Peinture représentant un étang (Tombeau de Thèbes, 1400 av. J. C.) extrait de l Histoire de l Art de Ernst Gombrich

Transcription

1 1

2 Peinture représentant un étang (Tombeau de Thèbes, 1400 av. J. C.) extrait de l Histoire de l Art de Ernst Gombrich 2

3 1. Enquête FT sur les MBA MBA 12 caractéristiques de l école : Women Faculty, Women Students, Women board, International Faculty, Int. Stud., Int. Board, Int. Mobility, Int. Course content, Languages, Faculty with PhD, PhD grad. Rating, Research rating 2 caractéristiques des diplômés : Salary today (weighted), Salary % increase 3

4 Extrait des données de l enquête FT sur les MBA 2001 Faculty with Salary Salary doctorates FT Doctoral FT Research Rank 2001 School Name FT Score weighted Increase... (%) rating rating 1 University of Pennsylvania: Wharton Harvard Business School Stanford University GSB University of Chicago GSB Columbia University GSB MIT: Sloan Insead London Business School Northwestern University: Kellogg New York University: Stern IMD Arizona State University HEC Babson College: FW Olin Rice University: Jones Thunderbird ESCP-EAP IEP Norwegian School of Management

5 Visualiser

6 Analyse factorielle (ACP) des MBA X 14 = Salary. increase X 2 = % Women Student HEC 2 Harvard 0 Warwick 1.. X 1 = % Women Faculty

7 Analyse Factorielle des MBA : Carte des MBA Analyse réalisée sur les 67 premiers MBA 7

8 Analyse Factorielle des MBA Carte des caractéristiques utilisées pour l analyse Les variables fléchées en pointillés sont illustratives. 8

9 Conclusion : HEC premier MBA non anglo-saxon Stanford Harvard Dartmouth MIT Wharton IMD INSEA D LBS HEC US/UK/Autre Salary weighted Autre UK US Total Population FT Research rating 9

10 2. Les objectifs de l analyse en composantes principales Résumer un tableau individusvariables à l aide d un petit nombre de facteurs. Visualiser le positionnement des individus les uns par rapport aux autres. Visualiser les corrélations entre les variables. Interpréter les facteurs. 10

11 Visualisation des données Y 2 (i) i 1 X 1 X p Y 1 Y 2 i x 1i x pi y 1i y 2i 0 Y 1 (i) Le premier plan principal n Cor(X j,y 2 ) X j 0 Cor(X j,y 1 ) Le tableau des données Les composantes principales Y h p 1 j u hj X (non corrélées entre elles) j Le carte des variables 11

12 3. Un exemple de positionnement de produits Caractéristiques de 24 modèles de voiture (Source : L argus de l automobile, 2004) Modèle Cylindrée Puissance Vitesse Poids Largeur Longueur (cm 3 ) (ch) (km/h) (kg) (mm) (mm) Citroën C2 1.1 Base Smart Fortwo Coupé Mini Nissan Micra Renault Clio 3.0 V Audi A3 1.9 TDI Peugeot HDI Peugeot V6 BVA Mercedes Classe C 270 CDI BMW 530d Jaguar S-Type 2.7 V6 Bi-Turbo BMW 745i Mercedes Classe S 400 CDI Citroën C3 Pluriel 1.6i BMW Z4 2.5i Audi TT 1.8T Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Td Land Rover Discovery Td Nissan X-Trail 2.2 dci

13 Longueur Puissance Cylindrée Graphiques en étoile des voitures Citroën C2 1.1 Smart Fortwo Mini Largeur Vitesse Nissan Micra 1.2 Renault Clio 3.0 V6 Audi A3 1.9 TDI Poids Peugeot HDI 70 Peugeot V6 Mercedes Classe C 270 BMW 530d Jaguar S-Type 2.7 V6 BMW 745i Mercedes Classe S 400 Citroën C3 Pluriel BMW Z4 2.5i Audi TT 1.8T 180 Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Land Rover Discovery Nissan X-Trail 2.2 dci 13

