Prédire les résultats et révéler les relations dans les données

PASW® Categories 17.0 – Spécifications
–Ajoutez des variables transformées, des
valeurs prédites et des valeurs résiduelles
au fichier de données de travail
– Imprimez les résultats, dont :
nMultiple R, R2, et graphiques R2 ajustés
n Coefficients de régression standardisés,
erreurs standard, corrélation d’ordre
zéro, corrélation de partie, corrélation
partielle, mesure de l’importance
relative de Pratt pour les prédicteurs
transformés, tolérance avant et après
transformation, et statistiques F
nTableau de statistiques descriptives
incluant les fréquences marginales, le
type de transformation, le nombre de
valeurs manquantes et le mode
n Historique d’itérations
nTableaux pour les paramètres
d’ajustement et de modèle : Tableau
ANOVA avec degrés de liberté en
fonction du niveau de dimensionnement
optimal ; tableau résumé de modèle
avec R2 ajusté pour dimensionnement
optimal, valeurs t et niveaux de
signification ; un tableau séparé avec
ordre zéro, corrélation de partie et
corrélation partielle ; et l’importance et la
tolérance avant et après transformation.
nCorrélations des prédicteurs transformés
et des racines caractéristiques de la
matrice de corrélation
nCorrélations des prédicteurs originaux et
racines caractéristiques de la matrice de
corrélation
n Quantifications de catégories
–Ecrivez des données discrétisées et
transformées dans un fichier de données
externe
n Trois nouvelles méthodes de régularisation :
Ridge Regression, Lasso et Elastic Net
–Améliorez la précision de prédiction en
stabilisant les estimations de paramètres
–Analysez les données à fort volume
(davantage de variables que d’objets)
–Obtenez la sélection automatique de
variable à partir du jeu de prédicteurs
–Ecrivez des modèles et des coefficients
régularisés vers un nouvel ensemble de
données pour utilisation ultérieure.
n Deux nouvelles méthodes pour l’évaluation
de la précision prédictive et de la sélection
de modèle : .632(+) bootstrap, et Validation
croisée (CV)
–Trouvez le modèle optimal pour la
prédiction avec les options .632(+)
bootstrap et CV
–Obtenez les estimations non paramétriques
des erreurs standard des coefficients avec
le bootstrap
n Démarrages multiples systématiques
–Découvrez la solution optimale globale
lorsque des transformations monotones
sont présentes
–Ecrivez les signes des coefficients de
régression vers un nouvel ensemble de
données pour réutilisation
CORRESPONDANCE
n Analyse des correspondances
–Entrez les données en tant que fichier
de cas ou directement en tant qu’entrée de
tableau
–Spécifiez le nombre de dimensions de
la solution
–Choisissez entre deux mesures de
distances : Distances Khi-carré pour
l’analyse des correspondances ou distances
euclidiennes pour les types d’analyse biplot
–Choisissez entre cinq types de
standardisation : suppression des
moyennes de ligne, suppression des
moyennes de colonne, suppression
des moyennes de ligne et de colonne,
égalisation des totaux de ligne, ou
égalisation des totaux de colonne
–Cinq types de normalisation : symétrique,
principale, principale ligne, principale
colonne et personnalisée
– Imprimez les résultats, dont :
n Tableau des correspondances
n Tableau résumé : valeurs singulières,
inertie, proportion d’inertie, prise en
compte par les dimensions, proportions
cumulatives d’inertie prises en compte
par les dimensions, statistiques de
confiance pour le nombre maximum de
dimensions, profils de ligne et profils de
colonne
n Présentation des points de ligne et
de colonne : Masse, notes, inertie,
contribution des points à l’inertie
des dimensions et contributions des
dimensions à l’inertie des points
n Statistiques de confiance de ligne et
de colonne : déviations standard et
corrélations pour les points de ligne et
de colonne actifs
CORRESPONDANCES MULTIPLES
n Analyse des correspondances multiples
(remplace l’analyse HOMALS, incluse dans les
versions antérieures à SPSS Categories 13.0)
– Spécifiez le poids des variables
–Discrétisez les variables continues ou
convertissez les variables de chaîne en
valeurs d’entiers numériques en multipliant,
classant ou regroupant les valeurs en un
nombre présélectionné de catégories selon
une distribution optimale (normale ou
uniforme), ou en regroupant les valeurs d’un
intervalle présélectionné en catégories. Les
options de classement et de regroupement
peuvent également être utilisées pour
recoder les données catégoriques.
