Faculté des sciences agronomiques
Biostatistique appliquée à la
production animale
Cycle ingénieur/Master PA/Master ISA
Prof Luc DOSSA / Dr Ramsès MONKOTAN
Enseignant-Chercheur | Université d’Abomey-Calavi
1
Cours (1/2)
1. Rappels des notions de biostatistiques
1.1. Introduction
1.1. Nature des variables
1.2. Forme de présentation et paramètres descriptifs (paramètres de position,
paramètres de dispersion, paramètres de formes)
2. IC-Test d’association-Test de proportion-test d’indépendance
[Link] statistique (mise en œuvre, conditions d’application)
2.1. Test de conformité d’une proportion
2.2. Test d’égalité d’une proportion
2.3. Test d’indépendance
2.4. Analyse de corrélation de pearson-IC
3. Comparaison de moyennes (tests paramétriques et non paramétriques)
3.1. Vérification des conditions d’application
2
Cours (2/2)
3.2. Comparaison de moyenne d’un échantillon à une valeur théorique
3.3. Comparaison de deux échantillons indépendants
3.4. Comparaison de deux échantillons appariés
4. Modèle d’analyse de variance
4.1. Anova à un facteur
4.2. Anova à deux facteurs (sans interaction)
4.3. Anova à deux facteurs (avec interaction)
4.4. Anova avec des données déséquilibrées
5. Analyses multivariées
5.1. Analyses en composantes principales (ACP)
Application avec R software
Travaux dirigés
3
Rappel des notions statistiques
4
Introduction
LA STATISTIQUE est une discipline traitant du recueil (plans d’expérience, sondages,
…), du traitement et de l’interprétation de données.
UNE POPULATION est un ensemble d’unités sur lesquelles une caractéristique peut être
relevée.
UN ECHANTILLON est une partie de la population.
Exemple : Quantité de matières grasses (mg)
120 154 175 193 220
125 159 183 195 222
137 160 185 198 238
149 163 192 199 242
Statistique descriptive: ensemble des méthodes et techniques permettant de présenter,
de décrire et de résumer des données nombreuses et variées sous une forme telle qu’on
puisse en prendre connaissance aisément.
5
Introduction
L’analyse des résultats après la collecte des données se décompose en deux phases à
savoir la statistique descriptive (1ère phase) et l’inférence statistique/statistique
inférentielle (2ème phase).
Le but d’une étude statistique est d’apporter des informations sur une
Population.
La statistique inférentielle a pour but d’étendre autant que possible, les conclusions
concernant les individus observés comme constituant un échantillon à un ensemble plus
vaste appelé population
6
Nature des variables
Individu : « Objet » sur lequel un ou plusieurs caractères peuvent être observés.
Variable : Caractéristique ou attribut des individus.
7
Forme de présentation et paramètres descriptifs
Forme de présentation : Tableaux (diagrammes de fréquences) et diagrammes (circulaire,
en bâtons, histogramme, polygone de fréquence, courbe continue etc)
Paramètres descriptifs : Paramètres de position (Moyenne, mode, médiane), Paramètres
de dispersion (variance, écart-type, coefficient de variation).
8
Forme de présentation et paramètres descriptifs
9
Forme de présentation et paramètres descriptifs
Poids n moyenne Sx Cv (%)
Antennais 77 112.6 4.64 4.12 Il y a plus de variabilité au
sein des antennais.
Béliers 51 162.6 5.12 3.12 L’écart-type donne un résultat
tout à fait contraire.
10
Application dans R
11
Application dans R
12
IC-Test de proportion-test
d’indépendance-test d’association
13
Intervalle de confiance
Intervalle de confiance
Plages de valeurs, issues des statistiques d'échantillons,
susceptibles de contenir la valeur d'un paramètre de population
inconnu. En raison de leur nature aléatoire, il est peu probable
que deux échantillons d'une population donnée génèrent des
intervalles de confiance identiques. Par contre, si vous répétiez
l'échantillonnage de nombreuses fois, un certain pourcentage des
intervalles de confiance obtenus contiendrait le paramètre de
population inconnu.
14
Application dans R
Un intervalle de confiance à 95 % indique que 19 échantillons sur 20 (95 %)
d'une même population génèrent des intervalles de confiance qui contiennent
le paramètre de population.
