Prédire les résultats et révéler les relations dans les données

n Corrélations des variables transformées et
racines caractéristiques de la matrice de
corrélation pour chaque dimension
n Corrélations des variables originales et des
racines caractéristiques de la matrice de
corrélation
n Notes des objets
n Contributions des objets : Masse,
inertie, contribution des objets à l’inertie
des dimensions et contribution des
dimensions à l’inertie des objets
n Graphez 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
n Biplots 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
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
n Statistiques descriptives (fréquences,
valeurs manquantes et mode)
nVariance prise en compte par variable et
par dimension
n Chargements de composants
n Quantifications de catégorie et coor
données de catégorie (vecteur et/ou
coordonnées centroïdes) pour chaque
dimension
n Corrélations des variables transfor
mées et racines caractéristiques de la
matrice de corrélation
n Corrélations des variables origina
les et racines caractéristiques de la
matrice de corrélation
n Notes d’objet (composant)
– Graphez les résultats en créant :
n Graphiques 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
n Graphique des notes d’objet (composant)
n Graphique 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
Fonctionnalités susceptibles de modifications en fonction
de la version finale mise en vente.
Ce symbole indique une nouvelle fonction
– Ajoutez des variables transformées, des
valeurs prédites et des valeurs résiduelles
au fichier de données de travail
– Imprimez les résultats, dont :
n Multiple 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
n Tableau de statistiques descriptives
incluant les fréquences marginales, le
type de transformation, le nombre de
valeurs manquantes et le mode
n Historique d’itérations
n Tableaux 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.
n Corrélations des prédicteurs transformés
et des racines caractéristiques de la
matrice de corrélation
n Corrélations 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
n Statistiques descriptives (fréquences,
valeurs manquantes et mode)
n Mesures de discrimination par variable et
dimension
n Quantifications 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
To learn more, please visit www.spss.com.
For SPSS office locations and telephone numbers,
go to www.spss.com/worldwide.
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
Prédire les résultats et révéler les
relations dans les données catégoriques
PASW® Categories 17.0 – Spécifications
Libérez tout le potentiel de vos données via l’analyse
prédictive, l’apprentissage statistique, le mapping
perceptuel, le dimensionnement des préférences et
les techniques de réduction de dimensions, dont le
dimensionnement optimal de vos variables. PASW
Categories* dispose de tous les outils nécessaires pour
une visibilité parfaite sur vos données catégoriques et
numériques complexes et sur les données de grandes
dimensions.
Vous pouvez par exemple utiliser PASW Categories pour
déterminer quelle caractéristique les consommateurs
associent le plus étroitement à votre produit ou à votre
marque ou pour déterminer la perception qu’a le client
de vos produits par comparaison avec d’autres produits
proposés par vous-mêmes ou par vos concurrents.
Avec PASW Categories, vous pouvez utiliser la régression
lorsque les prédicteurs et les variables de sortie sont
numériques, ordinaux ou nominaux et interpréter
visuellement les données pour voir comment les lignes
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 :
n Travailler avec les données ordinales et nominales et les
comprendre en utilisant des procédures similaires à la
régression conventionnelle, les composants principaux et
les analyses de corrélation canonique.
n Travailler avec des valeurs résiduelles non normales dans
les données numériques ou des relations non linéaires
entre les variables de prédicteur et la variable de sortie.
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.
n Utiliser des biplots et des triplots (diagrammes à double
ou triple projection) pour représenter la relation entre les
objets (cas), les catégories et les (jeux de) variables dans
les analyses de corrélation.
n Représenter les similarités entre un ou deux jeux d’objets
sous la forme de distances sur les cartes perceptuelles.
Transformez vos variables qualitatives en variables
quantitatives
Les procédures avancées disponibles sous PASW Categories
permettent d’exécuter des opérations statistiques
additionnelles sur les données catégoriques.
Utilisez les procédures de dimensionnement optimal
(optimal scaling) de PASW Categories pour assigner
des unités de mesure et des points zéro à vos données
catégoriques. Cette approche vous ouvre un tout nouvel
ensemble de fonctions statistiques et vous permet
d’exécuter des analyses sur les variables de niveaux de
mesures mixtes–par exemple, sur des combinaisons de
variables nominales, ordinales et numériques.
* 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.

