R EVUE DE STATISTIQUE APPLIQUÉE
F. T ORRE D. C HESSEL
Co-structure de deux tableaux totalement appariés
Revue de statistique appliquée, tome 43, n
o1 (1995), p. 109-121
<http://www.numdam.org/item?id=RSA_1995__43_1_109_0>
© Société française de statistique, 1995, 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/
CO-STRUCTURE DE DEUX TABLEAUX
TOTALEMENT APPARIÉS
F. Torre
(1)
et D. Chessel(2)
(1)
Ecologie
desSystèmes
Fluviaux, URA CNRS 1451, 1, rue Parmentier, 13200 Arles.(2) URA CNRS 1451, Bât 403, Université
Lyon
l, 69622 Villeurbanne Cedex.RÉSUMÉ
Deux
triplets statistiques (X, Q, D)
et(Y, Q, D)
sont totalementappariés
s’ils portentsur les mêmes unités
statistiques
(nlignes)
et les mêmes variables (pcolonnes).
La note définitl’axe
principal
de co-inertie comme le vecteurunique
de RP maximisant la covariance des coordonnées desprojections
des deux nuages dans le même espace euclidien.La somme des inerties des deux
analyses
estdécomposée canoniquement
entre un termede co-inertie et un terme de différence entre les deux tableaux. On
explicite
les liens entreanalyse
de co-inertie,
analyse
de différence etanalyses
inter-classes et intra-classes. Une illustration etun
logiciel
sontproposés.
Mots-clés : tableaux totalement
appariés, analyse
inter-classes, intra-classes,analyse
inter- batterie,analyse
de co-inertie,régression
aux moindres carréspartiels.
SUMMARY
Two statistical
triplets (X, Q,
D) and (Y,Q, D)
aretotally
matched when the involved arrays(X
and Y) arecomposed
of the same individuals (n rows) and the same variables (p columns). This paper defines the main co-inertia axis as theunique
vector of RP whichmaximizes the covariance of the
projected
coordinates of the two multidimensional arrays in the same Euclidean space.The sum of inertia
resulting
from the twoanalyses
may be broken up into its term which characterizes the co-inertia and its term whichintegrates
the difference between the two arrays. Wegive
a short review about co-inertiaanalysis, analysis
of difference and between- and within classesanalyses.
Furthermore, wegive
anexample
and we propose a software to make the co-inertiaanalysis
of twototally
matched tables.Keywords : totally
matched tables, between classesanalysis,
within classesanalysis,
inter-battery analysis,
co-inertiaanalysis, partial least
square regression.1. Introduction
On dit que deux tableaux sont
appariés quand
ils décrivent les mêmes unitésstatistiques.
Deux tableaux sont dits totalementappariés quand
ils décrivent lesmêmes individus à l’aide des mêmes variables. On
reprend
là le vocabulaire utilisé par R.LAFOSSE,
notamment dans(LAFOSSE 1985a; 1985b; 1989).
Lorsque l’appariement
neporte
que sur leslignes
des deuxtableaux,
lesméthodes
d’analyses
utiles sont nombreuses(synthèse bibliographique
pourl’écologie
dans MERCIER
1991). L’analyse
de co-inertie(CHESSEL
&MERCIER, 1993)
est une
approche géométrique qui synthétise l’analyse
inter-batterie de TUCKER(1958), l’analyse
descorrespondances
de tableaux deprofils écologiques
de RO-MANE
(1972, cf.
MERCIER et al.1992)
etl’analyse canonique
sur variablesquali-
tatives de CAZES
(1980).
Ces méthodesd’analyse symétrique
utilisent des schémas dutype (X, Q, D), (Y, R, D)
et(XtDY, R, Q)
et repose sur la recherche d’axes dits de co-inertie maximisant la covariance entre les coordonnées desprojections
deslignes
de chacun des deux tableaux.Q
et R sont desproduits
scalairesdiagonaux
associés à des
pondérations
des variables.L’analyse
inter-batterie est à la base de larégression
aux moindres carréspartiels (PLS regression),
méthode fondamentaleen chimiométrie
(HÔSKULDSSON 1988,
STONE &BROOKS, 1990)
dans l’ana-lyse
ducouple
structure-activitésymétrique
ducouple espèces-milieu
enécologie (LEBRETON et al., 1991).