15
Test d’association
Corrélation de pearson : Indique le degré de netteté de la
liaison entre deux caractères X et Y. Il est noté r
Il est compris entre -1 et 1
La corrélation n'implique pas nécessairement une causalité.
Seules les expériences contrôlées vous permettent de déterminer
la causalité. Par exemple, même si l’indice de consommation
d’une bande de poules pondeuses et le degré de température
peuvent être corrélés négativement, cela ne veut pas dire qu'une
augmentation de la température provoque systématiquement une
diminution de l’IC.
16
Test d’association
Nous sommes plutôt probablement en présence d'une variable
pouvant être source de confusion, en l'occurrence la teneur en
energie de l’aliment.
Une valeur extrême unique peut sensiblement affecter le
coefficient. Recherchez les valeurs aberrantes et analysez leur
effet.
17
Application dans R
18
Test statistique
Démarches pour l’application d’un test statistique dans un logiciel
Etape 1 : Obtenir les données et identifier le test statistique approprié sur la base des
objectifs de l’étude.
Etape 2 : Formuler littéralement les hypothèses (Hypothèse nulle notée « H0 » et
Hypothèse alternative notée « H1 »).
Etape 3 : Importer les données dans le logiciel
Etape 4 : Vérifier les conditions d’application du test (s’il s’agit d’un test
paramétrique)
Etape 5 : Faire éventuellement des transformations de variables (Logarithme
Népérien ou Racine carrée, etc.) en cas de non respect des conditions
d’application de test paramétrique
Etape 6 : Réaliser le test dans le logiciel tout en spécifiant les hypothèses à tester
Etape 7: Interpréter et conclure
19
Test statistique
Qu’est ce que la P-value
Lorsque les tests sont réalisés dans les logiciels statistiques, ceux-ci fournissent entre
autre valeur de probabilité (P-value) liée au test. Cette valeur de probabilité est
d’ailleurs la plus utilisée dans les conclusions. Que signifie exactement cette valeur?
La valeur p est la probabilité qu’un événement quelconque soit le simple fait du
hasard. De façon purement arbitraire, on considère en général comme «
statistiquement significatives » les valeurs de p inférieures à 1 chance sur 20
autrement dit que la probabilité (p) qu’une valeur soit due au hasard ne dépasse pas
5%.
p ≤ 0,05 => différence statistiquement significative
p > 0,05 => différence non statistiquement significative.
Accepter H0 (AH0) si P-value > α (5%)
Rejeter H0 (RH0) si P-value ≤ α (5%)
20
Test statistique
Postulats (Conditions d’application)
Les conditions d’application peuvent être aussi bien paramétriques que non
paramétriques.
Les méthodes paramétriques supposent des hypothèses particulières qui concernent
les caractéristiques de la population d’étude. Ces hypothèses sont souvent liées à la
distribution et à la variabilité des données.
Par contre, les méthodes non-paramétriques n’émettent aucune hypothèse
sur les populations d’étude. Toutefois, elles sont moins précises que les tests
paramétriques.
21
Test de conformité d’une proportion (1/2)
Pour comparer un pourcentage à un pourcentage théorique
Exercice : L’entreprise Masso a un produit efficace à 90 % contre la gale des gros
ruminants.
Troupeau traité : 350 animaux sélectionnés au hasard, 308 sains
Question: Le produit est-il efficace ?
Application avec R
[Link](nombre de succès, nombre total, probabilté théorique)
[Link](308,350,0.90)
22
Test de conformité d’une proportion (2/2)
si pval < =0.05 alors les 2 pourcentages sont différents.
si pval > 0.05 alors les 2 pourcentages sont égaux.
23
Test d’égalité de deux proportions (1/2)
[Link](c(nombre de succès dans le groupe 1, nombre de succès dans le
cas groupe 2), c(nombre total dans le groupe
1, nombre total dans le groupe 2),correct=FALSE)
Exercice : Comparez le niveau d’infestation des tiques des taurillons et des bouvillons
dans un troupeau.
13 animaux infestés chez 120 bouvillons
17 animaux chez 140 Taurillons
1er cas : Tableau de contingence réalisé
24
Test d’égalité de deux proportions (2/2)
1er cas : Tableau de contingence réalisé
25
Test d’indépendance Khi 2
1er cas : Tableau de contingence réalisé
Exercice : On désire apprécier les préférences de races de moutons (djallonké,
sahélien, vogan) de trois ethnies au Bénin.
aizo mina bariba
dja 6 2 1
sah 1 1 7
vo 2 7 2
Les races de moutons élevés dépendent elles des ethnies ?