14 4. Résumé des données Sortie SPSS Descriptive Statistics Cylindrée Puissance Vitesse Poids Largeur Longueur N Minimum Maximum Mean Std. Deviation Sortie SPAD Libellé de la variable Effectif Moyenne Ecart-type Minimum Maximum Cylindrée Puissance Vitesse Poids Largeur Longueur

15 Variance des variables Dans SPSS 1 Variance(X) s = (x ) n 2 2 i x n-1 i1 Dans SPAD 1 Variance(X) (x ) n 2 2 i x n i1 15

16 Graphique des liaisons inter-variables (la Ferrari est représentée par un disque plein) Cylindrée Puissance Vitesse Poids Largeur Longueur 16

17 Tableau des corrélations Cylindrée Puissance Vitesse Poids Largeur Longueur Cylindrée Puissance Vitesse Poids Largeur Longueur Toutes les corrélations sont positives. Toutes les corrélations sont significatives au risque 5% ( R 2/ n) 17

18 Classification ascendante hiérarchique des variables H I E R A R C H I C A L C L U S T E R A N A L Y S I S Dendrogram using Single Linkage Rescaled Distance Cluster Combine C A S E Label Num cylindrée 1 puissance 2 vitesse 3 largeur 5 poids 4 longueur 6 18

19 5. Le nuage de points associé aux données 1 i n X 1 X p x 1i x pi x i X p SMART g 0 FERRARI X 2 x1... x p g X 1 N = {x 1,, x i,, x n } = Nuage de points associé aux données Centre de gravité du nuage N : g = 1 n n x i i1 19

20 6. Inertie totale du nuage de points 1 i n X 1 X p x 1i x pi x i X p SMART 0 g FERRARI X 2 x1... x p g X 1 Inertie totale = I(N, g) = 1 n n i1 d 1 1 n 2 (x n p p n p ( xji xj ) ( xji xj ) j i1 j1 j1 n i1 j1 i,g) 20

21 7. Réduction des données Pour neutraliser le problème des unités on remplace les données d origine par les données centrées-réduites : X X X x X x p p p p de moyenne 0 et d écart-type 1. 21

22 Les données centrées-réduites (SPAD) Modèle Cylindrée Puissance Vitesse Poids Largeur Longueur Citroën C2 1.1 Base Smart Fortwo Coupé Mini Nissan Micra Renault Clio 3.0 V Audi A3 1.9 TDI Peugeot HDI Peugeot V6 BVA Mercedes Classe C 270 CDI BMW 530d Jaguar S-Type 2.7 V6 Bi-Turbo BMW 745i Mercedes Classe S 400 CDI Citroën C3 Pluriel 1.6i BMW Z4 2.5i Audi TT 1.8T Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Td Land Rover Discovery Td Nissan X-Trail 2.2 dci Outlier si valeur > 2 22

23 8. Le nuage de points associé aux données réduites 1 X 1 i x 1i n X p x pi X i X p SMART 0 FERRARI X Moyenne Variance X 1 N = {x 1,, x i,, x n } Centre de gravité : g = 0, Inertie totale : I(N, 0) = p 23

24 9. Premier axe principal 1 X p x i u y i X 2 X 1 Objectif 1 : On cherche l axe 1 passant le mieux possible au milieu du nuage N. On cherche à minimiser l inertie du nuage N par rapport à l axe 1 : I(N, 1 ) 1 n n i1 d 2 (x i, y i ) 24

25 Premier axe principal 1 X p x i 1 0 y i X 2 X 1 Objectif 2 : On cherche l axe d allongement 1 du nuage N. On cherche à maximiser l inertie du nuage N projeté sur l axe 1 : I( n 2 1 d (yi, 0) n i1 1 y,..., yn, 0) 25