La
principale propriété
de cette famille d’ordination à deux tableaux estqu’elle
effectue une
analyse
d’inertie de chacun des deux tableaux simultanément. Ces deuxanalyses
sontcompatibles
en ce sensqu’on
maximise leproduit
des troisquantités :
inertie
projetée
sur un axe dans un espace, inertieprojetée
sur un axe dans l’autre et carré de la corrélation des coordonnées factorielles.Les individus de
chaque
tableau n’étant pas décrits par les mêmesvariables,
ils ne sont pasreprésentables
dans le même espace : on détermine donc descouples
d’axes de
co-inertie,
et les axescomposant chaque couple
sont éléments de deux espaces différents. Onpeut
amener les deux nuages dans un même espace parl’analyse canonique
vue par CASIN & TURLOT(1986),
mais l’introduction desmétriques
deMahalanobis
Q = (XtDX)-
et R =(YtDY)-
pose souventplus
deproblèmes qu’elle
n’en résout.L’analyse
d’uncouple
de tableaux totalementappariés
a étéjusqu’à présent
abordé par
l’analyse procustéenne. L’analyse
de communauté(LAFOSSE, 1985a;
1985b; 1989)
considère les deux nuages de npoints
de RP etopère
une rotationprocuste orthogonale
d’un nuage versl’autre, puis
une dilatation définies de tellefaçon qu’elle rapproche
lespoints appariés
des deux nuages. La rotationprocuste orthogonale
est définie par le passage d’unsystème
d’axes à un autre. LAFOSSE(1989)
montre que ces axes sont les axes définis dansl’analyse
inter-batterie de TUCKER(1958).
Ce sontégalement
les axes de co-inertie.Le
problème d’optimisation enjeu
dansl’analyse
de communautérejoint
celuide
l’analyse
de co-structure et neprend
donc pas encompte l’appariement
descolonnes des deux tableaux. Seule la dilatation
opérée
ensuite tireparti
de cettepropriété.
On est alors amené à laquestion posée
dans lafigure
1.Dans ce
qui suit,
on considère deuxtriplets statistiques (X, Q, D)
et(Y, Q, D)
où X et Y sont deux tableaux à n
lignes (ou individus)
et p colonnes(ou variables),
Q
est la matrice d’unproduit
scalaire de RP dans la basecanonique
et D une matricediagonale
contenant lespoids
des nlignes.
D est inversible et de trace unité. X et Y sont D-centrés par colonne. Les deuxtriplets représentent
indifféremment desFIGURE 1
Question posée
dansl’analyse
d’uncouple
de deux tableauxcomplètement appariés :
existe t’il un axe de co-inertie commun aux deux
nuages ?
analyses
encomposantes principales
ou desanalyses
descorrespondances simples
ou
multiples
dansl’esprit
d’ESCOUFIER(1982, 1985, 1987)
et TENENHAUS &YOUNG
(1985).
L’appariement
total des deux tableaux nous autorise à considérer les individus des deux tableaux comme les éléments d’un seul et même espace.2.
Analyse
de co-structure entre(X,Q,D)
et(Y,Q,D)
2.1.
Proposition
Soit u un vecteur
Q-normé
de RP. La covariance entre coordonnées desprojections
des deux nuages sur u :est maximum pour le
premier
vecteur propreQ-normé
de la matriceQ-symétrique :
Démonstration
On note d’abord que
(Cu, Qu)
=Cov(XQu, YQu)
La matrice
C
estQ-symétrique.
En effet :La
Q-symétrie
de Cgarantit
l’existence d’une base de vecteurs propresQ-
orthonormée de
l’image
deC
dans RP. Lepremier
vecteur ul, associée à laplus grande
valeurpropre Ai,
donne :2.2.