Hypothèse nulle H0: les races élevées ne sont pas liées aux ethnies.
Hypothèse H1: Les races élevées dépendent des ethnies.
26
Test d’indépendance Khi 2
1er cas : Tableau de contingence réalisé
count<-matrix(c(effectifs de la première colonne, effectifs de
la
deuxième colonne, effectifs de la ième colonne),
nrow=nombre de ligne)
[Link](count)
Le chi test n’est pas approprié en raison de la taille de l’échantillon par groupe, auquel
cas, utiliser le test de fisher
27
Test d’indépendance Khi 2
1er cas : Tableau de contingence non réalisé
28
Test d’indépendance Khi 2
1er cas : Tableau de contingence non réalisé
Le logiciel nous prévient une fois encore que le test de chi 2 peut être incorrect, utiliser
la fonction [Link] dans ce cas. Quoi qu’il en soit le hasard ne peut pas expliquer à lui
tout seul les races de moutons élevées par les différentes ethnies.
29
Comparaison de moyenne (test
paramétrique et non
paramétrique)
30
Vérification des conditions d’application
Condition de normalité
Appréciation graphique de la normalité avec la droite de Henry
post<-[Link]("clipboard",h=T,sep="\t",dec=".")
names(post)
qqnorm(post$Matgrasses)
qqline(post$matgrasses,lty=5)
31
Vérification des conditions d’application
Vérification de la normalité avec le test de shapiro-wilk
[Link] (post$matgrasses)
H0 : les données sont distribuées selon une loi
Normale
H1 : les données ne sont pas distribuées selon une
loi Normale
si pval < 0.05 alors la normalité est rejetée
si pval > 0.05 alors la normalité est acceptée
32
Vérification des conditions d’application
Vérification de l’égalité des variances Car and lawstats library
[Link](post$Matgrasses,post$Race) can also be used
La variable quantitative Le facteur de comparaison
H0 : les variances des k groupes sont égales
(homogénéité)
H1 : les variances d'au moins deux groupes sont
différentes (hétérogénéité)
si pval < 0.05 alors l'homogénéité est rejetée
si pval > 0.05 alors l'homogénéité est acceptée
33
Comparaison de la moyenne d’un échantillon à une moyenne théorique
1er cas : Test paramétrique
Un test paramétrique couramment utilisé pour comparer deux
échantillons indépendants est celui du test t de Student à deux
échantillons indépendants. Il est utilisé lorsque les populations
suivent une distribution normale et que leurs variances sont égales.
Il est aussi utilisé pour comparer la moyenne d’un échantillon à une
moyenne théorique.
[Link](moyenne de l’échantillon, mu=moyenne théorique)
34
Comparaison de la moyenne d’un échantillon à une moyenne théorique
2ème cas : Test non paramétrique
Le test de Wilcoxon à un échantillon est un test non-paramétrique utilisé pour
comparer une médiane à une médiane théorique. Il est utilisé lorsque les données ne
suivent pas une distribution normale. Dans l’exemple précédent, supposons que les
données ne suivent pas une distribution normale.
[Link](Variable,mu=Médiane théorique,exact=TRUE)
35
Comparaison de deux échantillons indépendants
1er cas : Test paramétrique
[Link](variable quantitative~Facteur de comparaison,[Link]=TRUE
Dans le cas
où les variances
sont égales
Dans le cas
où les variances
ne sont pas
égales
36
Comparaison de deux échantillons indépendants
2ème cas : Test non paramétrique
[Link](Variable quantitative ~ Facteur de comparaison, exact=TRUE)
NB: Remarquer
la nature des
données, le
logiciel
considère zae
comme étant
une variable
quantitative. Il
faut donc
procéder à la
modification
avec
l’instruction
[Link] avant
de réaliser le test
37
Comparaison de deux échantillons appariés
1er cas : Test paramétrique (test t de student à deux échantillons)
[Link](Début, fin, paired=TRUE)
38
Comparaison de deux échantillons appariés
2ème cas : Test non paramétrique (test de wilcoxon)
[Link](Début, Fin, exact=TRUE, paired=TRUE
39
Analyse de variance
40
Définition et principes
Le test paramétrique utilisé pour comparer deux ou plus de deux échantillons
indépendants est l’Analyse de la variance (Analysis Of Variance, ANOVA).