Les analystes ont utilisé la procédure de correspondance
de PASW Statistics* pour identifier les deux facteurs sous-
jacents les plus forts dans les relations entre les marques
et les attributs. En assignant à chaque marque et attribut
un chiffre spécifique à l’intérieur de chaque dimension,
l’information a été affichée selon un graphique facilement
compréhensible, appelé ‘carte perceptuelle’. Par exemple,
il est clair sur la figure 1 que la marque AA est la marque
la plus étroitement identifiée par le marché comme ayant
l’attribut “ populaire ”. De même les analystes peuvent
rapidement constater que les consommateurs intéressés par
des produits favorisant la bonne santé et comportant peu
de matière grasse perçoivent les produits CC et DD de façon
plus positive tandis que FF est perçue comme une marque
riche et sucrée.**
** 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.
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 :
n Graphiques de transformation (quantifications de
catégories optimales contre indicateur de catégorie)
n Graphiques de valeurs résiduelles
Grâce à la capacité de PASW Categories à exécuter la
régression multiple avec le dimensionnement optimal
vous pouvez appliquer la régression sur des mélanges
de prédicteurs numériques, ordinaux et nominaux et de
variables de sortie. La dernière version de PASW Categories
inclut des procédures à l’état de l’art pour la sélection
de modèle et la régularisation. Vous pouvez exécuter des
analyses de correspondances et de correspondances
multiples pour évaluer numériquement les relations entre
deux ou plusieurs variables nominales présentes dans
vos données. Vous pouvez également utiliser l’analyse
de correspondance pour analyser tout tableau ayant des
entrées non négatives.
Avec la procédure d’analyse des composantes principales,
vous pouvez réduire vos données aux composants
importantes. Les biplots et triplots des objets de type
catégorie et variable montrent leur relation. Ces options sont
également disponibles pour les données numériques. Avec
dimensionnement optimal vous disposez d’une matrice de
corrélation basée sur les quantifications de vos variables
ordinales et nominales. Ou bien vous pouvez fractionner
vos variables en différents ensembles, puis analyser les
relations entre ces ensembles avec l’analyse de corrélation
canonique non linéaire.
Afficher graphiquement les relations sous-jacentes
Quel que soit le type de catégorie étudié : segment de
marché, diagnostics médicaux, sous cultures, partis
politiques ou espèces biologiques, les procédures de
dimensionnement optimal vous libèrent des restrictions
associées aux tableaux à double entrée, en plaçant les
relations entre vos variables dans un cadre de référence plus
grand. Vous pouvez consulter une carte de vos données–et
non pas simplement un rapport statistique.
Les techniques de réduction de dimension de PASW
Categories permettent de surmonter les difficultés liées
aux tableaux encombrants. En effet, vous pouvez clarifier
les relations dans vos données en utilisant des cartes
perceptuelles et des biplots.
nLes cartes perceptuelles sont des graphiques résumés
à haute résolution qui montrent les variables similaires
ou les catégories proches les unes des autres. Elles
fournissent une visibilité unique sur les relations entre
plus de deux variables catégoriques.
nAvec les biplots et les triplots vous pouvez observer les
relations entre les cas, les variables et les catégories.
Par exemple, vous pouvez définir des relations
entre les produits, les clients et les caractéristiques
démographiques.
En utilisant la procédure de dimensionnement des
préférences (preference scaling), vous pouvez visualiser
encore davantage les relations entre les objets. L’algorithme
de dépliage (unfolding algorithm) sur lequel est basée cette
procédure permet d’exécuter des analyses non métriques
pour les données ordinales et d’obtenir des résultats
significatifs. La procédure de dimensionnement des
proximités permet d’analyser les similarités entre les objets
et d’intégrer des caractéristiques pour ces objets dans la
même analyse.
Les possibilités de PASW Categories
Les procédures suivantes sont disponibles pour rendre vos
analyses de données plus significatives.
La régression nominale (CATREG) prédit les valeurs d’une
variable de résultat nominale, ordinale ou numérique
à partir d’une combinaison de variables de prédicteur
numériques et catégoriques (non)ordonnées. Vous pouvez
utiliser la régression avec le dimensionnement optimal pour
décrire par exemple la façon dont la satisfaction au travail
peut être prédite à partir de catégorie de tache, de région
géographique et de la quantité de trajet lié au travail.
Les techniques de dimensionnement optimal quantifient
les variables de telle sorte que le R Multiple soit maximisé.
Le dimensionnement optimal peut être appliqué aux
variables numériques lorsque les valeurs résiduelles sont
non normales ou lorsque les variables de prédicteur ne
sont pas liées linéairement à la variable de résultat. Trois
nouvelles méthodes de régularisation : Ridge Regression,
Lasso, et Elastic Net, améliorent la précision de prédiction
en stabilisant les estimations de paramètre. La sélection
automatique de variables permet d’analyser des ensembles
de données à fort volume (davantage de variables que
d’objets). Avec le niveau de dimensionnement numérique,
vous pouvez effectuer la régularisation dans la régression
en utilisant les méthodes Lasso ou Elastic Net pour vos
données numériques.
Le dépliage multidimentionel (PREFSCAL) examine
visuellement les relations entre deux ensembles d’objets,
par exemple, les consommateurs et les produits. Le
Preference scaling exécute le ‘dépliage’ multidimensionnel
afin de trouver une carte qui représente les relations entre
ces deux ensembles d’objets sous forme de distances entre
deux ensembles de points.
