Analyse factorielle :
ACP (Matrice de corrélation, KMO, Bartlett, Matrice des composantes, Corrélations reproduites, Tableau et graphique des valeurs propres et carte factorielle)

Q1.1 : Faisabilité, 3 indicateur : déterminant, bartlett, KMO
Le déterminant doit être proche de 0, sans être nul « il n’est pas nul (peu d’influence des redondances) proche de 0 (possibilité de regroupement en facteur) »
Bartlett « signification de Bartlett strictement inférieur au risque (0,005), vérification de l’hypothèse. Il existe au moins une corrélation significativement différente de 0 entre les variables »
KMO est compris entre 0 et 1, il vaut mieux qu’il soit supérieur à 0,6 « cela signifie que le bruit des corrélations partielles n’affecte pas trop les corrélations obtenues sur la matrice. En clair les corrélations de la matrice sont fiables »
Ccl : les 3 indicateurs convergent pour exprimer que la matrice des données étudiée peut se prêter sans problème à une ACP
Ccl si déterminant = 0 : on se trouve en présence d’une matrice de données présentant une certaine pathologie. Il parait nécessaire d’interpréter les résultats obtenus avec précaution

Q2.2 : Pertinence, matrice des composantes et matrice des corrélations reproduites
Matrice des composantes : Obj : chercher les valeurs absolues supérieures à 0,6 pour savoir ou le solde fournit toute son information « les 6 variables se résument à 2 facteurs, on a donc effectué une réduction de la dimension du pb étudié »
Matrice des corrélations reproduites : obj : regarder le % de résidus « 46% de résidus significatif, c’est supérieur au standard des 30%. On a donc perdu de la qualité sur la reproduction des liaisons entre les variables »
Ccl : en terme de pertinence une bonne réduction de la dimension, mais une perte légère de qualité des cartes »

Ccl Q1 : une matrice qui se prête bien à l’outil analyse factoriel & une pertinence théorique de la carte factorielle

Q2 : Combien de facteurs ? Tableau graphique