R EVUE DE STATISTIQUE APPLIQUÉE
J. L. M ALLET
Contribution à l’étude des facteurs non orthogonaux en analyse factorielle
Revue de statistique appliquée, tome 19, n
o1 (1971), p. 57-76
<
http://www.numdam.org/item?id=RSA_1971__19_1_57_0>
© Société française de statistique, 1971, 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 conditions générales d’uti- lisation (
http://www.numdam.org/conditions). Toute utilisation commerciale ou im- pression systématique est constitutive d’une infraction pénale. Toute copie ou im- pression 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/
57
CONTRIBUTION
A L’ÉTUDE DES FACTEURS NON ORTHOGONAUX
EN ANALYSE FACTORIELLE
J. L. MALLET
Centre
de Recherches Pétrographiques
etGéochimiques (Nancy)
Une
analyse factorielle effectuée
sur une matrice de corrélationC(m
xm~ ayant fait
ressortirr(r m~ facteurs orthogonaux
et une ma-trice de saturation A
(m
xr~
telle que C = AAT,
l’auteur a déterminé unprocédé qui permet d’obtenir
desfacteurs obliques plus facilement
inter-prétables ;
Etant entenduqu’un facteur
estd’autant plus interprétable qu’il
est liéfortement
avec certaines variables etorthogonal
aux autres.La matrice de saturation V
associée à
de telsfacteurs
estcaractéri- sée
par des colonnescomposées
de 0 etde
1(ou - 1 ~,
et deslignes
ne com-portant qu’un
seul 1(ou - 1).
Sil’on considère
les colonnes p et q de V ceci se traduit par la relation :Soit
Npq
laquantité
suivante associée aux colonnes p et q de V :L’auteur
cherche une matrice de rotation A telle que V = AA et telleque 1: NpQ
soit minimum.P~ Q
A la suite de cet
exposé
il donne unexemple d’application
de samé- thode ;
celui-ciparaît
être un peutrop typé
pour êtresignificatif.
Toutefois
laméthode proposée
estfort ingénieuse.
Encoredemande-
t-elle les
hypothèses
denormalité,
lesfacteurs
nepouvant
êtreinterprétés
que dans une
population homogène (ou normale).
Ce
qui
restreintpeut-être quelque
peu sonchamp d’application.
INTRODUCTION Position du
problème
But de la méthode
Un des
problèmes qui
seposent
enanalyse
factorielle est, àpartir
d’une solution
orthogonale initiale,
trouver une nouvelle solutionplus
facile-ment
interprétable
que lapremière.
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
58
Figure 1
Afin de
préciser
cette notion de "solutionplus
facilementinterpréta- ble",
considérons dansl’espace
des facteursorthogonaux
contravariants ini- tiauxF q (de
vecteurs unitaires covariantsF
l’ensemble desprojections
des m variables contravariantes X ~.
Dans
l’espace
des r facteursFD , chaque
variablexj
estrepérée
par ses rcomposantes (contravariantes) ajp,
et l’ensemble desajp
constitue ce que l’onappelle
la matrice factorielle(contravariante)
A =(ajp)
à mlignes
et r colon-nes pour
laquelle
on atoujours
lesrelations 1 ajp 1
1.Solution
plus
facilementinterprétable
Nous dirons que la matrice carrée
A
de rang r transforme la matrice A en une matrice V =[vjP] plus
facilementinterprétable
si les1 vjp
sont soit"voisins" de
1,
soit "voisins" de 0. En d’autres termes, cela revient à dire quel’opérateur A
fait passer dusystème
de coordonnées(contravariantes) F Pau système
de coordonnées(contravariantes)
~p(de
vecteurs unitaires~p )
(cf. fig. 1)
de tellefaçon
que lespoints
xj soient "voisins" de l’un des~ .