26 Les objectifs 1 et 2 sont atteints simultanément X p x i 1 0 y i X 2 X 1 De : on déduit : d 2 (x i,0) d 2 (y i,0) d 2 (x i, y i ) 1 n n i1 d 2 (x i,0) 1 n n i1 d 2 (y i,0) 1 n n i1 d 2 (x i, y i ) Inertie totale = p = Inertie expliquée par 1 + Inertie résiduelle Maximiser Minimiser 26

27 Résultats L axe 1 passe par le centre de gravité 0 du nuage de points N. L axe 1 est engendré par le vecteur normé u 1, vecteur propre de la matrice des corrélations R associé à la plus grande valeur propre 1. L inertie expliquée par l axe 1 est égal à 1. La part d inertie expliquée par le premier axe principal 1 est égal à 1 /p. 27

28 Résultat SPAD Tableau des valeurs propres Numéro Valeur Pourcentage Pourcentage propre cumulé

29 Résultat SPAD Les vecteurs propres Libellé de la variable Axe 1 Axe 2 Axe 3 Axe 4 Axe 5 Axe 6 Cylindrée Puissance Vitesse Poids Largeur Longueur Normalisation : = 1 29

30 10. Première composante principale Y 1 X p x i 1 X 1 Smart 0 Y 1 (1) = u1 y i Y 1 (i) X 2 Y 1 est une nouvelle variable définie pour chaque individu i par : Y 1 (i) = longueur algébrique du segment 0y i = coordonnée de y i sur l axe 1 = produit scalaire entre les vecteurs x i et u 1 p = j1 u 1jx ji p Y 1 = j1 u 1 X j j 30

31 Résultats SPAD Carré de la Identificateur Distance à l'origine Axe 1 Axe 2 Axe 3 Axe 4 Axe 5 Axe 6 Citroën C Smart Fortwo Mini Nissan Micra Renault Clio 3.0 V Audi A3 1.9 TDI Peugeot HDI Peugeot V Mercedes Classe C BMW 530d Jaguar S-Type 2.7 V BMW 745i Mercedes Classe S Citroën C3 Pluriel 1.6i BMW Z4 2.5i Audi TT 1.8T Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Land Rover Discovery Nissan X-Trail 2.2 dci DISTO = d 2 (x i, 0) 31

32 Corrélations entre les variables et les composantes principales Corrélations des variables actives avec les facteurs Libellé de la variable Axe 1 Axe 2 Axe 3 Axe 4 Axe 5 Axe 6 Cylindrée Puissance Vitesse Poids Largeur Longueur Dans SPSS : Component Matrix 32

33 Propriétés de la première composante principale Y 1 Y 1 = u 11 X 1 + u 12 X u 1p X p Moyenne de Y 1 = 0 Variance de Y 1 = Inertie expliquée par 1 = 1 Cor(X j, Y 1 ) = 1 u 1j p 1 cor p j1 2 (X j, Y ) 1 p 1 est maximum 33

34 Qualité de la première composante principale Inertie totale = 6 Inertie expliquée par le premier axe principal = 1 = Part d inertie expliquée par le premier axe principal : La première composante p 6 principale explique 73,5% de la variance totale. 34

35 11. Deuxième axe principal 2 2 Y 2 (i) 0 x i a i Y 1 (i) 1 35

36 Résultats On recherche le deuxième axe principal 2 orthogonal à 1 et passant le mieux possible au milieu du nuage. Il passe par le centre de gravité 0 du nuage de points et est engendré par le vecteur normé u 2, vecteur propre de la matrice des corrélations R associé à la deuxième plus grande valeur propre 2. La deuxième composante principale Y 2 est définie par projection des points sur le deuxième axe principal. La deuxième composante principale Y 2 est centrée, de variance 2, et non corrélée à la première composante principale Y 1. 36

37 Le premier plan principal 37

38 Le cercle des corrélations 38

39 Qualité globale de l analyse Inertie totale = variance totale = p Part de variance expliquée par la première composante principale = Part de variance expliquée par la deuxième composante principale = 1 p 2 p Part de variance expliquée par les deux premières composantes principales = 1 2 p Et ainsi de suite pour les autres dimensions... 39