Remarques
1)
Sous contrainted’orthogonalité
à ul, le second vecteur U2, associée à la seconde valeur propreÀ2,
maximise la mêmequantité
et ainsi de suite. Onappellera
analyse
de co-inertie totalementappariée
entre lestriplets (X,Q,D)
et(Y,Q,D)
larecherche des vecteurs ul, uq de RP et la
projection
des nuages sur lesplans qu’ils
définissent.2)
Laquantité
maximisée n’est pas une inertie et la matriceC
n’est paspositive.
Il ne semble pas que le
plan
défini par ul et U2 ait unepropriété d’optimalité équivalente
à celle d’unplan
d’inertieoptimale.
3)
SiQ
estdiagonale,
comme dans lesanalyses
élémentairesclassiques,
on
diagonalisera pratiquement 1/2Q1/2(YtDX
+XtDY)QI/2.
SiQ
n’est pasdiagonale,
comme enanalyse discriminante,
on utilisera unedécomposition
deCholeski ou une
diagonalisation préliminaire
deQ.
4)
Sur les axesprincipaux
de cetteanalyse
deco-inertie,
il estpossible
deprojeter,
outre les deux nuages depoints,
leurs axesprincipaux respectifs
et leursaxes de co-inertie
respectifs (ici
au sens de deux tableauxsimplement appariés
surles
lignes).
On observequ’ils
sont distincts maispeuvent
être trèsproches.
5)
La relationsimple :
montre
qu’on
obtient uncompromis
entre les deuxanalyses simples
etl’analyse
cano-nique
des deuxtableaux, qui
d’un certainpoint
de vue sont exécutées simultanémentavec un axe
unique.
C’estpourquoi
onpeut appeler poids canoniques
lescomposantes
des vecteurs trouvés.6)
Les coordonnées desprojections
sur deux axes de cetteanalyse
vérifient :7)
Onpeut appeler régression
PLS totalementappariée
l’utilisation des co-ordonnées de
XQul
pour modéliser parrégression D-pondérée
le tableau Yet,
réciproquement,
l’utilisation des coordonnées deYQu2
pour modéliser parrégression D-pondérée
le tableau X.Dans la
logique
de larégression
PLS on recommence la recherche dupremier
axe de co-inertie avec les tableaux résidus des
régressions.
3.
Analyse
de co-inertie etapproches
voisines3.1.
Analyse
inter-classeDans
RP,
uneligne
du tableau X estappariée
à uneligne
du tableau Y pour former un vecteur lié. Les milieux de ces vecteurs, dont les coordonnées sont dans1/2(X+Y)
définissent uneanalyse
d’inertie diteanalyse
inter-classes(Figure 2) qui
utilise le
triplet 1/2(X
+Y), Q, D).
Onpeut rapprocher
cetteanalyse
del’analyse
de co-inertie en
remarquant
que son inertie totale(IB,
B pourbetween)
vaut :FIGURE 2
Axe
principal
del’analyse
inter-classes associé à deux tableauxappariés
où
Ix
etIy désignent
les inerties totales desanalyses
de X et Y.On notera que l’axe
principal
v de l’inter-classe maximise(au
facteur 4près) :
3.2.
Analyse
desdifférences
etanalyse
intra-classesL’analyse
dutriplet statistique (Y - X, Q, D) permet d’expliciter
ce enquoi
les deux tableaux sont différents. Dans cette
analyse,
onprend
comme référencela
description
des individus fournie par le tableau X et on cherche àcomprendre
dans
quelle
mesure ladescription
des individus fournie par le tableau Y s’en écarte.Les axes de cette
analyse
sont les mêmes que ceux dutriplet (X - Y, Q, D)
etla
représentation garde
encore unesymétrie parfaite
entre les deux tableaux. Cette remarque renvoie àl’analyse
intra-classes associée à l’inter-classe duparagraphe précédent.
On considère
alors,
parappariement
sur lesvariables,
le tableau :FIGURE 3
Analyse
desdifférences
entre deux tableauxcomplètement appariés.
