Les étapes de l'analyse factorielle exploratoire

Les étapes de l'analyse factorielle exploratoire :

1 . Adéquation des données : Elle porte seulement sur les variables quantitatives Il faut avoir au minimum 50 réponses = 50 questionnaires remplis . Il faut avoir 5 réponses par question = 5 observations par critère = 5 observations par item .

2 . Est-ce-que les données sont factorisables : Il faut qu'il y ait une cohérence entre les données , autrement dit , il s'avère indispensable que les données soient factorisables .Pour vérifier ceci , on fait appel à des indicateurs tels que : MSA , KMO , et le test de sphéricité de Bartlett :

3 . Le nombre de composantes à retenir : Il faut distinguer deux cas : Quand on veut retenir le minimum de composantes , il faut que la variance totale expliquée soit au moins égal à 60% . A défaut , c'est à dire , dans le cas où on veut retenir le maximum de composantes , chaque composante doit avoir une valeur propre qui est au moins égal à 1 .

4 . Les items à retenir ou à supprimer : Il faut que la communalité ( qui désigne la part de l'information capturée de l'item par le construit ) soit supérieur à 0,5 , sinon il faut retirer l'item , parce qu'il ne mesure pas la même chose que les autres . Ainsi , il faut que le coefficient structurel soit supérieur à 0,6 ( celui-ci permet de mesurer la force de la relation entre l'item et la composante , et s'interprète de la même façon que le coefficient de corrélation R ) .

Analyse discriminante :

est une méthode de la classification supervisée , donc elle nécessite la réunion des trois conditions déjà citées : avoir une variable dépendante ( output) , un échantillon d'apprentissage et finalement avoir des classes . Ainsi , il faut signaler qu'il s'agit d'une analyse qui exige la normalité de la distribution des prédicteurs , contrairement à la régression logistique . Alors que la validité discriminante sert à supprimer toute variable qui appartient à deux blocs à la fois , parce qu'un item ( variable) ne peut pas mesurer deux choses différentes .

La régression logistique :

sert à prédire les valeurs prises par une variable dépendante qualitative à partir d'un ensemble des valeurs prises par d'autres variables qui pourrait être qualitatives ou quantitatives . A citer que la régression logistique est une méthode de la classification supervisée , donc , elle nécessite la réunion des trois conditions déjà citées . Également , il faut mettre en lumière que la régression logistique n'exige pas la normalité de la distribution des variables explicatives et l'homogénéité de la variance . Et il faut faire la distinction entre la régression logistique binaire ( dans ce cas la variable dépendante est binaire ou muette ou dichotomique , c'est à dire peut prendre seulement deux modalités : soit succès soit échec) et multinomiale ( quand la variable dépendante a trois modalités ou plus ) . 33 . Non , on se base également sur le tri à plat ( tri croisé ) qui nous fournit les effectifs ou les fréquences de deux ou plusieurs variables à caractère qualitatif .