–Spécifiez comment vous souhaitez
gérer les données manquantes. Excluez
uniquement les cellules de la matrice
de données sans valeur valide, imputez
les données manquantes avec le
mode variable ou avec une catégorie
supplémentaire, ou utilisez l’exclusion au
niveau des listes.
–Spécifiez les objets et variables devant
être traités comme supplémentaires
(la sortie complète est incluse pour les
catégories qui se produisent uniquement
pour les objets supplémentaires)
–Spécifiez le nombre de dimensions dans la
solution
–Spécifiez un fichier contenant les
coordonnées d’une configuration et
les variables d’ajustement dans cette
configuration fixée
– Choisissez entre cinq options de
normalisation : variable principale (optimise
les associations entre les variables), objet
principal (optimise les distances entre
les objets), symétrique (optimise les
relations entre les objets et les variables),
indépendant, ou personnalisée (valeurs
spécifiées par l’utilisateur autorisant tout ce
qui est situé entre la normalisation principale
de variable et la normalisation principale
d’objet)
– Contrôlez le nombre d’itérations
– Spécifiez le critère de convergence
– Imprimez les résultats, dont :
n Résumé de modèle
n Statistiques et historique d’itérations
nStatistiques descriptives (fréquences,
valeurs manquantes et mode)
nMesures de discrimination par variable et
dimension
nQuantifications de catégorie (coordonnées
centroïdes), masses, inertie des
catégories, contribution des catégories à
l’inertie des dimensions et contribution
des dimensions à l’inertie des catégories
Corrélations des variables transformées et
racines caractéristiques de la matrice de
corrélation pour chaque dimension
nCorrélations des variables originales et des
racines caractéristiques de la matrice de
corrélation
n Notes des objets
nContributions des objets : Masse,
inertie, contribution des objets à l’inertie
des dimensions et contribution des
dimensions à l’inertie des objets
nGraphez les résultats, en créant les
éléments suivants :
n Graphiques de catégorie : points de
catégorie, transformation (quantifications
de catégorie optimale contre indicateurs
de catégorie), valeurs résiduelles pour les
variables sélectionnées et graphique joint
de points de catégorie pour une sélection
de variables
n Notes des objets
n Mesures de discrimination
nBiplots d’objet et centroïdes de variables
sélectionnées
–Ajoutez des variables transformées et des
notes d’objet au fichier de données de travail
–Ecrivez des données discrétisées, des
données transformées et des notes d’objet
vers un fichier de données externes
n
CATPCA
n Analyse des composantes principales via le
dimensionnement optimal
–Spécifiez le niveau de dimensionnement
optimal auquel vous souhaitez analyser
chaque variable. Choisissez entre : spline
ordinal (monotone), spline nominal (non
monotone), ordinal, nominal, nominal
multiple ou numérique.
–Spécifiez les poids des variables
–Discrétisez les variables continues ou
convertissez les variables de chaîne
en valeurs d’entiers numériques en
multipliant, classant ou regroupant les
valeurs en un nombre présélectionné
de catégories selon une distribution
optionnelle (normale ou uniforme), ou
en regroupant les valeurs d’un intervalle
présélectionné en catégories. Les options
de classement et de regroupement
peuvent également être utilisées pour
recoder les données catégoriques.
–Spécifiez comment vous souhaitez
gérer les données manquantes. Excluez
uniquement les cellules de la matrice
de données sans valeur valide, imputez
les données manquantes avec le
mode variable ou avec une catégorie
supplémentaire, ou utilisez l’exclusion au
niveau des listes.
