Conversió a l'entorn SAPD Windows de dos procediments informàtics aplicats a la inserció de dades d'enquesta

DIPLOMATURA D'ESTADíSTICA Conversió a l'entorn SPAD Windows de dos procediments informatics aplicats a la inserció de dades d'enquesta Realitzat per Eduard Solanas Santacana Dirigit per Roser Rius Carrasco Juliol de 2003 UNIVERSiTAT POLrrEcNICA DE CATALUNYA Biblioteca 111/111 1 1111111 11 1/1111/111111111111/ 11 1 11111111111111111111 1400503622 Facultat de Matematiques ¡Estadística -. -- U N IVERSITAT POLlTECNICA DE CATALUNYA Facultat de Matematiques ¡ Estadistica · I I .;; =< S -AT POLlTÉCN ICA DE GATALUNYA DADES DEL PROJECTE: DN1: Títol del Projecte: CC ~ --y¿s.16 ft- <...2 ~ S ~ , PI"O lN ~~ $ ~ ELtS P ~ E1) K~ ~ 11J ~ \-AA íl c..s t\Yl L\ CA'TS 4-- LA [['JSt:tú:-l.ó ) e P AD ES \) 1 E'tJ Q.v~ f A Director del Projecte: ~~GSe,"t'2.... i<..l l.>~·, ()1;yt¡1..: L\ Sc...O Tutor del Projecte: ~ QUALIFICACIÓ kA T (Ll UJ LA \) 1 H _ o ~ C IO (O ) MEMBRES DEL TRIBUNAL (nom i signatura) ? resident: 15~ AW.1T ¡ ~ :>r t · Vl A r Lr;-.!J \2..\ u ( C/T{ill 'n ca _ -.. '- re an f/ -V ,) ":- 1'- , Index 1.Introducció 1 1.1 Objectius 1 1.2 Les AnaIisis Factorials Descriptives 1 1.3 Procediment per una ACP 2 1.4 Resultats d'una ACP en SP AD 3 1.5 Inserció de dades d'enquesta 4 2.Procediment MIV AR 7 2.1 Plantejament 7 2.2 Disseny del procediment 8 2.2.1 Aportacions al procediment MIV AR 9 2.3 Aplicació procediment MIV AR 9 2.3.1 AnaIisi en components principals de l'enquesta de referencia 10 2.3.2 Resultats del procediment MIV AR 11 3. El procediment GREFl 13 3.1 Plantejament 13 3.2 Inserció a partir d'una ACP 14 3.3 Condicions de validesa d'una inserció 15 3.3.1 Coherencia global: Test de correlacions 15 3.3.2 Coherencia en el subespai 16 3.4 Transformacions del sistema de referencia 16 3.4.1 Traslació 17 3.4.2 Rotació 18 3.5 Programació del procediment GREFl 18 3.5.1 Aportacions al procediment GREFl (treball futur) 19 3.6 Aplicació del procediment GREFl 20 3.6.1 Resultats del procediment GREFl 20 3.6.2 Interpretació deIs resultats 23 3.7 Una altra aplicació del procediment GREFl 24 4. Un altre exemple complet 27 4.1 Presentació de les dades 27 4.2 Selecció d'individus i de variables 27 4.3 ACP enquesta de referencia 28 4.4 Selecció del subespai de representació 29 4.5 Inserció de dades 30 4.6 Conclusions 32 5. Conclusions 33 Annex1. Programa MIV AR complet 34 Annex2. Programa GREFl complet 39 Annex3. Resultats de la inserció per a 3.7 44 Annex3.l Subconjunt mínim de variables comunes (MIV AR) 44 Annex3.2 Estadístiques descriptives de les variables contínues comunes 44 Annex3.3 Test de correlacions 44 Annex3.4 Coordenades de les variables contínues puntuals 45 Annex3.5 Coordenades deIs individus puntual s 45 Annex3.6 Coordenades de l'individu "centre de gravetat" 45 Annex3.7 Coordenades de la variable categórica 45 Annex4. Resultats de la inserCÍó per a 4 46 Annex4.1 Subconjunt mínim de variables comunes (MN AR) 46 Annex4.2 Estadístiques descriptives de les variables contínues comunes 47 Annex4.3 Correlacions entre els eixos 47 Annex4.4 Coordenades de les variables contínues puntuals 47 Annex4.5 Coordenades de l'individu "centre de gravetat" 48 Annex4.6 Coordenades de les variables categóriques 48 Bibliografia 49 1. Introducció 1.1 Objectius El segUent projecte va néixer amb la necessitat d'actualitzar uns procediments dissenyats per ser executats en el paquet estadístic SPAD en una versió anterior a la 4.0, orientada per a entorns DOS. Les versions posteriors a la 3.5 (4.0,4.5 i 5.0) funcionen exclusivament en entoms de Windows de 32 bits (95, 98, NT ... ) i les rutines s'han de convertir per tal que no entrin en conflicte amb el sistema operatiu. Els procediments en qüestió són dos d'un conjunt de rutines dissenyades per Roser Rius com a complement de la seva Tesi Doctoral (lnserció de dades d'enquesta) que implementen eines i processos per a rea1itzar una inserció de dades a partir d'una analisi factorial. La primera, anomenada MIV AR (detallada en el capítol 2), s'utilitza com a pas previ a la inserció, mentre que la segona, anomenada GREFl (detallada en el capítol3) és la que realitza eIs calculs necessaris per a la inserció. El projecte consisteix, a