SPSS : Classifications

Analyse > Classification > Classifications

hiérarchiques...

21/12/2020 COURS ADD R. JAHIDI 1

21/12/2020 COURS ADD R. JAHIDI 2
• Il s’agit d’une classification ascendante,
partant des classes composées d’une unique
observation et regroupant à chaque étape les
classes les plus proches selon la méthode et la
distance définies.

21/12/2020 COURS ADD R. JAHIDI 3

 Mise en œuvre
• Faire passer les variables quantitatives dans la
liste des variables. Lorsque les observations
ne sont pas anonymes (conseillé), faire passer
la variable contenant le nom des observations
dans la case Etiqueter les observations par.

21/12/2020 COURS ADD R. JAHIDI 4

21/12/2020 COURS ADD R. JAHIDI 5
• Agréger les observations en demandant
l’affichage des statistiques et des
diagrammes.
• Dans le dialogue statistiques, cocher Chaîne
des agrégations (affiche l’historique des
regroupements). La matrice des distances
affichera les distances entre les observations.

21/12/2020 COURS ADD R. JAHIDI 6

• Dans le dialogue diagrammes, cocher arbre
hiérarchique pour obtenir le dendrogramme.
• Dans le dialogue Méthode, sélectionner la méthode
d’agrégation, c’est à dire la méthode de mesure de la
distance entre 2 groupes : saut minimal
(complaisante), diamètre (restrictive), distance
moyenne (compromis), Ward (variation de l’inertie
intraclasse) puis la distance utilisée
(intervalle/euclidienne pour des variables
quantitatives).
• Si les données sont hétérogènes, il est préférable de
centrer et réduire les variables, via
standardiser/center-réduire/par variable.
21/12/2020 COURS ADD R. JAHIDI 7
21/12/2020 COURS ADD R. JAHIDI 8
 Résultats
• Matrice de dissimilarité
• Chaîne des agrégations : historique des
regroupements. À chaque étape, les deux
classes les plus proches sont regroupées.
La distance entre les deux classes
regroupées est affichée dans la colonne
coefficients.
• Stalactite
• Dendrogramme
21/12/2020 COURS ADD R. JAHIDI 9
 Matrice de proximité