–Imprimez les résultats, dont :
n Résumé de modèle
n Statistiques et historique d’itérations
nStatistiques descriptives (fréquences, valeurs manquantes et mode)
n Variance prise en compte par variable et
par dimension
n Chargements de composants
nQuantifications de catégorie et coor
données de catégorie (vecteur et/ou
coordonnées centroïdes) pour chaque dimension
nCorrélations des variables transfor
mées et racines caractéristiques de la matrice de corrélation
nCorrélations des variables origina
les et racines caractéristiques de la matrice de corrélation
n Notes d’objet (composant)
– Graphez les résultats en créant :
nGraphiques de catégorie : points
de catégorie, transformations
(quantifications de catégorie
optimale contre indicateurs de
catégorie, valeurs résiduelles
pour les variables sélectionnées
et graphique joint des points
de catégorie pour une sélection
de variables
nGraphique des notes d’objet (composant)
nGraphique des chargements de composant
PROXSCAL
n Analyse de positionnement ltidimensionnel
– Lisez une ou plusieurs matrices carrées de
proximité, symétrique ou asymétrique
– Lisez les poids, configurations initiales,
coordonnées fixées et variables
indépendantes
– Traitez les proximités en tant qu’ordinales
(non métriques) ou numériques (métriques)
; les transformations ordinales peuvent
traiter les observations associées en tant
que valeurs discrètes ou continues
– Spécifiez le dimensionnement
multidimensionnel avec trois modèles de
différence ainsi que le modèle d’identité
– Spécifiez les coordonnées fixes ou les
variables indépendantes pour limiter
la configuration. Additionnellement,
spécifiez les transformations (numériques,
nominales, ordinales et splines) pour les
variables indépendantes.
PREFSCAL
n Examinez visuellement les relations entre
deux objets afin de trouver une échelle
quantitative commune
– Lisez une ou plusieurs matrices
rectangulaires de proximité
– Lisez les poids, configurations initiales, et
coordonnées fixées
– Transformez optionnellement les proximités
avec les fonctions linéaire, ordinale,
ordinale lissée ou spline
– Spécifiez le dépliage multidimensionnel
avec identité, modèle euclidien pondéré ou
modèles euclidiens généralisés
– Spécifiez des coordonnées de ligne et de
colonne fixes pour limiter la configuration
Configuration système
n Logiciel : PASW Statistics Base* 17.0
n Les autres pré-requis système varient en
fonction du système d'exploitation
Prédire les résultats et révéler les
relations dans les données catégoriques
Libérez tout le potentiel de vos données via l’analyse
ou triple projection) pour représenter la relation entre les
perceptuel, le dimensionnement des préférences et
objets (cas), les catégories et les (jeux de) variables dans
les techniques de réduction de dimensions, dont le
dimensionnement optimal de vos variables. PASW
Categories* dispose de tous les outils nécessaires pour
Ce symbole indique une nouvelle fonction
SPSS is a registered trademark and the other SPSS Inc. products
named are trademarks of SPSS Inc. All other names are trademarks
of their respective owners. © 2009 SPSS Inc. All rights reserved.
SCT1702SPC-0209-FR
sous la forme de distances sur les cartes perceptuelles.
numériques complexes et sur les données de grandes
Transformez vos variables qualitatives en variables
dimensions.
quantitatives
Les procédures avancées disponibles sous PASW Categories
Vous pouvez par exemple utiliser PASW Categories pour
permettent d’exécuter des opérations statistiques
déterminer quelle caractéristique les consommateurs
additionnelles sur les données catégoriques.
associent le plus étroitement à votre produit ou à votre
marque ou pour déterminer la perception qu’a le client
Utilisez les procédures de dimensionnement optimal
de vos produits par comparaison avec d’autres produits
(optimal scaling) de PASW Categories pour assigner
proposés par vous-mêmes ou par vos concurrents.
des unités de mesure et des points zéro à vos données
catégoriques. Cette approche vous ouvre un tout nouvel
Avec PASW Categories, vous pouvez utiliser la régression
ensemble de fonctions statistiques et vous permet
lorsque les prédicteurs et les variables de sortie sont
d’exécuter des analyses sur les variables de niveaux de
numériques, ordinaux ou nominaux et interpréter
mesures mixtes–par exemple, sur des combinaisons de
visuellement les données pour voir comment les lignes
variables nominales, ordinales et numériques.
et les colonnes s’associent dans les grands tableaux de
notes, de décomptes, d’estimations, de classements ou de
similarités. Vous disposez ainsi de la capacité à :
Travailler avec les données ordinales et nominales et les
n
comprendre en utilisant des procédures similaires à la
régression conventionnelle, les composants principaux et
les analyses de corrélation canonique.
Travailler avec des valeurs résiduelles non normales dans
n
les données numériques ou des relations non linéaires
Utilisez les options Ridge Regression, Lasso, Elastic
Net, la sélection de variable et la sélection de modèle
pour les données numériques comme pour les données
catégoriques.
* PASW Categories et PASW Statistics Base, précédemment
SPSS Categories™ et SPSS Statistics Base, font partie du
portefeuille de logiciels d’analyse prédictive de SPSS Inc.