But de l’ANOVA = tester des différences éventuelles entre modalités d’un ou
de plusieurs facteurs sur la base de la mesure d’une variable donnée.
Conditions générales d’application :
• Echantillons aléatoires et indépendants.
• Populations normales.
• Homogénéité (ou égalités) des variances.
Les calculs relatifs à l’analyse de variance sont présentés dans un tableau
ANOVA
41
Tableau ANOVA
42
Anova à un facteur
Exemple
Soit à comparer les GMQ de trois lots de poulettes issues de trois différentes
rations.
gmq ration
11 R1
9 R1
7 R1
8 R1
9 R2
8 R2
10 R2
8 R2
12 R3
14 R3
13 R3
11 R3
43
ANOVA à un facteur
Exemple
En considérons la valeur de P, on conclut à une différence significative des
moyennes au seuil de 5 %. Néanmoins, on ignore où et dans quel ordre, se
trouve la différence.
Pour établir cette différence, on peut utiliser la fonction Snk du package
agricolae.
44
ANOVA à un facteur
Les moyennes
avec les mêmes
lettres ne sont
pas
significativeme
nt différentes
45
ANOVA à 2 facteurs sans répétitions
L’expérience suivante consiste à tester l’effet de différentes doses d’azote
et de phosphore sur le rendement (t/ha) de aschynomène h. A chacune des
doses d’azote est combinée chacune des doses de phosphore. Les
résultats sont présentés dans le tableau suivant :
rend p N
1 p1 n1
3.2 p1 n2 On se propose alors de savoir si les doses de N et
2.6 p1 n3 de P ont une influence significative sur le
2.3 p1 n4
0.9 p2 n1
rendement.
2.9 p2 n2
4.1 p2 n3
1.5 p2 n4
2.7 p3 n1
3.5 p3 n2
2.8 p3 n3
0.7 p3 n4
1.7 p4 n1
3.1 p4 n2
3.2 p4 n3
1.1 p4 n4
46
ANOVA à 2 facteurs sans répétitions
L’effet du facteur “Dose d’azote” est significatif (Prob. = 0,010) contrairement à
celui du facteur “Dose de phosphore” (Prob. = 0,990). Ainsi, on conclut que les
différences entre doses d’azote induisent des différences entre rendements de la
légumineuse tandis que les différences observées entre rendements pour les
différentes doses de phosphores est simplement dû au hasard.
NB: On pourrait donc se proposer d’adopter le modèle plus simple d’une analyse du
seul facteur « Dose d’azote ». 47
ANOVA à 2 facteurs avec répétitions
Reprenons l’exemple Précédent mais en ne considérant 2 niveaux pour le facteur
« Dose d’azote » et 3 niveaux pour le facteur « Dose de phosphore ». Supposons
par ailleurs que chaque combinaison de niveaux des deux facteurs a été répétée 5
fois (voir tableau dans excel).
NB: Notez la
nature des
variables P et
N qui ne sont
pas
considérées
comme étant
des facteurs
par R.
Procédez
alors au
changement
de leur nature
48
ANOVA à 2 facteurs avec répétitions
Dans l’écriture du modèle, en cas d’interaction, veuillez noter l’utilisation du signe (*) au lieu
de (+). L’interaction entre les deux facteurs n’est pas significative ou l’est juste ou à peine
(Prob.=0,051). On peut donc directement interpréter les effets principaux des deux facteurs
pris individuellement. En effet, les modalités des deux facteurs sont très hautement
significatives (Prob.=0,000 et Prob.=0,000).
Une interaction significative implique que l’influence du facteur A (Dose d’azote par exemple)
sur le rendement du maïs dépend du facteur B (Dose de phosphore par exemple) et vice versa.
Dans ces conditions, il se pourrait donc que la dose d’azote induise des différences
significatives pour certaines doses de phosphore, sans que ces différences ne soient
significatives dans l’ensemble.
49
ANOVA avec données déséquilibrées
En situation réelle, il est extrêmement rare d’être en présence de données équilibrées,
lesquelles présentent un même nombre d’observations pour chaque modalité de chaque facteur.
