RR 159

Études de cas en analyse des données
Bernard Colin (Éditeur)

Départements de mathématiques
Faculté des Sciences
Université de Sherbooke
Rapport de recherche No 159
1
AVANT-PROPOS
Ce rapport, présente les travaux réalisés, lors de la session de l’hiver 2017, par les étudiantes et étudiants
du département de mathématiques de l’Université de Sherbrooke, dans le cadre de l’activité pédagogique
STT 707 “Analyse des données”, inscrite au programme de maîtrise en mathématiques et de maîtrise en
imagerie.
J’adresse mes plus sincères remerciements aux auteures et auteurs du présent rapport, qui, avec ardeur et
enthousiasme, ont participé à cette activité pédagogique et qui n’ont ménagé ni leur temps, ni leurs e¤orts,
ni leurs talents, dans la réalisation de ces travaux.
Sherbrooke, janvier 2018
Bernard Colin
Département de mathématiques
Faculté des Sciences
Université de Sherbrooke
2
Tables des matières
[1] Sarra Abaoubida :
Catégorisation des parfums selon leurs propriétés sensorielles.
Note : Les données analysées dans cette étude de cas, proviennent du manuel de F. Husson, S. Lê et
J. Pages : Analyse de données avec R. Les analyses telles que présentées dans le manuel sont reprises et
complétées à l’aide d’un modèle de classi…cation hiérarchique ascendante.
[2] Jean-Philippe Morisette :
Analyse du tennis en simple chez les messieurs.
[3] Fanny Rancourt :
Caractérisation des universités américaines.
3
Catégorisation des parfums selon
leurs propriétés sensorielles
S ARRA A BAOUBIDA
J UIN 2017
U NIVERSITÉ DE S HERBROOKE
S HERBROOKE (Q C ), C ANADA , J1K 2R1
S ARRA .A BAOUBIDA @ USHERBROOKE . CA

TABLE DES MATIÈRES Sarra Abaoubida
Table des matières

1 Introduction 2
2 Position du problème 2
3 Présentation des données 4
4 Modèle 5
4.1 Choix du modèle . . . . . . . . . . . . . . . . . . . 5
4.2 Présentation du modèle . . . . . . . . . . . . . . . . 5
4.2.1 Analyse des correspondances multiples . . . 5
4.2.2 Méthode de Ward . . . . . . . . . . . . . . . 12
4.3 Critique du modèle . . . . . . . . . . . . . . . . . . 14
5 Analyse des résultats 14

5.1 Traitement informatique . . . . . . . . . . . . . . . 14
5.2 Analyse des données et interprétation des résultats . . 15
5.2.1 Représentation des individus sur le premier
plan principal . . . . . . . . . . . . . . . . . 15
5.2.2 Représentation des modalités sur le premier
plan principal . . . . . . . . . . . . . . . . . 16
5.2.3 Représentation des individus et des modalités
sur le premier plan principal . . . . . . . . . 16
5.2.4 Représentation des variables sur le premier
plan principal . . . . . . . . . . . . . . . . . 17
5.2.5 Arbre hiérarchique . . . . . . . . . . . . . . 18
6 Conclusion 19
Références 19
1
2 POSITION DU PROBLÈME Sarra Abaoubida
1 Introduction
La catégorisation est un processus cognitif par lequel différents ob-
jets sont regroupés selon leurs similarités par un ensemble de sujets.
Elle est utilisée pour recueillir des données, notamment en analyse
sensorielle où l’on cherche à comprendre un ensemble de produits se-
lon leurs propriétés sensorielles.
Dans ce contexte particulier, cette épreuve consiste à demander à
des consommateurs/sujets/juges de regrouper des parfums selon leurs
ressemblances sensorielles.
Dans cette étude, notre objectif est de fournir une image synthé-
tique de l’ensemble des 12 parfums de luxe sur la base de la catégori-
station produites par 98 consommateurs.
2 Position du problème
L’analyse sensorielle consiste à analyser, étudier, comparer un en-
semble de produits à l’aide d’un ou plusieurs sens (goût, odorat, tou-
cher, ouïe, vue). Elle s’applique à plusieurs domaines : produits ali-
mentaires, cosmétiques (parfums, crèmes et soins du corps...), indus-
trie automobile (description de tableaux de bord, bruit de portières...),
ergonomie (ressenti du confort thermique de la pièce), sport (confort
vêtements...). Elle offre des approches séduisantes, en mesure de ras-
surer les décideurs sur la qualité de l’information recueillie.
Cependant, la portion d’incertitude liée au facteur humain (l’être
humain étant l’instrument de mesure), implique des problèmes de
qualité de la mesure, de fiabilité et de répétabilité.
L’analyse sensorielle des données nécessite donc un traitement statis-
tique particulier.
Le receuil des données constitue une étape cruciale dans l’analyse
sensorielle, on distingue deux façons de receuillir les données :
Évaluations qualitatives et quantitatives : description d’un produit par
des données “objectives” (saveurs : salé, amer ; arômes : boisés, fruits
rouges ; textures : lisse, pâteux...) avec existence de références (e.g
concentration en caféine pour évaluer l’amertume...). Jury : panel res-
treint “d’experts” (10 à 12 testeurs entrainés à partir de références, par
2
2 POSITION DU PROBLÈME Sarra Abaoubida
exemple avec des solutions de différentes concentrations).

Évaluations hédoniques : données subjectives (on teste la notion de
plaisir, l’appréciation du produit). Elles sont liées au sujet : par exemple,
certains apprécient le très sucré, d’autres non (cible marketing). Jury :
panel plus large de sujets "naïfs" (minimum 50-100 consommateurs).
Voici un schéma qui résume les différents niveaux de descriptions :
F IGURE 1: Différents niveaux de descriptions
Par la suite, on traitera des données de type hédoniques.
3
3 PRÉSENTATION DES DONNÉES Sarra Abaoubida
3 Présentation des données

Les données dont nous disposons sont issues d’un recueil de don-
nées sensorielles organisé à Agrocampus. 98 consommateurs ont réa-
lisé une épreuve de catégorisation sur 12 parfums de luxe (sans voir
les étiquettes des parfums) : Angel, Aromatics Elixir, Chanel 5, Ci-
néma, Coco Mademoiselle, L’instant, Lolita Lempicka, Pleasures, J’adore
(eau de parfum), J’adore (eau de toilette), Pure Poison, Shalimar. Il
leur a été demandé de regrouper les parfums selon leurs ressemblances
sensorielles et de caractériser par des mots chaque groupe constitué.
Dans un premier temps les données peuvent être regroupées dans
un tableau à 12 lignes et 98 colonnes, dans lequel chaque ligne i cor-
respond à un parfum et chaque colonne j à un consommateur, une cel-
lule (i, j) correspond au groupe dans lequel le produit i a été placé par
le consommateur j. Chaque consommateur j peut être ainsi assimilé
à une variable qualitative j à kj modalités, où kj désigne le nombre de
groupes que le consommateur j a utilisé au cours de sa catégorisation.
Juge 18 Juge 31 Juge 40 Juge 93

Angel dynamique vie fort Gr6 fleuri fort
Aromatics Elixir grand-mère piquant Gr5 chimique
Chanel 5 dynamique vie savon Gr5 chimique
Cinema dynamique vie Gr3 Gr3 fleuri faible
Coco Mademoiselle dynamique vie doux Gr2 fleuri faible
J’adore (EP) doux agréable bébé doux gel-douche fleuri fort
J’adore (ET) dynamique vie doux gel-douche fleuri faible
L’instant grand-mère doux Gr2 fleuri fort
Lolita Lempicka doux agréable bébé Gr3 Gr3 fleuri faible
Pleasures dynamique vie doux gel-douche fleuri fort
Pure Poison doux agréable bébé piquant Gr2 fleuri faible
Shalimar grand-mère doux citronnelle fort
TABLE 1: Extrait de la base de données des parfums
4
4 MODÈLE Sarra Abaoubida
Exemple :
Dans la table 1, on peut voir que le juge 40 (j=40) a catégorisé les par-
fums selon 6 groupes (on a donc k40 = 6 modalités pour la variable
40) et qu’il a mis les parfums j’adore (eau de parfums) et j’adore (eau
de toilette dans le même groupe).
Objectif de notre étude :

Fournir une image synthétique de l’ensemble des 12 parfums de luxe
sur la base de la catégoristation produites par les 98 consommateurs
(repérer les parfums qui se ressemblent et ceux qui s’opposent en uti-
lisant la caractérisation des groupes).
4 Modèle
4.1 Choix du modèle
L’analyse des correspondances est une méthode particulièrement
bien adaptée à l’étude de vastes ensembles de données qualitatives as-
similables à des effectifs comme des comptages, des dénombrements,
des valeurs positives, des notes reflétant une opinion ou un jugement.
Dans notre étude, les 12 parfums sont les individus et les 98 consom-
mateurs sont les variables qualitatives. Le tableau de données est donc
de type individus x variables qualitatives, il relève ainsi de l’analyse
des correspondances multiples (ACM). Nous analyserons aussi ces
données en utilisant la classification hiérarchiques basée sur la mé-
thode de Ward. Et nous comparerons, par la suite, les deux approches.
4.2 Présentation du modèle

4.2.1 Analyse des correspondances multiples
L’analyse des correspondances simples traite le cas de deux va-

riables qualitatives contrairement à l’analyse des correspondes mul-
tiples qui, elle, traite le cas de plusieurs variables qualitatives.
On introduira donc dans la sous section qui suit l’analyse des cor-
5
respondances simples, afin de définir rigoureusement l’analyse des

correspondances multiples.
Analyse des correspondances simples
On se place dans le cadre de deux variables qualitatives X et Y , pos-

sédant respectivement n et p modalités.
Exemple 1.
X possède n types d’hébergement en vacances (exemple : hôtel, ha-
bitât chez les parents, maison de vacances etc...).
Y possède p catégories socio-professionelles (exemple : ouvriers, mé-
decins, avocats etc...).
Définition 4.2.1.1.
On dit que K est le tableau de contingence croisant les variables
qualitatives X et Y , si K est de la forme :
 
k
 11
. . . . . . . . . k1p 
 .. ... .. 
 . . 
 . . 

 .
K=  . . . . kij . . . .. 
 .. . . . ... 

 .
 
kn1 . . . . . . . . . knp
où kij est le nombre d’observations présentant simultanément les
modalités i de X et j de Y .
Exemple 2.
kij est le nombre de médecins qui hébergent dans un hôtel pendant
leurs vacances.
Le poids de la ligne i est définit par :
ki.
pi =
k
6
Le poids de la colonne j est définit par :

k.j
qj =
k
Pn Pp Pp Pn
où k.j = i=1 kij , ki. = j=1 kij et k = j=1 k.j = i=1 ki. =
Pn Pp
i=1 j=1 kij
Le profil de la ligne i est définit par :
kij
xi = { }j=1,..,p
ki.
Le profil de la colonne j est définit par :
kij
yj = { }i=1,..,n
k.j
On pose :
DI = diag(p1 , ..., pn ),
DJ = diag(q1 , ..., qp ),
Xn×p = k1 DI −1 K,
et Yp×n = k1 DJ −1 t K
On définit les deux nuages de points :
N (I) = {(xi , pi ), xi ∈ Rp , pi > 0, pi = 1}
P
N (J) = {(yj , qj ), yj ∈ Rn , qj > 0, qj = 1}

P
La distance entre les lignes xi et xi0 est donnée par :
d2 (xi , xi0 ) =t (xi − xi0 )AI (xi − xi0 )

où AI = DJ−1
La distance entre les profils de colonnes yj et yj 0 :
d2 (yj , yj 0 ) =t (yj − yj 0 )AJ (yj − yj 0 )
7
où AJ = DI−1
Remarque 1.
Cette distance est dite métrique du χ2 .

En effet, en remplaçant xi et x0i respectivement par { kkiji. }j=1,..,p et
k0
{ ki 0j }j=1,..,p dans la déf inition 5, on obtient :
i .
p k kij ki0 j 2
2 t X
d (xi , xi0 ) = (xi − xi0 )AI (xi − xi0 ) = ( − )
j=1 k.j ki. ki0 .
On fait la même chose pour les profils de colonnes yj et yj0 et on

obtient :
n k k kij 0 2
ij
d2 (yj , yj 0 ) =t (yj − yj 0 )AJ (yj − yj 0 ) =
X
( − )
i=1 ki. k.j k.j 0
L’analyse des correspondances simples consiste à faire une analyse

en composantes principales du nuage de points N(I) , en posant :
VI =t XDI X la matrice d’inertie par rapport à l’origine, et AI la ma-
trice des poids.
Rappel (Analyse en composantes principales) :
Soient N = {(xi , pi ), xi ∈ Rp , pi > 0,

Pn
i=1 pi = 1} un nuage de
point et A la métrique choisie sur Rp .
Soit y ∈ Rp
On définit l’inertie par raport à y par :
n
pi d2 (xi , yi )
X
IN (y) =
i=1
2 t
Où d (xi , yi ) = (xi − y)A(xi − y)
Dans un premier temps, on se propose de trouver un sous espace de

dimension1 noté ∆u (∆u est le support du vecteur u ∈ Rp ), avec
t
uAu = 1, tel que l’inertie de N autour de ∆u soit minimum.
8
Soit ∆⊥ p
u l’espace de R A-orthogonal à u.
On a que
IN (0) = IN (∆u ) + IN (∆⊥
u)
On en déduit qu’il suffit de maximiser IN (∆⊥

u ) pour minimiser IN (∆u ).
Or
IN (∆⊥ t
u ) = uAV Au
Où V = {vjk }j,k∈{1,...,p} est la matrice d’inertie définie par :

n
X
vjk = pi xij xik
i=1
On cherche donc max t uAV Au pour u de norme 1.
En utilisant la méthode des multiplicateurs de Lagrange, on trouve

que la solution de ce problème d’optimisation consiste à prendre le
vecteur propre u1 de la matrive V A associé à sa plus grande valeur
propre λ1 .
On réitère la procédure, on cherche donc un deuxième vecteur u tel

que t uAV Au soit maximum, sous les contraintes t uAu = 1 et t uAu1 =
0.
On trouve que la solution de ce deuxième problème n’est autre que

le vecteur propre u2 de la matrice V A associé à la deuxième plus
grande valeur propre λ2 .
Et ainsi de suite...
Remarque 2.
En effectuant l’analyse en composantes principales du nuage N (I),
on obtient une première valeur propre qui est toujours égale à 1 (il est
donc inutile de l’inclure dans l’analyse).
De plus, il suffit d’effectuer l’analyse en composantes principales du

nuage N (I) (on n’a pas besoin d’effectuer cette analyse sur le nuage
N (J)), compte tenu de la relation X = DI−1 t Y DJ .
9
Analyse des correspondances multiples
On dispose de n observations sur lesquelles on observe un ensemble

de réponses à un certain nombre de questions se présentant sous forme
de modalités.
On note :
I l’ensemble des observations ou des individus
Q l’ensemble des questions
Jq l’ensemble de modalités de la question q ∈ Q
J l’ensemble des modalités
s le nombre de variables qualitatives (ou questions)
p le nombre total de modalités.
On appelle tableau disjonctif complet, la matrice de taille n × p
KIJ = {kij }i,j


 1 si l’individu i possède la modalité j
où kij = 
0 sinon
10
Exemple 3.
Cet exemple est un extrait du tableau disjonctif complet issu de nos
données sur les parfums :
J18 J93
Dynamique Grand mère Doux Fleuri fort Chimique Fleuri faible fort
Angel 1 0 0 1 0 0 0
Aromatics 0 1 0 0 1 0 0
Chanel 5 1 0 0 0 1 0 0
Cinema 1 0 0 0 0 1 0
elle
Coco M 1 0 0 0 0 1 0
J’adore (EP) 0 0 1 1 0 0 0
J’adore (ET) 1 0 0 0 0 1 0
L’instant 0 1 0 1 0 0 0
Lolita 0 0 1 0 0 1 0
Pleasures 1 0 0 1 0 0 0
Pure Poison 0 0 1 0 0 1 0
Shalimar 0 1 0 0 0 0 1
TABLE 2: Extrait du tableau disjonctif complet issu de la base de données des par-
fums
Remarque 3.
Ce tableau est dit disjonctif car les modalités s’excluent mutuellement
et complet car il ne contient pas de données manquantes.
On appelle tableau de Burt, la matrice de taille p x p définie par
B = {bjj 0 }j,j 0
où bjj 0 = ni=1 kij kij 0 .
P
(les kij sont les coefficients du tableau disjonctif complet définis ci-
dessus)
Remarque 4.
On a que B =t Kij Kij .
De plus,
∀j, j 0 ∈ Jq ,

 0 6 j0
si j =
bjj 0 = 
k.j = ni=1 kij si j = j 0
P
11
k.j est le nombre d’observations ayant chosi la modalités j et j 0 .

Et,
∀j, j 0 ∈
/ Jq ,
bjj 0 est le nombre de fois que l’observation i a été associé simultané-
ment aux modalités j et j 0 .
Exemple 4.
Voici un extrait du tableau de Burt associé à nos données (pour les
variables juge18 et juge93) :
Dynamique Grand mère Doux Fleuri fort Chimique Fleuri faible Fort
Dynamique 6 0 0 2 1 3 0
Grand mère 0 3 0 1 1 0 1
Doux 0 0 3 1 0 2 0
Fleuri fort 2 1 1 4 0 0 0
Chimique 1 1 0 0 2 0 0
Fleuri faible 3 0 2 0 0 5 0
Fort 0 1 0 0 0 0 1
TABLE 3: Extrait du tableau de Burt associé aux parfums
On remarque que les blocs du tableau de Burt sont les tableaux de

contingences croisant les variables deux à deux.
• L’analyse des correspondances multiples consiste à effectuer

l’analyse des correspondances simples du tableau B de Burt.
4.2.2 Méthode de Ward
La méthode de Ward est un algorithme permettant de regrouper

deux classes d’une partition pour obtenir une partition plus agrégée.
Elle s’inscrit dans le cadre de la classification hiérarchique.
12
Description de l’algorithme de construction ascendante
Le point de départ est une matrice de dissimilarités D (ces dissimi-

larités sont des distances en général) entre individus dont le terme gé-
néral d(i, j) est la dissimilarité entre les individus i et j. Cette matrice
est symétrique et contient des zéros sur la diagonale (seule la moitié
est nécessaire, on choisira de garder la partie triangulaire inférieure).
On agrège les individus i et j les plus "similaires" ou "proches", on
constitue ainsi un nouvel élément (i, j) : ce groupe d’individus ne
sera pas remis en cause par la suite. La valeur d(i, j) est appelée in-
dice d’agrégation ente i et j. Cette elle qui est utilisée pour définir la
hauteur à laquelle les branches de l’arbre qui correspondent à i et à j
se rejoignent.
On met à jour la matrice D en supprimant les lignes et les colonnes
correspondantaux individus i et j et en créant une nouvelle colonne
pour le groupe (i, j) que l’on remplit avec les dissimilarités entre ce
groupe et chacun des individus restants (par convention, nous défini-
rons la dissimilarité entre un groupe d’individus et un individus l par
la plus grande dissimilarité entre chacun des individus du groupe et l).
On obtient la matrice D1 dans laquelle on recherche le couple d’élé-
ments les plus proches. Ces éléments sont agrégés et ainsi de suite...
Exemple 5.
Nous appliquerons cet algorithme à un petit ensemble d’individus
{A, B, C, D, E, F } répartis sur un plan. Nous utiliserons la distance
city-block.
La figure ci-dessous illustre les étapes de la construction de l’arbre.
13
5 ANALYSE DES RÉSULTATS Sarra Abaoubida
F IGURE 2: Etapes de la construction d’un arbre hiérarchique
4.3 Critique du modèle

problème de collecte de données + régression logistique (autre mo-
dèle)
5 Analyse des résultats

5.1 Traitement informatique
Nous avons effectué le traitement informatique à l’aide du logiciel
R, en utilisant le package FactoMineR. Plus précisément, nous avons
exploité les commandes MCA, qui effectue l’analyse des correspon-
dances multiples, et HCPC, qui effectue la classification ascendante
hiérarchique.
14
5.2 Analyse des données et interprétation des résultats