To learn more, please visit www.spss.com.
For SPSS office locations and telephone numbers,
go to www.spss.com/worldwide.
les analyses de corrélation.
Représenter les similarités entre un ou deux jeux d’objets
n
une visibilité parfaite sur vos données catégoriques et
entre les variables de prédicteur et la variable de sortie.
Fonctionnalités susceptibles de modifications en fonction
de la version finale mise en vente.
Utiliser des biplots et des triplots (diagrammes à double
n
prédictive, l’apprentissage statistique, le mapping
Avec les biplots et les triplots vous pouvez observer les
Vous pouvez également utiliser CATREG pour appliquer
L’analyse catonique non linéaire (OVERALS) utilise le
Le dépliage multidimentionel (PREFSCAL) examine
Les analystes ont utilisé la procédure de correspondance
régression multiple avec le dimensionnement optimal
relations entre les cas, les variables et les catégories.
des Modèles Additifs Généralisés (GAM) particuliers, à la
dimensionnement optimal pour généraliser la procédure
visuellement les relations entre deux ensembles d’objets,
de PASW Statistics* pour identifier les deux facteurs sous-
vous pouvez appliquer la régression sur des mélanges
Par exemple, vous pouvez définir des relations
fois pour vos données numériques et pour vos données
d’analyse des corrélations canoniques de façon à ce qu’elle
par exemple, les consommateurs et les produits. Le
jacents les plus forts dans les relations entre les marques
de prédicteurs numériques, ordinaux et nominaux et de
entre les produits, les clients et les caractéristiques
catégoriques.
accepte les variables de niveaux de mesures mixtes. Ce type
Preference scaling exécute le ‘dépliage’ multidimensionnel
et les attributs. En assignant à chaque marque et attribut
variables de sortie. La dernière version de PASW Categories
démographiques.
Grâce à la capacité de PASW Categories à exécuter la
n
d’analyse permet de comparer plusieurs jeux de variables
afin de trouver une carte qui représente les relations entre
un chiffre spécifique à l’intérieur de chaque dimension,
L’analyse des correspondances (CORRESPONDANCE) permet
dans le même graphique après suppression de la corrélation
ces deux ensembles d’objets sous forme de distances entre
l’information a été affichée selon un graphique facilement
En utilisant la procédure de dimensionnement des
d’analyser les tableaux à double entrée qui contiennent
entre les jeux.
deux ensembles de points.
compréhensible, appelé ‘carte perceptuelle’. Par exemple,
analyses de correspondances et de correspondances
préférences (preference scaling), vous pouvez visualiser
des mesures de correspondance entre lignes et colonnes
multiples pour évaluer numériquement les relations entre
encore davantage les relations entre les objets. L’algorithme
et d’afficher les lignes et les colonnes sous forme de points
Par exemple, vous pourriez analyser les caractéristiques de
Par exemple, si un groupe de conducteurs estimait 26
la plus étroitement identifiée par le marché comme ayant
deux ou plusieurs variables nominales présentes dans
de dépliage (unfolding algorithm) sur lequel est basée cette
sur une carte. Un tableau croisé dans lequel les cellules
produits telles que des soupes, dans une étude de goût. Les
modèles de voitures sur dix attributs selon une échelle
l’attribut “ populaire ”. De même les analystes peuvent
vos données. Vous pouvez également utiliser l’analyse
procédure permet d’exécuter des analyses non métriques
contiennent les fréquences de jointures de deux variables
juges représentent les variables à l’intérieur des ensembles
à six points, vous pourriez trouver une carte avec des
rapidement constater que les consommateurs intéressés par
de correspondance pour analyser tout tableau ayant des
pour les données ordinales et d’obtenir des résultats
nominales serait un exemple d’un type très courant de
tandis que les soupes représentent les cas. OVERALS établit
clusters montrant quels modèles sont similaires et quelles
des produits favorisant la bonne santé et comportant peu
entrées non négatives.
significatifs. La procédure de dimensionnement des
tableau de correspondances. PASW Categories affiche
une moyenne des évaluations des juges après suppression
personnes aiment le plus ces modèles. Cette carte est un
de matière grasse perçoivent les produits CC et DD de façon
proximités permet d’analyser les similarités entre les objets
de façon visuelle les relations entre les catégories de ces
des corrélations et combine les différentes caractéristiques
compromis basé sur les dix attributs différents et un tracé
plus positive tandis que FF est perçue comme une marque
et d’intégrer des caractéristiques pour ces objets dans la
variables nominales.
