R EVUE DE STATISTIQUE APPLIQUÉE
E. M. Q ANNARI P H . C OURCOUX M. L EJEUNE O. M AYSTRE
Comparaison de trois stratégies de détermination d’un compromis en évaluation sensorielle
Revue de statistique appliquée, tome 45, n
o1 (1997), p. 61-74
<http://www.numdam.org/item?id=RSA_1997__45_1_61_0>
© Société française de statistique, 1997, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
COMPARAISON DE TROIS STRATÉGIES
DE DÉTERMINATION D’UN COMPROMIS EN ÉVALUATION SENSORIELLE
E.M.
Qannari,
Ph.Courcoux,
M.Lejeune,
O.Maystre
ENITIAA/INRA, Unité de
Statistique Appliquée
à la Caractérisation des Aliments, Domaine de la Géraudière, 44322 Nantes cedex 03, FranceRÉSUMÉ
Les méthodes Statis et Procruste sont bien
adaptées
pourl’analyse
des données deprofils
sensoriels avec un vocabulaire fixé ou libre. Afin de permettre une
comparaison
directe des résultats de Statis et Procruste, nous proposons une reformulation de la méthode Statisqui
conduit à des facteurs d’échelles et à un
compromis comparables
à ceux de Procruste. Nous proposons aussi un nouvelalgorithme
pour la méthode Procrustequi s’inspire
de la méthode Statis. Celui-ci estplus
direct quel’algorithme classique
et montreexplicitement,
à l’instar de Statis, quechaque
facteur d’échelle est en fait leproduit
d’unpoids
associé aujuge
et d’unfacteur de normalisation. Les trois
stratégies
(Procruste, Statis et la variante de Procruste) sontcomparées
sur la base de deuxexemples
concrets relatifs à laperception
sensorielle de yaourtset de pommes.
ABSTRACT
Procrustes and Statis are two statistical methods which are
appropriate
for theanalysis
of sensory
profiling
data. We propose a newpresentation
of Statis that leads to results similar to those obtainedby
means of Procrustes. We also discuss a newalgorithm
for Procrustes whichexplicitly
shows that,similarly
to Statis, eachisotropic scaling
factor isactually
aproduct
of aweight
associated with thepanellist
and a scalar factor thatadjusts
for differences inscaling.
The three
strategies
arecompared
on the basis of real data sets.I. Introduction
Dans
beaucoup
desituations,
l’utilisateur est intéressé par la détermination d’uncompromis
pour un ensemble de tableaux de données. Nous nous situons ici dans le contexte de l’évaluation sensorielle afin desouligner
lestypes
deproblèmes
rencontrés et les
objectifs poursuivis
en relation avec les méthodes de traitement des données.L’évaluation sensorielle par un
jury
consiste souvent à déterminer la nature et ledegré
des différencesorganoleptiques
entre desproduits. L’épreuve
duprofil
sensoriel vise à attribuer des notes d’intensité aux différents
produits
selon une liste dedescripteurs (variables).
Il existe deuxprocédures : profil
conventionnel etprofil
libre(Williams
etLangron, 1984).
Avec lapremière,
lesjuges
utilisent une listepréétablie
de
descripteurs
afin d’évaluer lesproduits
considérés. Pour lesprofils libres,
les listesdes
descripteurs
ne sont pas nécessairement les mêmes d’unjuge
à un autre. Dansles deux cas, la détermination d’un
compromis permet
d’établir une carte sensorielle desproduits
ou de relier lesaspects organoleptiques
auxaspects physico-chimiques
ainsi
qu’aux
données depréférences...
Bien que
les juges
soient sélectionnés sur la base de leursaptitudes
sensorielles et entraînés pour harmoniser leursévaluations,
la méthode de détermination d’uncompromis
doitprendre
en considération les dérives constatées dans ce genred’épreuves.