part de la feina de programació própiament dita, en presentar l'eina "inserció de dades d'enquesta" i el seu context, les tecniques d'analisis factorials i es detallen eIs dos procediments que defineixen l'eix central del treball, MIV AR i GREFl, deIs quals s'explica la filosofia, la tecnica i el disseny algorítmic proposat per portar-los a terme, així com l' aplicació practica sobre dades reals. Els procediments desenvolupats per a Spad estan dissenyats en llenguatge Fortran, per la qual cosa han estat imprescindibles, a part de l'assignatura d' Analisi Multivariant de Dades (Ir quadrlmestre del 3r curs) on s'expliquen les tecniques i la interpretació de resultats d'una analisi factorials i l'ús del paquet estadístic SPAD, les assignatures Fonaments d'Informatica i Programació (2n quadrimestre del primer curs i Ir del2n respectivament). 1.2 Les Analisis Factorials Descriptives Les analisis factorials descriptives (AFD) són eines estadístiques desenvolupades durant el segle XX que serveixen per resumir grans volums de variables interrelacionades en altres creades a partir de la combinació lineal de les originals que en conserven gran part de la variabilitat, per representar grans conjunts de dades en espais bidimensionals, conservant la maxima informació possible. L'antecedent més immediat de les analisis factorials són les tecniques de regressió, iniciades per Galton i continuades, entre d'altres, per Pearson. Se sol atribuir l'origen de les AFD a C. Spearman, en eI seu treball sobre la mesura de la inteHigencia (General Intelligence, Objectively Determined and Measured (1904)), i de les analisis en components principals (ACP) a H. Hotelling (Analysis ola complex 01 statistical variables into principal components (1933)). Altres pioners en les tecniques d'AFD van ser L.L. Thurstone (Factorial Studies olIntelligence (1941)) i Kaiser. Tot i que molts autors consideren l'Anruisi en Components Principals (ACP) una eina independent a les anruisis factorials, en el present informe es tractarn com una branca d'aquesta, en concret, l'ACP es considera una AFD aplicada sobre variables contínues, de la mateixa manera que una anruisi en correspondencies és considerada una AFD aplicada a variables categóriques. Históricament s'han diferenciat dues filosofies al voltant de les AFD que entren en conflicte, no tant en la metodologia algebraica sinó en l'anaJ.isi i la interpretació de resultats que ofereixen aquestes eines. Per una banda es situa el cos científic britimic, que en el cas concret de les ACP considera la matriu de correlacions entre variables i la matriu de correlacions (o saturacions) entre factors i variables originals i calcula les "comunalitats" (proporció de variabilitat explicada pels factors comuns en una variable) i les compara amb les "comunalitats" originals (en una ACP estimades per 1) per mesurar el grau de bondat de la representativitat deis eixos. L'altre enfocament, i el seguit en aquest treball ja que és l'implementat en SP AD, és el que proposen els estadístics francesos, consistent a reproduir les dades a partir d'una descomposició en valors propis (que representen la variimcia que suporta l'eix que representa) i vectors propis (que defmeixen l'espai on projectar els individus i les variables) de la matriu original s, obtenint unes noves i "poques" variables per als individus que conserven gran part de la informació. 1.3 Procediment per una ACP Sigui X la matriu (n x p) amb n individus actius i p variables contínues actives, M la matriu de pesos de les variables (o metrica en l'espai deIs individus (RP, M)) i N la matriu de pesos deis individus (o metrica en l'espai de les variables (Rn, N)), x:.1l XI./] X ---....,.. Descomposició en valors singulars ( X nl xnp / ~ M112xtNXM112 Nll2XMXtNl12 (matrius diagonal s) --~--------------~-------- Al UI Al VI A2 U2 A2 V2 r rang(X) , La projecció de les files de la matriu, o deIs individus, \V en les noves variables o factors sera: \V = X M l12 U o, a partir de el» i aplicant les relacions de transició: \V = X M el» A1I2 2 1 la projecció de les columnes, és a dir, de les variables eI>: el> = Xt N l12 V o, a partir de \!f i aplicant les relacions de transició: el> = XtN \!f A1I2 \}JI \}J2 \}Jr <DI <D 2 \}J12 <D 12 el> = : ~~D1I [$11 :J \}J n2 <D pr <D p2 nr Es defineixen dues fonnalitzacions diferents per a una ACP, amb interpretacions estadístiques particulars, l' ACP nonnalitzada, consistent a analitzar la matriu X havent-la centrat i reduil (aij = (aij-mj) / Sj , sent mj la mitjana de la variable ji Sj la seva desviació tipus) i l' ACP no nonnalitzada, només havent centrat la matriu X (aij = aij -mj) . En una analisi nonnalitzada s'estara diagonalitzant la matriu de correlacions, sense tenir en compte la dimensió de les variables, interpretant-se les projeccions com a correlacions, mentre que en la no nonnalitzada es diagonalitzara la matriu de covariancies. 1.4 Resultats d'una ACP en SPAD L'SPAD (Systeme Pour l' Analyse des Données) és un paquet estadístic especialitzat en analisis factorials. Esta editat per DECISIA, societat molt relacionada amb la comunitat universitaria francesa i treballa sota el punt de vista frances de les AFD. Per una ACP, concretament, els resultats que ofereix el programa un cop definides les variables actives contínues per al' analisi, les variables iHustratives (contínues i iHustratives), els individus actius/iHustratius, la metrica dels espais i el tipus d'analisi (nonnalitzada o no normalitzada) són els següents: · Informació sobre les variables que intervenen en l'analisi i estadística descriptiva. · Matriu de covariancies o correlacions entre les variables actives. · Valor, inercia i histograma deIs k primers vectors propis. · Mesura de les diferencies entre valors propis per detectar salts significatius. · Coordenades de les variables sobre els 5 primers eixos factorials. Graficament es representen aquestes coordenades com a fletxes des de l' origen, si l' analisi és nonnalitzada dins del cercle unitat ja que la correlació variable/factor més gran possible és 1. La direcció de la fletxa indica creixement de la variable, i els individus amb valors alts d'aquesta se situaran prop de la coordenada de la variable Una manera de mesurar les relacions entre dues variables esta en veure l'angle que dibuixen les seves fletxes en els plans factorials. Un angle petit representara que la relació es forta i positiva. Un angle practicament recte representara la independencia de variables i un angle pla indica que la relació és forta peró negativa 3 · Coordenades de les variables contínues il'lustratives i de les variables categoriques. Per aquestes últimes es calcula la coordenada sobre cada factor i el valor-test (valor en una distribució normal estandard) corresponent que contrasta si la distancia al' origen és significativa o no. En cas de ser-ho, s'ha de relacionar cada categoria amb les variables contínues que tenen el mateix signe en aquell eix. Dins del pla factorial, es dibuixen com a punts arllats i si una variable només té dues categories sempre se situen de forma sÍmetrica. · Coordenades deIs individus (opcional). De la mateixa manera que per a les variables, es calcula les coordenades sobre els eixos deIs individus i es poden representar en plans factorials. · La simplicitat que genera una AFD queda palesa a l'hora d'analitzar griúicament els plans factorials, sobretot quan el nombre d'eixos significatius són pocs, dones es resumeixen gran quantitat de relacions entre variables en un sol pla. Spad permet iHustar diferents tipus de griúics sobre els eixos factorials i inclús multi-griúics per a comparar plans originaris d'una AFD dos a dos. 1.5 Inserció de dades d'enquesta La necessitat de l' eina estadística anomenada "inserció de dades" prové de la voluntat de voler relacionar informació originaria de dos estudis independents. Anteriorment s 'havia atacat aquesta qüestió mitjancrant eines classiques com la regressió o la reponderació de les mostres i des del punt de vista no probabilístic o d' an31isis factorials, sempre havia existit el problema d'imputació de dades. Existeixen gran volum de conjunts de dades provinents de naturalesa molt diferent pero amb un conjunt de bloc s d'informació comuns que formen uns lligams capacros d'extendre's entre les informacions no comunes. En concret, considerarem normalment una enquesta de referencia, un estudi exhaustiu, anterior a una enquesta puntual, amb