L’axe
principal
du tableau Y - X est aussi celui del’analyse
intra-classe(en haut,
àgauche)
associée à
l’analyse
inter-classes de lafigure
2et la
partition
deslignes
en n groupes de 2 définis parl’appariement
sur les individus.L’analyse
intra-classes est celle dutriplet :
On
diagonalise
icil’opérateur :
L’opérateur en jeu
dansl’analyse
intra-classe estidentique
à celuien jeu
dansl’analyse
des différences au facteur 4près.
On note donc que les inerties associéesID (D
pour différences etIw (W
pourwithin)
vérifient :3.3. Liens entre
analyse
de la co-inertie etanalyse
de ladifférence
Comme
(
On vérifie de
plus
que :On obtient deux
décomposition
de la somme des inerties destriplets d’origine.
Les termes intervenant dans chacune de ces deux
décompositions
sont à leur tourdécomposés
suivant les axesprincipaux
dechaque analyse.
Les relations liant les traces
proviennent
de relationsanalogues
entre variablesdu
type
x, y,(x - y)
et(x
+y) :
En
particulier, lorsqu’on
considère deux variables secorrespondant
d’un tableau à l’autre(cas où j
=k),
On
peut
doncenvisager
dedécomposer
les traces variable par variable et évaluer ainsil’importance
de chacune des p variables dans la co-inertie et la différence entretriplets.
Le
comportement
de cespratiques
sur des donnéescomplexes
sont àexplorer.
Dans certains cas, les axes d’inertie sont conservés et les nuages
déformés;
dans d’autre cas le nuagepeut
être conservé avec une rotation des axes. Onpeut toujours
comparer les valeurs des critères
optimisés,
enparticulier
inertieprojetée
sur unaxe
(analyses simples),
covariance des coordonnées avec deux axes deprojection (analyse
de co-inertiesimple),
co-inertie avec un seul axe deprojection (analyse
des co-inertie totalement
appariée).
Cesanalyses
fonctionnant sur des schémas de dualitéquelconque, après
vérification des cohérences despondérations utilisées,
sontdisponibles
dans lelogiciel
ADE(CHESSEL
&DOLÉDEC, 1993).
4. Illustration
On utilise un
jeu
de données(Tableau 1) préparé
et étudié par LAFOSSE(1985a).
Il concerne la mortalité par accident sur la voixpublique
selon la classed’âge,
le sexe et lacatégorie d’usagers (données
cumulées des années1958,
1959 et1960). n
= 14 classesd’âge, d’amplitude égale
à 5 ans, de 0 à 70 ans sont considéréescomme individus
statistiques,
p = 5catégories d’usagers
étantinterprétées
commeles variables. Les deux tableaux donnent la
répartition
enpourcentage
parcatégorie d’usagers (somme
parligne unité).
Lepremier
tableau concerne les femmes(X)
et le second concerne les hommes
(Y).
On utilise lapondération
uniforme(D
=(1/14)I14)
et lamétrique canonique (Q
=15).
Les deux tableaux sont centrés par colonnes.TABLEAU 1
Données traitées par
l’analyse
de co-inertie totalementappariée (LAFOSSE 1985a)
P =
piéton,
C =cycliste,
M =motard,
A =automobiliste,
Autres = autrescatégories d’usagers
Parmi les
multiples figures qu’il
estpossible
de faire avec un teljeu
dedonnées,
nous n’en
garderons qu’une
seule(Figure 4).
Eneffet,
onpeut
penser quel’analyse
deco-inertie totalement
appariée,
icidécrite,
est«généraliste»,
en ce sensqu’elle permet
d’orienter ledépouillement
vers telle ou telleapproche plus spécifique
en autorisantun
point
de vue central. Laproposition
11.1 donne deux vecteurs normés deR5.
Ils sont normés et
orthogonaux.
Lapremière question
est«quelle
valeur ont cesvecteurs en terme d’inertie
projetée ?».