Contrainteimposée à A
Désignons par A
p lep ième
vecteur colonnede
on remarque alors que dans le cas où6p
et~q
sontorthonormés,
la matriceA
doit elle-même êtreorthogonale, c’est-à-dire,
entre autre, que sesvecteurs A
p etAq
doiventêtre chacun de module unité. Dans le cas
général où %
et~p ne
sont pasforcément
orthogonaux,
nous conserverons la contrainte :En
définitive, on a (1) -
(1) dans ce qui suit on désignera par un caractère T en indice supérieur, la transpo- sée d’une matrice :
Transposée (M) =
M T
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
59
Remarque
Afin que l’on
puisse
trouver unematrice A,
il fauts’imposer,
sur lasolution V des conditions traduisant le fait que les
Ivjpl
doivent être "voisins"(en
un certainsens)
de 0 ou de 1. La formulation de ces conditions constituece que l’on
appelle
uncritère,
et on dit alors que les1 vjplsont
"voisins" de 0 ou de 1 au sens du critère considéré.Critère utilisé Introduction
Supposons qu’il n’y
aitqu’un
seulpoint X
il estévident,
sur la fi- gure1, qu’une
solution sera d’autantplus
facilementinterprétable
que pour toutcouple
de facteurs ~ et 01,
leproduit ~v~ . Ivjr¡1
estplus petit (compte-
tenu que
0 !v-~~ 1),
ou encore que(vjP)2. (vj1)2
estplus petit.
Critère
Dans le cas où il y a m
variables,
le critère utilisé consiste à cher- cher lamatrice A
telle que...... soit minimum
quel
que soitp ~
q.Remarque
1La méthode
quartimin
due à Caroll consiste à minimiser laquantité :
Remarquons
alors que, contrairement à ce que semblesuggérer Carrol,
rienne prouve que le fait de minimiser N
globalement équivaut
à minimisersépa-
rément les diverses
quantités Npq(compte-tenu qu’elles
ne sont pasindépen- dantes),
et il n’est pas sQr du tout que ce faisant on obtienne une "solutionplus
facilementinterprétable".
Lasuggestion
de Carroll serait vraie si lesN,,étaient indépendants,
or ils sont deux à deux liés par des termes com- muns : ainsiNpq
etNqs
ont en commun lesquantités (vje¡)2
cequi
introduitfatalement un biais dans la méthode
proposée
par Carroll.Remarque
2 .Carroll visiblement non satisfait de sa méthode
quartimin
aproposé
unenouvelle
méthode,
la méthode covariminqui, elle,
est manifestement fausse.L’idée de cette méthode est celle-ci : on cherche à rendre le
plus disparate possible
lesquantités 1 vjp 1 et 1 vJe¡ f
; pour cefaire,
Carrolsuggère
de mini-miser la covariance des
quantités (VJp)2
et(Vj q) 2et
dans sonesprit,
"mini-miser"
signifie
"rendre voisin de0" ;
or ceci estcomplètement
faux car unecovariance de
quantités (VJP)2
et(vJ CI) 2 positives
ou nullespeut
très bien être minimum tout en étantégale
à un nombrenégatif
trèsgrand,
en valeur abso-lue,
c’est-à-direqu’il
y aura alors un lien étroit entreles lvipl et 1 vje¡l.
OnRevue de Statistique Appliquée. 1971 - vol. XIX N° 1
60
s’aperçoit
en définitive que cettefaçon
de fairerisque
de conduire au ré- sultat inverse de celuiescompté
1RECHERCHE D’UN ALGORITHME PERMETTANT DE
TROUVER A
Introduction
Nous aurons dans l’étude
qui
va suivre besoin desquantités
ci-dessous : vecteurligne
de Avecteur colonne de
A
Remarquons
queH Q = H (A /1 Q)
est une matrice manifestementsymétrique.
Théorème 1 Théorème
Démonstration
On a
V=A.A
avec les notationsadoptées
enintroduction,
onpeut
écrire ceci sous la forme :en faisant le
produit
ci-dessus blocs parblocs,
on obtient : ...... car
vJp est
un scalaire.Il s’en suit que l’on
peut
écrire :Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
61 Théorème 2
Théorème
Npq= l~ p Hq A
p minimumcompte
tenuque ~ ~ /1p ~ ~ - 1~ Ap
est le vecteurpropre associé à la
plus petite
valeurpropre ¡J, q
deHq
et dans ce cas~Q=Npq
Démonstration
comme
Hq
est manifestementsymétrique
etindépendant de A p,
on peut écrire :par
ailleurs,
on doit avoir :Le
problème
est donc de minimiserNpq= A~ Hq Ap
sous la conditionAp Ap=l.