Enparticulier :
- le
centrage
dechaque
tableaupermet
desupprimer
l’effetjuge qui
se traduitpar des niveaux de notation
différents;
- l’introduction d’un facteur d’échelle est dictée par le fait que certains
juges
ont tendance à utiliser toute l’étendue de l’échelle alors que d’autres n’en utilisent
qu’une partie restreinte;
-
l’ajustement
des tableaux par rotation ou en considérant les matrices desproduits
scalaires entre lesproduits permet
de tenircompte
d’éventuelles différencesd’interprétations
desdescripteurs (profil conventionnel)
ou du fait que lesdescripteurs
ne sont pas les mêmes pour les différents
juges (profil libre).
Il
peut
aussi êtrejudicieux
de tenircompte
de laperformance
desjuges
en affec-tant un
poids
faible dans la détermination ducompromis
auxjuges
identifiés commepeu
performants.
Cettepréoccupation
estexplicitement
déclarée dans la méthode Statis(Lavit, 1988; Schlich, 1993);
elle est, par contre, seulement«pressentie»
dansla méthode Procruste
(Collins, 1991).
Nous discutons une
présentation originale
de la méthode Statis(normée) qui permet
de déterminer des facteurs d’échelle et uncompromis
directementcomparables
à ceux donnés par Procruste.
Puis,
nousprésentons
une variante de la méthode Procrustequi s’inspire
de la méthode Statis. Cetalgorithme
estplus simple
que celuiproposé
par Gower(1975)
et montre, à l’instar deStatis,
quechaque
facteur d’échelle est leproduit
d’unpoids
associé àchaque juge
et d’un facteur de normalisation.L’analyse conjointe
deplusieurs
tableaux a faitl’objet
de nombreuses études.Lavit
(1988)
donne une revuebibliographique
etdéveloppe
enparticulier
la méthodeStatis.
Glaçon (1981) entreprend
unecomparaison
de différentes méthodesd’analyse conjointe
de tableaux de données. Cette étude met en évidence les liensméthodologi-
ques
qui
existent entre les différentestechniques : représentation globale, compromis, représentation
détaillée. Nous pouvons aussi citer le travail deBourgeois (1980) qui
fait la
synthèse
despropriétés mathématiques
liées à la méthode Procruste et dis- cutequelques applications. Enfin,
Lafosse(1985) développe
de nouvellestechniques
autour de
l’analyse procrustéenne
de deux tableaux.II.
DONNÉES
Soit m le nombre de
juges impliqués
dans uneépreuve
de détermination deprofils
sensoriels relatifs à nproduits.
Achaque juge i,
est associé le tableauXi
dont les
lignes correspondent
aux nproduits
évalués et les colonnes auxdescripteurs
sensoriels.
Lorsqu’il s’agit
d’uneépreuve
de détermination deprofils
sensoriels avec un vocabulairelibre,
le nombre des colonnes des tableauxXi (i
=1, 2, ..., m)
n’estpas
toujours
le même. Nous supposons,cependant,
que tous les tableaux sont de dimension n x p, encomplétant,
le caséchéant,
certains tableaux par des colonnes de zéros. Ceci n’a pas d’incidence sur les résultats car lesconfigurations
ne sont pas altérées dupoint
de vue des distances entre les individus(les produits).
Toutes les
configurations
considérées sontsupposées
centrées.III. ANALYSE DE PROCRUSTE
GÉNÉRALISÉE
Cette méthode est bien connue sous
l’acronyme
GPA(Generalised
ProcrustesAnalysis).
Leproblème
de détermination d’uncompromis
C desconfigurations Xl, X2, ..., Xm après ajustement
par des rotations et des facteurs d’échellepeut
être traduit par leproblème d’optimisation
suivant :où ~·~
est la norme de Hilbert-Schmidt définie pour une matrice Apar ~A~2
=trace(AtA),
Cdésigne
laconfiguration compromis, Hi
la rotationqui ajuste
laconfiguration Xi
aucompromis
etenfin,
ai le facteur d’échelle associé àXi.
Une contrainte de détermination doit être
imposée
aux coefficientsai (i
=1, 2, ..., m)
afin d’éviter des solutions triviales. Gower(1975)
a choisi la contrainte suivante :Cette contrainte
impose,
endéfinitive,
que l’inertie totale(somme
des inerties de toutes lesconfigurations)
soit conservéelorsque
l’on affecte les facteurs d’échelleaux
configurations.