Par exemple, si un groupe de conducteurs estimait 26
modèles de voitures sur dix attributs selon une échelle
à six points, vous pourriez trouver une carte avec des
clusters montrant quels modèles sont similaires et quelles
personnes aiment le plus ces modèles. Cette carte est un
compromis basé sur les dix attributs différents et un tracé
des dix attributs différents montre comment ils pondèrent
de façon différentielle les dimensions de la carte.
Mieux comprendre les perceptions du consommateur
En Australie du Sud, des spécialistes des études de marché
cherchaient à déterminer comment les consommateurs
percevaient six marques de café glacé. Ils ont interrogé des
consommateurs pour estimer chacune des marques (notées
de AA à FF sur la figure 1) pour 16 attributs catégoriques
différents. Sur le tableau à 96 cellules qui en a résulté il était
difficile de voir clairement les relations entre les marques et
les attributs perçus.
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.
Vous pouvez également utiliser CATREG pour appliquer
des Modèles Additifs Généralisés (GAM) particuliers, à la
fois pour vos données numériques et pour vos données
catégoriques.
L’analyse des correspondances (CORRESPONDANCE) permet
d’analyser les tableaux à double entrée qui contiennent
des mesures de correspondance entre lignes et colonnes
et d’afficher les lignes et les colonnes sous forme de points
sur une carte. Un tableau croisé dans lequel les cellules
contiennent les fréquences de jointures de deux variables
nominales serait un exemple d’un type très courant de
tableau de correspondances. PASW Categories affiche
de façon visuelle les relations entre les catégories de ces
variables nominales.
L’analyse des correspondances multiples (MULTIPLE
CORRESPONDENCE) diffère de l’analyse des correspondances
en ceci qu’elle permet d’utiliser plus de deux variables dans
l’analyse. Avec cette procédure, toutes les variables sont
analysées au niveau nominal.
Par exemple, vous pouvez utiliser l’analyse des
correspondances multiples pour étudier les relations entre
les émissions favorites, le groupe d’âge et le sexe. Sur une
carte à dimension réduite créée avec PASW Categories,
vous pourriez voir quels groupes gravitent autour de quelles
émissions tout en apprenant également quelles émissions
sont les plus similaires.
L’analyse en composantes principales qualitatives (CATPCA)
utilise le dimensionnement optimal pour généraliser la
procédure d’analyse des composants principaux de façon
à ce qu’elle puisse accepter les variables des niveaux
de mesures mixtes. Elle est similaire à l’analyse de
correspondance multiple mais vous pouvez spécifier un
niveau d’analyse variable par variable.
Par exemple, vous pouvez afficher les relations entre
différentes marques et caractéristiques de voitures telles
que le prix, le poids, la consommation, etc. Ou bien
vous pouvez décrire les voitures par classes (compactes,
moyennes, convertibles, 4x4, etc.) et CATPCA utilise ces
classifications pour grouper les points pour les voitures.
En assignant une pondération importante à la variable de
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.
L’analyse catonique non linéaire (OVERALS) utilise le
dimensionnement optimal pour généraliser la procédure
d’analyse des corrélations canoniques de façon à ce qu’elle
accepte les variables de niveaux de mesures mixtes. Ce type
d’analyse permet de comparer plusieurs jeux de variables
dans le même graphique après suppression de la corrélation
entre les jeux.
Par exemple, vous pourriez analyser les caractéristiques de
produits telles que des soupes, dans une étude de goût. Les
juges représentent les variables à l’intérieur des ensembles
tandis que les soupes représentent les cas. OVERALS établit
une moyenne des évaluations des juges après suppression
des corrélations et combine les différentes caractéristiques
pour afficher les relations entre les soupes. Ou bien, chaque
juge peut avoir utilisé un ensemble séparé de critères
pour juger les soupes. Dans ce cas, chaque juge forme un
ensemble et OVERALS établit la moyenne des critères, après
suppression des corrélations, puis combine les notes des
différents juges.
La procédure OVERALS peut également être utilisée pour la
régression multiple généralisée lorsque vous avez plusieurs
variables de résultat qui doivent être prédites de façon
conjointe à partir d’un ensemble de variables de prédicteur.
Le positionnement multidimentionnel (PROXSCAL)
s’applique à une ou plusieurs matrices contenant des
similarités ou des dissimilarités (proximités). Ou bien, vous
pouvez calculer les distances entre les cas dans les données
multivariées en tant qu’entrées à PROXSCAL. PROXSCAL
affiche les proximités sous forme de distances sur une carte
afin de fournir une compréhension spatiale de la façon dont
les objets sont liés. Dans le cas des matrices de proximités
multiples, PROXSCAL analyse les communautés et trace les
différences entre elles.
Par exemple, vous pouvez utiliser PROXSCAL pour afficher
les similarités entre les différentes saveurs de colas
préférées par les consommateurs dans différents groupes
d’âge. Vous pourriez découvrir que les adolescents mettent
l’accent sur les différences entre saveurs traditionnelles et
saveurs nouvelles tandis que les adultes mettent l’accent
sur les colas diététiques par opposition aux colas non
diététiques.