40 12. Le biplot Les échelles doivent être identiques sur les deux axes. Le cercle des variables doit être un cercle. 40

41 Interprétation du biplot La répartition des projections des individus i sur l axe variable X j reflète les valeurs x ij Les coordonnées des individus i sont les valeurs des composantes principales : [Y 1 (i), Y 2 (i)]. Les coordonnées des variables X j sont les vecteurs propres multipliés par une certaine constante, par exemple 2 : (2u 1j, 2u 2j ). 41

42 Justification : la formule de reconstitution u 2 Y 2 (i) 0 x i a i Y 1 (i) u 1 De x i a i = Y 1 (i)u 1 + Y 2 (i)u 2 on déduit x ij Y 1 (i)u 1j + Y 2 (i)u 2j = Y1 () i u1 j, ix, Y () i u 2 2 j j = u u 2 2 1j 2 j Coordonnée de la projection de l individu i sur l axe variable X j 42

43 Justification de la lecture du bi-plot Axe 2 y 2i i u 2j X j A ij 0 0 A i, X / u u 2 2 ij j 1j 2 j y 1i u 1j Axe 1 ( yu yu )/ u u x / u u i 1j 2i 2 j 1j 2 j ij 1j 2 j 43

44 13. Exemple des races canines 44 Race Taille Poids Vitesse Intell. Affect. Agress. Fonction Beauceron Basset Berger-Allemand Boxer Bull-Dog Bull-Mastiff Caniche Chihuahua Cocker Colley Dalmatien Doberman Dogue Allemand Epagneul Breton Epagneul Français Fox-Hound Fox-Terrier Grd Bleu de Gascogne Labrador Lévrier Mastiff Pékinois Pointer Saint-Bernard Setter Teckel Terre-Neuve TA++ TA- TA++ TA+ TA- TA++ TA- TA- TA+ TA++ TA+ TA++ TA++ TA+ TA++ TA++ TA- TA++ TA+ TA++ TA++ TA- TA++ TA++ TA++ TA- TA++ PO+ PO- PO+ PO+ PO- PO++ PO- PO- PO- PO+ PO+ PO+ PO++ PO+ PO+ PO+ PO- PO+ PO+ PO+ PO++ PO- PO+ PO++ PO+ PO- PO++ V++ V- V++ V+ V- V- V+ V- V- V++ V+ V++ V++ V+ V+ V++ V+ V+ V+ V++ V- V- V++ V- V++ V- V- INT+ INT- INT++ INT+ INT+ INT++ INT++ INT- INT+ INT+ INT+ INT++ INT- INT++ INT+ INT- INT+ INT- INT+ INT- INT- INT- INT++ INT+ INT+ INT+ INT+ AF+ AF- AF+ AF+ AF+ AF- AF+ AF+ AF+ AF+ AF+ AF- AF- AF+ AF- AF- AF+ AF- AF+ AF- AF- AF+ AF- AF- AF- AF+ AF- AG+ AG+ AG+ AG+ AG- AG+ AG- AG- AG+ AG- AG- AG+ AG+ AG- AG- AG+ AG+ AG+ AG- AG- AG+ AG- AG- AG+ AG- AG- AG- Utilité Chasse Utilité Compagnie Compagnie Utilité Compagnie Compagnie Compagnie Compagnie Compagnie Utilité Utilité Chasse Chasse Chasse Compagnie Chasse Chasse Chasse Utilité Compagnie Chasse Utilité Chasse Compagnie Utilité

45 Le tableau disjonctif complet Race T- T+ T++ P- P+ P++ V- V+ V++ I- I+ I++ Af- Af+ Ag- Ag+ Compagnie Chasse Utilité Beauceron Basset Berger all Boxer Bull-dog Bull Mastiff Caniche Chihuahua Cocker Colley Dalmatien Doberman Dogue all Epagneul br Epagneul fr Fox-Hound Fox-Terrier Grd Bl de G Labrador Lévrier Mastiff Pékinois Pointer St-Bernard Setter Teckel Terre neuve x ijl = 1 si l individu i possède la modalité l de la variable j = 0 sinon 45