Pour la résolution du
problème (Pl),
Gower propose uneheuristique
consistanten une
procédure
itérativequi ajuste
deproche
enproche
lesconfigurations
à l’aidede rotations et de facteurs d’échelle.
Pour une
description
détaillée de cetalgorithme,
nous renvoyons à l’article de Gower(1975)
et à un article écrit par Arnold et Williams(1986).
Schlich(1989)
aécrit un programme en
langage
SAS/IML pour la mise en oeuvre de GPA.IV.
MÉTHODE
STATISLe recours aux matrices des
produits
scalaires au lieu desconfigurations
ellesmêmes
présente l’avantage
de sedispenser
de déterminerexplicitement
les rotationsqui ajustent
lesconfigurations.
Leproblème
de détermination d’uncompromis
est,par
conséquent,
nettementsimplifié.
Soit
Wi
=Xi t Xi
la matrice desproduits
scalaires associée à laconfiguration Xi.
La matriceWi
estcaractéristique
dupositionnement
mutuel des individus(produits) (Escoufier, Pagès, Cazes, 1976;
L’ Hermier desPlantes, 1976; Glaçon, 1981).
Soit
Yi = 03B3iXi
laconfiguration
obtenue àpartir
deXi
enmultipliant
par le scalaire 03B3i(facteur d’échelle). Wt
=YitYi
=03B32iWi désigne
la matrice desproduits
scalaires associée à la
configuration pondérée Yi.
On propose de déterminer des scalaires 03B3i et unopérateur compromis W,
de sorte à minimiser :sous la contrainte :
Le choix de la contrainte
(**)
sejustifie
par la commodité des calculsqu’elle
induit à l’instar de la contrainte
(*)
de Procruste. Ce choix sejustifie
aussi par un souci de conservation de l’«inertie» totale.Soit
Q=03A3~03B32iWi-W~2, le
minimum deQ
est atteint pour :ce
qui permet
d’écrireQ
sous la forme :Nous sommes par
conséquent
conduits àmaximiser,
relativement à03B3i(i
=1, 2, ... , m),
laquantité :
sous la contrainte
(**).
Le maximum de S est atteint pour :
où
Tw
= E trace(WiWi)
et v2 est laième
coordonnée dupremier
vecteur propre de la matrice RV dont l’élémentgénérique
est donné par :RV (Xi, Xj)
est un indice d’association entre lesconfigurations Xi
etXj qui
a été introduit par Robert et Escoufier
(1976).
Nous pouvons noter que
03B32i
a bien un sens car dans la formule donnant03B32i,
tous les v2
peuvent, d’après
le théorème dePerron-Frobenius,
être choisispositifs (ou nuls).
Etant semi-défini
positif,
Wpeut
s’écrire sous la forme : W = Ct C.
Le tableau C ainsi obtenu constitue uneconfiguration compromis
deXl, X2, ..., X m.
Ilexiste en fait une infinité de tableaux tels que W =
C ’C.
Le
problème d’optimisation (P2)
conduit parconséquent
à la méthode Statis normée. La contrainte(**)
induit defacto
une normalisation ducompromis qui
lerend
comparable
auxconfigurations
initiales.Il
apparaît
que le facteurd’échelle 03B3i
est leproduit
d’un facteur denormalisation,
TW trace (WiWi)1/2
, et d’unpoids qui pondère la configuration
dujuge i,
donnépar
v2.
Du fait de cettepondération,
lecompromis
de Statis a étéqualifié
commeétant un résumé
majoritaire
desconfigurations (Lavit, 1988).
En
résumé,
la méthode Statis(normée) pourrait
êtreprésentée
dans les mêmes termes que la méthode Procruste : détermination de facteurs d’échelle03B3i(i
=1, 2, ... , m)
et d’uncompromis C,
le critèred’optimisation
étant donné par :sous la contrainte
(**) :
V. UNE VARIANTE DE PROCRUSTE
L’heuristique proposée
parGower pour
résoudre leproblème (P1)
conduit à une solution satisfaisante bien que ce ne soit pastoujours
la solutionoptimale.