PourX,
l’inertieprojetée
sur ul vaut .04876pour un maximum
possible
de .05013(première
valeur propre de l’ACP deX)
etl’inertie
projetée
sur U2 vaut .0094 pour un valeur de .0099 pour la deuxième valeur propre de l’ACP de X. Leplan
Pengendré
par(ui,U2)
donne donc une inertieprojetée
de 0.0582 pour un maximum(plan
1-2 de l’ACP deX)
de 0.0600. Onpeut
dire que leplan
P est très voisin del’optimum,
cequi
se voit enprojetant
les axesd’inertie de X sur P
(Figure 4,
vecteur 1F et 2F dans le cercleunité).
Pour
Y,
l’inertieprojetée
sur ul vaut .06652 pour un maximumpossible
de.06762
(première
valeur propre de l’ACP deY)
et l’inertieprojetée
sur U2 vaut .0076pour une valeur de .0097 pour la deuxième valeur propre de l’ACP de Y. Le
plan
Pdonne donc une inertie
projetée
de 0.0741 pour un maximum(plan
1-2 de l’ACP deY)
de 0.0773. Leplan
P est assez voisin del’optimum,
cequi
se voit enprojetant
lesaxes d’inertie de Y sur P
(Figure 4,
vecteur 1 H et 2H dans le cercleunité).
On noteraque l’axe 1 de l’ACP de Y a été
automatiquement changé
designe
pouroptimiser
lacovariance,
cequi
est souvent le cas dans lesanalyses
de co-inertie. Lesprojections
des deux nuages sur P sont donc sensiblement les
plans
1-2 des ACP de base.On a
représenté
sur ceplan
P lesprojections
des vecteurs de la basecanonique
de
R 5
cequi
a deuxavantages.
Lepremier
est de discuter de tous les éléments(lignes,
colonnes ettableaux)
dans un même espace. Le second est de faire dubiplot (avec propriété d’averaging ligne-colonne)
pour retrouver lagénéralisation
de la
représentation triangulaire
en dimensionquelconque (GOWER 1967),
cequi
redonne un sens
géométrique
trèssimple
aubiplot
de GABRIEL(1971).
L’inertietotale de X étant de
.0620,
onreprésente
sur P 94% de la variabilité du tableauX,
soitencore 97% de l’inertie
représentée
sur leplan
1-2 de l’ACPsimple
de X. L’inertie totale de Y étant de.08234,
onreprésente
sur P 90% de la variabilité du tableauY,
soit encore 96% de l’inertiereprésentée
sur leplan
1-2 de l’ACPsimple
de Y.On
perd légèrement
sur l’ACPsimple
en utilisant unplan
commun pour les deuxtableaux,
cequi
est unavantage
décisif.Puisque
leplan
P restitue laquasi
totalité de l’information ilexprime
laressemblance comme la différence des deux
tableaux,
ce quejustifie
la notionde co-structure
(structure
etcorrélation).
Les corrélations entre les deux séries de coordonnéeségalent respectivement
.908 sur ul et .879 sur U2. La secondequestion
est donc
«quelle
valeur ont ces vecteurs en terme de co-inertie ?».Quand
on choisit unaxe pour
chaque
nuage la covarianceoptimale
vaut.05263,
constituée des variances .04992 et .0674 et d’une corrélation de .907. Avec lepremier
axe de co-inertie totalementappariée
on obtientrespectivement
0.05172(.04876,
.06652 pour lesvariances,
.908 pour lacorrélation).
Pour les axes 2 de co-inertie la covariance des coordonnées vaut .07592(corrélation
de.904);
pour l’axe 2 de co-inertie totalementappariée
la covariance des coordonnées vaut .07432(corrélation de .879).
On est doncencore de ce
point
de vue trèsproche
del’optimum.
La
figure
4 estexplicite.
Non seulement leplan
P est celui de la variabilité des tableaux mais aussi celui de leurpoints
communs et de leurspoints spécifiques.
Le vecteur u 1 est encore presque confondu avec l’axe 1
(vecteur
1 D de lafigure 4)
del’analyse
des différences et leplan
P contient presque le vecteurqui
relie lescentres de
gravité
des deux nuages. Le second axe d’inertie du tableau desdifférences,
presqueperpendiculaire
àP,
n’a pas designification
très claire etreprésente
moinsde 5% de l’inertie initiale.