46 ACP du tableau disjonctif complet 46

47 Total Mean Std. Deviation 14. Utilisation de SPSS Les données centrées-réduites (SPSS) Case Summaries Zscore: Zscore: Zscore: Zscore: Zscore: Zscore: MODÈLE Cylindrée Puissance Vitesse Poids Largeur Longueur Citroën C2 1.1 Base Smart Fortwo Coupé Mini Nissan Micra Renault Clio 3.0 V Audi A3 1.9 TDI Peugeot HDI Peugeot V6 BVA Mercedes Classe C 270 CDI BMW 530d Jaguar S-Type 2.7 V6 Bi-Turbo BMW 745i Mercedes Classe S 400 CDI Citroën C3 Pluriel 1.6i BMW Z4 2.5i Audi TT 1.8T Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Td Land Rover Discovery Td Nissan X-Trail 2.2 dci Outlier si valeur >

48 Résultats SPSS : Les facteurs Total Mean Std. Deviation MODÈLE Facteur 1 Facteur 2 Facteur 3 Facteur 4 Facteur 5 Facteur 6 Citroën C2 1.1 Base Smart Fortwo Coupé Mini Nissan Micra Renault Clio 3.0 V Audi A3 1.9 TDI Peugeot HDI Peugeot V6 BVA Mercedes Classe C 270 CDI BMW 530d Jaguar S-Type 2.7 V6 Bi-Turbo BMW 745i Mercedes Classe S 400 CDI Citroën C3 Pluriel 1.6i BMW Z4 2.5i Audi TT 1.8T Aston Martin Vanquish Bentley Continental GT Ferrari Enzo Renault Scenic 1.9 dci Volkswagen Touran 1.9 TDI Land Rover Defender Td Land Rover Discovery Td Nissan X-Trail 2.2 dci

49 Propriétés des facteurs de SPSS Lien entre les composantes principales et les facteurs de SPSS Les facteurs de SPSS sont les composantes principales réduites. F h 1 n Y n1 h h Calcul des facteurs de SPSS en fonction des variables (X j ) SPSS p h hj j SPSS j1 F w (X ) w h 1 h u h Cylindrée Puissance Vitesse Poids Largeur Longueur Tableau des w h Component Score Coefficient Matrix Component Extraction Method: Principal Component Analysis. Component Scores. 49

50 15. Construction d une typologie des individus Rechercher des groupes d individus homogènes dans la population : Deux individus appartenant au même groupe sont proches. Deux individus appartenant à des groupes différents sont éloignés. Construire une partition de la population en groupes homogènes et différents les uns des autres. On réalise la typologie au choix (1) sur les données centrées réduites, (2) sur les premières composantes principales (SPAD), (3) sur les premières composantes principales réduites (les facteurs de SPSS). 50

51 Construction d une typologie des individus o o o o o o o o o o + o + o o o o o o o o o o Fabrication de groupes à partir de données uniformément réparties Données structurées en trois groupes 51

52 Dendrogramme groups Choosing the cutting level x x x Definition of the clusters 52

53 Dendrogramme indice (1) (3) (4) (2) (5) Individu d origine 53

54 Classification ascendante hiérarchique (Méthode de Ward) X 1 X p g 2 g 1 X 2 g 3 Distance de Ward : D(G i, G j ) = nn i i j 2 (n n ) j d(g,g) i j n i = effectif de la classe G i 54

55 Tableau des distances entre les voitures Proximity Matrix Case 1:Citroën C2 1.1 Base 2:Smart Fortwo Coupé 3:Mini :Nissan Micra :Land Rover Discovery 24:Nissan X-Trail 2.2 d This is a dissimilarity matrix Squared Euclidean Distance 23:Land 1:Citroën C2 2:Smart 4:Nissan Rover 24:Nissan 1.1 Base Fortwo Coupé 3:Mini Micra Discovery X-Trail 2.2 d p 2 2 k l jk jl j d(x,x) (x x) D Ward (Citroën C2, Nissan Micra) = (11) 55