Dans ce cas, la recherche d’une solutionAp
se fait en utili-sant les
multiplicateurs
deLagrange ~ q :
pour cela on écrit...... et on cherche le vecteur
Ap
tel que l’on aitest un vecteur propre de
Hq
associé à la valeurpropre ~Lq.
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
62
Pour déterminer [1,Q , reprenons la relation
(I) :
multiplions
àgauche
cetteéquation
parA p T :
mais
pour être
minimum, Npqdoit
donc bien êtreégal
à laplus petite
valeur pro-pre
4.
deHq.
Corollaire 1
La
matriceHq
est nonnégative
Il est facile de voir que
Hq
est nonnégative
car saplus petite
valeur propre~q
estégale
à laquantité Npq positive
ou nulle.Corollaire 2
Pour Aq fixé et 1 IAP 11
= 1fixé,
la fonctionNpq (Ap,A q) (fonction de A p) présente
un minimum absoluNpq
et aucun minimum local. Le minimumabsolu
est obtenu deux fois pour deux valeursopposées Ap= f I1 p
Supposons
pour fixer les idéesque Aq
est fixé et queA
est de taille(2 x 2)
posons :
On
peut
alors écrire :z=ax2+2
bxy
+cy 2
Cette
équation représente
dansl’espace (x
,y,z)
soit unparabolotde
dont l’axede
symétrie
estparallèle
à oz, soit uncylindre parabolique
dont lesgénéra-
trices sont
parallèles
auplan (x ,y).
Ceparabolotde
ou cecylindre paraboli-
que a forcément sa concavité tournée vers les z
positifs
car a et c sont tou-jours positifs
ounuls ;
remarquons deplus
que la surfacez(x ,y)
passe parl’origine
car : -.Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
63 Figure 2
Comme les vecteurs
h p
doivent être de moduleunité,
leurs extrémités doi- vent se trouver sur le cercle C de rayon unité tracé dans leplan (x , y) .
Construisons le
cylindre
D dont lesgénératrices parallèles
à ozs’appuient
sur le cercle
C ;
si noustraçons
l’intersection(biquadratique)
de cecylindre
avec la surface
z (x,y),
nous voyons(cf. fig. 2)
que cette intersectionpré-
sente un minimum
unique
z* de z obtenu pour(x
= +x*,
y =+ y*)
et(x
= -x *,
y = -
y *),
c’est-à-dire pour deux vecteursopposés Ap
=.~ /1 p
avec :On voit sur la
figure 2,
et onpeut
démontrerqu’il n’y
a pas de mi- nimum localz* le long
de l’intersection de D avec la surfacez(x,y),
cequi
démontre la
proposition.
,
Remarque
La démonstration que nous venons de faire
peut
êtreextrapolée
au casoù
A
est de taillesupérieure
à(2
x2),
mais cela nous intéresse peu car, comme nous le verrons par lasuite,
nous nous ramèneronstoujours
au casod l’on a à traiter des
matrices A
de taille(2
x2).
Détermination de
Ap
etAq
par unalgorithme
pour p et q fixés IntroductionDésignons
par...Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
64
... le
procédé
de calculqui
à tout vecteurA q
associe le vecteur propreWq correspondant
à laplus petite
valeur propreNpqde Hq=H(A , Aq)
Algorithme
L’algorithme proposé
estreprésenté
parl’organigramme
de lafigure
3 :on commence par se donner une valeur
(Aq)o
initialequelconque
et on endéduit
(Ap) 1 = f2 [A, ( A q) 0 ]
on calcule ensuite
(Aq)i=f2[A,(Ap)i] qui
est une valeurplus proche
dela solution finale
Aq
que(I1Q )o
on calcule ensuite
(Ap)2= f 2 [A, (A Q) 11 ] qui
est une valeurplus proche
dela solution finale
Ap
que(AL
...
...
