J. L EMAIRE
Agrégation typologique de données de préférences
Mathématiques et sciences humaines, tome 58 (1977), p. 31-50
<http://www.numdam.org/item?id=MSH_1977__58__31_0>
© Centre d’analyse et de mathématiques sociales de l’EHESS, 1977, tous droits réservés.
L’accès aux archives de la revue « Mathématiques et sciences humaines » (http://
msh.revues.org/) implique l’accord avec les conditions générales d’utilisation (http://www.
numdam.org/conditions). Toute utilisation commerciale ou impression systématique est consti- tutive d’une infraction pénale. Toute copie ou impression de ce fichier doit conte- nir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
AGREGATION
TYPOLOGIQUE
DE DONNEESDE PREFERENCES (*)
J. LEMAIRE
(**)
1. INTRODUCTION
On rencontre
fréquemment
des données depréférences
enMarkçting , dans
lesprocédures
de test deproduits ,
engestion,
dans lesproblèmes de choix multicritêres ,
enpsychologie mathématique,
dansl’analyse
desquestionnai-
res, en
politique, dans
lesproblèmes
descrutins
.f.De telles données sont souvent
constituées
par une familled~ relatians
binaires sur
l’ensemble
desobjets
à comparer noté ici X avecpecard(X). Pgr-
mi les types de
relations utilisées,
lesmodèles d’ordres
ou depréordres
totaux
apparaissent féquemment
car il sontfacilement manipulables,
tant auniveau du recueil des données
qu’au
niveau de leurtraitement.
Unpréordrp
total définit un classement des
objets
de X comportantéventuellement
des groupesd’objets équivalents
et un ordre total est unpréordre
totalqui
n’introduit
pas de notiond’équivalence (M. BARBET
et B. MONJARDET(19~q~).
Une relation w de
préordre
total sur X pourra doncêtre notée :
(pour simplifier les notations,
on omettraparfois w).
Cettenotation indiquç
la
présence
de q groupesd’objets équivalents:
(*)
Présenté auCongrès Européen
des Statisticiens de Grenoble(Sept. 197e)
(**)LASSY, I.U.T. ,
41 BdNapoléon III,
06041 NICE CEDEX .formant une
partition
de X et que tout élément deGi
a étépréféré
stricte-ment à tout élément de
G.
dès que ij.
Conformément à la notationci-dessus
J
nous poserons: .
x
>
w y(x préféré
strictement ày)
si etx
y(x
et yéquivalents)
si(x, y) F- w
et(y, x) F_ w,
x > y
(x préféré largement
ày)
siw
EXEMPLE -
X=
{1,...,71
modélise 7 essencesvégétales
naturelles:et 40 individus donnent sur X un
préordre
total:Agréger
une famille depréordres
totaux sur X consiste à syn- thétiser lesclassements
induisent sur X en les résumant aupileux
parun ou
plusieurs classements.
EXEMPLE: ordre
total
médianen mesurant
l’écart
entre deuxpréordres
totaux sur X par lecqrginal
de leurdifférence symétrique :
on
appelle
ordre totalmédian,
toute solution duproblème:
Dans
l’exemple précédent,
ceproblème
n’admetqu’une
seule solution:dont la
qualité
peutêtre
mesurée par la moyenne des tau de KENDALL entre wet chaque w.:
1Aveç:
Ici, 0,44.
On peut
améliorer
laqualité
durésumé
trouvé enrecherchant
des résu-més
plus complexes:
parexemple
des ordrespartiels (A.
ASTIE(19~3)),
des
tournois (J~. C .
BERMOND( 1972) ) ,
desquasi-ordres (R.D.
LUCE(1956),
F.S.ROBERTS
(1971),
J. MENUET(1974),
E.JACQUET-LAGREZE (1975)),
des tresses(c.
FLAMENT(1962)
et(1971),
Y. KERGALL(1974))...
Cefaisant,
onprend
lerisque
d’alourdir considérablement lesalgorithmes.
Nous proposons, dans cet- tepublication,
une démarche conservant les modèles d’ordres ou depréordres
totaux pour les résumés mais
qui
permet d’obtenir des résumés locaux. On lesobtient
en recherchant simultanément:~
- une
partition
de I en k classes- un ou
plusieurs
résumés pour chacune des sous-familles°
J EXEMPLE ’
Avec 3
classes,
dansl’exemple précédent,
cette démarche conduit aux résumés:Pratiquement,
les résumés locaux sont obtenus enintégrant
uneprocédure
d’agrégation -
dansl’exemple précédent,
celle de la recherche des ordres totauxmédians -
dans laphase
de recherche des noyaux d’unalgorithme
du type nuéesdynamiques (E.