56 Classification Ascendante Hiérarchique Étape initiale Chaque individu forme une classe. On regroupe les deux individus les plus proches. Étape courante A chaque étape, on regroupe les deux classes G i et G j minimisant le critère de Ward D(G i, G j ). 56

57 H I E R A R C H I C A L C L U S T E R A N A L Y S I S Dendrogram using Ward Method Rescaled Distance Cluster Combine C A S E Label Num Citroën C2 1.1 Base 1 Nissan Micra Peugeot HDI 7 Citroën C3 Pluriel 1 14 BMW Z4 2.5i 15 Audi TT 1.8T Renault Clio 3.0 V6 5 Mini Volkswagen Touran Nissan X-Trail 2.2 d 24 Audi A3 1.9 TDI 6 Renault Scenic 1.9 d 20 Land Rover Defender 22 Smart Fortwo Coupé 2 Peugeot V6 B BMW 530d 10 Jaguar S-Type 2.7 V6 11 Mercedes Classe C 27 9 BMW 745i 12 Mercedes Classe S Land Rover Discovery Aston Martin Vanquis 17 Bentley Continental 18 Ferrari Enzo 19 57

58 Construction de la classification hiérarchique sur les données centrées réduites par SPSS Numéro Ainé Benjamin Nb d'éléments terminaux du noeud Distance de Ward Somme des indices de niveau

59 Interprétation de la typologie G45 (14) D(G 2,G 42 ) = Toute la population (G47) D(G 45,G 46 ) = G46 (10) D(G 43,G 44 ) = G2 (1) G42 (13) G43 (7) G44 (3) D(G 23,G 40 ) = D(G 2,G 42 ) = G23 (1) G40 (6) G19 (1) G38 (2) 59

60 Décomposition de la somme des carrés totale X 1 X p g 1 g 2 g g 3 X 2 n K K i k k i k i1 k1 k1 ig d (x,g) n d (g,g) d (x,g ) k Somme des carrés totale = (n-1)p Somme des carrés = inter-classes + Somme des carrés intra-classes 60

61 Coefficient : Somme des carrés Résultats SPSS : intra-classes de la typologie en K classes Somme des carrés intra classes Agglomeration Schedule Distance de Ward(1,4) Stage Cluster First Qualité de la typologie Cluster Combined Appears Stage Cluster 1 Cluster 2 Coefficients Cluster 1 Cluster 2 Next Stage en K classes : (138 - Coeff[n-K])/ Groupe contenant Qualité de la typologie en 2 classes : ( )/138 = Somme des carrés intra-classes pour la typologie en K=2 classes Somme des carrés totale = p(n-1) 61

62 Qualité des typologies Nombre de classes % de Somme des Somme des Somme des Distance de carrés intraclasseclasses carrés inter- carrés Ward expliquée distance de Ward entre les groupes fusionnés = (S.C. Intra) = (S.C. Inter) 62

63 Qualité de la typologie en K classes La somme des carrés expliquée par la typologie en K classes est égale à la somme des carrés inter classes de la typologie en K classes. La qualité de la typologie est mesurée par la proportion de la somme des carrés totale expliquée par la typologie. 63

64 Choix du nombre de groupes La typologie en 5 groupes explique 81,27 % de la S.C. totale Rescaled Distance Cluster Combine C A S E Label Num G42 G2 G43 G44 G19 Citroën C2 1.1 Base 1 Nissan Micra Peugeot HDI 7 Citroën C3 Pluriel 1 14 BMW Z4 2.5i 15 Audi TT 1.8T Renault Clio 3.0 V6 5 Mini Volkswagen Touran Nissan X-Trail 2.2 d 24 Audi A3 1.9 TDI 6 Renault Scenic 1.9 d 20 Land Rover Defender 22 Smart Fortwo Coupé 2 Peugeot V6 B 8 BMW 530d 10 Jaguar S-Type 2.7 V6 11 Mercedes Classe C 27 9 BMW 745i 12 Mercedes Classe S Land Rover Discovery 23 Aston Martin Vanquis 17 Bentley Continental 18 Ferrari Enzo 19 64

