Articles - Méthodes des Composantes Principales dans R: Guide Pratique

ACM dans R avec FactoMineR: Scripts Faciles et Cours

|    |   37504  |  Commentaires (2)  |  Méthodes des Composantes Principales dans R: Guide Pratique

Cet article montre comment calculer facilement l’ACM (analyse des correspondances multiples) avec le logiciel R en utilisant le package FactoMineR. Une série de vidéos de cours sur l’ACM est également fournie. Rappelons que l’ACM est utilisée pour analyser des jeux de données multivariées contenant des variables qualitatives, telles que des données d’enquête et de sondage.

ACM dans R avec FactoMineR: cours

Contents:

Code R: guide de demarrage rapide

  1. Installer FactoMineR:
install.packages("FactoMineR")
  1. Calculer l’ACM en utilisant le jeu de données poison [FactoMineR]. Ce jeu de données fait référence à une enquête réalisée auprès d’un échantillon d’enfants de l’école primaire qui ont souffert d’intoxication alimentaire. Ils ont été interrogés sur leurs symptômes et sur ce qu’ils ont mangé.
library(FactoMineR)
data("poison")
res.mca <- MCA(poison, 
              quanti.sup = 1:2, # Variables quantitatives supplémentaires
              quali.sup = 3:4,  # Variables qualitatives supplémentaires
              graph=FALSE)

Termes clés:

  • Les individus et variables actifs sont utilisés pendant l’ACM.
  • Les individus et variables supplémentaires: coordonnées prédites après l’ACM.
  1. Visualiser les valeurs propre*. Montre le pourcentage de variances expliquées par chaque axe principal.
eig.val <- res.mca$eig
barplot(eig.val[, 2], 
        names.arg = 1:nrow(eig.val), 
        main = "Variances Explained by Dimensions (%)",
        xlab = "Principal Dimensions",
        ylab = "Percentage of variances",
        col ="steelblue")
# Add connected line segments to the plot
lines(x = 1:nrow(eig.val), eig.val[, 2], 
      type = "b", pch = 19, col = "red")

  1. Biplot des individus et des variables montrant leurs associations
plot(res.mca, autoLab = "yes")

  • Bleu: Individus
  • red: Variables
  • Ver foncé: Variable qualitative supplémentaire
  1. Graphique des individus. Les individus similaires sont groupés ensemble. Utilisez l’argument invisible pour cacher les variables supplémentaires sur le graphique.
plot(res.mca,
     invisible = c("var", "quali.sup", "quanti.sup"),
     cex = 0.8,                                    
     autoLab = "yes")

  1. Graphique des variables actives. Utilisez l’argument invisible pour cacher les individus supplémentaires sur le graphique.
plot(res.mca, 
     invisible = c("ind", "quali.sup", "quanti.sup"),
     cex = 0.8,
     autoLab = "yes")

  1. Colorer les individus par groupes et ajouter les ellipses de confiance autour de la moyenne des groupes
plotellipses(res.mca, keepvar = c("Vomiting", "Fish"))

Pour des graphiques de type ggplot2: ACM - Analyse des Correspondances Multiples avec R: L’Essentiel

  1. Accéder aux résultats de l’ACM
# Valeurs propres
res.mca$eig
  
# Résultats des variables actives
res.var <- res.mca$var
res.var$coord          # Coordonnées
res.var$contrib        # Contributions 
res.var$cos2           # Qualité de représentation 
# Résultats des variables quantitatives supplémentaires
res.mca$quali.sup
# Résultats des individus actifs
res.ind <- res.mca$var
res.ind$coord          # Coordonnées
res.ind$contrib        # Contributions 
res.ind$cos2           # Qualités de représentation

La série de vidéos suivantes explique les bases de l’ACM et montre des exemples pratiques et l’interprétation dans R.

Théories et concepts

Données

Cette vidéo décrit le format des données pour l’ACM

Représentation des individus

Cette vidéo montre comment construire le nuage de points des lignes / individus et comment l’interpréter en utilisant les catégories des variables.

Représentation des catégories des variables

Dans cette vidéo, vous apprendrez comment construire le nuage de points des catégories des variables, ainsi que, comment obtenir une représentation optimale des catégories. Vous découvrirez le lien entre la représentation optimale des individus et la représentation optimale des catégories.

Aides à l’interprétation

Cette vidéo décrit quelques aides à l’interprétation, communes à toutes les méthodes des composantes principales. De plus, elle montre comment utiliser des informations supplémentaires dans l’ACM.

ACM: Exemples pratiques dans R

ACM avec FactoMineR

Gestion des données manquantes

Cette vidéo montre comment gérer les données manquantes dans l’ACM en utilisant les packages missMDA et FactoMineR.

Application Factoshiny

Factoshiny permet de faire l’ACM à travers une interface graphique par simple clic bouton.

Interprétation automatique: FactoInvestigate

Le package R FactoInvestigate permet de générer automatiquement un rapport contenant les graphiques et l’interprétation des résultats de l’ACP. FactoInvestigate R Package: Automatic Reports and Interpretation of Principal Component Analyses