TenBerge (1977),
TenBerge
et Bekker(1993)
etBourgeois (1980)
ont discuté de nouvellesprocédures
pour déterminer les facteurs d’échelle associés auxconfigurations.
Achaque étape
de laprocédure
de TenBerge,
les facteurs d’échelles sont déterminés àpartir
dupremier
vecteur propre de la matrice dont l’élémentgénérique
est :où
Yi
est la matrice obtenue àpartir
deXi
enappliquant
des rotations calculées àl’étape précédente
del’algorithme.
Cetteprocédure
a étécritiquée
par Gower sur la base de lacomplexité
des calculsqu’elle
entraîne(Gower, 1984,
p.773).
La détermination d’une solution directe du
problème (P1)
est rendue difficile par le nombreimportant
deparamètres
à estimer. La démarchesuivante, inspirée
deStatis,
contourne cette difficulté enprocédant
en deuxétapes :
étape
1 : détermination de facteurs d’échelleoptimaux ( procédure
nonitérative);
étape
2 : détermination d’uncompromis
parapplication
del’algorithme
de Kristofet
Wingersky (1971);
cetalgorithme
est connu pour son efficacité et sarapidité
de convergence.Etape
1 : détermination des facteurs d’échelleNous proposons de déterminer des facteurs d’échelle
03B1i(i = 1, 2,..., m)
desorte à minimiser la
quantité :
où
Aij
est une rotationoptimale qui ajuste Xj
àXi.
La détermination de cette rotation est basée sur ladécomposition spectrale
deXj t Xi (voir
parexemple, Sibson, 1978;
Glaçon, 1981).
Sur les coefficients ai, nous
imposons
la contrainte de Procruste(Gower, 1975),
à savoir :
Il est facile de vérifier que le
problème
de minimisation de F sous la contrainte(*) équivaut
à maximiser laquantité :
sous la même contrainte.
La solution est donnée par :
où T = E trace
(tXiXi)
et ui est laieme
coordonnée dupremier
vecteur propre de la matricesymétrique
R dont l’élémentgénérique
est :Cet
indice, compris
entre 0 et1,
a été utilisé parLingoes
et Schônemann(1974).
Il est nul si et seulement si lesconfigurations Xi
etXj
sont dans des espacesorthogonaux;
il estégal
à 1 si et seulement si les deuxconfigurations peuvent
êtreajustées
par une rotation et un facteur d’échelle(Glaçon, 1981,
p.63).
Les coefficients
ai (i
=1, 2,..., m) peuvent
tous être choisis nonnégatifs
carles éléments de la matrice R sont
positifs
ou nuls(théorème
dePerron-Frobenius).
Il
apparaît,
làaussi,
quechaque
facteur d’échelle ai est leproduit
d’un facteur de normalisation :’V .
et d’unpoids,
donné par ui,qui pondère chaque
trace (tXiXi)
configuration
en fonction de sondegré
d’accord avec les autres. Lesconfigurations
des
juges peuvent
êtrecomparées
sur la base de la matrice des similarités R =(rij)(i,j
=1,2,..., m),
de la même manière que Statis les compare à l’aide de la matrice contenant les coefficients RV. Demême,
lapremière
valeur propre de Rpeut
servir d’indice de concordanceglobale
desjuges.
Etape
2 : Détermination d’uncompromis
Pour déterminer un tableau
compromis,
nous proposonsd’appliquer l’algo-
rithme de Kristof et
Wingersky (1971)
sur lesconfigurations Yi = 03B1iXi(i
=1, 2, ... , m).
Cetalgorithme procède
de la manière suivante :Pas n° 1 :
Ajuster
à l’aide d’une rotationchaque configuration Y,, Y2,
...,Ym
àY1
etdéterminer un
compromis
C en considérant la moyenne desconfigurations ajustées;
Pas n°2 :
Ajuster
de nouveau lesconfigurations YI, Y2,..., Ym
àC,
et réinitialiser lecompromis
en considérant la moyenne desconfigurations
ainsiajustées.