65 Premier plan factoriel et typologie 3 2 Land Rover Discovery Jaguar S-Type 2.7 V6 Mercedes Classe S Nissan X-Trail 2.2 d VW Touran Peugeot V6 BMW 745i Land Rover Defender Renault Scenic BMW 530d Mercedes Classe C Peugeot 307 Audi A3 1.9 Citroën C3 Nissan Micra Audi TT 1.8T Citroën C2 BMW Z4 2.5i Mini Renault Clio 3.0 V6 Bentley Continental Aston Martin Vanquish Facteur Smart Fortwo Coupé Ferrari Enzo Facteur 1 65

66 Interprétation des classes Report Ward Method Total Mean N Mean N Mean N Mean N Mean N Mean N Cylindrée Puissance Vitesse Poids Largeur Longueur

67 16. C.A.H. des variables Les données de Kendall 48 candidats à un certain poste sont évalués sur 15 variables : (1) Form of letter of application (2) Appearance (3) Academic ability (4) Likeability (5) Self-confidence (6) Lucidity (7) Honesty (8) Salesmanship (9) Experience (10) Drive (11) Ambition (12) Grasp (13) Potential (14) Keeness to join (15) Suitability 67

68 Case Summaries X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X

69 Tableau des corrélations Correlation Matrix X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 Correlation X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X One of the questions of interest here is how the variables cluster, in the sense that some of the qualities may be correlated or confused in the judge s mind. (There was no purpose in clustering the candidates - only one was to be chosen). 69

70 Classification Ascendante Hiérarchique des variables Méthode des plus proches voisins A chaque étape, on fusionne les deux groupes G i et G j maximisant : Max Cor( X, X ) X G, X G a i b j On fusionne G2 et G3. a b G o o o o G2 o G3 70

71 Classification Ascendante Hiérarchique des variables H I E R A R C H I C A L C L U S T E R A N A L Y S I S Dendrogram using Single Linkage (VOISINS LES PLUS PROCHES) Rescaled Distance Cluster Combine C A S E Label Num X6 6 X12 12 X13 13 X8 8 X11 11 X5 5 X10 10 X9 9 X15 15 X4 4 X14 14 X7 7 X1 1 X2 2 X3 3 71

72 Classification Ascendante Hiérarchique des variables Méthode des voisins les plus éloignés A chaque étape, on fusionne les deux groupes G i et G j maximisant : Min Cor( X, X ) X G, X G a i b j On fusionne G1 et G2. a b G o o o o G2 o G3 72

73 Classification Ascendante Hiérarchique des variables H I E R A R C H I C A L C L U S T E R A N A L Y S I S Dendrogram using Complete Linkage (VOISINS LES PLUS ELOIGNES) Rescaled Distance Cluster Combine C A S E Label Num X6 6 X12 12 X8 8 X11 11 X5 5 X10 10 X13 13 X2 2 X4 4 X14 14 X7 7 X9 9 X15 15 X1 1 X3 3 73

74 Bloc 1 Correlation Matrix X2 X5 X6 X8 X10 X11 X12 X13 Correlation X2 X5 X6 X8 X10 X11 X12 X Les corrélations sont toutes positives. 74

75 Bloc 2 Correlation Matrix X4 X7 X14 Correlation X4 X7 X Bloc 3 Correlation Matrix X1 X9 X15 Correlation X1 X9 X

76 Interprétation des blocs Bloc 1 : Qualités humaines favorables au poste Appearance, Self-confidence, Lucidity, Salesmanship, Drive, Ambition, Grasp, Potential Bloc 2 : Qualités de franchise et de communication Likeability, Honesty, Keenness to join Bloc 3 : Expérience Form of letter of application, Experience, Suitability Bloc 4 : Diplôme Academic ability 76