La convergence du
procédé
est testée sur l’évolution de la valeur du para- mètre(N pq)1 = fI [A , (Ap) l’ (1Bq)l] J
Figure 3
Convergence
duprocédé
La convergence du
procédé
est assurée par le fait quel’hypersurface
Npq(Ap ,Aq) présente
pourAq(ou Ap)
fixé un minimum absoluunique ;
pour s’enconvaincre,
il suffit de considérer lafigure
4 :Nous voyons que
lorsqu’on
sedéplace
sur la surfaceNpq(Ap.Aq)
sui-vant le
procédé
décrit auparagraphe précédent,
laquantité Npq
nepeut
pasaugmenter,
cequi
démontre la convergence duprocédé.
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
65 Figure 4
Remarque
L’algorithme
décrit ci-dessus est très efficace dans le cas où l’ona
seulement
deuxfacteurs
p et q et que l’onopère
la transformation(FP , p~)20132013e~~ (q,P , q, 1)
dans leplan (p, q) ;
on observe en effet une conver-gence très
forte,
et il fautprendre
le test d’arrêt e de l’ordre de10-2
ou10-3
si on veutespérer
faireplus
de 3 itérations.Malheureusement il ne nous a pas été
possible
d’utiliser cetalgorithme
tel
quel
dans le cas où l’on aplus
de deuxfacteurs ;
eneffet, quel
que soit le vecteur initial(A Q) 0’
on obtiendratoujours
les 2 mêmes vecteursAp
etA Q ,
et on voit ainsi que le
procédé
de calcul décrit ci-dessus ne nouspermet
detrouver que deux colonnes de la
matrice A .
Afin d’éviter cetennui,
nousavons été conduit à chercher un nouvel
algorithme
dérivé duprécédent
etpermettant
d’arriver à la solution de notreproblème :
ALGORITHME PROPOSE Introduction
L’idée directrice de la méthode
proposée
est assezproche
de la mé-thode Jacobi servant à chercher les valeurs propres d’une matrice carrée
symétrique
M. Dans cettedernière,
on fait tourner deux par deux dans leurplan
les directionsorthogonales
dedépart (qui
restentorthogonales)
defaçon
à les amener par itérations successives à être confondues avec les directions propres de la matrice
M ;
dans notreméthode,
on vaopérer
de même : on fait tourner deux par deux les directions(F~,F~) orthogonales
dedépart (qui
ne restent
plus orthogonales)
defaçon
à serapprocher
de la solution cher- chée par itérations successives.Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
66 Rotation dans le
plan
des facteurs ¥P et F aIntroduction
On commence par construire la matrice A p q obtenue en sélectionnant les colonnes p et q de la matrice A :
on cherche
ensuite, grâce
àl’algorithme
décrit parl’organigramme
de la fi- gure3,
la matrice carréeApq
nonorthogonale qui
transformeApqen Vpq...
... de
façon
que siv j S est
un élément deVpq ,
laquantité...
J -s
... s oit minimum.
Remarque :
L’algorithme
de lafigure
3 ne suffit en fait pas à construiren pQ ;
eneffet,
il nous fournit deux vecteursn 1 et n 2 ,
cequi
donne 4possibilités
pourApq:
tRevue de Statistique Appliquée. 1971 - vol. XIX N° 1
67
Afin d’éviter les
permutations
de colonnes et deschangements
designe quand
on passe de
Apq
àVpQ’
onchoisira
la combinaisonApq
telleque 1 À,ll > ~.i ~ 1
et telle que l’on ait :
~.i
> 0 etÀ,21>
0Matrice de "rotation
oblique"
RNous
appellerons
matrice de "rotationoblique"
la matrice de transfor- mation R ={r J}
dansl’espace
des r facteursFp
obtenue enremplaçant
dans la matrice unité de taille
(r
xr)
les termes suivants par ceux deApq:
ton constate que cette matrice ne transforme que les colonnes p et q de la matrice A et que ces deux colonnes transformées se trouvent être
égales
aux deux colonnes deVpq :
Remarque
La matrice de "rotation
oblique"
Rjoue
ici le même rôle que la ma-trice de rotation
orthogonale
Q utilisée dans la méthode de Jacobi pour faire tourner les axes p et q dans leurplan
d’unangle
0(cf. fige 5) :
En
effet,
lamatrice Q ={W}}
est alors obtenue enremplaçant
dans la ma-trice unité de taille
(r
xr)
les termes suivants par...Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
68 Figure 5
..:..
c’est-à-dire
par les éléments de la matriceA;,
de rotation dans leplan (F p , FQ ) :
On voit alors
l’analogie
étroitequ’il
y a entre les matricesJ~ pQ
etMpq
d’unepart
et les matrices Ret Q
d’autrepart.