pour afficher les relations entre les soupes. Ou bien, chaque
des dix attributs différents montre comment ils pondèrent
riche et sucrée.**
juge peut avoir utilisé un ensemble séparé de critères
de façon différentielle les dimensions de la carte.
inclut des procédures à l’état de l’art pour la sélection
de modèle et la régularisation. Vous pouvez exécuter des
Avec la procédure d’analyse des composantes principales,
vous pouvez réduire vos données aux composants
même analyse.
importantes. Les biplots et triplots des objets de type
il est clair sur la figure 1 que la marque AA est la marque
L’analyse des correspondances multiples (MULTIPLE
pour juger les soupes. Dans ce cas, chaque juge forme un
catégorie et variable montrent leur relation. Ces options sont
Les possibilités de PASW Categories
CORRESPONDENCE) diffère de l’analyse des correspondances
ensemble et OVERALS établit la moyenne des critères, après
Mieux comprendre les perceptions du consommateur
également disponibles pour les données numériques. Avec
Les procédures suivantes sont disponibles pour rendre vos
en ceci qu’elle permet d’utiliser plus de deux variables dans
suppression des corrélations, puis combine les notes des
En Australie du Sud, des spécialistes des études de marché
analyses de données plus significatives.
l’analyse. Avec cette procédure, toutes les variables sont
différents juges.
cherchaient à déterminer comment les consommateurs
dimensionnement optimal vous disposez d’une matrice de
corrélation basée sur les quantifications de vos variables
analysées au niveau nominal.
ordinales et nominales. Ou bien vous pouvez fractionner
La régression nominale (CATREG) prédit les valeurs d’une
vos variables en différents ensembles, puis analyser les
variable de résultat nominale, ordinale ou numérique
relations entre ces ensembles avec l’analyse de corrélation
canonique non linéaire.
percevaient six marques de café glacé. Ils ont interrogé des
La procédure OVERALS peut également être utilisée pour la
consommateurs pour estimer chacune des marques (notées
Par exemple, vous pouvez utiliser l’analyse des
régression multiple généralisée lorsque vous avez plusieurs
de AA à FF sur la figure 1) pour 16 attributs catégoriques
à partir d’une combinaison de variables de prédicteur
correspondances multiples pour étudier les relations entre
variables de résultat qui doivent être prédites de façon
différents. Sur le tableau à 96 cellules qui en a résulté il était
numériques et catégoriques (non)ordonnées. Vous pouvez
les émissions favorites, le groupe d’âge et le sexe. Sur une
conjointe à partir d’un ensemble de variables de prédicteur.
difficile de voir clairement les relations entre les marques et
utiliser la régression avec le dimensionnement optimal pour
carte à dimension réduite créée avec PASW Categories,
Afficher graphiquement les relations sous-jacentes
décrire par exemple la façon dont la satisfaction au travail
vous pourriez voir quels groupes gravitent autour de quelles
Le positionnement multidimentionnel (PROXSCAL)
Quel que soit le type de catégorie étudié : segment de
peut être prédite à partir de catégorie de tache, de région
émissions tout en apprenant également quelles émissions
s’applique à une ou plusieurs matrices contenant des
marché, diagnostics médicaux, sous cultures, partis
géographique et de la quantité de trajet lié au travail.
sont les plus similaires.
similarités ou des dissimilarités (proximités). Ou bien, vous
Les techniques de dimensionnement optimal quantifient
L’analyse en composantes principales qualitatives (CATPCA)
multivariées en tant qu’entrées à PROXSCAL. PROXSCAL
associées aux tableaux à double entrée, en plaçant les
les variables de telle sorte que le R Multiple soit maximisé.
utilise le dimensionnement optimal pour généraliser la
affiche les proximités sous forme de distances sur une carte
relations entre vos variables dans un cadre de référence plus
Le dimensionnement optimal peut être appliqué aux
procédure d’analyse des composants principaux de façon
afin de fournir une compréhension spatiale de la façon dont
grand. Vous pouvez consulter une carte de vos données–et
variables numériques lorsque les valeurs résiduelles sont
à ce qu’elle puisse accepter les variables des niveaux
les objets sont liés. Dans le cas des matrices de proximités
non pas simplement un rapport statistique.
non normales ou lorsque les variables de prédicteur ne
de mesures mixtes. Elle est similaire à l’analyse de
multiples, PROXSCAL analyse les communautés et trace les
différences entre elles.
politiques ou espèces biologiques, les procédures de
dimensionnement optimal vous libèrent des restrictions
les attributs perçus.
pouvez calculer les distances entre les cas dans les données
sont pas liées linéairement à la variable de résultat. Trois
correspondance multiple mais vous pouvez spécifier un
Les techniques de réduction de dimension de PASW
nouvelles méthodes de régularisation : Ridge Regression,
niveau d’analyse variable par variable.