DIDAY(1971)).
Cette démarchegénéralise
uneprocédure proposée
par E.
JACQUET
LAGREZE(1971)
dans le cas de deux classes.Parailleurs,
ellepeut
s’étendre
àd’autres
méthodesd’agrégation
ordinale. Cettepublication
en
détaille quelques
unesclassiques;
- modèles de R.A. BRADLEY et M.E. TERRY
(1952)
- méthode de BORDA
- méthode de
codage optimal
de DELEEUW, TAKANE,
YOUNG(1975)
ou nouvelle à notre
connaissance, suggérée
par la formalisation même du pro- blème :- méthode du
permutoèdre.
Pour une étude
plus systématique,
on pourra se reporter à la référence: J.LEMAIRE
(1976).
Dans cesexemples,
la forme des résumés nous a conduit àdistinguer
deuxprincipaux
types de modèles pourexprimer
les tendances lo- cales :- les modèles directs où les résumés sont des ordres ou des
préor-
des totaux sur
X,
- les modèles tampons où ces résumés sont des
couples (w,k)
avecw
préordre
total ou ordre total et kcodage
admissible de w.L’aptitude
d’un résumé w ou(w,k)
àreprésenter
un despréordres
totaux dela famille
(wi)iEI
i 1 sera mesurée par unequantité q(w.,w)
i ouq(w.,(w,k)).
1Dans le second cas,
q(w.,(w,k))
nedépendra
que de k et dew.
cequi
confè-i 1
re à k un rôle tampon entre w et
wi (d’où
le nom dumodèle).
Les meilleursrésumés associés aux
préordres
d’une sous.famille(C
est unepartie
de
I)
sont les solutions duproblème:
Après
avoirprécisé
les concepts de base dans leparagraphe 2,
nous don-nerons, dans le
paragraphe suivant, quelques
indications sur les différentes méthodesd’agrégation envisagées précédemment.
La formalisation de la recherche des tendances locales sera détaillée dans leparagraphe
4. Nous ypréciserotis
la forme
desnoyaux
retenus dans le schéma des nuéesdynamiques
et nous éten-drons à ce type de noyaux les théorèmes de convergence énoncés par E. DIDAY
(1971).
Uneanalyse critique
seraprésentée
dans leparagraphe
5 et le derni-er
paragraphe
illustrera cetexposé
avec le traitement del’exemple
de l’in-troduction.
2. CONCEPTS DE BASE
Dans toute la
suite,
Wdésignera
l’ensemble despréordres
totaux sur X etW°
celui des ordres totaux.
Une
représentation synthétique
despréordres
totaux est donnée par le concept de fonction score basé sur un calcul de rangs moyens(M.
BESSON(197~)).
Si wew et
xeX,
on pose:Pratiquement,
on constate facilement que:si w est un ordre
total,
s w (x) =
moyenne dess w o(y)
sur l’ensemble desobjets
yéquivalents
à x si
w°
est un ordre totalcompatible
avec w .EXEMPLE
X =
{a,b,c,d,e}
et w est lepréordre :
On peut choisir comme ordre total
w° :
Ces
représentations
sontcaractéristiques:
et on déduit aisément de la construction
précédente
que la moyenne des valeursprises
par une fonction score estégale
à0+1+...+p-1 = p(p-l)/2.
Un autre concept, celui de relation
probabiliste,
s’introduira naturel- lement dans les calculs de moyennes. Sur X, une relationprobabiliste
-appe-lée aussi relation floue de
préférences (A.
KAUFMANN(1975))-
est uneappli-
cation p de X~X dans l’intervalle telle que:
Concrêtement, p(x,y)
définit une intensité depréférence
de x à y, celle-ci étant d’autantplus
forte quep(x,y)
estproche
de 1 et la notion d’indiffé-rence
correspond
à la valeur1/2.