Etude des tenseurs
métriques
fondamentaux associés aurepère
factoriel~}
Introduction
Supposons
pour fixer les idées que r = 3.soient Fi ,
1F2’ li3
les vecteurs unitaires covariants de la base durepère
factoriel
FI, F ~, F3.
A cette base de vecteursFp covariants,
on associeune autre base formée de vecteurs
FP
contravariants et tels que ...... c’est-à-dire que l’on se trouve dans le cas de la
figure
6.On sait que sous
l’effet
d’une matrice de transformation R ={r1},
les vec-teurs contravariants
F p
se transforment en vecteurs contravariants~P
sui-vant la relation suivante :
Evidemment,
à ces vecteurs de basecontravariants e ,
p onpeut
associer lesvecteurs covariants
ip
transformés desvecteurs Fp
dans la transformation R :Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
69 Figure 6
Définition 1
On
appellera
tenseursmétriques
fondamentaux covariants associés auxrepères {Fp }
et{’D, 1
les tableauxG et G
tels que ;on
désignera
pargpQ
=i~ . Fq
et9 il = 3p . ~q
les éléments des tableauxC
etG 0 :
pq
Définition 2
De
même,
onappellera tenseurs métriques
fondamentaux contravariants associés auxrepères Fp
etil
les tableaux GF etGo
tels que :- - - -
on
désignera
par9,, P,Q =FP . Fq
etgP~q = ~ . ~
les éléments des tableauxG F et G ~ :
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
70
Remarque
Les relations...
... nous
indiquent
que l’on a les relations suivantes entre les divers ten- seursmétriques
fondamentaux :Relation entre
G F
etG 0
Normalisation des vecteurs
c~p
Introduction
...
Si les vecteurs
Fp
sontnormés,
il n’en est pas forcément de même des vecteurs~p
car la matrice de transformation R n’est engénéral
pasorthogo-
nale. Le
problème
est donc maintenant de trouverdes vecteurs unitaires ~p
colinéaires aux
vecteurs ~
ainsi que les matrices(G ) , (G$) ,
etV
asso-ciées.
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
71 Normalisation du tenseur
G m
Soient
gpQ= ~P . li,
les éléments deux fois covariants du tenseur~~.
Nous nous proposons de construire un nouveau tenseur
(GCI»). dont les éléments
(g ) = ~p . ~Q
sontobtenus
àpartir
des vecteurs unitaires(-D*
et(D*
coli-néaires aux vecteurs
~p
etq)q.
Dans ce but construisons la matricediago-
nale de transformation S2 dont les élémentsdiagonaux wP
sont tels queW P =
& r::iIg$
pp p v t1:;p .
°Nous voyons que
remplacer
le vecteur$p
par le vecteur unitaire~
équivaut
à diviser laligne
et la colonne p deG G) par 1/Vg~p.
Si on effectue cette
opération
pour tous lesvecteurs ~ p (p =1,2,... ,r)
cela revient à effectuer la transformation :Normalisation du tenseur
Gm
Soit
(G~)*
le tenseur "normalisé" associé au tenseurGm :
mais
mais
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
72 Normalisation de la matrice V
En
comparant
les relations III et IVdéjà
obtenues.....
... nous voyons que normaliser les vecteurs de
base ~ p
revient à effectuer à laplace
de la transformationR,
une transformationR*
telle que :n s’en suit que de même que nous avions la relation V
= A.R,
nousaurons maintenant V*
= A . R * ,
c’e st-à-dire :Algorithme proposé
IntroductionL’algorithme proposé
consiste à effectuer des "Rotationsobliques"
de facteurs(Fp , F;¡)
deux à deux dans leurplan ; après chaque
transformationon fait :
on arrête les itérations
lorsque l’hypervolume
DG = det(Gp) engendré
par les vecteurs contravariants
F p
sestabilise,
c’est-à-direquand
les vecteurs
F P ne changent plus
de direction au cours des itérations.Pour obtenir
G*",
il suffit alors de faireOrganigramme
L’algorithme
que nous avons utilisé pour résoudre notreproblème
estcelui
représenté
parl’organigramme
de lafigure 7 ;
dans cetorganigramme,
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
73
fi et f 2 représentent
lesprocédés
de calculsdéjà décrits,
les matricesA 1 , A 2
des tableaux de la forme...... et 1 la matrice unité de taille
(r
xr).