5.2.1 Représentation des individus sur le premier plan principal
Le premier axe principal oppose Shalimar, Aromatics Elixir et Cha-

nel 5 aux autres. Le deuxième axe principal oppose Angel, Lolita
Lempicka aux autres parfums.
Les positions éloignées de Shalimar, Chanel 5 et Angel sont dues au
fait qu’ils ont été isolés plusieurs fois par les consommateurs. D’après
la base de données les parfums Shalimar, Chanel 5 et Angel ont été
mis dans un seul groupe respectivement par 24,17 et 13 consomma-
teurs.
De façon analogique, on peut dire que les proximités entre certains
parfums sont liées au nombre de fois qu’ils ont été mis ensemble dans
un seul groupe par les consommateurs. Sur la "Figure 3", nous remar-
quons que J’adore (EP) et J’adore (ET) sont proches l’un de l’autre,
cela est conséquence du fait qu’ils ont été regroupés ensemble par 56
consommateurs. Cette remarque s’applique aussi à Lolita Lempicka et
Angel qui ont été associés 36 fois, ainsi qu’à Aromatics Elixir associé
42 à Shalimar fois et 52 fois à Chanel 5.
F IGURE 3: Représentation des parfums sur le premier plan principal
15
5.2.2 Représentation des modalités sur le premier plan principal
En raison du grand nombre de modalités, la figure initiale donnée

par la commande MCA est inexploitable. Pour des raisons de visibi-
lité, nous avons choisi de représenter les 20 premières modalités qui
sont les mieux représentées.
Le premier axe oppose les parfums associés aux mots fort, vieux, aux
parfums fleuris, doux. Le deuxième axe oppose les parfums associés
aux mots chauds épicé aux autres (cf. Figure 4).
F IGURE 4: Représentation des modalités sur le premier plan principal
5.2.3 Représentation des individus et des modalités sur le premier plan prin-
cipal
La representation des parfums est complétée en lui superposant la

représentation des modalités. Un parfum est au barycentre des mots
auxquelles il a été associé.
Nous remarquons que les parfums J’ADORE (EP), J’ADORE (ET),
PLEASURES, COCO MADEMOISELLE, PURE POISON sont si-
tués dans le quadrant inférieur gauche de la "Figure 5" à proximité des
modalités fleuri, doux, discret..., les parfums ANGEL, LOLITA LEM-
PICKA ainsi que CINEMA sont proches des modalités sucré, chaud,
16
épicé, vanillé..., les parfums SHALIMAR, AROMATICS ELIXIR et

CHANEL 5 sont, quand à eux, projetés aux environs des modalités
boisé, fort, vieux, grand-mère...
F IGURE 5: Représentation des parfums et des modalités sur le premier plan princi-
pal
5.2.4 Représentation des variables sur le premier plan principal
Les variables peuvent être représentées en calculant les rapports de

corrélation entre les coordonnées des individus sur un axe et chacune
des variables qualitatives. La "Figure 6" met en évidence les différents
types de catégorisations. Sur le premier axe, les consommateurs 93 et
40, qui ont une forte coordonnée s’opposent aux consommateurs 18
et 31. Dans la "Table 1", nous remarquons que J40 et J93 ont claire-
ment individualisé les parfums SHALIMAR, AROMATICS ELIXIR
et CHANEL 5 contrairement à J18 et J31.
D’autre part, les consommateurs 31 et 40 ont une coordonnée élevée
selon le 2ème axe contrairement aux consommateurs 18 et 93. Dans
la "Table 1", nous remarquons que J31 et J40 ont bien individualisé
ANGEL contrairement à J18 et J31.
Nous pouvons en déduire que plus les consommateurs ont une grande
17
coordonnée par rapport au premier axe plus ils auront tendance à indi-
vidualisé SHALIMAR, AROMATICS ELIXIR et CHANEL 5 et plus
ils auront une grande coordonnée par rapport aux deuxième axe prin-
cipal plus ils auront tendance à individualisé ANGEL.
F IGURE 6: Représentation des consommateurs sur le premier plan principal
5.2.5 Arbre hiérarchique
La "Figure 7" affirme notre précédente interprétation, c’est-à-dire,

que nous pouvons classer J’ADORE (EP), J’ADORE (ET), PLEA-
SURES, COCO MADEMOISELLE, PURE POISON dans le même
groupe caractérisé par les mots : fleuri, doux, discret..., SHALIMAR,
AROMATICS ELIXIR et CHANEL 5 dans un deuxième groupe de-
crit par les adjectifs sucré, chaud, épicé, vanillé... et ANGEL, LOLITA
18
RÉFÉRENCES Sarra Abaoubida
LEMPICKA, L’INSTANT et CINEMA dans un troisième groupe qui

représente ce qui est boisé, fort, vieux, grand-mère...
F IGURE 7: Arbre hiérarchique des parfums
6 Conclusion
Références
[1] F. HUSSON, S. LÊ et J. PAGÈS (2009), Analyse de données avec
R. Presses universitaires de Rennes, Rennes.
[2] B. ESCOFIER, J. PAGÈS (2008), Analyses factorielles simples et
19
RÉFÉRENCES Sarra Abaoubida
multiples : objectifs,méthodes et interprétation. Dunod, édition,

Paris.
[3] B. COLIN (2017), Notes de Cours : Modèles statistiques multidi-
mensionnels (STT707).
[4] H. HUSSON, S. LÊ, J. Josse, J. MAZET (2009), FactoMineR :
Multivariate Exploratory Data Analysis and Data Mining with R.
20
STT707 2017, 1 – 42
Analyse du tennis en simple chez les

messieurs
Analyse de données
Par : Jean-Philippe Morissette,
Département de mathématique de l’Université de Sherbrooke
Résumé Dans cet article, on tentera tout d’abord de trouver les composantes
les plus importantes d’une partie de tennis. Ces dernières seront déduites des
statistiques classiques du tennis. On intégrera par la suite d’autres variables,
dites supplémentaires, représentants toutes les technicités entourant un match,
comme la surface, le tournoi et les joueurs eux-mêmes. On croisera alors des
sous-ensembles de ces variables et, à l’aide de l’analyse des correspondances,
on analysera les différents liens entre celles-ci. On utilisera également une clas-
sification hiérarchique ascendante afin de regrouper les meilleurs joueurs du
circuit en sous-groupe partageant des caractéristiques semblables. On termi-
nera en présentant des profils de saison de joueurs plutôt que des profils de
match afin comparer trois saisons de tennis exceptionnelles.
1 Introduction
Le tennis masculin, depuis les dernières victoires en grand chelem de messieurs
Sampras et Agassi, a vu naître et grandir plusieurs grands champions qui, encore
aujourd’hui, se partagent une bonne partie des points ATP disponibles. Ces
hommes ont su bâtir de grandes rivalités et repousser différents records tout au
long de leur carrière qui semble loin d’être terminées. Outre les Federer, Nadal
et Djokovic de ce monde, d’autres ont su aller chercher des titres de grand
chelem ici et là au cours de la dernière décennie, mais particulièrement depuis
2012. Comme tous ces joueurs n’ont pas commencé à jouer tous en même temps
sur le circuit, il peut être difficile de comparer adéquatement ces derniers. Les
outils disponibles sont les enregistrements de saisons, le nombre de titres gagnés
ou encore les différentes statistiques enregistrées au cours d’un match (e.g. : le
nombre d’aces, le pourcentage de premières balles, le nombre de balles de bris
converties, etc.).
L’auteur souhaite remercier monsieur Bernard Colin pour sa disponibilité, son ouverture
d’esprit, ses différents conseils et sa présence. Sa supervision a grandement aidé à l’achèvement
de ce projet. L’auteur souhaite également remercier Olivier Germain pour ses précieux conseils
sur R ainsi qu’Étienne Fortin pour ses suggestions et son analyse sportive.
©Université de Sherbrooke
2
Dans le monde du sport, on retrouve des analystes prétendants que des traits
physiques bien précis peuvent donner un avantage à certains joueurs par rapport
à d’autres. Mais est-ce que de telles affirmations sont vérifiables ? Par exemple,
est-ce qu’un joueur comme Rafaël Nadal, né droitier, mais ayant joué de la
main gauche depuis qu’il est jeune, à un avantage sur les droitiers ? Existe-t-il
des profils types de joueurs selon les différentes surfaces de jeu ? On pourrait
même se demander si certaines catégories d’âge sont hors de la compétition.
On pourrait également s’intéresser à comparer différentes saisons du maestro
suisse en 2006, du Djoker en 2015 ou encore du roi de la terre battue en 2010.
Dans cette étude, différents outils seront utilisés et présentés afin d’essayer de
répondre à certaines de ces questions le plus fidèlement possible.
2 Position du problème
Avant même de commencer à se poser des questions, une étape primordiale de

l’analyse consiste à identifier les variables les plus importantes de notre modèle
afin d’avoir une idée a priori du genre de questions auxquelles il est possible
de répondre. En incluant les variables supplémentaires aux variables identifiées
mais également à certaines connaissances de base du tennis, on est en mesure
d’identifier différentes problématiques intéressantes, reliées aux capacités des
joueurs sur le terrain ainsi qu’à certains traits physiologiques.
On tentera de faire une décomposition des modalités d’une variable afin de
pouvoir mieux interpréter celle-ci. En fait, si l’on cible des variables compatibles,
cette décomposition permettra d’un côté d’expliquer les avantages et inconvé-
nients rattachés à une modalité particulière, mais également de caractériser des
profils de joueurs ou de matchs en fonction des différents paramètres du jeu et
des performances moyennes des joueurs.
Par la suite, on sélectionnera un sous-ensemble intéressant des joueurs actifs
sur le circuit afin d’étudier les similitudes et les caractéristiques qui opposent ces
joueurs. Ceci permettra de faire une analyse plus globale du circuit et de mieux
comprendre les facteurs important du tennis moderne. Ce genre d’outil pourrait
permettre de comprendre mieux l’issue de certains matchs puisqu’il sera possible
d’identifier lorsque deux joueurs provenant d’un même groupe se font face ou
encore lorsque deux groupes distincts s’affrontent.
Pour terminer, on étudiera des observations artificielles. Ces observations,
qui peuvent être vues comme le résumé des performances d’un joueur pour une
période donnée, permettront de comparer des saisons plus anciennes avec des
saisons plus récentes, mais également de comparer des joueurs de différentes
époques ayant des carrières similaires.
J. Morissette 3
3 Présentation des données
Dans l’étude qui suit, on utilise des données provenant du site github.com 1 sur
le profil de Jeff Sackmann. Monsieur Sackmann est un auteur qui travaille dans
le domaine des statistiques sportives, qui est intéressé par les différents tests sta-
tistiques et qui gère un blog sportif2 où il analyse et commente les changements
présents dans le monde du tennis depuis 2011. Dans ces bases de données, on y
retrouve des données sur des matchs ayant été joués à la fin des années 60 jusqu’à
aujourd’hui et ces dernières sont divisées en trois catégories : ATP World Tour,
ATP Challenger Tour et Futures. On se limite aux données de type ATP World
Tour entre 2012 et 2016 et, plus spécifiquement, aux matchs qui sont des finales
de tournois. Bien que l’on perde de l’information en se limitant à ce genre de
matchs, les matchs de finales de tournoi sont les plus importants et les plus si-
gnificatifs lors d’une saison de tennis. De plus, ce choix permet de considérer des
joueurs mieux connus du public plutôt que d’avoir à considérer tous les joueurs
du circuit. Ainsi, on se retrouve au final avec environ 250 observations plutôt
que plus de 9000 initialement.
Remarque 3.1. Étant donné qu’un match de tennis en simple implique deux
joueurs, soit un gagnant et un perdant, chaque observation disponible donne de
l’information sur deux joueurs différents.
Au départ, la base de données contenait 49 variables ; 11 variables globales,

19 caractérisant la performance du gagnant et 19 autres caractérisant la per-
formance du perdant. Après considération, on a gardé seulement 6 variables
globales et 13 variables par joueur. De plus, certaines transformations furent
appliquées sur les données afin de travailler avec des données de types relatives
plutôt qu’absolues (i.e. pourcentage plutôt que des valeurs entières). Finalement,
une dernière transformation fut appliquée sur les variables quantitatives afin de
réduire le nombre de modalités que peuvent prendre chacune des variables. On
travaille avec les quartiles plutôt qu’avec les données brutes. Un extrait des don-
nées brutes et finales est disponible à la section A.2. Les transformations en
quartiles des variables y sont également disponibles.
Il est également important de noter que sur les 32 variables considérées, 14
ont été mises en supplémentaires. Parmi ces dernières, on y retrouve les variables
qualitatives ainsi que l’âge des joueurs et leurs nombres de points ATP.
Différentes techniques ont été utilisées afin de répondre à des questions
importantes concernant les données dans le cadre de ce travail. En effet, des
questions à propos des valeurs manquantes et des valeurs erronées ont été rele-
vées. Pour savoir comment répondre à ce genre de questions, on peut consulter
[GCB10].
1
https://github.com/JeffSackmann/tennis_atp
2
http://www.tennisabstract.com/blog
4
4 Modèle
4.1 Choix du modèle

Le modèle que l’on a choisi est celui de l’analyse des correspondances multiples.
Ce choix est justifié par l’intérêt de construire des observations fictives, qui seront
éventuellement ajoutées en supplémentaires, qui représentent les performances
et préférences moyennes d’un joueur en finale de tournoi au cours des saisons
allant de 2012 à 2016. Étant donné que plusieurs variables sont qualitatives,
la meilleure façon de créer ces observations est de tirer avantage du tableau
disjonctif complet. Autrement, on aurait eu besoin de faire des moyennes sur des
valeurs codées, ce qui n’a pas de sens. De plus, on souhaite pouvoir comparer
et s’intéresser aux liens de dépendance que peuvent présenter certains aspects
du jeu. Afin de limiter le bruit dans les données que l’on analyse, on tirera
avantage du tableau de Burt pour faire des analyses de correspondances simples
des aspects choisis. Finalement, ce modèle a été choisi puisque l’on travaille avec
des variables qualitatives et qu’il est adapté à ce type de données.
4.2 Présentation du modèle

4.2.1 Analyse des correspondances simples
On considère deux variables qualitatives X et Y lesquelles possèdent respective-

ment n et p modalités. Les données recueillies à partir d’un échantillon peuvent
être représentées directement par un tableau de fréquences absolues, également
appelé tableau de contingence, que l’on note K et qui est défini comme suit :
K = {kij }j=1,...,p
i=1,...,n ,
où kij correspond au nombre d’observations possédant simultanément les mo-

dalités i et j. Afin d’analyser les interactions entre les modalités que prennent
les variables, on calcule le poids de la ligne i = 1, . . . , n et celui de la colonne
j = 1, . . . , p que l’on notera pi et qj respectivement. Pour ce faire, on a besoin
du total de la ligne i et de la colonne j du tableau K donné par les expressions
ki⋅ = ∑pj=1 kij et k⋅j = ∑ni=1 kij . On constate finalement que le total du tableau, qui
correspond au nombre d’observations est donné par k⋅⋅ = ∑pj=1 kij = ∑ni=1 kij = k.
⎡k ⋯ k1p k1⋅ ⎤⎥
⎢ 11 k12
⎢ ⎥
⎢ k21 k22 ⋯ k2p k2⋅ ⎥⎥
⎢
⎢ ⋮ ⋮ ⋱ ⋮ ⋮ ⎥⎥
⎢
⎢k k ⋯ knp kn⋅ ⎥⎥
⎢ n1 n2
⎢ ⎥
⎢ k⋅1 k⋅2 ⋯ k⋅p k⋅⋅ ⎥⎦
⎣
Figure 1 : Tableau K augmenté de ses marges de lignes et de colonnes.

J. Morissette 5
On peut alors en déduire les poids des lignes et des colonnes. On notera le
k
poids de la ligne i par pi = kki⋅ et le poids de la colonne j par qj = k⋅j . On définit
alors les matrices diagonales DI = diag(p1 , . . . , pn ) et DJ = diag(q1 , . . . , qp ).
⎡p1 0 ⋯ 0 ⎤
⎢ ⎥
⎢0 p ⋯ 0⎥
⎢ 2 ⎥
DI = ⎢ ⎥
⎢⋮ ⋮ ⋱ ⋮ ⎥
⎢ ⎥
⎢ 0 0 ⋯ pn ⎥
⎣ ⎦
⎡q1 0 ⋯ 0 ⎤
⎢ ⎥
⎢0 q ⋯ 0⎥
⎢ 2 ⎥
DJ = ⎢ ⎥
⎢⋮ ⋮ ⋱ ⋮ ⎥
⎢ ⎥
⎢ 0 0 ⋯ qp ⎥
⎣ ⎦
Figure 2 : Matrices diagonales des poids des lignes (DI ) et des colonnes (DJ ).
Par la suite, on peut obtenir les fréquences relatives des lignes et des colonnes
qui correspondent en fait aux profils des lignes et des colonnes. On notera le profil
k
de la ligne i par xi = { kiji⋅ }j=1,...,p = {xji }j=1,...,p et le profil de la colonne j par
k
yj = { kij⋅j }i=1,...,n = {yji }i=1,...,n . On construit grâce à ces profils les tableaux X
et Y , qui seront tous deux sous forme de lignes afin de simplifier la lecture. On
remarque que l’on peut retrouver ces tableaux grâce aux relations suivantes :
X = k1 DI −1 K et Y = k1 DJ −1 K t .
⎡ x1 x2 ⋯ xp ⎤
⎢ 1 1 1⎥
⎢ x1 x2 ⋯ xp ⎥
⎢ 2 2 2⎥
X =⎢ ⎥
⎢ ⋮ ⋮ ⋱ ⋮ ⎥
⎢ 1 ⎥
⎢x x2 ⋯ xpn ⎥
⎣ n n ⎦
⎡y11 y12 ⋯ y1n ⎤
⎢ ⎥
⎢y 1 y 2 ⋯ y n ⎥
⎢ 2 2 2 ⎥
Y =⎢ ⎥
⎢⋮ ⋮ ⋱ ⋮ ⎥
⎢ 1 2 ⎥
⎢y y ⋯ y n ⎥
⎣ p p p⎦
Figure 3 : Tableaux X et Y contenant respectivement en ligne les profils des

lignes et des colonnes.
Il est alors possible de définir les nuages de points représentant les tableaux
X et Y , noté respectivement N (I) et N (J). On pose :
n
N (I) = {(xi , pi ) ∶ xi ∈ Rp , pi > 0, ∑ pi = 1}
i=1
6
et de façon similaire pour N (J) :

p
N (J) = {(yj , qj ) ∶ yj ∈ Rn , qj > 0, ∑ qj = 1}.
j=1
On définit également deux fonctions de distances permettant de comparer les

différents profils de lignes et de colonnes. En posant AI = DJ −1 et AJ = DI −1 ,
on utilise les distances d(xi ,xi′ ) et d(yj ,yj ′ ) définies par :
p
k kij ki′ j 2
d2 (xi ,xi′ ) = ∥xi − xi′ ∥2AI = ∑ ( − )
j=1 k⋅j ki⋅ ki′ ⋅
et
p
k kij kij ′ 2
d2 (yj ,yj ′ ) = ∥yj − yj ′ ∥2AJ = ∑ ( − ) .
j=1 ki⋅ k⋅j k⋅j ′
Par la suite, le reste de la démarche consiste à faire une analyse en compo-
santes principales du nuage N (I)3 .
4.2.2 L’analyse en composantes principales

Par souci de concision, on présente seulement les grandes lignes de l’analyse en
composantes principales. Pour plus de détails, on réfère le lecteur à [Jol02].
Encore une fois, on considère un échantillon de n individus sur lesquels on
mesure p variables. Le but premier de l’analyse en composantes principales est
d’identifier les axes de l’ellipsoïde contenant l’ensemble des données, qui corres-
pondent en fait à n points de Rp , avec lesquels on travaille. Ces axes seront classés
du premier au pieme , selon la proportion de la variance qu’ils représentent par
rapport à la variance totale du nuage de points. Formellement, on parle plutôt
d’inertie expliquée par un axe et d’inertie totale.
Définition 4.1. Soit le nuage de points

n
N = {(xi , pi ) ∶ xi ∈ Rp , pi > 0, ∑ pi = 1}
i=1
ainsi qu’une métrique A de Rp . On définit l’inertie d’un nuage N par rapport à

un point y ∈ Rp comme étant la quantité
n
IN (y) = ∑ pi d2 (xi ,y),
i=1
où d2 (xi ,y) = (xi − y)t A(xi − y).