Toutpréordre
total w peut être caractérisé par une relationprobabiliste pw
en posant:Le lien entre ces deux types de
représentation
est immédiat :Les relations
probabilistes
à valeurs dans{0,1}
sontappelées
tournois.3. EXEMPLES DE PROCEDURES D’AGREGATION
Les deux
premiers exemples s’intègrent
dans le cadre des modèles directs.Les
suivants,
dans le cadre des modèles tampons.3.1. Méthode des ordres médians
Les résumés sont des ordres totaux. Suivant les notations de
l’introduction,
on pose:
Il est facile
d’exprimer q(wi,w)
1 à l’aide des relationsprobabilistes
asso-ciées à w. et w: - -
Par un calcul
facile,
il vient alors que(E. JACQUET-LAGREZE):
(On rappelle
que w est un ordretotal).
Ainsi:où
pC
est la moyenne des relationsprobabilistes
de la famille(p W.)iec ’
La minimisation de
qC(w)
par rapport àweW°est
doncéquivalente à:1
E.
JACQUET-LAGREZE (1969)
propose uneheuristique
pourapprocher
les solu-tions de ce
problème.
Celles-ci peuvent être obtenues exactement enprolon-
geant cette
heuristique
par unalgorithme
de BRANCH AND BOUND.(J.C.
PEYROUX(1975),
J. DE CANI(1972),
J. LEMAIRE(1976)).
J.C. BERMOND(1972)
et(1976)
propose un
algorithme qui
peut s’étendre à d’autres résumés -despréordres
totaux par
exemple-. Néanmoins,
dans cesextensions,
les calculs deviennentvite très lourds.
3.2. Méthode du
permutoèdre
On admet cette fois les
préordres
totaux comme résumés. Cette méthode estl’analogue
de laprécédente
en considérant les fonctions scores.Dans R,
ensemble des fonctions
numériques
définies surX, l’image
del’application sw
est lepermutoèdre (M.
BARBUT et B. MONJARDET(1970),
J.P.BENZECRI
(1971),
A. DEGENNE(1972)).
On choisira ici:où
. désigne
la norme euclidienneclassique sur R .
Grâce au théorèmed’HUYGHENS,
la minimisation deqc(w)
par rapport à w6W se ramène auproblème
suivant:
où
sec désigne
la moyenne des fonctions scores de la famille On no-U W. 1CL’
tera qué
la moyenne de la fonctions C
esttoujours égale
àp(p-t)/2.
Enfait, sc
constitue lapartie
codée du résuméauquel
conduit la méthode deBORDA,
lapartie
ordinale étant lepréordre
total induit pars :
wB présente
souvent l’inconvénient d’introduire des notions depréférences
strictes entre x et y même
lorsque
les scores moyenssC(x)
etsc(y)
sont voi-sins.
EXEMPLE .
X={a,b,c,d,e}
ets~:
01,8 2,1
42,1.
Bien que les scores moyens deb,c
ete soient
voisins,
la méthode de BORDA conduit aupréordre
total :par contre, la méthode du
permutoèdre
dont il est iciquestion
aboutit -onva le voir
plus
loin- aupréordre
total:et comme:
. 2
Pour résoudre le
problème min Ilsc- C-W
Lswll 2,
W" , on se ramène a unproblème
derecherche de
plus
court chernvindans
ungraphe
valué. Selon G. KREWERAS(1969),
au
préordre
total w induisant comme groupesd’objets équivalents : G 1j, ... 9 Gq
avec x > y si
x6G., y6G.
et ij,
on peut associer le chemin:w 1 1
d’origine
X etd’extrémité 0
dans legraphe
admettant pour sommets lesparties
de X et pour arcs les
couples (A,B)
pourlesquels A p
B. On définit ainsiune
correspondance bijective
entre lespréordres
totaux sur X et l’ensemblede ces chemins. Pour formuler le
problème précédent
dans les termesannoncés,
il suffit de valuer ce
graphe
de telle sorte que la valuation du cheminCw
soit
égale
àlis c-swil 2.
" L w Pour cela il suffit de poser:pour tout arc
(A,B)
de cegraphe.