informació més particular i ens interessarit poder establir connexions entre aquestes dos conjunts de dades a partir de la informació comuna (aquella que ambdós estudis recullen). S'anomena espai comú (RP ) el conjunt de variables comunes en les dues enquestes. En aquest espai es poden representar els no individus corresponents a l'enquesta de referencia i els nI corresponents a l'enquesta puntual (veure figura 1.1) i a través d'aquests, visualitzar les variables comunes i no comunes (inserir). Per a determinar quines són les variables que convé tornar a recollir en el segon estudi perque aquest contingui la informació que permeti formar lligams fiables existeix el procediment MIV AR (veure capítol2) . 4 p p' J[ JX Enquesta de referencia Espai comú -Informació no comuna Z • Representació deIs individus de I'enquesta de • referencia (punts blancs) i de l' enquesta puntual • o o (punts negres) sobre l' espai comú RP• o o -~>" -. 3 4 Figura 1.1. Esquema de l'estructura de dades que plantegen el problema d'inserir Existeixen dues maneres de definir la inserció: la inserció en referencia (veure figura 1.2), tecnica sobre la qual es tractanl en aquest informe, utilitzada quan ens interessa conservar el marc de referencia (eixos factorials determinats per una AFD sobre l' enquesta de referencia) que defineix l' enquesta primera, on hi voldrem representar les dades de l' enquesta puntual (sempre es considera que l'enquesta de referencia és un estudi més exhaustiu que la puntual, i per tant, més fiable) i la inserció conjunta, utilitzada quan el marc de referencia no presenta les caracteristiques adequades per dur a terme l'anterior tipus, per exempIe, perque en l'enquesta puntual és impossible reproduir el mateix subespai de representació. Un cop escollit el subespai de representació a través d'una AFD de les dades de l'enquesta de referencia (per a aquest treball es limita al cas que el subespai és generat per una ACP i per tant, l'espai comú és format per variables contínues), la tecnica d' inserció d'individus es basa en la projecció en suplementari i la inserció de variables en la projecció doblement suplementaria, proposades per Pages, Bonnefous i Iliakopoulos adonant-se de la repetició d'informació entre les enquestes que es realitzaven a Fran~a. La projecció en suplementari consisteix en l'aplicació de les fórmules anteriorment vistes en l' ACP per a traslladar els individus o les variables al' espai que formen els eixos factorials per a individus que no formen part del crucul d'aquest espai, i la doblement suplementaria en l' aplicació de les relacions de transició, que permeten calcular la projecció <p com a funció de '1'. El procediment GREFl (veure capítol 3) s'encarrega d'aquestes operacions. 5 , A l'hora de remuntar variables fins a formar el marc original, la inclusió pas a pas coincideix amb l'exclusió, introduint primer la variable 6, després la 1 i per últim la 5. Arran dels resultats suscita el debat de quin és el nombre de variables adequat, aquell que no suposi una gran pérdua i, com s'ha comprovat, eliminant la primera variable ja es perd un 23% del criteri, per la qual cosa, sembla raonable conservar totes les variables en l' enquesta puntual. Variables contínues ~ Enquesta de referencia U xxxl~'l:xJ x x x x Subconjunt mínim (4 variables) optim 1ACP 1 6 1 ( J INSERCIÓ... ISUBESPAI DE REFERENCIA I nI Xl Enquesta puntual La fmalitat del procediment MIV AR és determinar un subconjunt sobre el qual construir el subespai de referencia on inserir les dades puntuals. Figura 2.3. Implicacions del procediment MN AR si el subconjunt mínim és representatiu. En l'exemple no es dóna el cas i es conformara el subespai de representació amb totes 7 variables 12 3. El procediment GREFl 3.1 Plantejament MitjanIYant el procediment GREFI (GREFfer, inserir en frances) s'implementa la inserció en referencia própiament dita de les dades de l' enquesta puntual al subespai de representació determinat a partir de I'espai comú a una primera enquesta, tal i com s'ha definit en l'apartat 1.3. Ens ocuparem del cas en que l' AFD precedent és una ACP i sense aplicar traslació ni rotació, tecniques per a garantir la coherencia de les dades a inserir descrites més