Extensions de la notion de tableaux de contingence, questionnaires

On a prsent l'AFC d'un tableau de contingence, mais il est d'autres tableaux que peut
traiter l'AFC.

Correspondances multiples

Les modalits d'un caractre peuvent tre croises avec celles de deux autres
caractres, ou davantage.



Exemples:

Chmeurs selon le dpartement, crois avec la profession et la classe d'age.

Baccalaurat selon la rgion croise avec la section et la mention obtenue.

Militaires selon le grade crois avec la CSP paternelle et le niveau d'tude.


On peut aussi mettre "bout--bout" des tableaux de contingence observs des
priodes diffrentes, et faire l'AFC du tableau obtenu.

Ex: Chmeurs par rgion croise avec la profession en 1975, en 1981, en 1988 et en
1994.



Questionnaires

Les rsultats d'une enqute par questionnaire peuvent se condenser en un tableau
logique (c'est dire compos de 0 et de 1): K, du type suivant:

J
q





i 0 1 0 0 0










Les lignes dsignent l'ensemble: I, des individus interrogs.

A chaque question: q, correspond un ensemble: J
q
, de colonnes associes aux
diffrentes rponses possibles q.

La ligne i porte un 1 dans chaque groupe J
q
marquant la rponse de l'individu i la
question q, et des 0 ailleurs.

On exige en gnral que les rponses chaque question soient exclusives, et incluent
tous les cas possibles ( quite prvoir une colonne "non rponse"), ce moment dans
une ligne donne, il y a un 1 unique par groupe J
q
de colonnes, et le tableau K est dit
disjonctif complet.


L'analyse de tableaux disjonctifs complets est commune en sociologie et en sciences
humaines.

On montre que l'AFC du tableau disjonctif complet: K, donne les mmes rsultats que
celle du tableau de contingence multiple: K'.K , qui croise les caractres entre eux.
Mais cette dernire analyse perd l'information sur les individus.


Dans l'analyse des questionnaires, il est souvent commode de distinguer deux groupes
de questions: les unes, propres au domaine tudi, sont places en lments principaux
et servent structurer les donnes, les autres, d'ordre gnral (ex: les caractristiques
socio-professionnelles de la population interroge), sont mises en supplmentaires et
permettent d'identifier les dterminants des variables tudies.

Exemple supposant que lon sintresse au comportement de la consommation de caf des
employs dune entreprise :

groupe 1. non 2. lgre 3. moyenne 4. excessive Somme
1 managers senior
2. managers junior
3. employs seniors
4. employs juniors
5. secrtaires
4
4
25
18
10
2
3
10
24
6
3
7
12
33
7
2
4
4
13
2
11
18
51
88
25
61 45 62 25 193


On peut dire que le tableau contient 4 colonnes et donc peut tre reprsent dans un espace de
dimensions 4. et vis versa des lignes.
Supposant que nous dsirons trouver un espace de dimensions moindre ou lon pourrait
reprsenter les points lignes/ colonnes de telle sorte que nous conservons la presque totalit de
linformation ; nous pouvons alors reprsenter les 5 groupes dans un graphe de un , deux
trois dimensions. Cependant cela apparat sans grande utilit pour un tableau prsent ci-
dessus mais trs utile pour un tableau comprenant 10 prfrences de consommation de 100
groupes.

La masse : on commence par calculer les frquences relatives de telle sorte que la somme
totale des frquences relatives du tableau est gale un ( on divise chaque cellule par 193).
Inertie : linertie est dfinit comme tant le Khi-deux divis par 193.
Inertie et profile ligne/ profile colonne : on analyse les dviations des lignes / colonnes par
rapport au Khi-deux. Une autre manire dagir est de regarder les contributions des dviations
au Khi-deux global de faon obtenir un nombre minimum de dimensions ce qui est similaire
la dcomposition de la variance dans lACP.

Analyse des lignes et des colonnes : cette exemple simple permet de reprsenter les
frquences lignes et les frquences colonnes sur des graphes de petites dimensions. En fait, il
est de coutume de reprsenter les frquences lignes et colonnes sur le mme graphe afin de
conserver la totalit de linformation.

Lexemple de rfrence nous donne le tableau suivant
Valeurs propres et inertie
Total Inertie= .08519 Chi = 16.442
No. de
Dims
Valeur singulire Vecteurs propres
% de
Inertie
% Cumuls

Chi_DEUX

1
2
3
.273421
.100086
.020337
.074759
.010017
.000414
87.75587
11.75865
.48547
87.7559
99.5145
100.0000
14.42851
1.93332
.07982




Dans lanalyse de ce type on aura



Groupe Caf

individu
Senior
Manager
Junior
Manager
Senior
Employe
Junior
Employe

Secrtaire

Non

peu

moyenne

Eleve
1
2
3
4
5
...
...
...
191
192
193
1
1
1
1
1
.
.
.
0
0
0
0
0
0
0
0
.
.
.
0
0
0
0
0
0
0
0
.
.
.
0
0
0
0
0
0
0
0
.
.
.
0
0
0
0
0
0
0
0
.
.
.
1
1
1
1
1
1
1
0
.
.
.
0
0
0
0
0
0
0
1
.
.
.
0
0
0
0
0
0
0
0
.
.
.
1
0
0
0
0
0
0
0
.
.
.
0
1
1

Chaque ligne des 193 contient zro et un, par exemple la ligne 1 reprsente les
managers senior ne consommant pas de caf

Le tableau de BURT

Employ Caf
(1) (2) (3) (4) (5) (1) (2) (3) (4)
(1) Senior Managers
(2) Junior Managers
(3) Senior Employes
(4) Junior Employes
(5) Secrtaires
(1) ne consomme pas
(2) consomme peu
(3) consomme moyen
(4) consomme lev
11
0
0
0
0
4
2
3
2
0
18
0
0
0
4
3
7
4
0
0
51
0
0
25
10
12
4
0
0
0
88
0
18
24
33
13
0
0
0
0
25
10
6
7
2
4
4
25
18
10
61
0
0
0
2
3
10
24
6
0
45
0
0
3
7
12
33
7
0
0
62
0
2
4
4
13
2
0
0
0
25
Il y a 4 partitions employes avec eux mme le niveau de consommation avec lui
mme, employe et niveau de consommation et enfin niveau de consommation et
employ.
Notant que la matrice est symtrique
Ce mme tableau peut tre gnralis plus de deux variables
Par exemple les donnes de survie en terme dage et de localit
Survie Age Localit
Numro . oui non Moins de 50 Entre 50 et 69 69 et plus Localit 1 Localit 2 Localit 3
1
2
3
4
...
...
...
762
763
764
0
1
0
0
.
.
.
1
0
0
1
0
1
1
.
.
.
0
1
1
0
1
0
0
.
.
.
0
1
0
1
0
1
0
.
.
.
1
0
1
0
0
0
1
.
.
.
0
0
0
0
1
0
0
.
.
.
1
0
0
0
0
1
0
.
.
.
0
1
0
1
0
0
1
.
.
.
0
0
1

La matrice XX est le tableau de BURT


survie age localit
Oui Non Moins de 50 50-69 69+ Localit 1 Localit 2 Localit 3
Survie oui
survie non

Age:moins de 50
Age :entre 50 et 69
Age :69 et plus

Localit 1
Localit 2
Localit 3
210
0

68
93
49

60
82
68
0
554

212
258
84

230
171
153
68
212

280
0
0

151
58
71
93
258

0
351
0

120
122
109
49
84

0
0
133

19
73
41
60
230

151
120
19

290
0
0
82
171

58
122
73

0
253
0
68
153

71
109
41

0
0
221