3
Bien que l’on suggère ici de faire une ACP sur N (I), il est en fait équivalent de faire
l’analyse sur le nuage N (J). En effet, plusieurs formules de transitions permettent de passer
de l’analyse d’un des deux nuages à l’analyse de l’autre, et ce sans aucune perte d’information.
Il devient alors redondant de faire les deux analyses de façon simultanée.
J. Morissette 7
On définit également la matrice de variance-covariance empirique, notée V ,

par :
n
V = ∑ pi (xi − g)t (xi − g),
i=1
où g est le centre de gravité du nuage N , c’est-à-dire la moyenne des observations.
Problème 4.2. Soit X la matrice de format n × p représentant les n observa-
tions et les p variables étudiées. Soit également une matrice A, symétrique et
définie positive, que l’on utilise comme métrique. Soit V la matrice de variance-
covariance empirique. Soit finalement le nuage de points N = {(xi , pi ) ∶ xi ∈
Rp , pi > 0, ∑ni=1 pi = 1}. On montre alors que l’extraction du premier axe princi-
pal s’effectue, comme on peut le voir dans [LMP95], en trouvant la solution du
problème d’optimisation suivant :
max u∈Rp IN (∆u) = ut AV Au, sujet à ut Au = 1
La solution de ce problème, noté u1 , correspond au premier axe principal. Si
λ1 , . . . , λp représente les valeurs propres, triées de façon décroissante, de la ma-
λ1
trice V A, alors on dira que le premier axe principal explique 100 ∗ Tr(V A) % de
l’inertie totale du système.
De plus, si u1 , . . . , ur sont les r premiers axes principaux, l’extraction du
r + 1e axe principal s’effectue en trouvant la solution du problème d’optimisation
suivant :
max u∈Rp IN (∆u) = ut AV Au, sujet à ut Au = 1, ut Auk = 0, ∀k = 1, . . . ,r
La solution trouvée, notée ur+1 , correspond au r + 1e axe principal et est associé
à la valeur propre λr+1 .
Une fois ces axes correctement identifiés, il est alors possible de projeter
les individus, mais également les variables dans le nouvel espace que l’on étudie.
Pour des raisons de représentation visuelle, un nombre de dimensions inférieur ou
égal à trois est généralement suggéré, mais il est toujours possible d’identifier les
p premiers axes principaux, lorsque nécessaires. On s’intéressera alors à trouver
les observations et les variables les mieux représentées afin de pouvoir interpréter
les axes principaux et de pouvoir comparer les différents individus.
4.2.3 Représentation des données

Une fois que l’on a effectué l’analyse en composantes principales sur N (I), on
doit trouver une façon de bien représenter l’information dont on dispose. Pour
cela, on utilise une représentation dite simultanée, puisqu’elle permet de voir
dans un même graphique les profils des lignes et des colonnes. Grâce aux for-
mules de transitions (voir [Cha15]), on à le choix de représenter les profils de
lignes aux barycentres des profils de colonnes ou de faire l’inverse. Il s’agit d’une
représentation barycentrique et s’interprète de la façon suivante. On dira que
le profil de la ligne i est le barycentre de projections des yj pondérés avec des
poids qui dépendent des xi .
8
4.2.4 Analyse des correspondances multiples

On considère cette fois un ensemble de n individus, noté I, ainsi qu’un ensemble
de nV variables étudiées noté V . On suppose que chaque individu donne une
réponse à chacune des variables considérées. De plus, on dira que pour chaque
variable v ∈ V , il existe un nombre Jv qui correspond au nombre de modalités
que peut prendre la variable. Si l’on désigne par J l’ensemble des modalités
considérées, on trouve la relation ∑v∈V Jv = ∣J∣, où ∣J∣ désigne le cardinal de
l’ensemble J.
On peut alors définir ce que l’on appelle le tableau disjonctif complet, que
l’on note K et que l’on définit par
⎧
⎪1, si l’individu i possède la caractéristique j
⎪
K = {Kij }j=1,...,J
i=1,...,n , où Kij = ⎨
⎩0 sinon
⎪
⎪
Pour une même variable, les différentes modalités sont toujours mutuellement
exclusives ce qui fait en sorte que le produit scalaire de leur colonne respective
est nécessairement nul. C’est pour cette raison que l’on attribue le qualifica-
tif disjonctif au tableau K. Il est également dit complet puisque pour chaque
question, on trouve une unique modalité prenant la valeur 1.
On peut définir, de façon analogue à la section 4.2.1, les quantités suivantes :
J
Ki⋅ = ∑ Kij
j=1
n
K⋅j = ∑ Kij
i=1
∑ ∑ Kij = n ⋅ nV
i j
On peut alors introduire un autre tableau permettant de synthétiser une

bonne partie de l’information que l’on vient d’énoncer. On définit le tableau de
Burt de la façon suivante :
n
B = {Bjj ′ }, où Bjj ′ = ∑ Kij Kij ′ .
i=1
Ce nouveau tableau correspond en fait aux cooccurrences des modalités, et ce

dernier possède un bon nombre de propriétés intéressantes. La disjonctivité pré-
sentée plus tôt se vérifie comme suit :
∀j,j ′ ∈ Jv , Bjj ′ = 0 et Bjj = K⋅j .

De plus, pour j ∈ Jv et j ′ ∉ Jv , la quantité Bjj ′ correspond au nombre de fois
que les modalités j et j ′ ont été associées.
On peut alors en déduire que
B = K t K.
J. Morissette 9
On dispose de nV 2 tableaux de contingence croisant les variables deux à deux.

On peut remarquer que les sous-tableaux non diagonaux sont disponibles en deux
exemplaires et que les sous-tableaux diagonaux sont eux mêmes diagonaux. De
plus, le total de chacun des sous-tableaux correspond toujours à n, le nombre
d’observations. Pour plus de détails, on suggère [LMP95].
À cette étape-ci, il ne reste qu’à choisir si l’on désire analyser le tableau de
Burt au complet ou si l’on s’intéresse seulement à certains sous-tableaux contenus
dans ce dernier. Une fois que l’on a identifié ce que l’on souhaite analyser, il suffit
de faire une, ou plusieurs, analyses des correspondances simples de l’information
ciblée.
4.3 Critique du modèle

L’analyse des correspondances multiples correspond à un bon compromis. En ef-
fet, celle-ci permet de pouvoir travailler de façon efficace autant avec les données
qualitatives que quantitatives, chose nécessaire dans le cas présent. Par contre,
il est clair que les résultats présentés subissent un contrecoup d’une utilisation
de ces types de données simultanément. En effet, on y perd une bonne quantité
d’information qui aurait pu être utilisé dans le cadre d’une analyse des com-
posantes principales par exemple. De plus, avec ce type d’analyse, la quantité
d’inertie expliquée par les premiers axes principaux, la dimension du problème
ainsi que le nombre d’observations viennent jouer un rôle important. Bien que
l’on ait aucun contrôle sur ces facteurs, ceux-ci peuvent causer des problèmes au
niveau de l’interprétation dans le cas où chaque axe explique une infime partie
de l’inertie totale ou encore lorsque le nombre de dimensions nécessaires et le
nombre d’observations viennent brouiller la représentation graphique.
5 Analyse des résultats

5.1 Traitement des données
Les données ont été analysées à l’aide du logiciel R, outil statistique décrit dans
[R C16], après avoir été nettoyées à plusieurs reprises dans Excel. Différentes
méthodes sont disponibles pour importer dans R des données enregistrées en
format Excel selon la taille du fichier que l’on importe. Une fois que les données
importées, on peut commencer directement à faire différentes analyses. Les librai-
ries FactoMineR et DiscriMiner ont été utilisées respectivement afin d’effectuer
relativement aisément des analyses en composantes principales ainsi que des ana-
lyses de correspondances multiples des données. Différents site web4 , contenus
audio-visuels et rapports furent consultés afin de comprendre comment utiliser
de façon efficace les différents outils permettants de faire les analyses désirées.
Un peu de travail manuel fut nécessaire afin de tirer pleinement avantage de
4
Par exemple, http://factominer.free.fr est une source pertinente si l’on désire bien sai-
sir les étapes et les sorties de procédures disponibles sur R. On suggère également la chaîne You-
Tube https://www.youtube.com/user/HussonFrancois, qui fut consulté à maintes reprises.
10
l’analyse de correspondances multiples. Finalement, les librairies ggplot2, plotly

ainsi que le gratuiciel Geogebra [Hoh02] ont été utilisés afin de pouvoir visualiser
les données facilement et de façon interactive.
5.2 Analyse des données et interprétations des résultats

5.2.1 Valeurs propres et inertie
En utilisant les 18 variables, on obtient un total de 74 modalités différentes.
Ainsi, si les variables ne présentent aucune structure, on s’attend à ce que chacun
des axes n’explique que 1.35% de l’inertie totale du nuage de points. Dans ce
cas, si l’on considère trois axes et que les variables sont structurées, on devrait
observer une inertie cumulée bien supérieure à 4%.
Figure 4 : Éboulis des valeurs propres pour notre modèle. On remarque une
cassure à partir du 5e axe.
La figure 4 montre que les trois premières valeurs propres sont, de façon
individuelle, bien plus grande que les 29 valeurs propres subséquentes. En fait,
la première valeur propre représente à elle seule 7.96% de l’inertie totale du
modèle, ce qui est plus que le double de la quatrième plus grande valeur propre,
qui n’explique que 3.86% de l’inertie du modèle. On trouve également que la
deuxième et troisième plus grande valeur propre représentent respectivement
5.98% et 4.37% de l’inertie totale. Pour des raisons de visualisation, on choisit
de travailler avec les trois premiers axes factoriels qui expliquent à eux seuls
18.3% de l’inertie totale, ce qui est bien supérieur au 4% mentionné plus tôt.
On trouvera aux sections A.3 et A.4 les tableaux donnant de l’information sur
les contribution des variables ainsi que la qualité de la représentation de ces
dernières.
5.2.2 Coordonnées et axes factoriels

Maintenant que l’on a établi le nombre d’axes pris en compte ainsi que les va-
riables ayant le plus contribué à la création des axes, on se propose d’interpréter
ces derniers.
J. Morissette 11
Pour chacun des trois axes, on utilisera les projections des variables sur ces
axes et on considérera les variables qui s’opposent afin de pouvoir attribuer un
certain sens aux deux directions de l’axe étudié. Bien sûr, on portera une atten-
tion particulière aux variables les plus représentatives, lesquelles sont présentées
à la section A.4.
5.2.2.1 Premier axe factoriel

Le premier axe étant celui qui explique la plus grande partie de l’inertie du
nuage, du moins lorsque l’on isole chacun des axes, celui-ci devrait représenter
un aspect important du jeu.
Figure 5 : Variables dont les composantes sur le premier axe principal sont les
plus extrêmes.
En analysant la figure 5, on remarque que plusieurs aspects du jeu sont

opposés. En effet, les variables ayant une première composante très négative sont
associées à des matchs où les deux joueurs ont beaucoup d’aces et de doubles
fautes, où on y retrouve peu de bris de service5 , où le perdant gagne beaucoup
de ses propres points au service (en première et deuxième balle) et où les deux
joueurs ont servi beaucoup de parties. De l’autre coté, les variables ayant une
première composante très positive sont acesociées à un match où les deux joueurs
ont peu d’aces et de doubles fautes, où le gagnant remporte une bonne proportion
des points sur son service (et ce même en deuxième balle), où la proportion des
points remportés par le perdant lorsque ce dernier est au service est faible et où
les deux joueurs ont servi peu de parties. Ainsi, le premier axe semble opposer les
matchs de longues et de courtes durées qui seraient respectivement la direction
négative et positive de cet axe.
5.2.2.2 Deuxième axe factoriel

On s’intéresse maintenant au deuxième axe factoriel. On s’attend encore une
fois à trouver un aspect relativement important du jeu, puisque cet axe explique
5
Bien que les modalités des variables de pourcentage de points de bris sauvés ne soient pas
parmi les mieux représentées, ces dernières viennent appuyer l’analyse de cette direction.
12
près de 6% de l’inertie totale.
Figure 6 : Variables dont les composantes sur le deuxième axe principal sont
les plus extrêmes.
L’analyse de la figure 6 permet d’opposer des variables associées au service

des joueurs. En effet, les variables ayant une deuxième composante très négative
sont associées à des matchs où la proportion de points gagnés au service est faible
pour les deux joueurs, où peu d’aces ont été réalisés et où beaucoup de balles de
bris ont été converties, et ce par les deux joueurs6 ). On remarque également que
les petits joueurs sont surreprésentés. Dans la direction opposée, les variables
décrivent plutôt un match où l’on retrouve peu, voir aucune opportunité de bris
pour les deux joueurs, où la proportion de points gagnés au service est élevée
pour les deux joueurs, où le gagnant n’a pas été brisé souvent et où le perdant a
commis peu de doubles fautes. On remarque également que la durée du match
est moyenne. Ainsi, le deuxième axe semble opposer les matchs où les joueurs ne
prennent pas avantage du fait d’être au service (service normal) aux matchs où
les joueurs prennent avantage du fait d’être au service (service en puissance).
5.2.2.3 Troisième axe factoriel
Le troisième axe principal n’explique que 4.37% de l’inertie totale. Néanmoins,

ceci est nettement supérieur à la borne de 1.35% établie à la section 5.2.1 et
on choisi d’explorer les variables qui se projettent aux extrêmités de cet axe en
espérant pouvoir y trouver un sens.
L’analyse de la figure 7 semble opposer des catégories de modalités des va-
riables étudiées. En effet, les variables ayant une troisième composante négative
sont associées à des matchs où le nombre de parties jouées est moyen, où le
nombre d’aces des deux joueurs est moyen, où le nombre de doubles fautes du
perdant est moyen et où la proportion de points gagnés au service par les deux
6
Ici, bien que la modalité lP BS_2 ne soit pas bien représentée, on se permet malgré cela de
la considérer étant donné qu’elle est intimement reliée à la modalité gP BS_2 qui est également
présente (mais surtout, qui est bien représentée !).
J. Morissette 13
Figure 7 : Variables dont les composantes sur le troisième axe principal sont
les plus extrêmes.
joueurs est moyenne. On remarque aussi que ces matchs comportent peu d’op-
portunité de briser le service de son adversaire. Dans la direction positive, les
variables décrivent des matchs où le joueur perdant n’a pas d’opportunité de bri-
ser son adversaire, où le perdant remporte une faible proportion de ses premières
balles, où ce dernier a peu d’aces et de doubles fautes, où le joueur gagnant à
beaucoup d’aces et où le nombre de parties au service est soit faible ou élevé.
Ainsi, le troisième axe semble opposer les moyens et les extrêmes, i.e. les matchs
où les variables prennent des modalités près de leur moyenne et les matchs où
les variables prennent des modalités éloignées de leur moyenne.
5.2.3 Analyse de différents sous-tableaux de Burt

Dans cette section, on s’intéresse à mettre en relation certaines variables afin de
voir leur lien de dépendance, s’il existe, et d’analyser ce dernier en terme de ten-
nis. Pour ce faire, on s’appuiera généralement sur la représentation barycentrique
des variables.
Exemple 5.1. À titre d’illustration de la démarche que l’on va suivre dans

les prochaines analyses, on s’intéresse à la relation entre le nombre d’aces et de
doubles fautes produits par les deux joueurs lors d’un match en fonction de la
surface de jeu. Bien que l’on semble ici porter notre attention sur une évidence,
on renforce la confiance que l’on a envers ce type de représentation.
La figure 8 situe les modalités pAce4, gAce4 et gAce3 très près les unes
des autres. Ceci veut dire qu’elles partagent le même type de profil, qui se
rapproche des surfaces dures et du gazon. Plus précisément, les modalités 4
sont plus attirées vers le gazon que les modalités 3. On remarque également que
les modalités pAce2, pAce1, gAce2 et gAce1 sont elles aussi très près les unes
des autres et donc qu’elles partagent le même type de profil. Celle fois, ce profil
semble influencé par la terre battue. On en conclut le résultat suivant : le gazon
est la surface où l’on devrait observer le plus d’aces au cours d’un match, le
dur suit non loin derrière et la terre battue ne semble pas être une surface sur
14
Figure 8 : Représentation barycentrique des surfaces et des ace.
laquelle il est possible de faire beaucoup d’aces.

De plus, si l’on regarde les pourcentages d’inertie expliqués par chacun des
axes, on constate que la situation étudiée est unidimensionnelle. En effet, le
premier axe explique 97.99% alors que le deuxième axe n’explique que 2.01%.
Ceci est loin d’être surprenant : les surfaces rapides, comme le gazon et le
dur, sont reconnues comme étant les plus optimales pour les joueurs ayant un
bon service alors que les surfaces lentes, comme la terre battue, ne le sont pas.7
5.2.3.1 Taille des joueurs

Dans un premier temps, on s’intéresse à mettre en relation la grandeur des
joueurs avec le nombre d’aces ainsi que le nombre de doubles fautes réalisés.
La figure 9 situe les modalités de la variable gTai dans quatre cadrans dis-
tincts. On remarque premièrement que la modalité gTai4 se projette entre les
modalités gAce4 et gDF4. Ainsi, le profil des joueurs de grande taille est carac-
térisé par un nombre d’aces élevés, mais également par un nombre de doubles
fautes élevé. Il s’agit d’un phénomène bien connu du monde du tennis8 . Deuxiè-
mement, la modalité gTai3 se projette entre les modalités gAce3, gDF1, gDF2
et gDF4. C’est donc dire que le profil des joueurs plus grand que la moyenne
comporte une grande variance au niveau du nombre de doubles fautes commises
et que ce dernier est également caractérisé par un nombre d’aces plus élevé que
la moyenne. On peut alors prétendre que la prise de risque, bien que cela soit
7
https://goo.gl/xBxnVq
8
https://goo.gl/rNnMmn
J. Morissette 15
Figure 9 : Représentation barycentrique de la grandeur du gagnant avec le

nombre d’aces et le nombre de doubles fautes.
dur à quantifier, joue un rôle important sur le service d’un joueur. En effet, le
service est une arme très puissante au tennis pouvant sortir le serveur du pé-
trin, par exemple sur balle de bris ou tout simplement lorsque le receveur mène
la partie. Les joueurs plus grands que la moyenne sont évidemment conscients
qu’ils peuvent utiliser cette arme à leur avantage, mais puisque leur jeu n’est
généralement pas axé sur leur service, ce dernier est, généralement, bien moins
efficace que celui des plus grands joueurs. Troisièmement, la modalité gTai2 se
projette entre les modalités gAce1, gAce2, gDF1, gDF2 et gDF3. Ce profil, repré-
sentant les joueurs plus petits que la moyenne, se compare bien avec le précédent,
dans le sens où on observe une variabilité importante au niveau du nombre de
doubles fautes commises. Finalement, la modalité gTai1 se situe entre les va-
riables gAce1, gDF2 et gDF3. On voit alors que les joueurs les plus petits du
circuit n’ont pas un service bien dangereux, ce qui est confirmé par leur profil.
En effet, étant donné le que ce profil de joueurs commet une quantité relative-
ment élevée de doubles fautes jumelée avec une quantité faible d’aces, on peut
prétendre qu’au service, leur premier coup de raquette n’est généralement pas
une attaque sérieuse.
Si l’on regarde le pourcentage du premier plan factoriel, qui s’élève à 98.07%
et donc qui explique pratiquement toute l’inertie observable sur le phénomène
étudié, on remarque que c’est le premier axe qui est le plus important, expli-
quant 82.32% de l’inertie totale, alors que le deuxième n’explique que 15.75%
de l’inertie totale. De plus, si l’on regarde les modalités que la variable gTai, on
peut apercevoir une tendance parabolique. Dans la littérature, cette tendance
16
est connue sous le nom de l’effet Guttman.
Définition 5.2. L’effet Guttman est un type de configuration particulière d’un

nuage de points projeté dans le premier plan factoriel. Cette configuration, qui
est en fait parabolique, peut également être décelée grâce à l’éboulis des valeurs
propres puisqu’elle est caractérisée par une première valeur propre significative-
ment supérieure aux valeurs propres subséquentes.
L’effet Guttman est associé à un premier axe qui oppose des valeurs à la
manière d’une échelle et à un deuxième axe qui oppose quand à lui les valeurs
extrêmes aux valeurs moyennes. Pour plus de détails sur l’effet Guttman, on
suggère [Mes12] et [Cib14].
On peut alors voir facilement que la figure 9 est un cas d’effet Guttman.
Le premier axe ordonne les modalités de la variable gTai ainsi que celles de
la variable gAce et oppose les modalités moyennes et extrêmes de ces mêmes
variables sur le deuxième axe. De plus, la quantité d’inertie expliquée par le
premier axe factoriel est significativement supérieure à celle du deuxième axe
factoriel.
5.2.3.2 Surface de jeu
Dans un deuxième temps, on met en relation la surface de jeu avec le temps de

jeu, le joueur gagnant et la main dominante du joueur gagnant.
Figure 10 : Représentation barycentrique des surfaces avec la main dominante

des joueurs, le temps de jeu et les joueurs ayant gagné au moins cinq tournois
au cours de la période étudiée.
J. Morissette 17
La figure 10 projette la modalité Hard au centre9 des modalités Djoko, Cilic,

