--- tags: Ensai - public --- # Projet stats : remarques générales ## Pour vous faciliter la vie :warning: Ces méthodes ne marche que en local, PAS sur le cluster R !!! - Factoshiny permet de paramétrer via une ihm les méthode, c'est très pratique pour choisir facilement les variables supplémentaire - On peut ensuite vie l'IHM imprimer le code FactoMineR correspondant ```r install.packages("Factoshiny") library(Factoshiny) MCAShiny(data) # sans aucun autre paramètre # qui génère : res.MCA = MCA(data,.........) # et de meme HCPCShiny(res.MCA) ``` - explor permet de lire facilement les listings de l'ACM ``` install.packages("explor") library(explor) explor(res.MCA) ``` ## Rédaction ### ACM - partie méthodo - En particulier doit apparaitre la justification de la méthode, l'éventuel traitement des données manquantes, les analyses factorielles intermédiaires qui ont été nécessaires pour aboutir à l'analyse finales. Comme certains m'ont dit avoir vu en coaching, vous pouvez rajouter en annexes des tentatives d'analyse factorielles qui n'ont pas abouti si vous considérer la piste vraiment intéressante et distincte de l'analyse principale. - 1 partie par axe retenu - le commentaire va forcément "opposer" une chose à une autre, cad le coté + et le côté - de l'axe. Il faut indiquer les variables retenues selon le critère de la contribution pour les variables actives et de la valeur test pour les variables supplémentaire (et de la corrélation pour les quanti supplémentaire le cas échéant). - les listings utiles (coordonnées, contribution, qualité, valeur test) ne sont pas forcément indispensable dans le corps du rapport, il sont cependant attendus en annexes car utilisés pour vos conclusions - les représentations graphiques des plan factoriel ne peuvent être ajoutés en illustruation que si elles sont vraiment lisible (= on arrive à lire le nom des modalité en clair) et ne porte pas à confusion (mais c'est rarement indispensable) ### Classification - partie méthodo - montrer différentes pistes de constitution d'une classification (diffrentes méthodes en précisant leur paramétrage, choix de la méthode retenue en précisant les critères de choix) - 1 partie (ou une synthèse) sur une analyse générale de la classification - statistiques générales sur les variables qui sépare le mieux les classes - :warning: une variable "active" dans la classification aura toujours plus tendance à être plus discriminante qu'une variables qui n'a pas été utilisé (exemple : la distinction sur la note sera plus probante si vous n'avez pas intégré la note dans la classification, mais qu'elle ressort comme variable fortement discriminante). - 1 partie par classe, vue comme un profil-type - statistiques particulière (moyenne significativement supèrieure ou inférieure, modalité sur/sous représenté) :information_source: des graphiques de la statistique bivariée peuvent être utiles, tel qu'un boxplot par classe