Observation Carré de la distance Euclidienne

1:Case 1 2:Case 2 3:Case 3 4:Case 4 5:Case 5 6:Case 6

1:Case 1 ,000 16,081 3,783 25,569 16,533 26,659

2:Case 2 16,081 ,000 19,666 15,221 9,318 17,915

3:Case 3 3,783 19,666 ,000 31,542 21,665 30,558

4:Case 4 25,569 15,221 31,542 ,000 2,856 2,425

5:Case 5 16,533 9,318 21,665 2,856 ,000 2,858

6:Case 6 26,659 17,915 30,558 2,425 2,858 ,000

7:Case 7 4,086 18,107 ,923 25,027 16,762 23,322

8:Case 8 19,911 11,672 22,167 6,136 2,308 2,111

9:Case 9 3,574 8,546 6,032 18,934 10,480 19,219

10:Case 10 8,821 25,497 7,522 29,529 22,754 24,898

11:Case 11 53,493 37,741 59,762 16,229 15,455 10,494

12:Case 12 17,050 2,533 16,305 24,675 16,566 25,243

13:Case 13 5,503 9,350 14,428 18,544 11,374 21,306

14:Case 14 8,820 32,911 2,603 42,733 32,053 38,837

15:Case 15 5,578 10,394 14,852 19,286 11,670 21,660

dimension0

16:Case 16 7,563 6,280 13,496 17,577 9,859 19,955

17:Case 17 4,459 8,165 10,860 20,955 12,497 22,783

18:Case 18 25,082 7,554 28,538 17,876 16,005 20,976

19:Case 19 2,170 10,717 4,393 16,470 9,428 17,080

20:Case 20 21,809 14,900 21,974 12,262 6,462 6,876

21:Case 21 30,263 5,344 32,158 22,969 18,387 25,017

22:Case 22 22,555 3,014 20,612 24,007 17,231 25,407

23:Case 23 18,072 10,616 20,825 9,149 2,955 5,037

24:Case 24 5,998 8,560 15,346 16,330 9,722 18,952

25:Case 25 3,842 10,184 9,979 16,200 7,621 16,683

26:Case 26 18,309 2,067 21,802 19,057 13,382 21,572

27:Case 27 42,170 13,463 43,903 34,617 30,184 37,388

28:Case 28 20,333 11,731 25,073 8,004 2,726 6,151

29:Case 29 14,756 9,879 21,138 6,399 1,627 6,065

30:Case 30 35,314 13,100 38,376 36,059 28,986 38,825

Ceci est une matrice de dissimilarité

21/12/2020 COURS ADD R. JAHIDI 10

 Chaîne des agrégations

Etape Regroupement de classes Etape d'apparition de la classe

Classe 1 Classe 2 Coefficients Classe 1 Classe 2 Etape suivante

1 13 15 ,041 0 0 2

2 13 24 ,397 1 0 18
3 12 22 ,780 0 0 19
4 3 7 1,241 0 0 16
5 28 29 1,727 0 0 14

6 8 23 2,267 0 0 11
7 16 17 2,810 0 0 12
8 9 25 3,636 0 0 12

9 2 26 4,670 0 0 19
10 1 19 5,755 0 0 22

d
11 8 20 6,843 6 0 20
i 12 9 16 8,020 8 7 18
m

13 4 6 9,232 0 0 24
e

14 5 28 10,522 0 5 20
n

15 18 21 12,019 0 0 23
s

16 3 14 13,715 4 0 21
i

17 27 30 15,572 0 0 26
o

n
18 9 13 17,880 12 2 27

0
19 2 12 20,713 9 3 23
20 5 8 24,588 14 11 24
21 3 10 28,756 16 0 22
22 1 3 34,429 10 21 27

23 2 18 40,300 19 15 26

24 4 5 46,810 13 20 25

25 4 11 60,857 24 0 28
26 2 27 75,860 23 17 28

27 1 9 103,634 22 18 29
28 2 4 180,025 26 25 29
29 1 2 261,000 27 28 0

21/12/2020 COURS ADD R. JAHIDI 11

21/12/2020 COURS ADD R. JAHIDI 12
21/12/2020 COURS ADD R. JAHIDI 13
• Les regroupements les plus intéressants sont
ceux obtenus après un saut du coefficient
important, c’est-à-dire, le découpage résultant
du regroupement de deux classes nettement
plus éloignées que les précédentes

21/12/2020 COURS ADD R. JAHIDI 14

• Une coupure entre les noueux 26 et 27 nous
suggère une solution en 4 classes.
• On va refaire notre analyse et demander les
solutions en 4 classes

21/12/2020 COURS ADD R. JAHIDI 15

21/12/2020 COURS ADD R. JAHIDI 16
 Validation des résultats
• On va opter pour une solution en quatre
classes
• Tableau récapitulatif
• Tableau anova

21/12/2020 COURS ADD R. JAHIDI 17

 Analyse > Rapport > récapitulatif des observations

21/12/2020 COURS ADD R. JAHIDI 18

 Sélectionnez les variables dans « Variables »
Sélectionnez Ward Method dans « Variables de regroupement »

21/12/2020 COURS ADD R. JAHIDI 19

 Dans Statistiques, choisissez Nombres d’observations et Moyenne

21/12/2020 COURS ADD R. JAHIDI 20

21/12/2020 COURS ADD R. JAHIDI 21
 Analyse > comparez les moyennes > Anova à 1 facteur

21/12/2020 COURS ADD R. JAHIDI 22

 Sélectionnez les variables dépendantes et le critère

Sélectionnez diagrammes des moyennes

dans options

21/12/2020 COURS ADD R. JAHIDI 23

 Résultats des tests ANOVA : lire les significations

21/12/2020 COURS ADD R. JAHIDI 24

21/12/2020 COURS ADD R. JAHIDI 25