Enfait, grâce
à laproposition suivante,
on peut se restreindre au
sous-graphe
défini par les sommets du cheminC w ’B
PROPOSITION
Toute solution du
problème min])s - s ))
2 contientle préordre total
induit par sC*
wc-w ~
wil
’ ’Démonstration, :
poursimplifier,
on poses=s c
Dans lasuite,
on uti-1-lisera la définition de la fonction score d’un
ptéordre
total donnée dansle
paragraphe
2 et on notera:Fw
=))s-s w il2pour
toutpréordre
w 6 W. Il fautd’abord
prouver que siw°
est une solutiod duproblème posé:
Considérons
peur cela
lepréordre
total w. construit àpartir
deWO
eninversant les rôles de x et y. On arrive
âiséwment à
la relation :dont résulte
l’implication précédente. Ensuite .
il fautptouver
que:Pour
cela,
posons s . =s(x)
=s(y)
et B= lz8X;
. Soients.> ~.
>s
les différentes valeurs de s W o sur B et B.= J
(z6X; s o(z)-s.).
w " JOn
vadé£ontte#
successivement que les trois éventualités:
q > ~, q ~ ~, q = ~
sontimposai"
bles. Raisonnons par
l’absurde
en supposantd’abord
que q > 3. Les ensemblesB2’...’ B q _1 constituent
des classesd’équivalence
successives deiv°
car sis>
’ s wo(z)
> s , alorszeB ;
eneffet,
si ssj
et so(v) £
s ,d’aptes
q w i w q
l’ impl ication
démontréeprécédemment)
on a ts (u) s ( i) s (v)
dortaussi s(z) ~
s.puisque s(u)
=s(v)
= s.. Considérons alors lepréordré
total w.construit à
partir
dew°
en réunissant les classesB~
etB3 .
* En posantb.=
card(B.),
on obtient aisément:J J
cequi
contredit le caractèreoptimal
dew°.
Lapremière éventualité
est doncimpossible. Supposons
maintenant queq=3.
Soient A =s w o(z)msj)
etC
s w o(z)=s
q}.
Un raisonnementanalogue
auprécèdent
montrerait que les ensembles:AuB,, B2, CUB3
constituent des classesd’équivalence
successi-ves de
w°.
Si A ou C estvide,
la démarcheprécédente appliquée
aux classesB1
etB2
ouB2
etB3
conduit à unecontradiction. Sinone
bonsidêroris les deuxpréordres
totauxw1
et~’2
obtenus en:- réunissant
BI
1 etB2
et isolant A pourWj,
- réunissant
A,B,, B2
pourw2*
On établit aisément que:
où
a,b,,b2 désignent
les cardinauxrespectifs
deA, Bill B2 et
m la sommeE s. -
s(x) .
Là encore, on aboutit à la contradiction:x6A
qui
rend cette seconde éventualitéimpossible. Supposons
enfin queq=2.
Com-me
précédemment,
on démontre d’abord que les ensemblesAUB1
etCuB2
consti-tuent des classes
d’équivalences
successives dupréordre w°.
Demême,
si A ouC est
vide,
la démarcheprécédente
conduit à une contradiction.Sinon,
consi-dérons les deux
préordres
totauxwi
, etw2
construits àpartir
dew°
en:- réunissant
AuB1
etB2
et isolant C pourw,,
- réunissant
CuB2
etB1
et isolant A pourw2.
On établit aisément que:
où
c=card(C)
et ndésigne
la sommeoptimal de w°
conduit à:Là encore, le caractère
ce
qui
estimpossible.
L’éventualitéq=2
est donc elle aussiimpossible.
EXEMPLE
Avec les données de
l’exemple précédent,
on obtient lesous-graphe
de la page suivante. Iln’y
aqu’un
seul chemin de valuation minimum:dont la valuation est
égale
à0,06.
Ilcorrespond
aupréordre:
3.3« Méthode 1 de BRADLEY et TERRY
(Références:
R.A. BRADLEY et M.E. TERRY(1952),
R. RUSSEL et W.A. THOMPSÔN(1966),
A. ASTIE(1973)). Ici,
les résumés sont du type(w,p)
où w est unordre total sur X et p une relation
probabiliste compatible
avec w au senssuivant :
Cette notion de
compatibilité équivaut
à une notion de transitivité faiblesur les relations
probabilistes:
p estcompatible
avec un ordre total siet seulement si:
(J.
LEMAIRE(1976)).
