aide sur l’axe 2
### Description of dimension 2
res.desc$Dim.2## $quanti
## correlation p.value
## log(ForPriv) 0.7848278 5.540611e-20
## ForDom -0.5733769 3.493499e-09
##
## attr(,"class")
## [1] "condes" "list "Aide sur l’axe 3
### Description of dimension 3
res.desc$Dim.3## $quanti
## correlation p.value
## ForDom 0.4086337 6.375024e-05
## log(ForPriv) 0.2768363 8.255807e-03
## log(ForColec) -0.5196756 1.531420e-07
##
## attr(,"class")
## [1] "condes" "list "6.4 Le couteau suisse
Le package FactoInvestigate décrit et interprète automatiquement les résultats de votre analyse factorielle (ACP, AFC ou ACM) en choisissant les graphes les plus appropriés pour le rapport (sources : http://factominer.free.fr/reporting/index_fr.html, mais ce package semble inaccessible à la date de rédaction !)
## install.packages(FactoInvestigate)
## library(Investigate)
## Investigate(res.propfor.pca)