Categories permettent de surmonter les difficultés liées
Lasso, et Elastic Net, améliorent la précision de prédiction
aux tableaux encombrants. En effet, vous pouvez clarifier
en stabilisant les estimations de paramètre. La sélection
Par exemple, vous pouvez afficher les relations entre
les similarités entre les différentes saveurs de colas
les relations dans vos données en utilisant des cartes
automatique de variables permet d’analyser des ensembles
différentes marques et caractéristiques de voitures telles
préférées par les consommateurs dans différents groupes
perceptuelles et des biplots.
de données à fort volume (davantage de variables que
que le prix, le poids, la consommation, etc. Ou bien
d’âge. Vous pourriez découvrir que les adolescents mettent
Les cartes perceptuelles sont des graphiques résumés
d’objets). Avec le niveau de dimensionnement numérique,
vous pouvez décrire les voitures par classes (compactes,
l’accent sur les différences entre saveurs traditionnelles et
à haute résolution qui montrent les variables similaires
vous pouvez effectuer la régularisation dans la régression
moyennes, convertibles, 4x4, etc.) et CATPCA utilise ces
saveurs nouvelles tandis que les adultes mettent l’accent
ou les catégories proches les unes des autres. Elles
en utilisant les méthodes Lasso ou Elastic Net pour vos
classifications pour grouper les points pour les voitures.
sur les colas diététiques par opposition aux colas non
fournissent une visibilité unique sur les relations entre
données numériques.
En assignant une pondération importante à la variable de
diététiques.
n
plus de deux variables catégoriques.
Par exemple, vous pouvez utiliser PROXSCAL pour afficher
classification, les voitures vont être regroupées de façon
étroite autour des points de leur classe. PASW Categories
affiche les relations complexes entre les objets, les groupes,
les variables dans une carte à dimension réduite qui
simplifie la compréhension de leurs relations.
** Source des données et de l’exemple : Kennedy, R., C. Riquier et Byron Sharp.
1996. “ Pratical Applications of Correspondence Analysis to Categorical Data
in Market Research, ” Journal of Targeting, Measurement and Analysis for
Marketing, Vol. 5, No. 1, pp. 56-70.
Graphique 1 : les chercheurs ont étudié les perceptions des consommateurs
par rapport à six marques de café glacé vendues en Australie du Sud. Les
marques sont notées de AA à FF et sont caractérisées par différents attributs
catégoriques tels que “ healthy ” (sain). La procédure de correspondance de
SPSS a produit la carte de correspondance illustrée ici.
Caractéristiques
Statistiques
CATREG
n Analyse de régression nominale via le dimensionnement
optimal
–Spécifiez le niveau de dimensionnement optimal auquel vous
souhaitez analyser chaque variable. Choisissez entre : spline
ordinal (monotone), spline nominal (non monotone), ordinal,
nominal, multiple nominal, ou numérique.
–Discrétisez les variables continues ou convertissez les
variables de chaîne en valeurs d’entier numérique en
multipliant, classant ou regroupant les valeurs en un
nombre présélectionné de catégories selon une distribution
optionnelle (normale ou uniforme) ou en regroupant les
valeurs d’un intervalle présélectionné en catégories.
Les options de classement et de regroupement peuvent
également être utilisées pour recoder les données
catégoriques.
–Spécifiez le mode de gestion des valeurs manquantes.
Imputez les données manquantes avec le mode variable ou
avec une catégorie supplémentaire, ou utilisez l’exclusion au
niveau des listes.
–Spécifiez les objets à traiter comme supplémentaires
–Spécifiez la méthode à utiliser pour calculer la solution
initiale
– Contrôlez le nombre d’itérations
– Spécifiez le critère de convergence
– Graphez les résultats, soit comme :
nGraphiques de transformation (quantifications de
catégories optimales contre indicateur de catégorie)
nGraphiques de valeurs résiduelles