Le choix suivantcorrespond
à un critère de maximum de vraissemblancelorsque
les w. sont des ordres totaux:1
Evidemment:
Si w est fixé dans
W°,
la minimisation de cettequantité
par rapport à p est réalisée pourl’unique
relationprobabiliste:
Il reste donc à déterminer la ou les solutions du
problème
comme il peut se mettre sous la forme:
il
suffira,
pour le résoudre d’utiliser un desalgorithmes évoqués
dans leparagraphe
3.1.3.4. Méthode 2 de BRADLEY et TERRY
(Références:
R.A. BRADLEY et M.E. TERRY(1952),
L.R. FORD(1957),
A. ASTIE(1970)).
Cette seconde méthodeprésente
despropriétés
d’ exhaustivité sta-tistique (A.
ASTIE(1970)). Ici,
les résumés sont du type(w,s)
où w estun
préordre
total et s une fonction deIRx
telle que:Cette fois:
La minimisation de
q C(w,s)
sera donc obtenue en maximisant laquantité:
par rapport à
s6R x vérifiant
les deuxpremières
conditionsci-dessus.
Pour cedernier
problème,
nous renvoyons le lecteur à l’article de L.R. FORD(1957).
3.5. Méthode de BORDA
C’est certainement la
plus
utilisée des méthodesd’agrégation puisqu’elle conduit,
ainsi que nous l’avonsdéja
annoncé auparagraphe
3.2. au classementdéfini par la moyenne des fonctions scores. Les résumés sont du type
(w,s)
où w est un
préordre
total et s une fonction de]R induisant
w. On choisitcomme mesure
d’adéquation:
D’après
le théorèmed’HUYGHENS,
la minimisation deqc(w,s)
conduit àl’unique
solution:
(wB= préordre
total induit parsC, sC)
G. KREWERAS
(1969)
propose uneinterprétation géométrique
de cette méthode.3.6. Méthode de
codage optimal
(Référence: J.
DELEEUW,
Y.TAKANE,
F. YOUNG(1975)).
Dans ce dernierexemple
les résumés sont du type
(w,s)
où w est un ordre total et s une fonction dex de moyenne
nulle,
de norme 1 et induisant w. La mesured’adéquation
estdéfinie par:
où P
w.
est le
projecteur orthogonal
sur le cône Kw. des fonctions de
BX qui
sont
compatibles
avec w.: 1 1s~K si et seulement si V x,y e X:
x y
=>s(x) s(y)
w. w.
i i
(Pour
déterminerP w. (s),
on peut utiliserl’algorithme
de J.B. KRUSKAL(1964))
Comme
précédemment,1la
minimisation deq C (w,s)
est obtenue en résolvant:puis
en associant à toutesolution,
lepréordre
totalqu’elle
induit. Ce pro-blème étend à des cônes une
technique d’analyse canonique généralisée proposée
par D.J. CAROLL et J.J. CHANG
(1972).
La normalisation de la norme est néces- saire pour éviter la solution triviales=0,
mais elle détruit la nature con- vexe duproblème.
Pour aborder ceproblème,
on peut utiliserl’algorithme
suivant:
initialisation:
itération n :
de moy. nulle
où m
désigne
la moyennepour
i6C,
pour i6C
x . x x c
En posant:
1Ro =
ensemble des fonctions de:R. ,
de moyennenulle,
U =(IRO) ,
l’ensemble des éléments
Si>ec
de U telsqu’il
existes6]Ro
vérifiants.=
s pour tout ieC et111
S la
sphère
unité deV,
on peutinterpréter l’algorithme précédent
en termesde
projections
successives sur le cône K et sur S. En posant:l’itération n de
l’algorithme
consiste à déterminer:On peut alors énoncer le résultat suivant de convergence:
PROPOSITION
’
la suite
lllx n Ynlll
n > 1 converge en décroissant vers une limite notée e.Les suites
(X - X n 1) -
et 1et (Y - n
Y1)
1 1 convergent vers 0. Toutpoint
d’accumulation
(X,Y) de la
suite(X ,
nY ) -
nnest
1 tel que:X est la
projection
de Y sur KY est la
projection
de X sur Set e = Ylli
.Avant de démontrer ce
résultat,
remarquons que la convergence seraacquise
dès l’instant où ces
points
d’accumulation sont dénombrables cequi
doit sansdoute se
produire
sauf peut être dans des cas trèsparticuliers (faces paral-
leles
...).
Par contre, rien negarantit qu’un point
d’accumulation soit solu- tion duproblème posé.
On trouvera dans J. LEMAIRE(1976),
unexemple
montrantl’influence du choix initial sur cette
propriété.