Isner, Nishi, Del P, Gasqu, Raoni, Berdy, Wawri et R. Ainsi, le profil des matchs
de finales de tournoi joués sur le dur est caractérisé par neuf joueurs. Si l’on
considère seulement les tournois de grand chelem, on remarque que seule l’édition
2013 du US open, où Nadal a soulevé la coupe pour la seconde fois, n’a pas été
remportée par l’un de ces joueurs. De façon globale, ces joueurs ont remporté
72 des 143 titres disputés sur surface dure. De plus, les droitiers ont gagné un
total de 133 titres sur surface dure pendant cette période ; c’est plus de 93% des
tournois, pour un groupe d’individus représentants 82.5% des joueurs.
Il est intéressant de voir que Del Potro est identifié comme composante im-
portante de cette modalité, qui est d’ailleurs sa surface de prédilection, malgré
ses blessures et absences en 2014-2015. En fait, ceci est justifiable lorsque l’on
sait qu’il a gagné 10 titres, dont 9 sur dur, lors de la période étudiée, qu’il a
remporté la médaille d’argent au Brésil (qui était disputée sur le dur), qu’il a
joué 5 de ses 6 matchs de coupe Davis sur le dur et qu’il a concrétisé 3 victoires
pour l’Argentine10 .
La modalité Clay est, quant à elle, projetée au centre des modalités Ferre,
Wawri, Kliza, Nadal, Monaco et L. Ainsi, le profil des matchs de finales de
tournois joués sur terre battue est caractérisé par cinq joueurs. À eux seuls, ces
joueurs ont remporté 34 des 88 titres joués sur terre battue pendant la période
allant de 2012 à 2016. C’est près de 40% de cinq saisons sur terre battue qui
sont résumées par ces joueurs. De la même façon, on remarque que les gauchers
s’imposent sur cette surface, remportant 25 titres, soit environ 30% des titres
disponibles sur cette surface alors qu’ils ne représentent que 17.5% des joueurs.
Finalement, la modalité Grass se projette au centre des modalités Murra,
Feder et Isner. Ainsi, le profil des matchs joués sur gazon est caractérisé par
trois joueurs. À priori, il est loin d’être surprenant d’associer Federer et Murray
au gazon. Pourtant, pour ce qui est de Federer, il n’a gagné que trois titres sur
gazon sur la période considérée. Bien que tous ensemble ces trois joueurs aient
remporté 9 des 22 titres disputés sur gazon, on peut s’étonner, du moins en
partie, du fait que ces joueurs soient ceux qui caractérisent le mieux le gazon.
En effet, on considère le cas particulier de John Isner. Il peut être surprenant
de voir Isner comme joueur caractérisant le gazon étant donné qu’il n’a qu’une
seule victoire sur cette surface. Pourquoi ne retrouve-t-on pas Djokovic, lui qui
a gagné deux Wimbledon au cours de cette période ?
Pour répondre à cette question, on utilise le principe de la représentation ba-
rycentrique, mais également celui de la transition entre les deux espaces consi-
dérés, on peut exprimé la projection d’une modalité de la variable gNom en
fonction des modalités de la variable Surf. Ainsi, dans le cas de la modalité Is-
ner, on remarque que celle-ci se projette au centre des modalités Grass et Hard.
On peut alors dire que le profil de joueur de Isner est caractérisé par des forces
9
Centre au sens de la représentation barycentrique. Il s’agit donc d’une moyenne pondérée
par les poids associée aux modalités qui la compose.
10
L’argentine a gagné la coupe Davis en 2016. https://www.lequipe.fr/Tennis/
Actualites/Federico-delbonis-offre-a-l-argentine-sa-premiere-coupe-davis/754060
18
sur le dur et le gazon. Ceci est très rassurant et facile à comprendre puisque ces
surfaces favorisent son style de jeu, où le service joue un rôle important. En fait,
de ce point de vue, Isner et Federer sont des joueurs très semblables puisqu’ils
se projettent près l’un de l’autre au centre des modalités précédemment énumé-
rées, et ce même si leur style de jeu est différent. C’est que leurs performances
générales sont reliées aux mêmes surfaces.
On peut aussi considérer le profil représentant l’amas de joueurs dans le
quadrant supérieur droit. En effet, les modalités Berdy, Raoni, Gasqu, Del P,
Nishi et Djoko se projettent relativement proches les unes des autres. C’est que
ces modalités ont toutes un profil fortement caractérisé par la surface dure.
Pour ce qui est du temps de jeu, on remarque que la modalité Min4 se pro-
jette au centre des trois surfaces, indiquant que les matchs de très longues durée
sont présent sur toutes les surfaces. Les modalités Min2 et Min3 se projettent
quant à elles au centre des modalités Clay et Hard alors que la modalité Min1
est plus attiré vers la modalité Clay. Ainsi, les matchs les plus courts seraient
plus présent sur terre battue, malgré le fait que cette surface ainsi que le dur on
tendance à inciter des matchs de durée moyenne.
5.2.3.3 Joueurs gagnants et classification hiérarchique

Dans un troisième temps, on met en relation les joueurs gagnants avec le temps
de jeu, la surface de jeu, avec le nombre de parties au service et également avec
ses performances au service.
Figure 11 : Représentation barycentrique des joueurs gagnants avec le nombre

d’aces, le nombre de doubles fautes, le temps de jeu, la surface de jeu et le
nombre de parties servies par le gagnant.
J. Morissette 19
L’analyse de la figure 11 n’est pas évidente, mais on va s’y aventurer quand

même. On décèle ici beaucoup de groupes de joueurs. Afin de s’assurer d’obtenir
les meilleurs groupes possible, on introduit un nouvel outil. Ce dernier permet,
de façon très générale, de trouver les similarités entre différents individus. En fait,
on utilise une classification, ou encore une typologie, permettant de caractériser
des groupes homogènes de joueurs présents sur le circuit.
Définition 5.3. Soit X un ensemble d’observations. On dira qu’une classifica-

tion consiste à regrouper les éléments de X dans différents sous-ensembles selon
un critère de proximité. Une classification hiérarchique ascendante consiste à
montrer quelles observations ont été regroupées à chaque étape. Le fait que l’on
parle de classification hiérarchique ascendante découle du fait qu’à la première
étape, chaque xi ∈ X correspond à un sous-ensemble de taille 1.
Notation 5.4. On utilisera le terme amas, ou encore classe, plutôt que sous-
ensemble pour le reste de cet article.
En d’autres termes, un amas représente une certaine homogénéité interne des
observations à l’intérieur de ce dernier alors que l’ensemble des amas représente
une différence entre les groupes d’observations. De plus, lorsqu’on parle de critère
de proximité, on peut faire référence à plusieurs choses. Notamment, on peut
vouloir faire référence à une notion de distance, par exemple la métrique du χ2 .
On pourrait également vouloir minimiser l’augmentation de l’inertie créée par
l’agrégation d’amas, aussi connu sous le nom de la méthode de Ward.
Dans notre cas, on a choisi la métrique euclidienne plutôt qu’une métrique
basée sur la somme des valeurs absolues en conjonction avec la méthode de
Ward.
Dans un premier temps, on peut s’intéresser à la classification hiérarchique
de l’ensemble de tout les joueurs champions d’au moins un tournoi ATP.
Comme on peut le voir dans la figure 12, une classification à 4 amas est
suggérée.
En utilisant la représentation présentée dans la figure 13, on peut en déduire
le meilleur11 représentant de chacun des amas. Ainsi, on trouve que les joueurs
Tommy Haas, Juan Martin Del Potro, Leonardo Mayer et David Ferrer sont
respectivement les meilleurs représentants des amas noir, rouge, vert et bleu. De
la même façon, il est possible d’identifier les joueurs les plus caractéristiques,
dans le sens où ces joueurs maximisent la distance entre eux et les centres de
gravité des autres amas, de chacun des amas. Dans ce cas, on trouve que les
amas noir, rouge, vert et bleu ont respectivement comme joueur caractéristique
Nicolas Mahut, Ivo Karlovic, Horacio Zeballos et Albert Ramos.
L’amas noir est probablement caractérisé par le gazon, le dur ainsi que de
bonnes performances au service. En effet, on retrouve Hewitt et Anderson qui,
tout comme Haas et Mahut, ont de bonnes performances et un style de jeu bien
11
Meilleur au sens de l’individu le plus près du centre de gravité de l’amas. Ceci permet de
comprendre à quoi l’amas ressemble en moyenne.
20
Figure 12 : Classification hiérarchique de l’ensemble des joueurs.
Figure 13 : Représentation dans les deux premiers axes factoriels de la classi-

fication hiérarchique de l’ensemble des joueurs en quatre amas.
J. Morissette 21
adapté à ces surfaces.1213 De plus, on y retrouve plusieurs joueurs avec un service

puissant ou encore ayant un retour de service redoutable.
L’amas vert est probablement le plus difficile à analyser, faute de joueurs

bien connus du public. En effet, outre Mayer et Zeballos, on y retrouve Estrella,
Tipsarevic, Bellucci et Delbonis. En fait, cet amas peut être vu comme le regrou-
pement des joueurs ayant des succès sans lendemain. En effet, Tipsarevic est le
seul joueur du groupe à avoir gagné deux titres sur les cinq années considérées.
Tout les autres joueurs de cet amas n’en ont gagné qu’un seul.
L’amas rouge quant à lui contient beaucoup de joueurs bien connus du cir-
cuit. On y retrouve entre autres Isner, Murray, Djokovic, Federer, Monfils, Cilic,
Del Potro, Karlovic, Querrey, Tsonga, Gasquet, Dimitrov, Wawrinka, Berdych,
Raonic et autres. Cet amas contient beaucoup de joueurs, mais la plupart d’entre
eux partagent un point en commun : leur force au service14 . En effet, parmi cet
amas on retrouve la plupart des joueurs qui sont considérés comme les meilleurs
serveurs du circuit1516 . De plus, comme on l’a vu précédemment à la section
5.2.3.3, Del Potro est associé à la surface dure, ce qui laisse croire que cet amas
à une prédilection envers ce genre de surface.
L’amas bleu contient quand à lui des joueurs comme Nadal, Monaco, Fognini,
Ferrer, Ramos et Robredo. On remarque que cet amas contient beaucoup de
joueurs habiles sur la terre battue. De plus, on est porté à croire que cet amas
est caractérisé par un style de jeu défensif et une bonne forme physique ce qui
correspond au portrait de Ferrer et qui est renforcé par la présence d’un joueur
comme Nadal dans l’amas.
Bien que cette classification soit intéressante, on choisit de porter une plus
grande partie de notre attention sur une catégorie de joueur en particulier.17
En effet, afin de pouvoir faire un lien avec la figure 11, on décide de considérer
un joueur si celui-ci a gagné au moins cinq tournois ATP dans la période étu-
diée. Ceci permet de pouvoir voir quels joueurs représentants le mieux le circuit
s’appareillent ou s’opposent et aidera à caractériser ces derniers en utilisant les
variables présentées à la figure 11.
12
https://goo.gl/VFSrA9
13
http://www.atpworldtour.com/en/news/anderson-my-masters-1000-miami-2017
14
Karlovic détient plusieurs records au service. http://www.atpworldtour.com/en/news/
karlovic-becomes-new-ace-king-2015
15
http://www.essentiallysports.com/10-best-servers-mens-tennis-today/
16
http://www.atpworldtour.com/en/news/infosys-milos-raonic-july-2016
17
On justifie également ce choix par le manque d’information sur la caractérisation des amas
par les variables. À cause de la façon dont on a choisi d’utiliser les données, l’algorithme choisi
les considère comme quantitatives alors qu’elles sont qualitatives. Pour éviter de faire une
analyse erronée, on s’est contenté d’aller voir directement dans la base de données ce que les
joueurs avaient en commun ou encore de faire des recherches en lignes sur les joueurs.
22
Figure 14 : Classification hiérarchique des joueurs ayant gagné au moins 5

tournois ATP entre 2012 et 2016.
Cette fois, c’est une classification à sept amas qui est suggérée. En utili-
sant la représentation présentée dans la figure 15 on trouve que les joueurs les
plus représentatifs des sept amas sont les suivants : Isner, Murray (qui est le
seul individu présent dans l’amas), Cilic, Djokovic/Wawrinka18 , Kliza/Gasquet,
Ferrer/Nishikori, Monaco/Nadal. De même, on trouve que les joueurs les plus
caractéristiques de chacun des amas sont : Berdych, Murray, Cilic, Wawrinka,
Gasquet, Ferrer et Monaco.
Ainsi, en utilisant l’information que l’on vient de tirer de la figure 15 conjoin-
tement avec celle présentée dans la figure 11, il est possible de mieux comprendre
à quoi correspondent les différents amas, non pas en terme de joueur, mais plutôt
en terme de caractéristiques de joueurs.
Premièrement, le centre de gravité de l’amas noir se projette au centre des
modalités gAce4, gAce3, gDF2, Hard et Grass. On peut alors en conclure que
les joueurs présents dans cet amas présentent un profil de joueur ayant un bon
service et ayant de bonnes performances sur les surfaces dures et sur gazon.
Ces deux conclusions sont loin d’être surprenantes ; on a déjà mentionné que
ces deux phénomènes sont intimement reliés, dû à la nature du rebond et de la
vitesse de la balle sur ces surfaces. Les joueurs présents dans cet amas cadrent
parfaitement avec ces modalités ; Berdych, Isner et Raonic sont parmi les plus
grands serveurs du circuit, les deux derniers joueurs faisant partie du peu de
18
Étant donné que l’amas ne contient que deux individus, la distance entre le centre de
gravité de l’amas et les individus est la même pour les deux joueurs. Ainsi, on ne peut pas dire
qu’un des deux individus représente mieux l’amas que l’autre.
J. Morissette 23

fication hiérarchique de l’ensemble des joueurs en sept amas.
joueurs ayant réussi à faire plus de 1000 aces dans une même saison1920 .
Deuxièmement, l’amas rouge, qui correspond en fait a Murray2122 , ce projette
au centre des modalités gN B_P 4, Min3, Min4, Grass et gDF4. Ainsi, Murray
serait un joueur performant sur des matchs de longues durées, sur gazon et
serait connu comme quelqu’un faisant beaucoup de fautes sur son service. Dans
les faits, ce joueur est reconnu comme étant un des plus rapides et des plus
endurants du circuit. Il est donc vrai que son style de jeu convient aux matchs
sur surface rapide comme le gazon et qu’il peut se battre sur le terrain pendant
de longues heures sans devoir baisser la cadence.23
Troisièmement, le centre de gravité de l’amas vert se projette au centre des
modalités Hard, Min2, gDF2, gAce3. Ainsi, les joueurs présents dans cet amas
arborent un profil de joueur ayant une bonne arme au service sans toutefois que
cette dernière soit parfaite, de bonnes performances sur le dur et des matchs
moins longs qu’en moyenne. Encore une fois, il ne faut pas se surprendre de
voir quantité élevée d’aces et surface dure reliées. Pour ce qui est des joueurs,
tous les trois présentent de bonnes performances sur le dur. Ces performances
sont caractérisées par une grande puissance autant au niveau du service que des
coups de raquette subséquents. De même, on peut remarquer que Del Potro et
19
https://goo.gl/cHWNHW
20
https://goo.gl/vVFwXK
21
https://goo.gl/RLjY4F
22
https://fr.wikipedia.org/wiki/Andy_Murray#Style_de_jeu_et_.C3.A9quipement
23
Le match de demi-finale de l’ATP World Tour Finals entre Murray et Nadal en 2010 est
un bon exemple de son endurance.
24
Federer, bien qu’ils aient tous deux joués des matchs marathon au cours de leur
carrière2425 , sont avantagés par des points courts et rapides. La stature de l’un
et l’âge de l’autre26 sont, en effet, non-négligeables. De plus, on a déjà pu voir ces
joueurs, malgré leur force mentale, commettre un nombre significatif de doubles
fautes lors de moments importants27 .
Quatrièmement, le centre de gravité de l’amas bleu se projette au centre des
modalités Min3, gDF1, gDF2, gDF3, gDF4, gN B_P 3, gAce3 et Hard. Alors, la
présence de joueur dans cet amas serait caractérisée par une variance importante
au niveau du nombre de doubles fautes, une quantité importante d’aces, des
temps de jeu légèrement supérieurs à la moyenne ainsi que des performances
sur le dur. Djokovic et Wawrinka sont connus comme ayant une forme physique
exceptionnelle28 ce qui peut venir confirmer la tendance de leur match à s’étirer.
Les deux joueurs sont capables de présenter beaucoup de variation au niveau de
leur service ce qui, lorsque combiné avec une bonne force de frappe, leur permet
d’aller chercher une quantité importante d’aces. Leur performance combinée
sur dur est également impressionnante ; ils ont remporté sept des dix tournois
majeurs disputés sur surface dure sur la période étudiée.
Cinquièmement, le centre de gravité de l’amas turquoise, tout comme ce-
lui de l’amas mauve, ce projette au centre des modalités gAce1, Min1, Min2,
gN B_P 1, gN B_P 2, gN B_P 3. Ainsi, ces deux amas présentent des profils de
joueurs n’ayant pas un service extraordinaire et présentant une endurance plutôt
variable. En fait, ces quatre joueurs n’ont pas un service exceptionnel, que ce
soit à cause de leur taille29 , d’un manque de puissance30 ou tout simplement
d’un manque de technique31 . Par contre, Nishikori et Ferrer sont connus pour
avoir une bonne endurance, tout comme Gasquet32 .
Finalement, le centre de gravité de l’amas gris se projette au centre des
modalités Clay, gAce1, gAce2, wDF1 et Min3. Les joueurs de cet amas présentent
donc un profil de joueur ne prenant pas trop de risque au niveau du service,
disputant des matchs de longues durées et arborant une disposition positive
pour la terre battue. Personne ne sera surpris d’associer Nadal à la terre battue
et on a déjà mentionné à la section 5.2.3.3 que les racines argentines de Monaco
ont fait de lui un joueur reconnu sur cette surface33 . De plus, le Majorquin
24
https://goo.gl/Tg5k6o
25
https://en.wikipedia.org/wiki/Longest_tennis_match_records
26
Bien que Federer continue de faire des performances impressionnantes en 2017, son style
de jeu rapide et efficace lui a permit de demeurer compétitif.http://www.optimumtennis.net/
federer-volley-technique.htm
27
Par exemple, voir le match Federer contre Raonic à Wimbledon en 2016.
28
Il suffit de penser au surnom Stanimal attribué à Wawrinka ou encore à l’effort de Djokovic
pour améliorer son endurance entre 2009 et 2011. http://www.independent.co.uk/sport/
tennis/novak-djokovic-the-man-who-met-his-match-with-murray-1809033.html
29
http://bleacherreport.com/articles/1343596-top-10-profile-david-ferrer
30
https://www.quora.com/What-makes-Kei-Nishikori-such-a-good-tennis-player
31
https://en.wikipedia.org/wiki/Richard_Gasquet#Playing_style
32
https://goo.gl/WgCMfF
33
Huit de ces neuf titres sur le circuit ont été gagnés sur terre battue.
J. Morissette 25

fication hiérarchique de l’ensemble des joueurs en deux amas.
est connu pour avoir une quantité d’énergie inépuisable34 une caractéristique
partagée par son ami Monaco35 . Finalement, le service de Nadal n’a jamais été
considéré comme l’une de ses forces - au contraire36 .
Maintenant que l’on a fini d’analyser les différents amas présents dans la clas-
sification de la figure 15, on va porter notre attention sur une partie supérieure
de cette classification.
Dans la figure 16, on ne dispose que de deux amas. Ces derniers sont re-
présentés respectivement par Del Potro et Nadal, et caractérisés par Berdych
et Monaco. Si l’on analyse la figure 16 conjointement avec la figure 11, on peut
aller trouver les caractéristiques de joueurs qui définissent le mieux le profil de
chacun de ces amas.
Pour ce qui est de l’amas noir, son centre de gravité de projette au centre des
modalités gDF2, gDF3, gDF4, gAce3, Min2, Min3 et Hard. On y reconnaît là
une définition très globale des joueurs ayant un bon service. Si l’on considère de
plus ce qui caractérise se groupe, on accorde alors de l’importance aux modalités
Grass, gAce4 et gN B_P 4. Ces modalités ne font que renforcer la proposition
que cet amas regroupe des joueurs ayant beaucoup de talent au service. Il n’est
pas surprenant de voir que ce profil de joueur à une prédisposition envers les
surfaces rapides ; les grands joueurs, comme on l’a mentionné plus tôt, ont un
34
http://www.optimumtennis.net/rafael-nadal-training.htm
35
https://goo.gl/cxgyLY
36
https://goo.gl/K7ymdG
26
avantage net sur ces surfaces37 .