Par la suite
le pas
n°2 est réitéréjusqu’à
ce quel’algorithme
converge(variation
non
significative
deC).
Nous obtenons un
compromis qui s’écrit, in fine,
comme suit :où
xi désigne
laconfiguration
normée associée àXi
etHi,
la rotationoptimale
obtenue à l’issue de
l’étape
2. Cette écriture met en évidence le rôle despoids
ui car uneconfiguration
pourlaquelle
cepoids
est relativementimportant
contribuedavantage
àla détermination du
compromis qu’une configuration
pourlaquelle
cepoids
est faible.Cette écriture est à mettre en
parallèle
avec la formule donnantl’opérateur compromis
de Statis en tant que moyenne
pondérée
desopérateurs
associés auxconfigurations Xi(i = 1, 2, ...,m).
VI. COMPARAISON DES
MÉTHODES
6.1
Rang
ducompromis
Le
compromis
obtenu àpartir
de Procruste que ce soit à l’aide del’algorithme
classique
ou del’algorithme
que nous proposons s’écrit :Soit pi le nombre de variables
(non nulles)
du tableauXi ;
le rang de C est auplus égal
à p =max(pi).
Le
compromis
de Statis est obtenu àpartir
de ladécomposition spectrale
del’opérateur :
Cela
revient,
parconséquent,
à effectuer uneanalyse
encomposantes principales (ACP)
du tableau Y obtenu enjuxtaposant
horizontalement les tableauxYi =
.fin Xi (i
=1, 2,..., m).
Ainsi le rang ducompromis
de Statispeut
être dans certainscas aussi
grand que P pi.
Bienévidemment,
lespremières composantes
de cecompromis
sont liées de manièreprivilégiée
aux variables «communes» des tableauxXi(i
=1, 2, ... , m)
par le fait despondérations
et par le faitqu’étant liées,
cesvariables contribuent
beaucoup
à la détermination despremières composantes
de Y. Lecompromis
de Statisapparaît
donc comme étant un tableausynthétique
caril contient toutes les dimensions
sous-jacentes
à tous les tableaux pourlesquels
lespoids
sont non nuls.La démarche de Statis
rappelle l’Analyse
FactorielleMultiple (AFM)
déve-loppée
par Escofier etPagès (1988) qui
consiste à effectuer l’ACP du tableau Z obtenu enjuxtaposant
horizontalement les tableauxZi = 1 03BBiXi(i
=1,2,..., m)
où
Ai
est lapremière
valeur propre deXi tXi. Ainsi,
seule la normalisation des ta- bleaux estpréconisée
en AFM(pas
depondération
en fonction des accords mutuels entre lestableaux). Pagès (1995)
acomparé
lescaractéristiques techniques
de Statiset de l’AFM.
Nous déduisons de ce
qui précède
que les méthodes Statis et Procruste diffèrentbeaucoup
par lespourcentages
d’inertie restituée par lescomposantes principales
du
compromis.
L’utilisateur doit avoir àl’esprit
que ces différencesproviennent
essentiellement du fait que Statis rend
compte
deplus
d’axes que Procruste. En tout état de cause, lespourcentages
d’inertieexpliquée
par les axes associés à l’ ACP ducompromis
doivent êtreinterprétés
avecprécaution.
Cepoint
seraétayé
par uneapplication
concrète.6.2. Choix des indices de dissimilarité et de similarité
Pour
Statis,
la dissimilarité entre deuxconfigurations
X et Y est évaluée par la distance euclidienne :pour
Procruste,
cette dissimilarité est évaluée par la distance :où 4 est une rotation
procrustéenne
de Y parrapport
à X. Cette dernière distance n’est pas euclidienne(Sibson, 1978).
La différence entre les distances d et 8 est dansune certaine mesure de même nature que celle existant entre les distances usuelles associées
respectivement
aux espacesL’
etL1.