La démonstrationqui
suits’inspire
d’une récentepublication
de J.DE LEEUW(1977) qui généralise
lerésultat
précédent
au cas de 2 cônes. ’Démons ira t ion :
poursimplifier,
on notera.~
la norme sur U. La dé-croissance de la suite
1 Xn- Yn1
et donc sa convergence est évidente. Soit(X, Y)
unpeint
d’accumulation de la suite(X n Y ).
Comme S est borné ainsi quen n
son
image
parprojection
surK,
il existe une sous-suite(Xn,, Yn,)
telle que:Par continuité de la norme, on a d’abord:
puis,
vu que pour toutn’,
A6K et B6S :on déduit par
passage à
la limite:Y est donc la
projection
de X surS,
X’ celle de Y sur K et Y’ celle de X’ surS.
Conséquence:
Les deux extrêmes étant
égaux
et lesprojections uniques,
on a donc X’ = X etY’ - Y. En
particulier,
on déduit aussi de cequi précède qu’on
peuttoujours
extraire d’une sous-suite
(X,,
nY , )
n une sou s»sui te(X
n, nY n If) telle
n que:et
Il est donc
imposàbîe
que les suite pa s ver s 0.et ne tendent
4. ALGORITHME D’AGREGATION-PARTITIONNEMENT
c = (C1 C.) désignera
unepartition
en k classes de I où k est un entierpositif. lPk désignera
l’ensemble despartitions
en k classes de I. IL seral’ensemble
des noyaux destinés àreprésenter
les classes. Comme les différentes méthodesd’agrégation envisagées
dans leparagraphe précédent
peuventconduire
àplusieurs
résumés ordinaux poursynthétiser
lespréférences
de la sous-famil- le 1L sera en fait l’ensemble despartiels
finies de l’ensemble des résumésordinaux. L = (L1g...e Lk) désignera
unk-uplet
de noyaux. Laqualité
de la
représentation
des classes d’unepartition
delPk
par unk-uplet
de noyauxsera mesurée par :
Les meilleurs
couples
sont les solutions duproblème:
Le schéma des nuées
dynamiques proposé
parE.DIDAY (1971)
permet de l’aborder:initialisation:
itération n :
Les
sous-problèmes précédents
peuvent être facilement solutionnés moyennantune
hypothèse supplémentaire
pour les modèles tampons:Pour toute
partie
C de I et toutepartie
ordinale w d’un(T) résumé,
leproblème:
minqc(w,k)
avec kcodage
admissible de wn’admet
qu’une solution. k qC w,k )
PROPOSITION Si C 6
IPk,
la solution maximum(au
sens del’inclusion)
duproblème
suivant:min
W(C,L)
_ _ est définie par:Démonstration: le caractère additif de W montre que
LV
est solution duproblè-
me
précédent
si et seulement si pour toutj, L0
minimise1
EqC(r).
o ....
i
card(L.)
r6Lci
Le
k-uplet L°
défini dans laproposition
est donc bien cardJ J
solution du
problème posé.
Deplus,
si~+
est une autresolution,
pour toutj:
Ceci n’est
possible
que siqc (r)
est minimum pour toutr6L+
autrement dit. + 0
C.
. jsi L+ c L0
i i’ ’Remarque:
leproblème
de la minimisation deqC(r)
admettoujours
un nombrefini de solutions. C’est évident pour les modèles directs considérés. Pour les modèles tampons, cela résulte de
l’hypothèse (T) qui
est satisfaite dans tous lesexemples
considérés sauf peut être dans le dernier dans des cas trèsparticuliers.
La seconde
proposition
estclassique (E.
DIDAY(1971)):
PROPOSITION Si L 6
IL k
une solution duproblème
min est définie par:2013" "
1
C? =
{i61; j plus petite
solution de min 201320132013201320132013 Zq(wi,r)l
1 1
CardLi> reL1 ~ ~
-Enfin,
moyennant de tels choix àchaque
itération del’algorithme,
on obtientles résultats suivants de convergence
(pratiquement,
une dizained’itérations suffit):
PROPOSITION
Les suites
Ln»
et(~n,
sont toutes deuxstationnaires,
lapremiè-
re étant de
plus
décroissante.Démonstration:
parconstruction,
on obtient pour tout n:Ceci assure la décroissance de la
première
suite. Deplus
commeP est
finila suite
r,
est stationnaire. Il
en est donc de même de la
première
suite de laproposition grâce
auxinégalités
précédentes.