La
figure
4 contient donc toute l’information decomparaison
des deux tableaux.On y lit la translation induite par la
catégorie
motardaprès
15 ans entre hommes etfemmes,
l’évolution commune de larépartition
des victimes des deux sexes(piétons
et auto avant 10 ans, écart
brusque
entre 10 et 15 ans pour les garçons mais pas pour lesfilles,
évolution continue etprédominance
de lacatégorie
automobiliste àl’âge adulte,
le retour auxcatégories piétons
etcyclistes après
55ans).
Il estplus
que vraisemblable que les mêmes tableaux donneraient
aujourd’hui
desimages
biendifférentes.
FIGURE 4
Analyse
de co-inertie totalementappariée
des tableaux hommeset femmes
concernant la mortalité par accident de la route
a - Double
biplot du plan
de co-inertie.Projection
de la basecanonique
deR5
(vecteurs Piéton,..., Auto).
Projections
des deux nuages non centrés (carrés noirs pour le tableau desfemmes,
carrés blancs pour le tableau des hommes) et de leur centre de
gravité
(F et H).Chaque point
est au centre de
gravité
de la distribution àcinq
composantesqui forme
les données initiales.b -
Projection
sur le mêmeplan
dans l’intersection avec lasphère
unité des axesprincipaux
des nuages centrés (1H et 2H, 1 F et 2F) et des axes
principaux
del’analyse
desdifférences
des deux tableaux
(1D
et 2D).c -
Reprise
du cartouche central pour exprimer lepoint
de vue inertie commune (nuages non centrés).d -
Reprise
du cartouche central pour exprimer lepoint
de vue évolution commune des deuxstatistiques
5. Conclusion
De manière
générale, l’analyse
de co-inertiel’emporte largement
surl’analyse canonique
en terme de stabiliténumérique
et de facilitéd’interprétation.
Elle évitede
fabriquer
de la corrélation sanssignification. L’analyse
descorrespondances
destableaux de Burt
croisés,
trèspratiquée,
a donc sonéquivalent
pour touttype
devariables. La
régression
PLS est d’abord un mode d’utilisation des axes de co-inertie.Quand
deux tableaux sont totalementappariés,
on a montré que lamanipulation
d’un seul
système
d’axes de co-inertie estpossible.
Comme dans le cas desanalyses
de co-inertie locales et
spatiales
utilisant desgraphes
devoisinage (CHESSEL
&SABATIER
1994),
on est amené àdiagonaliser
desopérateurs
nonpositifs.
Il estpossible
que l’intérêt de telsopérateurs
soitlargement
sous-estimé enanalyse
desdonnées.
Remerciements
Nous
exprimons
notregratitude
à P. CAZES pour laprécision
et lagentillesse
de ses
conseils,
à R. SABATIER pour ledynamisme
de ses conversations et à D.PONT pour avoir attiré notre attention sur le
sujet.
Références
CASIN Ph. & TURLOT J.C.
(1986).
Uneprésentation
del’analyse canonique généralisée
dansl’espace
des individus. Revue deStatistique Appliquée, XXXV, 3, 65-75.
CAZES P.
(1980). L’ analyse
de certains tableauxrectangulaires décomposé
en blocs :généralisation
despropriétés
rencontrées dans l’étude descorrespondances multiples.
I. Définitions etapplications
àl’analyse canonique
des variablesqualitatives.
II.Questionnaires :
variantes descodages
et nouveaux calculs decontributions. Les Cahiers de
l’Analyse
desDonnées, V, 2,
145-161 & 387-406.CHESSEL D. &
DOLÉDEC
D.(1993).
ADE Version 3.6 :Hypercard©
Stacks andProgram library
for theAnalysis
of Environmental Data.Ecologie
des EauxDouces et des Grands
Fleuves,
URA1451,
UniversitéLyon
1.Documentation,
8fascicules,
750 p. Diffusion par FTP anonyme surbiom3.univ-lyon1.fr (134.214.100.42).