Parallèlement,
les similarités entre lesconfigurations
X et Y sont évaluéesrespectivement
pour Statis et Procruste par :et
ou par les indices normalisés associés : coefficient RV
(Robert
etEscoufier, 1976)
et indice de
Lingoes
Schônemann(1974).
Endésignant
parMi (i
=1, 2,..., p)
lesvaleurs
singulières
de la matricetXY
classées par ordredécroissant, Cov(X, Y)
etT (X, Y) peuvent
s’écrire(voir
parexemple Lingoes
et Schônemann(1974)
etGlaçon (1981)) :
Il est facile de montrer, en
supposant
queT (X, Y)
>0,
lesinégalités
suivantes :Cette
inégalité
a été démontrée etinterprétée
dans le cas X = Y par Kazi- Aoual(1993).
La borne inférieure est atteinte si et seulement si toutes les valeurs03BCi(i
=1, 2,..., p)
sontégales
et la bornesupérieure
est atteinte si et seulement si J-t 1 est la seule valeursingulière
non nulle. Ainsi lerapport :
peut
être considéré comme un indicateur de la concentration duspectre 03BCi(i
=1, 2,..., p).
En d’autres termes, pourT(X, Y) fixé,
laquantité Cov(X, Y)
estd’autant
plus grande
que les valeurs03BCi(i = 1, 2,..., p)
sontdispersées.
Ceci montreque la
quantité Cov(X, Y)
mesureplus qu’un ajustement
par rotation entre X et Y : elle rend aussicompte
de laqualité d’ajustement
sur des espaces de faibles dimensions(grande dispersion
des valeurssingulières).
Nous en déduisons que Statis a tendance à
privilégier davantage
que Procruste les accords entreconfigurations
sur les axes d’inertie relativementimportante.
Cepoint
sera illustré dans le cadre d’uneapplication.
VII. APPLICATION Première
application
Les données traitées sont extraites de
Dijksterhuis
et Gower(1991),
où elles ontservi pour illustrer la méthode Procruste. Elles concernent l’évaluation sensorielle de 8 variétés de
yaourts.
Leprotocole expérimental
utilisé est leprofil
libre(free
choiceprofiling)
où lesjuges
utilisent leurs propresdescripteurs
pour évaluer lesaspects organoleptiques.
Le tableau 1 donne les
poids
associés auxjuges
obtenus àpartir
de Statis et dela variante de Procruste. Ces indices sont relativement
proches.
Le tableau 1 donne aussi les facteurs d’échelle associés aux différentes confi-
gurations
obtenus par les 3stratégies.
Làaussi,
ons’aperçoit
que les résultats sontcomparables.
TABLEAU 1
Indices de
performance et facteurs
d’échelle.(Les
indices deperformance
ont été relativisésen divisant par l’indice de
performance moyen)
Par la
suite,
nous avons effectué une ACP sur lescompromis
obtenus à l’aide des troisstratégies.
Lafigure
1 donne lareprésentation graphique
desyaourts
sur la base dupremier plan principal
des trois ACP. Lesreprésentations graphiques
sontdans une
large
mesure similaires.Deuxième
application
Dans la
première application,
nous avonsdavantage
mis en exergue lespoints
communs entre les méthodes. Dans cette deuxième
application,
nous nous attachons à mettre en évidence leursspécificités.
Les donnéesanalysées
sont extraites de la thèse deLangron (1981)
et concernent l’évaluation sensorielle de 27types
de pommes sur la base d’un vocabulaire fixécomprenant
14descripteurs (profil conventionnel).
Huitjuges
ontparticipé
àl’épreuve.
Nous avons traité les données à l’aide de la méthodeFIGURE 1
Représentation
desproduits
sur la base dupremier plan principal
descompromis.
Statis et de la méthode Procruste en utilisant
l’algorithme
que nous avons discuté.Les résultats se
recoupent
dans unelarge
mesure etrecoupent
ceux de GPA discutés de manière détaillée parLangron (1981). Soulignons cependant
que les pourcen-tages
d’inertie restituée par les axes sont très différents(tableau 2).