Pour n assezgrand,
on a donc :Comme L n
minimise1, L),
il résulte du caractère maximalde L n
au sensd l,. 1. n - 1 n. .
( Ln)
d .de
l’inclusion que L
est contenudans L .
LasU1te -
est donc croissantepour n assez
grand.
Son caractère stationnaire résulte alors deshypothèses
definitude: 1G est fini dans le cas des modèles directs et on utilise
l’hypo-
thèse
(T)
dans le cas des modèles tampons. La stationnarité de la suite(Cn)
en résulte immédiatement.
Remarque:
toute limite(C°, L°)
de la suite(Cn, Ln)
vérifie donc:C’est un élément non biaisé
(E.
DIDAY(1971)).
5. CONCLUSION
Il
apparaît
clairement que le schéma des nuéesdynamiques
peuts’adapter
â denombreuses méthodes
d’agrégation.
Parmi celles décrites auparagraphe 3,
lapremière,
la troisième et laquatrième présentent l’avantage d’opérer
directe-ment sur les relations
w. i
ou sur les relationsprobabilistes
associées. Néan-moins,
si l’on ne se contente pasd’heuristiques,
elles mettent en oeuvre desalgorithmes
assez lourdsqui
posentparfois
desproblèmes
dedégénérescence
(L.R.
FORD(1957)).
Parailleurs,
dans le cadre despréordres
totaux,l’usage
des fonctions score ne nous
paraît
pas constituer un apriori
très criticableet les deux méthodes basées sur ce concept sont aisément réalisables. Cet a
priori disparaît complêtement
dans la méthode decodage optimal.
Nous la dé-conseillons néanmoins
à
cause de sa tendance à détruire lespréférences
stri-ctes : très souvent,
lorsque wi
on aura PW. (s)(x)
W. = PW. (s)(y);
à cause desproblèmes
de convergencequ’elle
soulève etàes
cas dewi dégénérescence qu’elle
peut
engendrer
dans le cadretypologique (J.
LEMAIRE(1976));
et enfin parcequ’elle
conduit souvent à des résultats nettement différents de ceux donnés par les autres méthodesqui,
de cepoint
de vue,paraissent
souvent s’accor-der.
Dans le cas despréordres
totaux, nouspréférerons
donc les méthodesbasées sur le concept de fonction score . Il convient enfin de mentionner que les deux méthodes décrites: m. de BORDA et m. du
permutoèdre
ont conduit à des résultats très voisins même dans le cadretypologique.
6. EXEMPLE
On peut visualiser assez bien la structure des données de
l’introduction
enréalisant une
analyse
en composantesprincipales
sur les fonctions scoredes
préordres
àagréger (figure 1).
Dans leplan
des axes 1 et2,
nous avonsdélimité
les groupes et les tendances locales obtenus par la méthode des or-dres médians. 3 classes
apparaissent
assez nettement. On peut levoir
avecune
analyse hiérarchique qui,
tout en donnant desindications
sur la valeuroptimum
de k permet aussid’amorcer l’algorithme
des nuéesdynamiques.
On peut aussi le voir en examinant les cercles descorrélations.
Celuirelatif
aup~an
des axes 1 et 2 révèle
trois
essences nettement corrélées avec les deux pre-mières
composantesprincipales.
Elles déterminent 3 groupesqui
sont chacunscaractérisés en gros par le
rejet
del’une
de ces trois essences. Sur lafigure,
ces trois groupes ont étédéterminés
en retenant lemeilleurs
passageparmi
10correspondant respectivement
à 10partitions
dedépart.
La méthode dupermutoèdre
fournitpratiquement
les même groupes à 6individus près, margi-
naux.
Quant
auxtendances,
elle conduit à: 4 - 6 - 2 > 5 > 7 - 3 > 1 6 > 7 - 2 - 5 > 4 - 3 > 1 4 - 7 - 2 > 5 > 3 - 1 - 6Figure
1BIBLIOGRAPHIE
[1]
ASTIEA., "Comparaisons
parpaires
etproblèmes
de classement:estimation
et tests
statistiques",
Math. Sci.hum., 32, (1970),
17-44.[2]
ASTIEA., "Comparaisons
parpaires.
