Matrice de corrélation Espérance de vie Croissance de la PIB par habitant Taux de chômage Taux d'inflation Indice humain population Corrélation Accès à l'électricité Espérance de vie 1,000 -,674 ,359 ,449 ,004 ,611 ,059 Croissance de la population -,674 1,000 -,312 -,492 -,014 -,604 ,149 PIB par habitant ,359 -,312 1,000 ,668 -,125 ,432 ,454 Taux de chômage ,449 -,492 ,668 1,000 ,363 ,388 ,270 Taux d'inflation ,004 -,014 -,125 ,363 1,000 -,048 ,054 Indice humain ,611 -,604 ,432 ,388 -,048 1,000 ,288 Accès à l'électricité ,059 ,149 ,454 ,270 ,054 ,288 1,000 Cette matrice nous permet d’avoir une idée sur les corrélations entre variable, c’est à dire les variables variant dans le même sens, comme celle constaté chez Espérance de vie et Indice humain (0,611), ce qui signifie que quoique l’espérance de vie s’améliore, l’indice humain s’améliore aussi. Une autre corrélation entre Taux de chômage et PIB par habitant(0,668), donc les pays africains ayant un taux PIB par habitant augmenté, ont aussi un taux de chômage important, tout cela concerne les fortes corrélations positives. Pour les fortes corrélations négatives, on a une corrélation de -0,674 entre Espérance de vie et Croissance de la population, donc la dégradation de l’espérance de vie entraine une diminution de la croissance de la population, même remarque pour la corrélation entre indice humain et Croissance de la population (-0,604), et par conséquent la régression de l’indice humain impacte négativement la croissance de la population. Indice KMO et test de Bartlett Mesure de précision de l'échantillonnage de Kaiser-MeyerOlkin. Khi-deux approximé Test de sphéricité de Bartlett ddl ,590 75,177 21 Signification de Bartlett ,000 L’indice de KMO est aussi très important parce qu’il va nous déterminer la corrélation entre variables, il doit être au-delà de 0,5, pour faire une ACP, sinon ce n’est pas la peine de la faire. Pour notre cas, il est de 0,590, donc il y’a une corrélation, et par conséquent notre ACP. Le test de khi-deux a aussi un rôle dans notre analyse, car sa signification nous permet soit de rejeter H0 et accepter H1, soit l’inverse. Pour notre cas, on a une très faible signification, donc on rejet H0 et on accepte H1. Qualité de représentation Initial Extraction Espérance de vie 1,000 ,745 Croissance de la population 1,000 ,859 PIB par habitant 1,000 ,772 Taux de chômage 1,000 ,820 Taux d'inflation 1,000 ,932 Indice humain 1,000 ,685 Accès à l'électricité 1,000 ,806 Méthode d'extraction : Analyse en composantes principales. Ce tableau consiste à distinguer les variables bien représentées de celles bien représentées, et pour être bien représentée, chaque variable doit être au-delà de 0,5. Pour les variables de notre base de données, leurs qualités sont, toutes, supérieur à 0,5, et donc elles sont bien représentées, notamment la variable Taux d’inflation(0,932). Variance totale expliquée Composante Extraction Sommes des carrés des facteurs retenus Valeurs propres initiales Total % cumulés % de la variance Total % de la variance % cumulés 1 3,085 44,066 44,066 3,085 44,066 44,066 2 1,360 19,424 63,489 1,360 19,424 63,489 3 1,174 16,778 80,268 1,174 16,778 80,268 4 ,660 9,423 89,691 5 ,349 4,992 94,683 6 ,230 3,281 97,964 7 ,143 2,036 100,000 Méthode d'extraction : Analyse en composantes principales. Ce tableau vise à choisir des composantes (généralement 2 ou 3) qui vont représenter nos variables, elles doivent avoir des valeurs propres étant supérieur à 1 et avoir un cumul de la proportion de la variance, généralement, supérieur ou égal 75%. Comme il est illustré ci-dessus, on a trois composantes respectant ces conditions, avec un cumul de 80,268%%, et par conséquent, on peut dire que 80,268% est récupérée. Matrice des composantes Composante 1 Espérance de vie 2 3 ,781 -,367 -,013 -,753 ,532 -,090 PIB par habitant ,733 ,411 -,256 Taux de chômage ,788 ,258 ,364 Taux d'inflation ,091 ,229 ,933 Indice humain ,790 -,138 -,204 Accès à l'électricité ,341 ,797 -,235 Croissance de la population Méthode d'extraction : Analyse en composantes principales. a. 3 composantes extraites. Cette matrice nous donne une idée sur les variables ayant une corrélation avec les composantes choisies. Pour la première composante, elle a une corrélation avec les variable Espérance de vie (0,781), PIB par habitant (0,733), Taux de chômage(0,788), et Indice humain(0,790), la deuxième composante, est corrélé avec Accès à l’électricité(0,797), et Croissance de la population (0,532). Finalement, la troisième composante est fortement corrélée avec Taux d’inflation(0,933), et par conséquent, cette composante va bien la représenter. L’utilité de ce diagramme, est de déterminer les variables qui sont proches l’une des autres, par exemple, on a ci-dessus Espérance de vie et Indice humain sont très proches, car elles sont bien corrélées, même remarque pour taux de chômage et PIB par habitant. Par ailleurs, Accès à l’électricité est loin des autres variables, donc il s’agit d’une corrélation négative. Statistiques descriptives Moyenne Espérnace de vie Ecart-type n analyse 65,3333 5,86384 27 ,0246 ,00582 27 1906,0422 1944,82888 27 Taux de chomage ,0808 ,06433 27 Taux d'inflation ,0738 ,08801 27 Indice humain ,4111 ,06980 27 Accès à l'léctricité ,4876 ,25073 27 Croissance de la population PIB par habitant