Ainsi, un plan équilibré possède un nombre égal d'observations pour toutes les combinaisons
possibles de niveaux de facteurs. Si le test ANOVA convient à ce genre de données, il est
inadéquat quand il s’agit de données déséquilibrées. Dans le cas d’espèce, on peut utiliser le
general linear model (GLM en anglais) qui concerne aussi bien les modèles équilibrés que les
modèles déséquilibrés.
50
ANOVA avec données déséquilibrées
Il peut se réaliser en utilisant la procédure proc glm dans un logiciel comme SAS ou en faisant
appel aux contrastes dans un logiciel comme R. Lorsqu’on ajuste le modèle complet, c’est à
dire avec l’interaction, on utilise généralement des carrés de type III. Pour cela, il est
nécessaire de changer les contrastes des deux facteurs du format par défaut de type
« [Link] », vers le format « [Link] ». C’est ce qui permet au logiciel de calculer
correctement ces carrés de type III avec l’aide du package car.
L’expérience suivante consiste à apprécier l’influence de la race et du numéro de lactation sur
la quantité de matière grasse des bovins de race Borgou et lagunaire. Comparez les
performances des vaches d’une lactation à l’autre.
Les données sont présentées dans le tableau suivant :
51
ANOVA avec données déséquilibrées
race lact age mg
BO 1 23 147
BO 1 21 135
BO 2 40 197
BO 2 30 157
BO 2 34 161
BO 2 38 191
BO 2 40 196
BO 2 36 174
BO 3 51 218
BO 3 54 236
BO 3 54 240
BO 3 52 220
LA 1 26 123
LA 1 22 118
LA 2 27 142
LA 2 36 158
LA 2 41 183
LA 3 39 180
LA 3 42 193
LA 3 46 190
Res <- lm(rend=N*P, contrasts=list(N=[Link], P=[Link]), data=files
52
ANOVA avec données déséquilibrées
NB: Ne pas oublier le chargement des packages car et agricolae
53
ANOVA avec données déséquilibrées
54
ANOVA avec données déséquilibrées
55
ANOVA avec données déséquilibrées
56
Analyses multivariées
57
Analyses multivariées (définition et principe)
L’analyse multivariée constitue un ensemble de méthodes statistiques qui ont
pour but de résumer les données issues de plusieurs variables en minimisant la
déperdition de l’information. Lorsque nous sommes en présence de deux
variables numériques, l’âge et le poids d’individus d’aulacodes (Tryonomys
swinderianus), il est aisé d’imaginer une représentation graphique qui résume
l’information. Si on ajoute une troisième variable, par exemple le GMQ (gain
moyen quotidien), il faudrait un troisième graphique, plus difficile à lire, en
ajoute une quatrième variable, il est pratiquement impossible d’appréhender un
tel jeu de donnée.
58
Analyses multivariées (définition et principe)
Il faut donc avoir recours aux analyses multivariées pour interpréter ce genre de
tableau. Ces analyses sont capables de ramener un nuage de points de trois,
quatre ou n dimensions à un plan à deux à dimensions.
Ainsi, les axes choisis ne correspondent pas à l’une ou l’autre des variables mais
sont issus de combinaisons entre les variables et calculés pour passer le plus
près possible de toutes les observations.
59
Choix d’une analyse multivariées
Les différentes méthodes d’analyse multivariées permettent de répondre à de
problématiques variées. Le choix d’une méthode dépend de l’objectif initiale,
des types de variables à manipuler mais aussi de la forme des résultats obtenues
qui peuvent être plus ou moins faciles à présenter et à expliquer. Ces méthodes
visent à structurer net simplifier les données issues de plusieurs variables sans
privilégier l’une d’entre elles en particulier.
60
Choix d’une analyse multivariée
Les méthodes souvent utilisées sont :
L’analyse en composantes principales (ACP)
L’analyse factorielle des correspondances (AFC)
L’analyse factorielle des correspondances multiples (AFCM ou ACM)
La typologie et les méthodes de classification.
61
Critère à retenir
Objectifs Conditions et Méthodes multivariées
nature des
variables
Variables Analyse en composantes
Résumer l’information numériques principales (ACP)
en minimisant la 2 variables Analyse factorielle des
déperdition et repérer qualitatives correspondances (AFC)
les dimensions cachées Trois variables Analyse factorielle des
qualitatives ou plus correspondances multiples
Constituer des groupes Le nombre de Analyse typologique
d’individus aussi groupes est fixé
similaires que possibles Le nombre de Classification numérique
groupes n’est pas
fixé
La liste n’est pas exhaustive et il reste encore une pléthore d’analyses
multivariées comme l’AFDM ou encore l’analyse discriminante factorielle
62
ACP
L’ACP ou principal component analysis (PCA) en anglais permet d’analyser des
données contenant des individus décrits par plusieurs variables quantitatives.