Pour terminer, le centre de gravité de l’amas rouge se projette au centre des
modalités gAce1, gAce2, gDF1, Min3 et Clay. Bien que l’on ne puisse pas trouver
une définition claire de ce que ce profil représente, on peut en conclure quelque
chose d’aussi fort ; ce groupe est bien l’opposé du premier. C’est-à-dire que le
service, sans que ce dernier ne soit une faiblesse, est loin d’être une des forces
du jeu des joueurs de ce groupe.
5.2.4 Analyse des observations artificielles
Avant de se lancer dans l’analyse, on définit le concept d’observations artifi-

cielles. Afin de pouvoir comprendre le comportement global d’un joueur, et non
pas ses capacités ponctuelles, on crée une nouvelle observation qui correspond
en quelque sorte à la moyenne38 du joueur sur la période étudiée. Ainsi, ces
observations devraient être moins influencées par les données aberrantes, soit un
match beaucoup trop facile ou une performance record, et donc mieux représen-
tées le joueur dans son ensemble. Pour la création de ces observations, tous les
matchs de finales de tournoi entre 2012 et 2016 ont été considérés. Il est éga-
lement important de mentionner que seulement 10 joueurs ont été sélectionnés,
de façon arbitraire, pour cet exercice. Les membres du big four sont évidem-
ment présent, accompagnés par Wawrinka, Del Potro, Raonic, Ferrer, Hewitt et
Roddick. Les quatre premiers autres joueurs possèdent des profils relativement
différents et couvrent plusieurs aspects du jeu alors que les deux derniers joueurs
ont été choisis afin de pouvoir présenter les performances d’un ancien champion
en fin de carrière. On s’est également permis de créer trois autres observations
supplémentaires. Djokovic, Federer et Nadal dominent le tennis masculin depuis
près de 15 ans déjà39 et ont tous les trois eux des saisons exceptionnelles au
cours de leur carrière. Selon plusieurs, les meilleures saisons de ces trois grands
joueurs sont respectivement celles de 2006, 2010 et 2015. On a donc décidé de
créer trois autres observations supplémentaires40 afin de pouvoir comparer ces
saisons.
37
De plus, un nombre de parties élevé avec un temps de match moyen impose que les points
soient joués en peu de coup de raquette ; le service joue donc un rôle important dans les échanges
des joueurs provenant de ce profil.
38
Le terme moyenne est à prendre au sens large. On ne peut évidemment pas faire la moyenne
d’une variable qualitative. Par contre, étant donné que l’on a travaillé avec le tableau disjonctif
complet, il est possible de trouver le nombre de fois que chacune des modalités s’est réalisé
pour ensuite en déduire le pourcentage du temps que les modalités se sont réalisées.
39
Au total, les trois joueurs ont remporté 45 des 54 derniers tournois de grand chelem. De
plus, Federer et Nadal, qui avaient respectivement une disette de grand chelem de 5 et 3 ans,
ont montré à la planète en 2017 qu’ils pouvaient encore repousser les records qu’ils ont établis.
40
Malheureusement, le modèle utilisé ne sera pas très bien adapté pour la saison 2006 de
Federer et celle de 2010 de Nadal. On se permet de fermer les yeux sur cela et de se prêter à
l’exercice malgré tout.
J. Morissette 27
5.2.4.1 Analyse des observations artificielles
Dans un premier temps, on utilise l’analyse proposée à la section 5.2.2 afin de

pouvoir comparer globalement et efficacement les joueurs.
Figure 17 : Projection dans le premier plan factoriel des observations artificielles

accompagnées des variables les mieux représentées.
On rappelle que le premier axe factoriel oppose les matchs de longue durée
(dans la direction négative) à ceux de courte durée (dans la direction positive),
que le deuxième axe oppose les joueurs tirant avantage de leur service (dans la
direction positive) à ceux qui ne le font pas (dans la direction négative) et que le
troisième axe factoriel oppose quant à lui les moyens (dans la direction négative)
aux extrêmes (dans la direction positive).
Ainsi, on peut voir directement dans les figures précédentes que Hewitt
présente un profil de joueur où la plupart de ces matchs sont plus longs que
la moyenne. On retrouve d’ailleurs sa projection près des modalités Min3 et
gN B_P _3 ce qui vient confirmer cette prétention, mais également près de la
modalité gAce4. C’est d’ailleurs pourquoi sa position sur le deuxième axe est
positive. Malgré tout, il semble présenter des matchs dans la moyenne plutôt
que dans l’extrême. En fait, seul Murray, Del Potro, Roddick et Raonic ont
une coordonnée positive sur le troisième axe. De ceux-ci, Roddick et Raonic se
démarquent clairement en tant que serveurs exceptionnels. Roanic se projette
près des modalités M in_1, g2eG_4, g1ereG_4 et gP BS_4 témoignant d’une
excellente qualité de service, et ce lors de moments clés. Quant à Roddick, il se
projette près des modalités g1ereG_4, g2eG_1, gSvc_1, gP BS_4 et de Hard.
C’est donc dire que l’efficacité de sa première balle est très importante et lui
28
permet de sauver bien des balles de bris, mais que le reste de son jeu au ser-
vice n’est pas aussi bon. On remarque que Murray et Del Potro se projettent
eux aussi près de ces modalités et donc on peut leur attribuer, partiellement, la
même analyse. De façon plus spécifique, Murray se projette également près de
la modalité gN B_P _3, ce qui témoigne de son endurance, alors qu’à l’inverse,
Del Potro est projeté plus près de la modalité M in_1. On retrouve Nadal et
Ferrer projetés près des modalités g2eG_4, G1ereG_1, Clay et M in_2. Ferrer
est également près de la modalité M in_3. Le profil des deux Espagnols est donc
caractérisé par la capacité de jouer des matchs plus longs que la moyenne, et ce
sans s’appuyer sur d’énormes performances au service, bien que leur efficacité
en deuxième balle soit impressionnante. Federer et Wawrinka, quant à eux, se
projettent près des modalités Hard, M in_3, gN B_P _3 et gP BS_4. Ainsi les
deux Suisses présentent un profil caractérisant une bonne présence mentale, du
moins suffisante pour bien jouer sur balle de bris, et une forme physique suf-
fisante pour jouer des matchs plus longs qu’en moyenne. Finalement, Djokovic
se projette près des modalités Hard, Clay, gN B_P _3, M in_2 et gP BS_4. Le
Serbe présente donc un profil de joueur avec de bonnes aptitudes sur toutes
les surfaces, comme en témoignent les saisons 2015-2016 où il était champion
en titre des quatre grands chelems simultanément, une bonne efficacité sur le
terrain ainsi qu’une bonne aptitude à sauver les meubles.
5.2.4.2 Comparaison de trois saisons exceptionnelles
On termine notre analyse en comparant ce que sont considérés comme étant

les meilleures saisons de Djokovic, Federer et Nadal. Pour ce faire, on utilise
l’analyse des correspondances où l’on considère les variables temps de jeu, ace,
doubles fautes et surface.
Un seul regard à la figure 18 permet de constater que les trois saisons consi-
dérées sont bien différentes. En effet, les trois observations se projettent dans
différentes directions. On détaille chacune d’entre elles en ordre chronologique.
On rappelle que les analyses présentées ci-dessous sont valides sous le principe
de la représentation barycentrique.
La saison 2006 de Federer se projette au centre des modalités gAce4, Hard,
Grass, Min3, gDF1 et gDF2. Le profil de cette saison présente une force sur les
surfaces rapides ainsi qu’au niveau du premier coup de raquette. En effet, grâce
à un taux de victoires de 94.84% Federer à remporté dix titres sur surface dure,
une victoire en coupe Davis sur le dur ainsi que deux sur gazon lors de cette
saison. Il n’a eu que cinq défaites en 2006 ; deux sur dur et trois sur terre battue.
Quatre de ces défaites ont été face à Nadal, un de ses plus grands rivals.41 . Son
service fut également solide au cours de cette année puisqu’il gagnait 77% de ses
premières balles, a passé 63% de ses premières balles et a atteint une moyenne
d’environ sept aces par match42 .
41
https://goo.gl/QBmvix
42
https://goo.gl/rGsi1A
J. Morissette 29
Figure 18 : Représentation barycentrique des meilleures saisons de Djokovic,

Federer et Nadal avec la surface de jeu, le nombre d’aces, le nombre de doubles
fautes et le temps de jeu.
La saison 2010 de Nadal se projette au centre des modalités gAce1, gAce3

et Clay. Le profil de cette saison présente une forte présence sur surface lente.
Les hauts et les bas au niveau de la quantité d’aces s’expliquent facilement ; ses
victoires en tournois se divisent également entre la terre battue et les autres
surfaces. En effet, on peut s’apercevoir que Nadal à eu une saison exceptionnelle
sur terre battue en 2010, remportant quatre titres en autant de tentatives. De
plus, il a réussi à gagner deux autres titres sur dur tout en soulevant la coupe
à Londres. Durant cette saison, neuf de ses dix défaites ont eu lieu sur surface
dur, l’autre étant sur gazon.
La saison 2015 de Djokovic se projette au centre des modalités Min1, Min4,
gAce2, gDF4. Le profil de cette saison présente une grande variation au niveau du
temps de jeu et quelques lacunes au niveau du service. En effet, quelques victoires
éclaires, comme celle à Monte Carlo, ainsi que de longues batailles en finales de
grand chelem expliquent assurément la variance au niveau du temps de jeu de
Djokovic en 2015. Pour ce qui est du service, une analyse des donneés permet de
constater que parmi ses huit titres en surface sur, son titre à Wimbledon et ses
deux victoires sur terre battue, on retrouve quatre matchs sans doubles fautes
et exactement la même quantité avec au moins quatre doubles fautes.
Il est intéressant de noter que durant ces trois saisons, les trois hommes ont
tous gagné trois tournois de grand chelem. En fait, seul Nadal n’a pas réussi à
atteindre les quatre finales de grand chelem au cours de sa saison execptionnelle.
30
6 Conclusion
L’analyse proposée permet de mettre de l’avant différents aspects du tennis
moderne et d’en évaluer leur impact ainsi que leur importance. On a pu confirmer
l’avantage que procure un bon premier service, malgré le fait que celui-ci ne
soit qu’un atout à un joueur sur le circuit professionnel. De la même façon, on
a pu voir que le monde moderne du tennis se divise de façon globale en deux
catégories : les joueurs avec une excellente endurance et ceux avec une endurance
normale. En fait, ceci se reflète dans la plupart des statistiques étudiées ; certains
joueurs sont capables de faire la différence entre des matchs faciles et des matchs
difficiles, alors que d’autres semblent jouer tous leurs matchs selon une même
tendance ou ligne directrice.
Par la suite, l’analyse de différents sous-tableaux de Burt a permis d’établir
des liens entre différentes variables étudiées. Le lien évident entre la taille d’un
joueur et la surface de jeu fut soulevé. Le nombre d’aces et d’erreurs au service
a également été mis en relation avec la taille du joueur où, là encore, aucune
surprise. Puis, on s’est intéressé à mettre en relation la surface de jeu avec la
durée des matchs, la main dominante du gagnant ainsi qu’une certaine portion
des joueurs.
On a également voulu faire une analyse mettant en relation les joueurs ayant
gagné plus de cinq tournois au cours des saisons 2012-2016 avec le temps de jeu,
le nombre de jeux, la surface, le nombre d’aces et le nombre de doubles fautes.
Afin de rendre la tâche plus aisée, on a introduit une classification hiérarchique
des joueurs, qui ultimement, a divisé les meilleurs joueurs du circuit en deux
catégories : les joueurs capables de faire beaucoup d’aces contre ceux ayant un
service plus conservateur. Évidemment, ces deux catégories de joueurs étant très
différentes, ces dernières présentent des surfaces de prédilection bien adaptée à
leur réalité ; le premier groupe performe mieux, de façon générale, sur dur et sur
gazon, alors que le deuxième performe mieux sur terre battue.
Pour terminer l’analyse, on s’est intéressé à comparer les meilleures saisons
de Djokovic, Federer et Nadal en utilisant des observations artificielles. On a
trouvé que ces trois saisons exceptionnelles présentent des caractéristiques très
différentes, qui se rapportent directement au joueur. On a par la suite prolongé
l’exercice en regardant dix joueurs de façon globale pendant les saisons 2012-
2016.
Plusieurs variables ont été mises de côté lors de ces analyses, dans le but de
réduire le bruit et ainsi obtenir un meilleur pourcentage de variance expliquée.
Notamment, la provenance du joueur pourrait permettre de regroupé et d’ex-
pliquer pourquoi certains joueurs présentent des profils similaires. La variable
score est assurément importante et contient beaucoup d’information. Malheu-
reusement, celle-ci est difficile à décortiquer et demande une certaine adaptation
afin d’en tirer pleinement profit. On a également été limité par la nature elle-
même des données. Par exemple, les données ne permettaient pas de savoir si un
joueur avait effectué une remontée et aucune information sur la distance parcou-
rue n’était disponible. La plus grande question concernant la base de données est
J. Morissette 31
évidemment de trouver la meilleure façon de travailler avec une paire de joueurs.

On a décidé de porter une bonne partie de notre attention sur les joueurs ga-
gnants, mais en considérant une plus grande quantité d’observations, on aurait
peut-être pu s’intéressant aux différents match-ups plutôt qu’aux individus.
Plusieurs autres questions restent sans réponse. L’analyse présentée ne prend
pas en compte le dynamisme présent sur le circuit ; beaucoup de joueurs sont
présents et se battent pour garder leur place. Peut-être serait-il intéressant de
considérer un modèle qui dépend du temps, donc saisonnier, afin de saisir les
subtilités présentes dans une même saison. À tout le moins, faire l’analyse de
différentes périodes n’a pas pu être faite, faute de temps. Évidemment, d’autres
problèmes intéressants, comme regarder si le circuit féminin est semblable ou
fondamentalement diffèrent du circuit masculin ou encore de comparer le tout
avec le double, restent ouverts.
Finalement, la disponibilité des bases de données des joueurs Futures et ATP
Challenger Tour pourrait peut-être permettre la mise en place d’un modèle de
prédiction. Pour ce faire, d’autres outils statistiques sont nécessaires.
32
A Figures et tableaux
A.1 Étiquettes
Figure 19 : Étiquettes utilisées pour les variables.

J. Morissette 33
Figure 20 : Étiquettes utilisées pour les joueurs.

34
A.2 Données et leur transformation
Figure 21 : Cinq observations, mises en colonne, provenant de la base de donnée

d’origine.
J. Morissette 35
Figure 22 : Cinq observations, mises en colonne, provenant de la base de donnée

après toutes les transformations effectuées et après avoir fait une sélection des
variables importantes.
36
Figure 23 : Description des quartiles pour chacune des variables. On en déduit

que la modalité 1 correspond à une valeur prise entre le minimum et le 25e
percentile, que la modalité 2 correspond à une valeur prise entre le 25e percentile
et la médiane, que la modalité 3 correspond à une valeur prise entre la médiane
et le 75e percentile et que la modalité 4 correspond à une valeur prise entre le
75e percentile et le maximum. Les variables mises en supplémentaires sont les
14 premières de la liste, soit de NomT à Min.
Remarque A.1. Bien que cette information ne soit pas disponible dans la figure
23, les variables gPBS et pPBS peuvent prendre la valeur 0. En fait, cette
modalité correspond à l’évènement où le pourcentage de balle de bris n’est pas
disponible, c’est-à-dire que le joueur n’a pas fait face à une balle de bris.
J. Morissette 37
A.3 Contribution des variables
Figure 24 : Représentation graphique des 10 variables ayant le plus contribué

à la formation du premier et du deuxième axe factoriel.

à la formation du premier et du troisième axe factoriel.
38

à la formation du deuxième et du troisième axe factoriel.
A.4 Qualité de la représentation des variables
Figure 27 : Représentation graphique des 10 variables ayant la meilleure qualité

de représentation sur le premier et deuxième axe factoriel.
J. Morissette 39

de représentation sur le premier et troisième axe factoriel.

de représentation sur le deuxième et troisième axe factoriel.
40
A.5 Observations Artificielles
Figure 30 : Étiquettes utilisées pour les saisons exceptionnelles.
Figure 31 : Projection sur le premier et troisième axe factoriel des observations

artificielles accompagnées des variables les mieux représentées.
J. Morissette 41
Figure 32 : Projection sur le deuxième et troisième factoriel des observations

artificielles accompagnées des variables les mieux représentées.
42
Références
[Cha15] Marie Chavent : L’analyse des correspondances multiples (acm). Mé-
moire de D.E.A., Université de Bordeaux, 2014-2015.
[Cib14] Philippe Cibois : Les méthodes d’analyse d’enquêtes. ENS Éditions,

2014.
[ELLS11] Brian S. Everitt, Sabine Landau, Morven Leese et Daniel Stahl :

Cluster Analysis. Wiley, 2011.
[GCB10] Mélanie Glasson-Cicoganni et Angré Berchtold : Imputation

des données manquantes : Comparaison de différentes approches. In
42èmes Journées de Statistique, 2010.
[HJP10] François Husson, Julie Josse et Jérôme Pagès : Principal component

methods - hierarchical clustering - partitional clustering : why would we
needto choose for visualizing data ? Rapport technique, Agro Campus,
Applied Mathematics Department, 2010.
[Hoh02] Markus Hohenwarter : GeoGebra : Ein Softwaresystem für dyna-

mische Geometrie und Algebra der Ebene. Mémoire de D.E.A., Paris
Lodron University, Salzburg, Austria, février 2002. (In German.).
[Jol02] I.T. Jolliffe : Principal Component Analysis, Second Edition. Sprin-

ger, 2002.
[Laf] Dominique Laffly : Introduction à l’analyse factorielle des correspon-

dances. En ligne. Laboratoire Société Environnement Territoire.
[LMP95] Ludovic Lebart, Alain Morineau et Marie Piron : Statistique ex-

ploratoire multidimensionnelle. Dunod, 1995.
[Mes12] Samir Messad : Traitement statistique des données d’élevage ; les mé-
thodes d’analyses factorielles et de classification, 2012.
[R C16] R Core Team : R : A Language and Environment for Statistical