Ceciprovient
dufait que Statis
génère plus
d’axes que Procruste. Eneffet,
comme nous l’avonssignalé
TABLEAU 2
Valeurs propres et inerties restituées
(%)
par les composantes
principales
descompromis.
au
paragraphe 6.1,
Statis rendcompte
de toutes les dimensionssous-jacentes
à tousles tableaux. Pour cet
exemple,
le rang ducompromis
de Procruste était inférieur à 14 alors quequ’il
étaitégal
à 20 pour lecompromis
de Statis. Sur le tableau2,
nous pouvons aussi remarquer que les valeurs propres associées à l’ACP ducompromis
deStatis sont relativement
supérieures
à celles associées aucompromis
de Procruste.Afin de mettre en évidence le fait que Statis attribue relativement
plus
depoids
aux
configurations qui
s’accordent avec les autres sur la base des axes deplus grandes inerties,
nous avonsajouté
une neuvièmeconfiguration
fictive aux 8configurations
associées
respectivement
aux8 juges.
Cette neuvièmeconfiguration
est celle associéeaux
k(k
=1, 2, ... , 6) premières composantes principales
ducompromis
obtenu àl’aide de GPA
(les
résultats discutés sont les mêmesquelque
soit la méthode choisie pour la détermination ducompromis).
Pourchaque
valeur de k allant de 1 à6,
nousavons effectué Statis et Procruste sur les 9
configurations.
Pour la méthodeProcruste,
nous avons
appliqué l’algorithme
que nous avonsproposé
car ila l’avantage
d’exhiberdes
poids
associés auxjuges. L’objectif
est de comparer lespoids
accordés par les deuxstratégies
en fonction de la valeur de k. Nous remarquons(tableaux
3 et4)
que dès k =1,
lepoids
attribué à la neuvièmeconfiguration
est leplus grand
despoids
de tous les
juges
pour la méthode Statis alors que cepoids
est leplus petit
de tousles
poids
pour la méthode Procruste. Ce constatpermet d’étayer
lepoint
discuté auparagraphe
6.2 concernant le fait que Statisprivilégie davantage
que Procruste les accords entreconfigurations
sur la base des axes deplus grandes
inerties. Pour les deux méthodes lepoids
attribué à la neuvièmeconfiguration
croit avec k mais c’est seulement àpartir
de k = 4 que cepoids
devient leplus important
despoids
de tousles
juges
pour la méthode Procruste.TABLEAU 3
poids
normalisés(somme égale
à9)
obtenus par Statis pour les 9configurations en fonction
du rangde la neuvième
configuration fictive.
TABLEAU 4
poids
normalisés(somme égale
à9)
obtenus par la variante de Procruste pour les 9configurations
enfonction
du rangde la neuvième
configuration fictive.
VIII. CONCLUSION
Le travail discuté ici a pour intérêt de
rapprocher
les méthodes Statis et Pro- cruste. D’uncôté,
la méthode Statis estprésentée
dans le mêmeesprit
que Procruste(facteurs
d’échelle affectés auxconfigurations,
détermination d’uncompromis opti- mal, ...).
De l’autrecôté,
une nouvelleprocédure, proche
de la démarche deStatis,
estproposée
pour la méthode Procruste. Outre sasimplicité,
ce nouvelalgorithme
four-nit des
poids
associés auxconfigurations
au même titre que Statis. Nous avons aussisouligné quelques spécificités
des méthodes en montrant notamment le fait que Statisa tendance à
privilégier davantage
que Procruste les accords entreconfigurations
surla base des axes de
plus grandes
inerties.Références
bibliographiques
Arnold G. M. et
Williams,
A. A.(1986),
The Useof Generalised
ProcrustesAnalysis
in
Sensory Analysis.