L’ACP synthétise cette information en seulement quelques nouvelles variables
appelées composantes principales. Ces nouvelles variables correspondent à une
combinaison linéaire des variables originelles. Le nombre de composantes
principales étant évidemment inférieur au nombre de variables originels.
L’information contenue dans le jeu de données correspond à la variance ou
l’inertie totale qu’il contient.
63
ACP
Ainsi, la dispersion du nuage de points dans les N dimensions originales
s’appelle l’inertie et pour calculer la quantité d’information conservée par
l’approche ACP, on calcule le pourcentage d’inertie expliqué par chacun des
axes.
64
ACP
A la fin de l’ACP, on obtient des graphiques représentant les graphiques et les
variables.
A partir de ces plots, on va pouvoir étudier :
Les relations entre les variables (les colonnes)
Les relations entre les observations (les lignes)
Les relations entre les observations et les variables (par exemple, quelles sont
les observations les plus élevées pour telle ou telle variable)
Essayer de donner une signification « métier » aux axes de l’ACP.
65
ACP
Le coordonnateur de projet d’appui à la filière « Ananas » au Benin, dans ses
actions, souhaite proposer une variété d’ananas aux producteurs de Zè. Pour ce
fait, il collecte les caractéristiques physico-chimiques de 20 cultivars. Une
analyse en composantes principales a été réalisée sur ces caractéristiques.
Réalisez l’ACP et interprétez les résultats obtenus
Proposer un ou des cultivars si les producteurs préfèrent les fruits longs et de pH
appréciable.
66
ACP
Packages utilisables (vegan, ade4 ou FactoMineR)
Library(FactoMineR)
vib<-[Link](‘’clipboard’’,h=T,dec=‘’.’’,sep=‘’\t’’,[Link]=1,[Link]=False)
Spécifier que le nom des individus est disponible dans la 1ère colonne
du jeu de données
1. On charge le package FactoMine R)
2. On réalise l’ACP et on a par défaut le graphe des variables et celui des individus
3. Interprétation: Les variables qui ont les flèches les plus longues ont celles qui on le
plus contribué à la construction du plan. Le graphe des individus projette les individus
dans le plan formé par les différents axes
67
ACP
On obtient les principaux résultats avec la fonction suivante
On a un tableau avec les valeurs propres et les pourcentages d’inertie associés à chaque axe.
En principe , on retient les premiers axes dont le cumul dépasse 50 % de l’inertie totale et on
conclut alors que ces différents axes résument l’essentiel des information de départ et
peuvent garantir une bonne précision d’interprétation.
68
ACP
Remarque : les pourcentages d’inertie sont les valeurs propres ou
d’eigenvalues (il s’agit de la quantité de variance expliquée),
exprimées en pourcentage. Il est également possible de réaliser un plot
pour visualiser ces pourcentages d’inertie :
Pas très élégant mais peut être
amélioré en utilisant le package
factoextra
69
ACP
fviz_eig(res,addlabels=TRUE,title="pourcentage
d'inertie des axes")
70
ACP
On a ensuite un tableau avec les résultats sur les individus (par défaut
les 10 premiers)
On a le nom des individus, la distance des individus au centre de gravité du nuage puis les
résultats sur la première dimension avec la coordonnée de l’individu sur la première
dimension, sa contribution à la construction de la première dimension et une qualité de
représentation sur le 1er axe. On a tous ces résultats pour tous les axes.
71
ACP
On a ensuite un tableau avec les résultats sur les variables
On a le nom des variables, les coordonnées sur la 1ère dimension, la contribution de la
variable sur la construction de l’axe et la qualité de la représentation mesurée par le cos².
72
ACP
Il est important de décrire ces dimensions en utilisant la fonction suivante
On obtient les corrélations entre chaque variables et les différents axes. On conserve les
corrélations qui sont significativement différents de 0. Ces résultats sont triés des plus liés
positivement aux moins liés négativement. 73