Computing. R Foundation for Statistical Computing, Vienna, Austria,
2016.
[Sta] Statistica : Techniques exploratoires multivariées : Analyse actorielle

des correspondances simple et multiple. http://www.statsoft.
fr/concepts-statistiques/analyse-des-correspondances/
analyse-factorielle-des-correspondances.php#analyse.
Jean-Philippe Morissette
Département de mathématiques, Université de Sherbrooke
Courriel: [email protected]
Caractérisation des universités
américaines
Fanny Rancourt ∗
Contact : [email protected]
Département de mathématiques, Université de Sherbrooke
Résumé
On tentera, dans cette étude, de caractériser les universités américaines
en utilisant notamment les salaires déclarés par leurs diplômés, leur nombre
d’inscriptions, leur taux de graduation et leurs frais de scolarité. On effec-
tuera premièrement une analyse en composantes principales (ACP) pour
déterminer les caractéristiques distinguant le mieux toutes ces institu-
tions ainsi que celles qui sont correlées avec un meilleur salaire de leurs
diplômés sur le marché du travail. On tentera également d’identifier les
attributs liés aux institutions ayant les frais de scolarité plus élevés. On
effectuera en second lieu une analyse discriminante (AD) afin de séparer
les différents types d’universités les uns des autres (privé ou public et
niveau de sélectivité). À l’aide du modèle considéré, on comparera enfin
quelques unviersités canadiennes aux établissements américains ayant un
classement similaire selon QS top universities et Times Higher Education.
1 Introduction
Il est bien connu que l’éducation supérieure aux États-Unis compte parmi
les plus onéreuses au monde. En effet, parmi les dix universités les plus dispen-
dieuses recensées par le site Career Addict, huit se situent aux États-Unis [1] et
coûtent plus de 58 700 $US, le salaire annuel moyen par habitant du pays [2]. Se-
lon l’institut TICAS, en 2012, 71 % des étudiants qui graduent d’un programme
d’une durée de quatre ans, soit 1,3 millions de personnes, sont endettés. En plus
d’une augmentation du nombre absolu d’individus ayant des dettes compara-
tivement à 2008, la dette moyenne a elle aussi augmenté sur la même période
passant de 23 450 $US à 29 400 $US, soit une hausse de 25 % [3]. En 2016, elle
était passée à 37 172 $US [4].
Cette crise, prenant de plus en plus d’ampleur, incite donc plusieurs étudiants
américains à se tourner vers les universités canadiennes, qui ont des coûts moins
∗ L’auteur tient à remercier Prof. Bernard Colin pour sa supervision et ses judicieux conseils
ainsi que Frédéric Branchaud-Charron pour ses corrections.
1
élevés et un prestige similaire. En effet, deux universités canadiennes, McGill
University et University of Toronto 1 , se trouvaient, en 2013, dans le top 25
mondial des universités selon QS top universities [5] et dans le top 35 selon
le Times Higher Education [6]. De plus, les établissements canadiens ont des
taux de rejet en deça de leurs compères américains, les rendant d’autant plus
attrayantes.
L’objectif de la présente étude est de déterminer la nature du lien entre

le prestige d’une université, les coûts associés et les salaires obtenus par leurs
diplômés. On utilise les tiers, des indices combinant le niveau de sélectivité issu
du Barron’s index et le type (privé ou public), pour classifier les universités.
Le tableau 5 dans l’annexe A contient des exemples pour chacune des classes.
Une analyse comparant deux-à-deux chaque tier a été effectuée afin de mieux
comprendre cette classification des établissements propre aux États-Unis.
2 Position du problème
Les coûts d’une année d’étude universitaire pouvant varier de 5 000 $US à
plus de 50 000 $US aux États-Unis, on cherche à déterminer les composantes
d’un établissement statistiquement liées à une facture plus ou moins élevée, et
ce, peu importe son tier. Il serait particulièrement intéressant de voir s’il y a
un retour sur cet investissement avec un salaire plus élevé des diplômés. On
se préoccupe plus précisément de la distribution des salaires car elle est beau-
coup plus riche en information que les mesures simples comme la médiane ou
la moyenne. De plus, comme 31,7 % des Américains ont un diplôme univer-
sitaire requérant au moins quatre ans d’études en 2013 [7], les deux derniers
quintiles seront particulièrement surveillés afin de valider si un plus haut niveau
d’éducation est associé à un salaire plus élevé. De même, les écoles ayant des taux
de rejet plus élevés, souvent associé aux établissement prestigieux, peuvent-elles
avoir un meilleur taux de placement ou un salaire de ses diplômés plus élevé ? Il
a été choisi que le tier soit seulement projeter dans l’espace factoriel pour cette
première analyse afin de départager les universités grâce à ce qu’elles offrent et
non à une étiquette à connotation plus ou moins prestigieuse.
On caractérisera ensuite ce qui sépare chaque tier à partir d’analyses soit glo-
bales soit deux-à-deux. En effet, les différents niveaux de prestige des universités
doivent être fortement liés à certains facteurs précis décrivant un établissement,
que ce soit le salaire de ses diplômés, les proportions d’une communauté ethnique
ou d’une concentration (majeure) choisie, la masse salariale moyenne d’une fa-
culté ou autre. Les coûts d’une année d’étude vont inévitablement ressortir lors
de l’analyse globale, mais pour les modèles considérant une paire de tiers, il y
a des chances que ce soit d’autres facteurs. On s’intéressera particulièrement à
ces paires.
1. Aucun nom d’université n’est francisé dans le présent rapport.
2
On tentera aussi de rapprocher les universités canadiennes au tier qui leur
ressemble le plus lorsque on utilise le prix facturé à un étudiant provenant
des États-Unis et les autres caractéristiques disponibles sur l’établissement. Ce
rapprochement a pour objectif de comparer ce que propose les universités ca-
nadiennes à leurs semblables américaines et constater si un gain est possible en
choisissant de poursuivre des études supérieures au Canada.
3 Présentations des données

Les observations utilisées dans la présente étude proviennent principalement
du site The Equality of Opportunity Project, la page web d’un groupe de re-
cherche composé des professeurs d’économie Raj Chetty (Stanford University),
John Friedman (Brown University) et Nathaniel Hendren (Harvard University),
de huit stagiaires postdoctoraux, de neuf collaborateurs et d’une quinzaine
d’étudiants gradués. Les banques de données considérées lors de cette étude
sont celles associées à l’article Mobility Report Cards : The Role of Colleges in
Intergenerational Mobility [8] mises en ligne en début d’année 2017 [9]. Comme
son titre l’indique, ce dernier s’intéressait principalemement aux établissements
scolaires (universités, collèges et community college) ayant une bonne accessibi-
lité et une amélioration du niveau de vie de l’étudiant par rapport à celui de ces
parents. Ces critères se mesuraient par la proportion d’étudiants provenant de
ménages plus pauvres et par le nombre de diplômés ayant un salaire supérieur
à celui de ses parents respectivement.
L’équipe de recherche a agrégé les informations détenues par le Département

de l’Éducation de tous les étudiants de 1999 à 2013 pour ne considérer que
les établissements scolaires. De plus, lorsque ces derniers comptaient moins
de 150 inscriptions, ils étaient mis de côté. Des 2 460 institutions compilées,
1 465 offraient des programmes d’une durée de quatre ans. Les différentes me-
sures utilisées lors de cette analyse se répartissent en onze fichiers distincts
ayant entre 5 et 477 variables chacun et compatibles avec les logiciels Stata ou
Excel. De plus, chacun était accompagné d’un fichier définissant chaque variable.
La principale difficulté rencontrée fût de trier la quantité colossale d’infor-

mation disponible. En effet, les onzes bases de données contenaient chacune
beaucoup de renseignements sur chacun des établissements ainsi que leurs douze
cohortes associées et plusieurs variables avaient presque la même définition. Pour
la présente étude, seule une partie des attributs des bases de données 2 et 10
ont été considérés. Certains caractères et certaines mesures plus ou moins liés à
la question à laquelle on tente de répondre tels que la proportion de diplômés
mariés et la région de l’école furent ignorés, et d’autres, tels les champs de ma-
jeures, furent combinés avec des variables similaires. Le tableau 7 se trouvant
dans l’annexe B contient une liste détaillée des variables. Pour réduire le nombre
d’observations, seules les universités avec des programmes de quatre ans ont été
3
retenues et toutes institutions ayant des informations manquantes ont été ex-
cluses des analyses.
Un autre obstacle rencontré fut l’inconstance des noms d’établissements dans

les différentes bases de données qui ne se limitait pas toujours à quelques ca-
ractères. Comme deux fichiers ont été joints, on pouvait joindre manuellement les
variations mineures. Quelques fois, lorsqu’il y avait plus d’un campus, l’emplace-
ment était ajouté au nom, mais ce n’était pas la norme. Dans le cas d’un réseau
comptant plus de dix campus, comme la California State University qui en a
23, il était excessivement ardu, voir impossible, de relier les bons établissements
entre eux et ils furent laisser de côté. Dans le cas du réseau Californien, c’est très
regrettable, car il a une bonne réputation et c’est une des institutions publiques
sélectives les plus connues.
De plus, certaines informations sur les universités n’étaient pas tout à fait
à jour. Dans celles retenues, les distributions des majeures et de l’origine eth-
nique dataient de 2000 alors que toutes les autres variables utilisées dataient
de l’année 2013 ou 2014. Pour pallier à cet écart, ces variables ont été extraites
de la banque de données de l’IPEDS [10] qui semble être la source du groupe
de recherche. Malheureusement, les données de 2013 n’étaient pas disponibles,
alors il a été choisi de considérer celles de 2014.
Grâce au nettoyage effectué, on est passés de deux fichiers ayant respec-

tivements 79 et 46 variables pour chacun des 2460 établissements scolaires à
une seule base de données contenant 38 variables et 842 universités américaines.
Une description de chaque variable ainsi qu’un aperçu des données se trouvent
dans l’annexe B.
Il n’existe pas de base de données facilement accessible similaire à l’échelle

canadienne, donc à l’aide des données présentes sur les sites officiels des écoles,
du Council of Ontario Universities [11], du site Payscale[12] et des profils des
universités sur Maclean’s [13], il fut possible de créer une base de données rela-
tivement similaire à celles utilisées pour les autres analyses afin de prédire les
tiers fictifs. Malheureusement, ces données sont assez incomplètes et ne datent
pas toutes de 2013-2014 comme les universités américaines mais plutôt de 2015
pour l’inscription et le reste varie entre 2013 et 2017. Les prédictions faites avec
ces données devront donc être analysées avec prudence.
4 Modèles
4.1 Choix du modèle
Le premier modèle sélectionné est une analyse en composantes principales
(ACP). Comme 37 variables de notre base de données sont quantitatives et
qu’on sait que plusieurs variables sont correlées, une réduction de la dimen-
4
sion du problème s’imposait. On sait qu’il y a une grande variation des frais de
scolarité d’un établissement à un autre, mais on cherche à connaı̂tre les autres
facteurs différenciant les universités les unes des autres indépendemment de leur
tier et de leur sélectivité. Ces dernières variables seront simplement projetées
dans l’espace factoriel à des fins d’interprétation.
Une analyse discriminante (AD) a ensuite été effectuée afin de déterminer

ce qui caractérisait chaque tier. Une analyse deux-à-deux de cet indice a aussi
été réalisée pour ceux-ci. Il est connu que ces institutions beaucoup plus pres-
tigieuses sont associées à des frais généralement plus élevés et un taux de rejet
accru, mais au-delà de ces composantes, on cherche à savoir s’il y a une réelle
différence entre les tiers, principalement s’ils sont un indicateur d’une meilleure
réussite professionnelle.
4.2 Présentation des modèles

Cette section introduit les fondements mathématiques derrière les deux ana-
lyses considérées dans la présente étude. Elle est largement inspirée du livre
Statistique exploratoire multidimensionnelle de Ludovic Lebart, Alain Morineau
et Marie Pinon[14].
4.2.1 Analyse en composantes principales
Étant données p variables mesurées sur n observations et associées à un poids

pi que on représente dans un nuage de points N dans Rp , on cherche le sous-
espace à k dimensions expliquant le mieux les variations de N . Pour ce faire, il
suffit de trouver les k combinaisons linéaires formant une base orthogonale qui
expliquent le plus la variation de notre nuage de points.
Plus formellement, l’espace Rp est muni de la métrique induite par√ la matrice

définie positive A. Ainsi, la norme d’un vecteur v s’écrit kvkA = v t Av. Pour
faciliter le traitement, les données sont considérées sous la forme d’une matrice
X de format n × p où chaque ligne représente une observation et chaque colonne
une variable. On notera xij la valeur de la j e variable pour la ie observation.
En raison de la grande hétérogénéité des données considérées dans
P ce travail,
on centre et réduit X. De plus, les poids pi , tels que pi > 0 et i pi = 1, sont
consignés dans la matrice diagonale D.
Pp
Posons gj = i=1 pi xij , la j e coordonnée du vecteur-colonne g. Ce dernier
est souvent appelé barycentre ou le vecteur moyen. On peut ainsi obtenir la
matrice des variance-covariance V :
n
X
V = pi (xi − g)(xi − g)t = (X − 1g t )t D (X − 1g t )
i=1
5
où 1 = (1, 1, . . . , 1)t ∈ RpP
. De plus, étant donné un vecteur unitaire u, il est aisé
de montrer que IN (0) = i pi kxi k2A , l’inertie du nuage N autour de l’origine se
décompose comme suit :
IN (0) = IN (∆u) + IN (∆u⊥ )
où le premier terme représente l’inertie résiduelle autour de ∆u et le deuxième,

l’inertie expliquée par ∆u. L’inertie est définie comme une pondération de la
distance au carré des points du nuage N et de la droite ∆u. En raison de la
dernière égalité, on a que
min IN (∆u) ⇔ max IN (∆u⊥ ).

u:kukA =1 u:kukA =1
Comme IN (∆u⊥ ) = ut AV Au, on peut aisément résoudre le problème de maxi-

misation à l’aide des multiplicateurs de Lagrange et trouver que u est le vecteur
propre associé à la plus grande valeur propre λ de la matrice V A. On notera le
premier couple solution (λ1 , u1 ) et appelera le vecteur u1 le premier axe facto-
riel.
Pour trouver le deuxième axes factoriel, il suffit de considérer le même

problème de maximisation mais en y ajoutant la contrainte d’orthoganilité
ut Au1 = 0. On notera ce couple (λ2 , u2 ) avec λ2 étant la deuxième plus grande
valeur propre et u2 le deuxième axe factoriel. On itèrera cette procédure jusqu’à
avoir obtenu une base orthonormée de dimension k. Généralement, la valeur
de k est astucieusement choisie à l’aide de l’éboulis des valeurs propres de la
matrice V A.
Les graphiques présentés dans cette étude illustrent les projections des ob-
servations dans le sous-espace engendré par les vecteurs u1 , u2 , . . . , uk . Il est
aussi possible de projeter les variables dans Rn bien que cela ne soit pas présenté
dans cette section.
4.2.2 Analyse discriminante

On dispose de n observations et sur lesquelles on mesure p variables quanti-
tatives ayant toutes des poids pi égaux (∀i, pi = n1 ). Celles-ci se séparent en m
groupes G1 , G2 , . . . , Gm comportent respectivement n1 , n2 , . . . , nm individus, et
des centres de gravité g1 , g2 , . . . , gm . On remarque aussi que le barycentre g du
nuage de points est une somme pondérée des centres de chaque classe. Encore
une fois, on est dans l’espace Rp muni de la métrique associée à la matrice définie
positive A. Cette analyse nécessite une mesure de similitude S que l’on définit
à l’aide d’une classe Gk et d’une observation xi comme suit :
S(xi , Gk ) = kxi − gk k2A .
On suppose les données centrées.
6
Analyse discriminante pas-à-pas
Dans le cas de l’approche pas-à-pas, on sélectionne, à chaque étape, la va-

riable qui discrimine le mieux les classes les unes des autres. On utilise ici
A = |V |1/p V −1 , la distance de Mahalanobis, car elle permet d’assurer une
meilleure homogénéité intraclasse et une plus grande hétérogénéité interclasse.
Ce processus est possible pour chaque pas m grâce à l’utilisation de la mesure
de similitude Sm (·, Gk ) qui utilise les m − 1 variables sélectionnées au préalable
ainsi qu’une des p − (m − 1) restantes.
La première étape est de séparer les n observations en deux sous-ensembles :

un dit d’entraı̂nement qui sera utilisé pour construire le modèle et un dit de test
qui sera utilisé pour déterminer si le modèle se généralise bien. On commence
ensuite le premier pas. Pour chaque variable j, on calcule S1 (xi , Gk ) pour toutes
les observations xi de l’ensemble d’entraı̂nement et toutes les classes Gk . On
affectera xi au groupe associé à la plus grande similitude. On sélectionne ensuite
la variable j associée à la plus grande proportion d’observations bien classées et
on l’ajoute au modèle. Ce dernier critère est équivalent à ce que la trace de la
matrice T −1 B soit maximale où
nk
m X
X
T = xtik xik
k=1 i=1
et
m
X
B= nk gkt gk .
k=1
On itère la même procédure avec les p − 1 variables restantes jusqu’à ce que

le pourcentage d’individus bien classés stagne. On teste ensuite notre modèle
sur les données de test et on considère notre modèle général lorsque la justesse
d’affectectation de l’ensemble de test est suffisante. Il est possible de remettre
en question les choix de variables au cours du processus bien que cela ne soit
pas explicitement abordé ici.
Approche prédictive
Dans ce cas, on a, en plus des n observations dont on connaı̂t leur classe

d’appartenance, au moins Pm un Pnindividu anonyme qu’on notera a. On utilise de
plus la métrique A = k=1 i=1 k
(xik − g)(xik − g)t = nV . L’observation a sera
affecté à la classe associée à la plus grande mesure de similitude. Dans le cas où
il y a plus d’un individu anonyme, on itère cette procédure.
4.3 Critique du modèle

Dans l’analyse en composantes pricipales, on a choisi d’utiliser la métrique
identité. Cette dernière affecte donc un poids égal à toutes les variables et,
7
comme environ la moitié de celles-ci sont par rapport aux salaires des diplômés,
notre analyse est donc débalancée. Le choix d’une autre métrique aurait pu
accorder un poids moins grand aux revenus des anciens étudiants. En effet,
l’importance de traits représentés par une seule variable tels que le salaire des
parents et les caractéristiques d’une université comme le taux de graduation, le
nombre d’inscriptions, etc. est nettement diminuée dans l’analyse comparée à
celle de la majeure, de l’ethnie et du salaire des diplômés.
Pour ce qui est de l’analyse discriminante, certains tiers ont perdu beaucoup
d’observations lors du nettoyage et peuvent être moins bien représentées. Les
pertes pour chaque tier sont recensées dans le tableau 6 qui se trouve dans l’an-
nexe A. Pour compenser, on aurait pu utiliser l’approche probabiliste en utilisant
les proportions de chaque tier dans le fichier original. La loi associée à chaque
classe aurait aussi pu être changée pour une loi continue ou une loi utilisant
minimalement les informations qui n’ont pas été retenues pour l’analyse.
5 Analyse des résultats

5.1 Traitement informatique
Toutes les analyses ont été exécutées à l’aide du gratuiciel GNU R [15].
Comme toutes les bases de données considérées étaient du format CSV, il fut
aisé de les importer. De plus, la librairie FactomineR [16] permet d’effectuer
très facilement l’ACP. Comme pour tous les packages de R, une solide docu-
mentation est disponible sur le web. Pour ce qui est de l’analyse discriminante,
la librairie klaR [17] fut utilisée pour l’analyse pas-à-pas et MASS [18] pour
le modèle de prédiction des universités canadiennes. Lorsque les graphiques as-
sociés à ces librairies pouvaient porter à confusion, le gratuiciel GeoGebra [19]
fut employé. Ce dernier, très facile d’utilisation, permet une bonne visualisation
de graphiques jusqu’à trois dimensions.
5.2 Analyse des données et interprétation des résultats