La matrice G = Gp est initialiséeen faisant G = I car initialement le
repère tFP} est supposé orthonomé ;
il s’en suitque
l’on doitprendre
DG1 = det(G)
= 1 carl’hypervolume engendré
par les
{Fp}
est alors unhypercube.
Dans cet
organigramme,
nous avons introduit lesparamètres Ci, NIT1,
~2 , NIT2
qui
servent à contrôler le nombre d’itérations ducycle majeur
et descycles
mineurs! £ 1
= seuil d’arrêt des itérations pour trouver la matrice
Apqdans
/
NIT1 = un nombrecycle
maximum mineur d’itérations tolérés dans la recherche deApq
~
83 = seuil d’arrêt des itérations dans lecycle majeur
¡
NIT2 = nombre maximum d’itérations tolérés dans lecycle majeur . Remarque
L’algorithme proposé
s’est avéré très fortementconvergent
dans lesapplications
que nous avonsfaites,
et il nous est apparuqu’il
suffisait engénéral
de trois itérationsmajeures
pour arriver à un résultat stable. Pour cette raison, et dans le butd’alléger
laprogrammation
on pourra, au lieu de calculer le déterminant deG,
se contenter de fixer un nombre maximum d’itérationsmajeures
NIT2 parexemple égal
à 5.RESULTAT OBTENUS Modèle test
Pour tester notre
méthode,
nous nous sommes donnés dans unrepère
initial
F 1, F 2, F 3 orthonormé ,
troispoints Xl, X8, X 15 formant
avec l’ori-gine
0 un tétraèdrerégulier
d’arêteégale
à 0.5 et tel que les côtésOXI
etOX 8
soient situés dans leplan (F 1, F 2)
commel’indique
lafigure
8.Afin de construire trois nuages de
points
centrés auxpoints X 1, X8
etX 15 nous avons entouré chacun de ces trois
points
de 6points disposés paral-
lèlement aux axes
FI, F 2, F 3
à une distance D = 0. 02 5 dupoint
centralcomme
l’indique
lafigure 9 .
Les résultats obtenus sont
consignés
dans le tableau de lafigure
10.Le tenseur
métrique
covariant associé aurepère oblique
EDP est alorségal
à ...
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
74 Figure 7
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
75 Figure 8
Figure 9
... ce
qui
montre que les vecteurs unitaires~
durepère $> sont,
commeon
l’espérait,
sensiblementdisposés
à 60° les uns des autres ; eneffet,
cos
(60°)
=0, 500
cequi
est trèsprès
des valeurs obtenuesqui
sont respec- tivementégales
à0.497, 0.498,
0496.Conclusion
D’autres essais sur des cas réels nous ont montré l’efficacité de cette méthode
qui
nous semble non biaisée etqui
de ce fait est certainement ap-pelée
àremplacer
les méthodesclassiques
citées dans les ouvragesspécia-
lisés
(méthodes quartimin, covarimin, oblimin)
et dont nous avons montré brièvement lesprincipaux
défauts.Revue de Statistique Appliquée. 1971 - vol. XIX N° 1
76
Résultats obtenus en 5 itérations
majeures
BIBLIOGRAPHIE
HARMAN - Modern Factor
analysis (Chicago
PressUniversity)
DEREC and MAXWELL - Factor
analysis (Woods Hole, Massachusetts)
LAWLEY and MAXWELL - Factor
analysis
as a statistical method(Butter- worths, London)
J. B. CAROLL -
Biquartimin
Criterion for rotation tooblique simple
struc-ture in factor
analysis (Science
vol.126, Pg 1114).
Revue de Statistique Appliquée. 1971 - vol. XIX N° 1