In Statistical Procedures in FoodResearch,
ed. J.R.Piggott,
North
Holland,
Amsterdam.Bourgeois
P.(1980),
Recherche dudéplacement
minimisant la distance entre deuxconfigurations
depoints
indicés par un même ensemblefini,
Méthodes etapplications
en reconnaissancedes formes
et enanalyse
des donnéescubiques, Thèse,
Université Pierre et Marie Curie - Paris VI.Collins A. J.
(1991),
The Useof
Generalised ProcrustesTechniques
inSensory Analysis, Comptes
rendus de«Agro
Industrie et MéthodesStatistiques» 2014
Nantes.
Dijksterhuis
G. B. et Gower J. C.(1991),
TheInterpretation of Generalised
ProcrustesAnalysis
and AlliedMethods,
FoodQuality
andPreference, 3,
67-87.Escofier
B., Pagès
J.(1988), Analyses
factoriellessimples
etmultiples, Dunod,
Paris.Escoufier
Y., Pagès
J.P.,
Cazes P.(1976), Opérateurs
etanalyse
des tableaux àplus
de deux
dimensions,
Cahiers duBuro, 25,
61-89.Glaçon
F.(1981), Analyse conjointe
deplusieurs
matrices dedonnées; comparaisons
de
plusieurs méthodes, Thèse,
Université des Sciences de Grenoble.Gower J. C.
(1975),
Generalised ProcrustesAnalysis, Psychometrika, 40,
33-51.Gower J. C.
(1984),
MultivariateAnalysis : Ordination,
MultidimensionalScaling
and Allied
Topics,
in E.Lloyd (Ed.) :
Handbook ofapplicable
mathematicsVI, Statistics, B, 727-781, Wiley,
New York.Kazi-Aoual F.
(1993), Approximations
to Permutation Testsfor
DataAnalysis, Rapport n° 93-06,
Unité deBiométrie, Montpellier.
Kristof,
W. etWingersky (1971),
Generalisationof
theOrthogonal
ProcrustesRotation
Procedure for More
than TwoMatrices, Proceedings
of the 79th annual convention of the AmericanPsychological Association,
89-90.Lafosse R.
(1985), Analyses
Procrustéennes de deuxtableaux, Thèse,
Université PaulSabatier,
Toulouse.Langron
S. P.(1981),
The Statistical Treatmentof Sensory Analysis Data,
Thèse Ph.D. Université de Bath.
Lavit C.
(1988), Analyse conjointe
de tableauxquantitatifs, Masson,
Paris.L’Hermier des Plantes H.
(1976),
Structuration des tableaux à trois indices de lastatistique. Thèse,
Univ. des Sciences etTechniques
duLanguedoc Montpellier
II.
Lingoes
J.C.,
Schönemann P. H.(1974),
Alternative Measuresof
Fitfor
theSchönemann-Caroll Matrix
Fitting Algorithm, Psychometrika, 39,
4.Pagès
J.(1995),
Eléments decomparaison
entrel’analyse factorielle multiple
et laméthode
Statis, Comptes
rendus des XXVII JournéesASU, Jouy-en-Josas.
Robert P. et Escoufier Y
(1976),
AUnifying Tool for
Linear Multivariate Statistical Methods : the RVCoefficient, Applied statistics, 25,
257-267.Schlich P.
(1989),
A SAS/IMLProgram for
Generalised ProcrustesAnalysis,
InProceedings
of the SASEuropean
UsersGroup Internat, Conference,
p. 529- 537.Schlich P.
(1993),
Contribution à lasensométrie, Thèse,
Université Paris Sud.Sibson R.
(1978),
Studies in the Robustnessof Multidimensional Scaling : Procrustes Statistics,
J.Royal. Statist,
Soc.B, 40,
234-238.Ten
Berge
J. M.(1977), Orthogonal
ProcrustesRotation for
Two or MoreMatrices, Psychometrika, 42,
267-276.Ten
Berge
J. M. et Bekker P. A.(1993),
TheIsotropic Scaling
Factor in Generalised ProcrustesAnalysis, Computational
Statistics & DataAnalysis, 16,
North-Holland, 201-204
Williams A. A. et
Langron
S. P.(1984),
The Useof
Free-ChoiceProfiling for
theEvaluation