5.2.1 Analyse en composantes principales
Pour cette analyse, les tiers sont uniquement des variables supplémentaires.
Nous considérons donc les 38 autres variables qui sont quantitatives.
Valeurs propres
Pour sélectionner le nombre de composantes (dimension du sous-espace), on

utilise les valeurs propres de la matrice V A. Si l’on étudie l’éboulis des valeurs
propres (voir figure 1), on remarque qu’à partir de la troisième dimension, l’écart
entre les valeurs propre est nettement amoindri. Ceci indique qu’on devrait
conserver les deux premiers axes factoriels dans l’analyse. À l’aide des résultats
8
Figure 1 – Éboulis des valeurs propres
obtenus avec R (voir en annexe C pour les détails), cette coupure est équivalente
à appliquer le critère suivant : la dernière composante ajoutée k sera telle que
λ
les valeurs propres des axes k + 1, k + 2, . . . , n auront le rapport Pn j λk pour
k=1
j ∈ {k+1, k+2, . . . , n}, le pourcentage d’inertie expliquée, inférieur à 6 %. Dans
cette analyse, cela correspond à travailler avec les deux premières dimensions
et le reste comme du bruit. Ainsi, le modèle a deux axes, une réduction de
dimensions de 94,7 %, et explique 53,6 % de la variation du nuage de points
original.
Projections des variables
Lorsqu’on observe le cercle des corrélations (figure 2) 2 , on remarque deux

faisceaux quasiment opposés : un étant très positivement corrélé au premier axe,
et un autre dans la même direction que la bissectrice du deuxième cadran. Il
n’est pas étonnant que les projections dépendent beaucoup moins du deuxième
axe comme l’inertie expliquée par celui-ci est 4 fois plus petite que pour le pre-
mier. Un tableau contenant les coordonnées, les corrélations, les quatilités de
la représentation et la contribution pour chaque axes de toutes les variables se
trouve dans la section Projections des variables de l’annexe C.
De plus, on observe que toutes les mesures sur les diplômés ayant des salaires
associés au dernier quintile se trouvent dans ce premier faisceau. On trouve que
2. Il n’y a pas de ” ” dans les étiquettes du graphique car GeoGebra les interprète comme
des indices.
9
Figure 2 – Cercle des corrélations
celles-ci dominent les contributions au premier axe et ont un indice de qualité

variant entre 72,1 et 95,1 %. On peut donc associer cette direction du premier
axe factoriel à la proportion de diplômés obtenant les meilleurs revenus. Les
variables du taux de graduation et du salaire facultaire moyen, qui peuvent être
considérés comme des indicateurs de la qualité de l’enseignement offert par un
établissement, sont aussi positivement corrélées (0,765 et 0,806 resp.) à cette
direction. On peut donc assumer qu’il y a un lien important entre la qualité de
l’enseignement reçu et le salaire obtenu par les diplômés. Bien que le coût et le
taux de rejet soient aussi corrélés à cette direction (0,588 et 0,474 resp.), leur
contribution à cet axe est de 1,5 à 2 fois moins importante que les variables sur
l’enseignement. Dans la direction opposée, les variables ayant les plus grandes
contributions étaient les proportions associées aux salaires des quintiles 3 et 4.
De plus, on remarque que les variables associées aux premiers quintiles ont
toutes une première coordonnée négative bien qu’il n’y ait pas d’ordonnance-
ment selon le premier axe factoriel. Comme les proportions de salaires dans
les quintiles 3 et 4 ont des qualités de représentation de 76,5 % et de 63,8 %,
cette direction s’associe à des salaires plus faibles sans pour autant être les plus
bas. On constate aussi que les majeures s’ordonnent sur le premier axe comme
suit : éducation, administration, droit, santé et sciences. Ceci est en accord avec
notre interprétation du premier axe factoriel, car, il est vrai que les diplômés
en éducation et en administration obtiennent en moyenne des salaires moins
élevés que les concentrations situées dans les premier et quatrième cadrans du
cercle des corrélations [20]. Enfin, on note qu’à l’exception de la proportion de
10
diplômés touchant un salaire lié au troisième quintile, toutes les autres variables
ayant une forte contribution au premier axe factoriel sont dans l’un ou l’autre
des deux faisceaux.
Pour le deuxième axe factoriel, on remarque que les proportions des diplômés
dont le salaire est nul ou dans les deux premiers quintiles ont tous une contribu-
tion importante et des coordonnées négatives. Ce sont ces trois variables qui ont
les plus grands apports pour cet axe. Toutefois, la qualité de la représentation de
ces dernières est inférieure à 55 %. Les variables ayant des contributions impor-
tantes et des coordonnées positives sur cet axe sont la proportion de blancs et
toutes les proportions mesurées sur le quatrième quintile. Malheureusement, leur
indice de qualité se chiffre entre 14,2 et 33,3 %. L’interprétation du deuxième
axe est donc moins aisée que pour le premier. Toutefois, on observe que les
quintiles s’ordonnent par rapport à cet axe à l’exception du dernier quintile.
Cette dernière se positionne au même niveau que le premier axe factoriel. Cette
répartition des variables peut s’expliquer par le fait que cette proportion peut
atteindre jusqu’à 80 % laissant la balance se séparer dans les quatre quintiles
restant. Il est donc difficile pour ces établissements d’avoir une proportion simi-
laire de diplômés dans les quintiles 4 et 5, ce qui semble le point commun des
universités se projetant dans le deuxième cadran.
Enfin, on remarque que les variables sur les communautés ethniques, les ma-
jeures et les données de bases sur les universités (prix, inscriptions, etc.) s’ag-
glutinent toutes autour du premier axe et sont généralement mal représentées
comme leur qualité est inférieure à 40 % à l’exception du taux de graduation et
du salaire facultaire moyen.
Projections des individus
En raison du grand nombre d’observations, il est plus difficile d’analyser

le positionnement de chaque université. En effet, lorsqu’on observe la figure 3,
seulement une quinzaine d’établissements peuvent être identifiés.
Toutefois, on remarque que l’ensemble des projections semble de forme tri-

angulaire avec des sommets dans les directions des variables liées aux salaires
des quintiles 4 et 5 ainsi que de la proportion de diplômés n’ayant pas de re-
venus. On valide cette observation à l’aide des données brutes des observations
identifiables :
— Brigham Young University of Idaho (74), Columbia International Uni-
versity (151) et Gallaudet Univerity (251) comptent parmi les six écoles
avec la plus grande proportion de diplômés sans revenus avec respecti-
vement 28,23 %, 23,59 % et 21,19 %. Ces établissements ont les plus
grandes contributions pour le deuxième axe factoriel avec Monroe Col-
lege. Gallaudet University a une qualité avoisinant les 60 % et les autres
mentionnés sont plutôt autour de 40 %.
11
— Midland University (429), University of New England (720) et Mus-
kingum University (463) sont des établissements où les proportions de
diplômés des quintiles 4 et 5 avoisinent chacunes les 30 %. Ces univer-
sités contribuent légèrement au premier axe et partiellement (2 fois moins
que les universités mentionnées dans le point précédent) au deuxième axe
factoriel. Elles sont aussi plutôt mal représentées pour les deux axes avec
des qualités inférieures à 40 %.
— Massachusetts Institute of Technology (408), Princeton University (537)
et California Institute of Technology (85) sont toutes des universités où
plus de 65 % des diplômés ont des salaires situés dans le dernier quin-
tile. Celles-ci sont toutes extrêmement bien représentées avec des qualités
d’environ 80 %. Les contributions de ces écoles se chiffrent parmi les plus
importantes pour le premier axe.
Ce résultat est cohérant avec la distribution des variables ayant d’importantes
contributions dans le cercle des corrélations (figure 2).
Figure 3 – Projection des individus dans le plan factoriel
Projections des données artificielles
En partitionnant les observations par leur tier et par leur coût (en tranches
de 5 000 $US), on a créé 38 individus artificiels. Ceux-ci sont le résultat d’une
moyenne sur toutes les variables pour chacun des sous-ensembles. Le tableau 8
en annexe C donne les détails des séparations effectuées. Comme les tiers comp-
tant un grand nombre d’établissements sont accompagnés d’une plus grande
variabilité, partitionner un tier à l’aide du coût permet d’obtenir un portrait
plus réaliste de sa répartition.
12
Figure 4 – Projections des individus artificiels
On remarque premièrement que les projections des observations artificielles

forment un boomerang d’angle similaire à celui du triangle de la figure 3. De
plus, lorsqu’on suit la courbe de boomerang, on observe que les variables d’un
tier s’ordonnent par leur prix. En effet, la proportion des salaires dans le qua-
trième quintile augmente avec le coût pour toutes les observations provenant
des tiers non sélectifs. De même, pour tous les autres tiers, lorsque le prix croı̂t,
la proportion de salaires dans le dernier quintile augmente alors que celle dans
le quatrième baisse. Bien que le coût annuel ne soit pas le facteur contribuant
le plus au premier axe principal, cette représentation témoigne qu’il est très liés
aux meilleurs salaires.
On remarque aussi que les tiers plus prestigieux sont plus regroupés et se
démarquent des autres, alors que les établissements sélectifs les plus coûteux, de
types privés et publics, se comparent aux écoles très sélectives de tous types. Les
tiers sélectifs, comptant le plus d’universités sont de loin les plus hétérogènes
avec des observations moyennes dans les cadrans I, II et III.
5.2.2 Analyse discriminante

Bien qu’on ait déjà une idée de ce qui sépare les universités les unes des
autres grâce à l’analyse en composantes principales précédente, celle-ci ne peut
qu’orienter notre interprétation de modèle comme les tiers furent délibérément
mis de côté.
Modèle global
On a premièrement effectuer une sélection de variables avec le package klaR

afin de réduire la dimension du problème. On a considéré qu’une amélioration
13
inférieure à 1 % était le critère d’arrêt de la procédure. Lorsque seul le prix est
considéré, l’exactitude est de 82,9 %. On pouvait s’attendre à ce résultat vu la
distribution des coûts de chaque tier (voir tableau 8). Comme les écoles de la Ivy
Plus, d’élites et très sélectives privées ont des coûts entre 40 000 et 50 000 $, cette
variable n’est pas suffisante pour bien discriminer les tiers bien qu’elle apporte
des résultats extrêmement bons pour un modèle à une dimension. La matrice de
confusion de ce modèle se trouve dans l’annexe D. La deuxième variable ajoutée
au modèle est la proportion de diplômés touchant des salaires dans le 1 %
le plus riche augmentant la justesse de 2,2 points de pourcentage. Lorsqu’on
ordonne ces proportions, on remarque que les tiers se rangent eux selon leur
sélectivité moyennant quelques exceptions. En particulier, les établissements de
la Ivy Plus dominent cette variable avec des valeurs entre 13,7 et 23,2 %. On
remarque aussi que les universités sélectives et non sélectives ne se dicriminent
pas bien selon cette variable. La matrice de confusion de ce modèle se trouve
aussi dans l’annexe D. On inclut enfin la proportion de diplômés ayant un salaire
du dernier quintile au modèle. Ce dernier ajout permet au modèle d’atteindre
une exactitude de 86,5 %. Pour le modèle complet, on obtient la matrice de
confusion suivante :
On remarque premièrement que les tiers sélectifs privés et publics sont

prédits à tord dans presque toutes les classes. En effet, seuls les établissements
de la Ivy Plus et les écoles d’élites ne sont jamais prédits comme des universités
sélectives. Ceci s’explique principalement par le fait que les deux catégories les
plus prestigieux se détachent des autres avec leurs proportions de diplômés ob-
tenant des salaires plus élevés et que les tiers sélectifs sont assez hétérogènes.
En effet, lorsqu’on observe la figure 4, on voit bien que les tiers sélectifs ont des
positions ressemblant aux très sélectifs et aux non sélectifs. Un résultat de la
sorte était donc prévisible. On constate aussi que les tiers Ivy Plus, autres élites
et très sélectifs privés ne se discriminent pas toujours très bien.
14
Prédiction d’universités canadiennes
Compte tenu du fait que l’information disponible d’une université à l’autre

n’était pas constante, la base de données résultante est plutôt succincte. À
l’exception de l’Université de Sherbrooke, toutes les autres écoles se classent
parmi les 200 universités au monde selon QS top universities et dans le top
250 selon le Times Higher Education. Pour chaque établissements, les variables
suivantes ont été mesurées : le coût d’une année d’étude en $US, le taux de
graduation, le nombre d’inscriptions et la médiane des diplômés en $US 3 . On a
donc construit un modèle sur les universités américaines à l’aide de ces variables.
On obtient la natrice de confusion suivante :
Bien que moins performant que le précédent modèle, celui-ci obtient des
résultats tout à fait respectable avec une justesse de 86 %. On remarque encore
une fois que le discernement entre les tiers très sélectif et sélectif est compliqué.
De plus, les tiers élites, Ivy Plus et très sélectifs sont mal discriminés.
Avec ce modèle, on obtient que toutes les universités canadiennes considérées

s’affilient aux tiers sélectifs privés ou publics. Ceci n’est pas étonnant comme
aucune université canadienne n’a un coût supérieur à 20 000 $US, ce qui est
plutôt caractéristique des tiers plus prestigieux. En effet, les seules écoles plus
prestigieuses avec des coûts entre 10 000 et 20 000 $US sont les écoles très
sélectives publiques, un tier plus ou moins bien représentées dans ce modèle.
On remarque aussi que les universités prédites publiques ont toutes des coûts
annuels entre 11 000 et 13 000 $US. Ainsi, les universités canadiennes, qui ont
des coûts en moyenne plus faibles, auront beaucoup plus de mal à se comparer
aux tiers plus prestigieux lorsque cette variable est prise en compte. McGill Uni-
versity et University of Toronto se comparent, selon QS universities, à Cornell
University (Ivy Plus), à Johns Hopkins University (école d’élite) et à University
of Michigan (très sélectif public). Le même phénomène se produit pour toutes les
universités canadiennes. Il y a donc clairement un décalage entre le classement
3. Cette dernière mesure n’est pas précise pour toutes les universités comme trois d’entre
elles ont moins de 40 salaires enregistrés sur le site web de Payscale.
15
Université Tier prédit
University of Alberta Sélectif privé
McGill University Sélectif privé
McMaster University Sélectif public
Université de Montréal Sélectif privé
Queen’s University Sélectif privé
Université de Sherbrooke Sélectif privé
University of Toronto Sélectif public
University of British Columbia Sélectif privé
University of Waterloo Sélectif public
Western University Sélectif privé
Table 1 – Prédictions des tiers pour des universités canadiennes
de QS top universities et notre modèle. On remarque le même phénomème avec

le classement du Times Higher Education.
Bien que le prix semble être ce qui pénalise les universités canadiennes, le
modèle élaboré sans cette variable ne fait que classifier toutes les universités
canadiennes comme sélectives privées. Ces résultats plutôt décevants indiquent
toutefois que le rang mondial d’une université ne dépend pas des quelques faits
et statistiques présents sur son site web officiel, en soi une bonne nouvelle. En
effet, le classement de QS top universities dépend surtout de sa réputation,
de son nombre de citations et du ratio enseignants-étudiants [21] et celui du
Times Higher Education dépend deux fois plus de la recherche que de l’ensei-
gnement [22]. Comme on cherche plutôt à lier le prestige d’un établissement aux
salaires touchés par les diplômés, l’aspect recherche n’est pas du tout représenté
dans notre base de données. Il est toutefois clair que les écoles des tiers plus
prestigieux dominent ses classements, donc une étude plus en profondeur du lien
entre ce qui caractérise ces classifications d’universités et les indicateurs utilisés
pour les classements mondiaux pourrait expliquer les décalages qu’on obtient
avec notre modèle. De plus, on remarque que les quelques données affichées sur
les pages web officielles des établissements canadiens ne permettent pas de les
détacher les uns des autres. Si, au niveau national, les universités avaient l’obli-
gation de rendre public un certain nombre d’informations bien définies comme
l’exige le Common University Data of Onatario, une analyse plus profonde au-
rait pu être produite comme on aurait été en mesure de mieux caractériser les
établissements.
Modèles deux-à-deux
Comme les tiers pas sélectifs ont très peu d’obeservations dans nos données,
les résultats de leurs analyses sont seulement présentés car leur précision est
tellement faible qu’une analyse ne nous semble pas pertinente.
16
Types privé et public
Sélectivité Discriminants Écart des coûts moyens

Très sélectif Coût 30 000 $US
Sélectif Coût, salaire dernier quintile 20 000 $
Non sélectif Coût 11 000 $US
Table 2 – Discriminants des tyoes pour les différents niveaux de sélectivité
Il était clair que le coût annuel allait être le principal discriminant vu les
écarts mesurés dans chaque niveau de sélectivité. Lorsqu’on compare les classes
Sélectif privé et Sélectif public, la deuxième variable contribuant au modèle est
la proportion de diplômés avec des salaires dans le dernier quintile. En effet, les
écoles privées ont une proportion en moyenne supérieure de 2 points de pourcen-
tage. Ce résultat est cohérant avec les projections des tiers dans le graphique de
l’ACP à la figure 6 où la moyenne publique a une première coordonnée inférieure
à celle du privé. Toutefois, lorsqu’on ordonne cette proportion, le type privé ne
se détache pas du public donc c’est écart peut être jugé comme non significatif.
Tiers sélectifs
Comme les tiers sélectifs sont très vastes et génèrent beaucoup de confusion
lors des analyses globales, on considère premièrement tous les modèles compa-
rant ce niveau de sélectivité.
Sélectif privé Sélectif public

Ivy Plus Salaire top 1 % Coût
Autres élites Coût Coût
Très sélectif privé Coût, salaire 4e quintile Coût
sachant parent 2e quintile
Très sélectif pu- Salaire 5e quintile sachant Proportion majeure en
blic parent 2e quintile, coût éducation
Non sélect. public Coût Proportion majeure en
éducation
Non sélect. privé Coût Coût, salaire 2e quintile
non lucratif
Non sélec. privé Proportion majeure en Proportion majeure en ad-
lucratif éducation ministration
Table 3 – Variables discriminantes des modèles deux-à-deux comparant les tiers

sélectifs aux autres
On remarque premièrement que le coût est le discriminant principal pour

près de la totalité des modèles, un résultat qui était plutôt prévisible. Les
17
deux comparaisons entre les tiers Sélectif privé et Très sélectifs sont plutôt
intéressantes comme elles utilisent les probabilités conditionnelles qu’un diplômé
obtienne un salaire dans les deux derniers quintiles sachant que celui des pa-
rents se trouve dans le deuxième quintile. Lorsqu’on observe le comportement
des données, l’espacement des moyennes pour le quatrième quintile ne semble
pas significatif mais celui du dernier quintile l’est clairement. En effet, l’écart
entre les moyennes des deuxtiers est de 21 point de pourcentages. Les seules
écoles sélectives privées qui se comparaient aux très sélectives pour cette va-
riable étaient celles avec les coûts les plus élevées. De plus, la Ivy Plus se sépare
par la proportion de ses diplômés avec des salaires dans le 99e percentile, ce qui
ne nous étonne pas.
Tiers les plus prestigieux
Nous allons finalement comparer les tiers les plus prestigieux comme ils ne se
discriminent pas toujours très bien dans les modèles précédemment considérés.
Compte tenu que la plupart de ces établissements coûtent entre 40 000 et
50 000 $US, les résultats sont plus variables que les précédents.
Premièrement, ce qui discrimine le mieux les établissements de la Ivy Plus et

de l’étite est la proportion de diplômés avec un salaire dans le 99e percentile. En
effet, la proportion moyenne de la Ivy Plus est de 19,3 % alors que celle des élites
est de 9,0 %. Cet écart transperse aussi dans les données où la Ivy Plus domine
pour cette proportion. Ceci est cohérant avec la sélection de variables effectuée
précédemment comme les résultats de la Ivy Plus se sont énormément améliorés
grâce à l’ajout de cette proportion dans le modèle. La matrice confusion de ce
dernier se trouve dans l’annexe D. C’est aussi cette variable qui discrimine le
mieux les établissements très sélectifs privés de la Ivy Plus. Comme on pouvait
s’y attendre, l’écart de leur moyenne est encore plus grand que dans le cas des
écoles d’élites.
Très sélectif privé Très sélectif public

Élite Taux de réjection Coût
Ivy Plus Taux de graduation Salaire top 1 %
Table 4 – Variables discriminant les tiers les plus prestigieux
Pour ce qui est des écoles d’élites et très sélectives privées, le taux de réjection
les sépare très bien comme leurs moyennes respectives ont un écart de 26,8 point
de pourcentages. De même, lorsque que compare ce tier amenant autant de
confusion dans nos analyses globales avec la Ivy Plus, on obtient que le taux
de graduation les discrimine le mieux. En effet, leurs moyennes ont un écart de
16,71 points de pourcentage.
18
6 Conclusion
Comme on pouvait s’y attendre, nos analyses confirment que plus une uni-
versité est prestigieuse et onéreuse, plus elle permet à ces diplômés d’avoir de
meilleurs salaires. En effet, la position des observations artificielles créées à l’aide
des tiers et des coûts ne peut que nous amener à cette conclusion. De plus, des
variables associées à l’enseignement offert par un établissement avait un impact.
Une analyse à but décisionnelle pour quantifier jusqu’à combien payer pour que
ça soit rentable pour les étudiants serait intéressante.
De plus, les tiers se discriminent aussi principalement par leur coût an-
nuel. Toutefois, les classes non sélectives étaient très mal représentées rendant
leur résultats très imprécis. Un travail d’imputation pourrait très probablement
améliorer nos résultats. Pour les modèles deux-à-deux, d’autres variables tels
que la proportion de salaire dans le dernier quintile et le 99e percentile ont res-
sorties. Dans ces cas, cela confirmait des observations soulevées lors de l’ACP.
En intégrant des indices sur la réputation et la réputation des universités, on
pourrait explorer le lien entre le classement mondial d’un établissement et les
salaires types de leurs diplômés.
Malheureusement, la comparaison avec les universités canadiennes a été très