CHESSEL D. & MERCIER P.
(1993). Couplage
detriplets statistiques
et liaisonsespèces-environnement.
In Biométrie etenvironnement,
LEBRETON J.D. &ASSELAIN B.
(Eds.), Masson, Paris,
15-44.CHESSEL D. & SABATIER R.
(1994). Couplage
detriplets statistiques
etgraphes
devoisinage.
In Biométrie etanalyse
des donnéesspatio-temporelles,
ASSELAINB. et Coll.
(Eds.),
SociétéFrançaise
deBiométrie, ENSA, Rennes,
28-37.ESCOUFIER Y.
(1982). L’ analyse
des tableaux decontingence simples
etmultiples.
Metron, 40,
53-77.ESCOUFIER Y.
(1985). L’analyse
descorrespondances :
sespropriétés
et sesextensions. In 45th session
of the
International Statistical Institute. Amsterdam.28.2.1-28.2.16.
ESCOUFIER Y.
(1987).
Theduality diagramm :
a means of betterpractical applica-
tions. In
Development
in numericalecology.
LEGENDRE P. & LEGENDRE L.(Eds.)
NATO advancedInstitute,
SerieG, Springer Verlag, Berlin,
139-156.GABRIEL K.R.
(1971).
Thebiplot graphical display
of matrices withapplication
toprincipal component analysis. Biometrika, 58,
453-467.GOWER J.C.
(1967).
Multivariateanalysis
and multivariategeometry.
The statisti-cian, 17, 13- 28.
HOSKULDSSON A.
(1988).
PLSrégression
methods. Journalof Chemometrics, 2,
211-228.
LAFOSSE R.
(1985a). Analyses procustéennes
de deux tableaux.Propositions
d’une
technique
visant la détection depoints originaux.
Essai deprésentation synthétique d’analyse
de deux tableaux. Thèse de 3°cycle.
Université PaulSabatier,
Toulouse.LAFOSSE R.
(1985b).
Une nouvelleanalyse procustéenne
de deuxtableaux,
appa- riementtypique
etatypique
de deux nuages depoints.
In DataAnalysis
andInformatics,
IV.Diday,
E. & Coll.(Eds.),
Elsevier SciencePublishers,
North-Holland, 407-414.
LAFOSSE R.
(1989).
Ressemblance et différences entre deux tableaux totalementappariés. Statistique
etAnalyse
des Données.14, 2,
1-24.LEBRETON
J.D.,
SABATIERR.,
BANCO G. & BACOU A.M.(1991). Principal component
andcorrespondence analyses
withrespect
to instrumental variables :an overview of their role in studies of
structure-activity
andspecies-environment relationships.
InApplied
MultivariateAnalysis
in SAR and Environmental Stu- dies. DEVILLERS J. & KARCHER W.(Eds.),
Kluwer AcademicPublishers,
85-114.MERCIER P.
(1991). Analyses
des relationsespèces-environnement
et étude de la co-structure d’uncouple
de tableaux. Thèse dedoctorat,
UniversitéLyon 1,
1-168.
MERCIER
P,
CHESSEL D. &DOLÉDEC
S.(1992). Complete correspondence analysis
of anecological profile
data table : a central ordination method. Acta0152cologica, 13,
25-44.ROMANE F.
(1972).
Utilisation del’analyse
multivariable enPhytoécologie.
Inves-tigación
pesquera,Barcelona, 36,
131-139.STONE M. & BROOKS R.J.
(1990).
Continuumrégression :
cross-validated se-quentially
constructedprediction embracing ordinary
least squares,partial least
squares and
principal components régression.
Journalof
theRoyal
StatisticalSociety, B, 52,
237- 269.TENENHAUS M. & YOUNG F.W.
(1985).
Ananalysis
andsynthesis
ofmultiple correspondence analysis, optimal scaling,
dualscaling, homogeneity analysis
ans other methods for
quantifying categorical
multivariate data.Psychometrika, 50, 1, 91-119.
TUCKER L.R.