Recherche d’un classement ou d’unensemble de classements des
objets comparés",
Rev. Statist.appl.,
21, n°3, (1973),
51-63.[3]
BARBUTM.,
MONJARDETB., Ordre
etClassification, Algèbre
etCombinatoire, Paris, Hachette,
1970.[4]
BENZECRIJ.P.,
"Surl’analyse
despréférences", in Ordres
totauxfinis, Paris,
Gauthier-Villars etMouton,
1971.[5]
BERGEC., Graphes
etHypergraphes, Paris, Dunod,
1970.[6]
BERMONDJ.C., "Ordres
à distance minimum d’un tournoi etgraphes partiels
sans circuits
maximaux", Math. Sci. hum., 37, (1972),5-25.
[7]
BERMONDJ.C.,
KODRATOFFY.,
"Uneheuristique
pour le calcul del’indice
de transitivité d’untournoi",
RAIROInformatique théorique, 10, n°3,
1976.
[8]
BESSONM., "Rang
moyen etagrégation
declassements", RAIRO, 9, (1975),
37-59.
[9]
BRADLEYR.A.,
TERRYM.E.,
"The rankanalysis
ofincomplete
blockdesigns.
1. The method of
paired comparisons", Biometrika,
41(1952),
502-537.
[10]
CAROLLJ.D.,
CHANGJ.J.,
"Simules : simultaneous linearequation scaling",
in Proc. 80th annual
convention A.P.A.,PP.11-12,
1972.[11]
DE CANIJ.S.,
"A branch and boundedalgorithm
for maximum likelihoodpaired comparison ranking", Biometrika, 59, n°1, (1972),
131-135.[12]
DE LEEUWJ., A
normalized coneregression approach
toalternating least
squares
algorithms, Leiden,
Publ.Dep.
DataTheory,
Université deLeiden, Pays-Bas,
1977.[13]
DE LEEUWJ.,
TAKANEY.,
YOUNGF., Additive
structure inqualitative data ;
an
alternating
least squaresmethod
withoptimal scaling feature,
The L.L. Thurstone
Psychometric Lab.,
Univ. of NorthCarolina,
report numbern°140,
1975.[14]
DIDAYE.,
"Une nouvelle méthode en classificationautomatique
et reconnais-sance des
formes",
Rev.Statist. appl., 19, n°2, (1971).
[15]
FENELONJ.P.,
"Un casd’analyse
depréférences
enesthétique",
inOrdres
totaux
finis, Paris,
Gauthier-Villars etMouton,
1971.[16]
FISHBURNP.C., "Lexicographic orders. Utilities
and decision rules.A
survey", Manag. Sci., 20, n°11, (1974),
1442-1471.[17]
FLAMENTC., L’analyse booléenne
dequestionnaire,
Paris-LaHaye, Mouton,
1976.[18]
FLAMENTC., "Tresses
deGuttman", in
Ordres totauxfinis, Paris,
Gauthier-Villars et
Mouton,
1971.[19]
FORD L.R.JR.,
"Solution of aranking problem
frombinary comparisons",
Amer. Math.
Monthly., 64, (1957),
28-33.[20] JACQUET-LAGREZE E., "L’agrégation
desopinions individuelles", Informat.
Sci. hum., 4, (1969).
[21] JACQUET-LAGREZE E., "Analyse d’opinions
valuées etgraphes
depréférences", Math. Sci. hum., 33, (1971),
33-55.[22] JACQUET-LAGREZE E., Méthodes
et programmes enanalyse des données ordinales,
SEMA Direction
scientifique, Rapport synthèse
et formationn°81,
1973.
[23] JACQUET-LAGREZE E.,
Lamodélisation des préférences. Préordres., quasi-ordres
et
relations floues, SEMA
Directionscientifique,
rapport de recherchen°80,
1975.[24]
KAUFMANNA., Introduction
à la théoriedes sous-ensembles flous,
tome3, Paris, Dunod,
1975.[25]
KERGALLY.,
"Etude des tresses de Guttman enalgèbre
à pvaleurs",
Math. Sci.hum., 46, (1974),
5-19.[26]
KREWERASG., "Représentation polyédrique
despréordres complets
finis etapplication
àl’agrégation
despréférences", in
LaDécision (2):
Agrégation
etdynamique des ordres de préférence, Paris,
Editions
du CentreNational
de la RechercheScientifique, 1969,
137-151.
[27]
KRUSKALJ.B., "Multidimensional scaling by optimizing goodness
of fit toa