biaisée en raison du peu d’information accessible. Peut-être qu’en contactant
les établissements il aurait été possible de construire une base de données plus
complètes, mais le temps ne le permettait pour ce travail. Avec un tableau de
données complet, on pourrait mieux caractériser les universités canadiennes et
ainsi obtenir de meilleurs résultats.
Dernièrement, une grande quantité de données n’a pas été considérée dans
ce travail. Particulièrement, des fichiers contiennent toutes ces variables pour
onze années consécutives. Une analyse temporelle pourrait amener des résultats
très intéressants et témoigner des changements de politiques des établissements.
19
Références
[1] Andy Peloquin. Top 10 most expensive universities in the
world. Career Addict, 2015. http://www.careeraddict.com/
top-10-most-expensive-universities-in-the-world.
[2] OCDE. Salaires moyens. http://data.oecd.org/fr/earnwage/
salaires-moyens.htm.
[3] Ticas. Quick facts about student debt, 2014. http://ticas.org/sites/
default/files/pub_files/Debt_Facts_and_Sources.pdf.
[4] Nation Wide Student Loan. Student loan debt statis-
tics for 2017, 2017. http://nationwidestudentloan.com/
student-loan-debt-statistics-for-2017/.
[5] QS Top Universities. Qs world university rankings 2013-
2014. https://www.topuniversities.com/university-rankings/
world-university-rankings/2013.
[6] Times Higher Education. World university rankings 2013-14. https:
//www.timeshighereducation.com/world-university-rankings/
2014/world-ranking#!/page/0/length/25/sort_by/rank/sort_
order/asc/cols/stats.
[7] United States Census Bureau. Table a-2. percent of people
25 years and over who have completed high school or col-
lege, by race, hispanic origin and sex : Selected years 1940 to
2015. https://www.census.gov/data/tables/time-series/demo/
educational-attainment/cps-historical-time-series.html.
[8] Raj Chetty, John Friedman, Emmanuel Saez, Nicholas Turner, and Danny
Yagan. Mobility report cards : The role of colleges in intergenerational mo-
bility, 2017. http://www.equality-of-opportunity.org/papers/coll_
mrc_paper.pdf.
[9] The Equality of Opportunity Project. Data and replication code, 2017.
http://www.equality-of-opportunity.org/data/.
[10] Integrated Postsecondary Education Data System (IPEDS). Use the data.
https ://nces.ed.gov/ipeds/Home/UseTheData.
[11] Council of Ontario Universities. Multi-year data, 2017. http://cou.on.
ca/numbers/multi-year-data/.
[12] Payscale. Canada salary research school index (canada). http://www.
payscale.com/index/CA/School.
[13] Maclean’s. Full profiles of canadian universities and
colleges, 2015. http://www.macleans.ca/education/
full-profiles-of-canadian-universities-and-colleges/.
[14] Ludovic Lebart et Alain Morineau et Marie Pinon. Statistique exploratoire
multidimensionnelle. Dunod, 1995.
[15] R. The r project for statistical computing. https://www.r-project.org/.
20
[16] Francois Husson, Sebastien Le Julie Josse, and Je-
remy Mazet. Package ‘factominer’, 2017. ftp ://cran.r-
project.org/pub/R/web/packages/FactoMineR/FactoMineR.pdf.
[17] Christian Roever, Nils Raabe, Karsten Luebke, Uwe Ligges, Gero Szepan-
nek, and Marc Zentgraf. Package ‘klar’, 2014. https://cran.r-project.
org/web/packages/klaR/klaR.pdf.
[18] Brian Ripley, Bill Venables, Douglas M. Bates, Kurt Hornik, Albrecht Geb-
hardt, and David Firth. Package ‘mass’, 2017. https://cran.r-project.
org/web/packages/MASS/MASS.pdf.
[19] GeoGebra. Geogebra — powerful, free online graphing calculator and in-
teractive geometry, 2017. https://www.geogebra.org/?lang=fr.
[20] Bureau of Labor Statistics. Occupational employment statistics. https:
//www.bls.gov/oes/current/oes_nat.htm#19-0000.
[21] QS top universities. Qs world university rankings - methodology.
https://www.topuniversities.com/qs-world-university-rankings/
methodology.
[22] Times Higher Education. World reputation ran-
kings 2017 : methodology. https://www.
timeshighereducation.com/world-university-rankings/
world-reputation-rankings-2017-methodology.
[23] Kavita Mehta and Kimberly Wright Dixit. Acing Admissions : The Indian
Student’s Comprehensive Guide to US CollegeApplications. HarperCollins
Publishers, 2015. p. 85.
21
A Tiers
Tier Variable Exemple

Ivy Plus 4 Ivy Plus Harvard University, Massachusetts Insti-
tute of Technology (MIT), Stanford Uni-
versity
Autre élite (privé et Elite Boston College, Johns-Hopkins Univer-
public) sity, University of Miami, New York Uni-
versity
Très sélectif public HSPub Clemson University, Georgia Institute of
Technology
Très sélectif privé HSPri Baylor University, Boston University,
Providence College
Sélectif public SPub California State University, University of
Alabama, Michigan State University
Sélectif privé SPri Florida Institute of Technology, Lubbock
Christian University, Xavier University
Pas sélectif public NSPub Massachusetts College of Art and Design,
SUNY Empire State College
Pas sélectif privé NSPri Brevard College, Lancaster Bible College
non lucratif
Pas sélectif privé Profit Daniel Webster College, Waldorf College
lucratif
Table 5 – Quelques exemples d’établissements pour chaque tier
Tier Nb. obs. Nb. obs. % perdu

originales nettoyées
Ivy Plus 12 10 16,67
Autres élites (privée et publique) 124 55 55,65
Très sélectif public 28 10 64,29
Très sélectif privé 71 51 28,17
Sélectif public 383 221 42,30
Sélectif privé 620 464 25,16
Pas sélectif public 78 5 93,59
Pas sélectif privé non lucratif 100 21 78,00
Pas sélectif privé lucratif 108 7 93,52
Tous 1465 842 42,53
Table 6 – Perte de d’observations par tier suite au nettoyage
4. Les huit universités de la Ivy League et quelques écoles considérés similaires [23].
22
B Variables
Variable Définition
name Nom de l’université
educ Proportion d’étudiants complétant une majeure en éducation
en 2014
STEM Proportion d’étudiants complétant une majeure en biolo-
gie, sciences de la vie, sciences physiques, ingénierie ou
mathématiques en 2014
law Proportion d’étudiants complétant une majeure en droit en
2014
health Proportion d’étudiants complétant une majeure en médecine
ou dentisterie en 2014
admin Proportion d’étudiants complétant une majeure en adminis-
tration en 2014
asian Proportion d’étudiants asiatiques en 2014
black Proportion d’étudiants noirs en 2014
hisp Proportion d’étudiants hispaniques en 2014
white Proportion d’étudiants blancs en 2014
other Proportion d’étudiants amérindiens, alaskains, hawaı̈ens et des
autres régions du Pacifique, d’origine inconnue, de deux ethnies
ou plus en 2014
alien Proportion d’étudiants étrangers en 2014
female Proportion d’étudiantes
p mean Salaire moyen parental
k med Salaire médian des diplômés excluant l’absence de revenu ar-
rondi à la centaine en 2014
k 0inc Proportion de diplômés sans revenu d’emploi
k qζ Proportion de diplomés dans le quintile ζ, 1 étant le plus
pauvre et 5 le plus riche
k topζpc Proportion de diplômés dans le ζ % le plus riche
kqζ pqξ Probabilité qu’un diplômé soit dans le quintile ζ sachant que
ses parents sont dans le quintile ξ
enrol Nombre total d’inscriptions au premier cycle (temps plein et
temps partiel) déclaré au Département d’éducation
price Coût d’une année d’étude en 2013 (frais de scolarité, livres,
hébergement, pension, autres frais), trad. : sticker price
grad Taux de graduation en au plus 6 ans en 2013
facsal Salaire moyen facultaire en 2013
rej Taux de réjection en 2013
tier Classification des universités (voir annexe A)
Table 7 – Descriptions des variables
23
B.1 Aperçu des données
ABILENE CHRISTIAN UNIVERSITY ADAMS STATE UNIVERSITY ADELPHI UNIVERSITY ADRIAN COLLEGE
educ "0.2688103" "0.2875648" "0.2495430" "0.2066365"
STEM "0.3009646" "0.2512953" "0.2614260" "0.3544495"
law "0" "0" "0" "0"
health "0" "0" "0" "0"
admin "0.4302251" "0.4611399" "0.4890311" "0.4389140"
asian "0.010289389" "0.009499136" "0.085009141" "0.004524887"
black "0.06688103" "0.04576857" "0.06901280" "0.06938160"
hisp "0.142122186" "0.262521589" "0.117915905" "0.045248869"
white "0.68102894" "0.58721934" "0.49497258" "0.78129713"
other "0.05209003" "0.09499136" "0.08135283" "0.09954751"
alien "0.047588424" "0.000000000" "0.151736746" "0.000000000"
female "0.5521236" "0.5019184" "0.7206172" "0.5558021"
p_mean "138760.97" " 76121.82" "130723.74" "113708.11"
k_med "44400" "36600" "55000" "42700"
k_0inc "0.12124620" "0.11228829" "0.09277480" "0.08205820"
k_q1 "0.14006530" "0.12124768" "0.10051541" "0.08579205"
k_q2 "0.1329476" "0.1590779" "0.1130076" "0.1280819"
k_q3 "0.1732774" "0.2438619" "0.1476446" "0.2104974"
k_q4 "0.2464441" "0.2722648" "0.1931545" "0.3036666"
k_q5 "0.3072657" "0.2035478" "0.4456780" "0.2719621"
k_top10pc "0.17170201" "0.07858049" "0.24363674" "0.11347156"
k_top5pc "0.10058448" "0.03064115" "0.10178581" "0.03871434"
k_top1pc "0.0283676746" "0.0058325920" "0.0148926637" "0.0035677334"
kq4_pq1 "0.2673270" "0.2636958" "0.2081772" "0.3146234"
kq5_pq1 "0.2739028" "0.1458291" "0.3743344" "0.1574158"
kq4_pq2 "0.2330906" "0.2891828" "0.1938885" "0.3379779"
kq5_pq2 "0.2476515" "0.1624326" "0.4127435" "0.2242366"
kq4_pq3 "0.2874772" "0.2809070" "0.1966504" "0.3447499"
kq5_pq3 "0.2016618" "0.2020486" "0.4350479" "0.2161154"
kq4_pq4 "0.2332917" "0.2919978" "0.1900162" "0.2650434"
kq5_pq4 "0.3146711" "0.2034337" "0.4280847" "0.2750706"
kq4_pq5 "0.2391946" "0.2192669" "0.1900711" "0.2977908"
kq5_pq5 "0.3618724" "0.2915637" "0.4862457" "0.3386949"
enrol "3727" "2284" "5040" "1646"
price "29450" " 8014" "32340" "32660"
grad "0.5656109" "0.2611765" "0.6251416" "0.5445135"
facsal " 5508" " 5986" "11315" " 7453"
rej "0.5106" "0.4740" "0.3186" "0.4372"
tier "SPri" "SPub" "SPri" "SPri"
Dans la base de données, les variables sont en colonnes et les universités

sont en lignes. On a ici transposé car le nombre de variables ne permettait pas
d’avoir une bonne mise en page.
24
Voici quelques mesures simples illustrant l’hétérogénéité des variables de la
base de données considérée.
Min quartile 1 mediane moyenne quartile 3 Max
educ 0.0000 0.1051 0.2237 0.2446 0.3610 1.0000
STEM 0.0000 0.1710 0.2722 0.3317 0.4441 1.0000
law 0.00000 0.00000 0.00000 0.01613 0.00000 0.54522
health 0.000000 0.000000 0.000000 0.007143 0.000000 0.408685
admin 0.0000 0.2847 0.3886 0.4004 0.5060 1.0000
asian 0.00000 0.01073 0.02136 0.03927 0.04879 0.34383
black 0.00000 0.03386 0.06098 0.11450 0.11739 0.96259
hisp 0.00000 0.02859 0.05026 0.07308 0.08294 0.62204
white 0.0000 0.5333 0.6749 0.6240 0.7649 0.9507
other 0.00000 0.04358 0.07143 0.08543 0.10594 0.62512
alien 0.00000 0.01612 0.03764 0.06373 0.08319 0.53663
female 0.01245 0.52337 0.56649 0.57524 0.61462 1.00000
p_mean 33202 92706 111610 139588 155579 551968
k_med 23400 39900 45350 48100 52575 104600
k_0inc 0.03684 0.07565 0.09138 0.09563 0.11020 0.28226
k_q1 0.04168 0.08293 0.10074 0.10556 0.12188 0.30937
k_q2 0.02598 0.09646 0.12096 0.12430 0.14860 0.29250
k_q3 0.03694 0.13353 0.17111 0.17109 0.20950 0.37390
k_q4 0.06338 0.22940 0.26644 0.25913 0.29927 0.39304
k_q5 0.0736 0.2346 0.3110 0.3399 0.4198 0.8021
k_top10pc 0.0192 0.1008 0.1498 0.1838 0.2295 0.6437
k_top5pc 0.001216 0.043367 0.070724 0.098173 0.117409 0.490048
k_top1pc 1.494e-05 5.964e-03 1.125e-02 2.239e-02 2.286e-02 2.316e-01
kq4_pq1 0.0000 0.1994 0.2485 0.2460 0.2884 0.6005
kq5_pq1 0.0000 0.1635 0.2415 0.2705 0.3524 0.8497
kq4_pq2 0.03426 0.22272 0.26551 0.26148 0.30128 0.44295
kq5_pq2 0.006593 0.188427 0.266522 0.291876 0.368071 0.741766
kq4_pq3 0.04319 0.23517 0.27286 0.26892 0.30810 0.42780
kq5_pq3 0.03062 0.21642 0.28876 0.31492 0.38445 0.79246
kq4_pq4 0.05577 0.23774 0.27860 0.27274 0.31351 0.43776
kq5_pq4 0.0720 0.2462 0.3203 0.3433 0.4202 0.8195
kq4_pq5 0.05769 0.21243 0.25622 0.25185 0.29671 0.43736
kq5_pq5 0.004251 0.285349 0.366499 0.383043 0.464278 0.847700
enrol 495 1557 2600 5279 5726 51333
price 3244 11282 26277 24913 34431 49570
grad 0.1379 0.4472 0.5630 0.5757 0.6921 0.9779
facsal 2660 6178 7228 7623 8545 19862
rej 0.0000 0.2344 0.3371 0.3622 0.4554 0.9431
25
C Analyse en composantes principales
C.1 Valeurs propres
Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 Dim.6 Dim.7 Dim.8 Dim.9
Variance 16.567 3.786 1.918 1.692 1.572 1.524 1.249 1.089 0.950
% of var. 43.598 9.963 5.047 4.454 4.138 4.011 3.287 2.866 2.500
Cumulative % of var. 43.598 53.561 58.608 63.062 67.200 71.211 74.498 77.364 79.864
Variance 0.818 0.762 0.727 0.685 0.669 0.594 0.449 0.407 0.374
% of var. 2.153 2.004 1.912 1.801 1.760 1.563 1.181 1.071 0.985
Variance 0.338 0.300 0.283 0.225 0.200 0.176 0.160 0.126 0.107
% of var. 0.890 0.791 0.744 0.591 0.528 0.464 0.421 0.331 0.282
Variance 0.083 0.052 0.040 0.036 0.016 0.012 0.008 0.005 0.000
% of var. 0.219 0.137 0.105 0.096 0.043 0.030 0.021 0.014 0.000
Dim.37 Dim.38
Variance 0.000 0.000
% of var. 0.000 0.000
Cumulative % of var. 100.000 100.000
C.2 Projections des variables
Figure 5 – Cercle des corrélations avec R
26
Les variables ayant un cos2 supérieur à 0,7 pour le premier axe factoriel sont
surlignées en jaune pâle. Les variables ayant un cos2 supérieur à 0,5 pour le
deuxième axe factoriel sont surlignées en gris pâle. Le cos2 indique la qualité de
la représentation.
La contribution a un axe est jugée importante lorsqu’elle est ≥ 3. Seules les

variables ayant une contribution importante sont surlignées. Une case est rouge
lorsque la variable est liée au salaire et a une composante négative pour cette
dimension. Une case est verte lorsque la variable est liée au salaire et a une
composante positive pour cette dimension. Une case est bleue lorsqu’elle n’est
pas liée au salaire.
27
C.3 Projections des individus
Figure 6 – Projections des tiers et d’exemples d’universités
On remarque une certaine variabilité dans la majorité des tiers. La Ivy Plus
et les non sélectifs privés lucratifs semblent plus denses. Il est clair que les tiers
sélectifs privés et publics sont assez hétérogènes vu le placement de leur moyenne
par rapport à leurs exemples.
28
Étiquette Tier coûts en $US Nb. obs.
utilisées
Ivy45 Ivy Plus 40 000 à 45 000 3
Ivy50 Ivy Plus 45 000 à 50 000 7
Elite15 Autres élites 10 000 à 15 000 1
HSPub10 Très sélectif public 5 000 à 10 000 2
HSPri35 Très sélectif privé 30 000 à 35 000 1
SPub5 Sélectif public 0 à 5 000 6
SPub10 Sélectif public 5 000 à 10 000 173
SPri10 Sélectif privé 5 000 à 10 000 1
NSPub5 Pas sélectif public 0 à 5 000 1
NSPub10 Pas sélectif public 5 000 à 10 000 3
NSPub15 Pas sélectif public 10 000 à 15 000 1
NSPri5 Pas sél. privé sans profit 0 à 5 000 1
NSPri15 Pas sél. privé sans profit 10 000 à 15 000 3
Profit15 Pas sél. privé avec profit 10 000 à 15 000 1
Table 8 – Description des observations artificielles
29
D Analyse discriminante
D.1 Modèle global
stepclass(data, tier, "lda", direction = "both", improvement = 0.01)
‘stepwise classification’, using 10-fold cross-validated correctness rate of method lda’.
842 observations of 38 variables in 9 classes; direction: both
stop criterion: improvement less than 1%.
correctness rate: 0.82894; in: "price"; variables (1): price
correctness rate: 0.85154; in: "k_top1pc"; variables (2): price, k_top1pc
correctness rate: 0.86459; in: "rej"; variables (3): price, k_top1pc, rej
hr.elapsed min.elapsed sec.elapsed

0.00 0.00 8.21
D.1.1 Matrice de confusion du modèle considérant seulement le coût
D.1.2 Matrice de confusion du modèle considérant seulement le coût

et la proportion de diplômés avec un salaire dans le 99e per-
centile
30

RR 159

Transféré par

Droits d'auteur :

Formats disponibles

RR 159

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

RR 159

Transféré par

Droits d'auteur :

Formats disponibles

Études de cas en analyse des données

Bernard Colin (Éditeur)

Sherbrooke, janvier 2018

[1] Sarra Abaoubida :

Catégorisation des parfums selon leurs propriétés sensorielles.

[2] Jean-Philippe Morisette :

Analyse du tennis en simple chez les messieurs.

[3] Fanny Rancourt :

Caractérisation des universités américaines.

S ARRA .A BAOUBIDA @ USHERBROOKE . CA

Table des matières

3 Présentation des données 4

5 Analyse des résultats 14

exemple avec des solutions de différentes concentrations).

F IGURE 1: Différents niveaux de descriptions

Par la suite, on traitera des données de type hédoniques.

3 Présentation des données

Juge 18 Juge 31 Juge 40 Juge 93

Objectif de notre étude :

4.2 Présentation du modèle

L’analyse des correspondances simples traite le cas de deux va-

respondances simples, afin de définir rigoureusement l’analyse des

Analyse des correspondances simples

On se place dans le cadre de deux variables qualitatives X et Y , pos-

Le poids de la colonne j est définit par :

N (J) = {(yj , qj ), yj ∈ Rn , qj > 0, qj = 1}

d2 (xi , xi0 ) =t (xi − xi0 )AI (xi − xi0 )

d2 (yj , yj 0 ) =t (yj − yj 0 )AJ (yj − yj 0 )

Cette distance est dite métrique du χ2 .

On fait la même chose pour les profils de colonnes yj et yj0 et on

L’analyse des correspondances simples consiste à faire une analyse

Rappel (Analyse en composantes principales) :

Soient N = {(xi , pi ), xi ∈ Rp , pi > 0,

Dans un premier temps, on se propose de trouver un sous espace de

On en déduit qu’il suffit de maximiser IN (∆⊥

Où V = {vjk }j,k∈{1,...,p} est la matrice d’inertie définie par :

On cherche donc max t uAV Au pour u de norme 1.

En utilisant la méthode des multiplicateurs de Lagrange, on trouve

On réitère la procédure, on cherche donc un deuxième vecteur u tel

On trouve que la solution de ce deuxième problème n’est autre que

De plus, il suffit d’effectuer l’analyse en composantes principales du

Analyse des correspondances multiples

On dispose de n observations sur lesquelles on observe un ensemble

KIJ = {kij }i,j

k.j est le nombre d’observations ayant chosi la modalités j et j 0 .

TABLE 3: Extrait du tableau de Burt associé aux parfums

On remarque que les blocs du tableau de Burt sont les tableaux de

• L’analyse des correspondances multiples consiste à effectuer

4.2.2 Méthode de Ward

La méthode de Ward est un algorithme permettant de regrouper

Description de l’algorithme de construction ascendante

Le point de départ est une matrice de dissimilarités D (ces dissimi-

F IGURE 2: Etapes de la construction d’un arbre hiérarchique

4.3 Critique du modèle

5 Analyse des résultats

5.2 Analyse des données et interprétation des résultats

Le premier axe principal oppose Shalimar, Aromatics Elixir et Cha-

F IGURE 3: Représentation des parfums sur le premier plan principal

5.2.2 Représentation des modalités sur le premier plan principal