endavant. La inserció en referencia es basa en la projecció en suplementari deis individus i la projecció doblement suplementaria de les variables. Partint d'una AFD normal de l'enquesta de referencia per a determinar el subespai de representació on projectar (es recorda que és en l'elecció d'aquest subespai on entra el joc el procediment MIV AR, per eliminar variables poc útils), obtenim els vectors propis Uoa, amb eIs corresponents valors propis Aa , on es projectaran els individus i les variables de l'enquesta de referencia de forma usual. La projecció en suplementari consisteix a projectar de la mateixa manera els individus de l'enquesta puntual. Sigui Xl la matriu de dades formada pels individus de l'enquesta puntual, la projecció es realitza segons la fórmula següent: '1'= = Xl M~12 1loa ,on Mo és la matriu de pesos de les variables comuns definida per a l'enquesta de referencia i \loa és l'a-essim vector propi sorgit de l' ACP de l'enquesta de referencia Fent ús de les definides relacions de transició, es projecta doblement en suplementari per a les variables: <l>t: = AX:N¡'P= , on NI és la matnu de pesos deIs individus definida per a " Aa l'enquesta puntual i Aa l'a-essim valor propi de l' ACP de l'enquesta de referencia Aquesta projecció s'anomena doblement suplementaria perque per a representar les variables en el marc de I'enquesta de referencia s'utilitza la projecció deIs individus, calculada en el seu moment en suplementario Fixi's que per a projectar els individus s'utilitza la matriu de pesos per a les variable de l' enquesta de referencia mentre que a projectar les variables de l'enquesta puntual, la matnu de pesos deis individus és la de l'enquesta puntual, també. , 13 1 P AFD Xo ~ ( 1 H~:J proj=i~ (~, = X,M;"U, ] 1,[ J I .. 1 OI P [~~ =X', M;" u] inserció \f'~ ~ <l>ds XI la X M II2 ~ \f'su p -U Ir - lOOr 1.[ J La inserció en referencia deIs individus es basa en una projecció en suplementari en el subespai de referencia creat per l'AFD sobre l'enquesta de referencia i les variables es projecten a traves de les relacions de transició des de \f'~ (projecció doblement suplementaria Figura 3.1. Esquema del funcionament teoric de la inserció 3.2 Inserció a partir d'una ACP Per al cas que ens ocupa, quan l' AFD aplicada és una Aep, siguin Xo la matriu (110 x p) de dades provinents de l' enquesta de referencia, amb p variables contínues centrades amb les mitjanes deIs no individus (si l' anaJ.isi fos normalitzat, es redueix la matriu amb les desviacions tipus), e1 la matriu (n1 x p) de dades origin8ries de l'enquesta puntual amb p variables continues centrades amb la mitjana deIs individus d' Xo (per a situar el núvol de dades a inserir amb el núvol de dades de referencia) per a n1 individus independents als anteriors i Xl la matriu (nI x p) de dades puntuals centrada i reduIda amb les mitjanes i les desviacions tipus de les dades de referencia (Xl = el Mo 1/2 on Mo és la matriu diagonal que conté les inverses de les variancies de les p variables de l'enquesta de referencia), la projecció en suplementari deIs nI individus a inserir es calcula mitjan~ant: \f'~: = Xl Uoa = eL Mo I /2 Uoa si l' Aep és normalitzada o \f'~ :::::: el Uoa si l' Aep és no normalitzada Per a la projecció de les variables contínues (actives i iHustratives) s'utilitza la projecció doblement suplementaria pero adaptada per a que les coordenades coincideixin amb la correlació entre les variables i els eixos factorials. Sigui Y1 la matriu de dades a inserir amb les variables centrades i reduIdes amb les seves propies mitjanes i desviacions tipus i W1 les dades a inserir amb les variables centrades pero no reduIdes, i g;:P i stdev('P~:) la mitjana i la desviació tipus de 'P~P respectivament, , 14 <}>ds 1 ~ 1 ('!'SIlp SlIP) la td (\TlSUP).t....- Y1ií I.,¡ gla S ev T la i~ I nI 1 l. 1 ~(w _O)(,!,SIIP _ SlIP) ( HISIlp) d (w!) .t.... 1 1m gla stdev TIa st ev I nI ",1 'J corr( wf , '!'~) corr(y:, 'P~:) Per a projectar les variables categoriques puntuaIs, sigui SI la matriu disjuntiva completa de les modalitats deIs ni individus, la fórmula de la projecció doblement suplementaria correspon a calcular per a cada modalitat j la coordenada com a centre de gravetat ponderat deIs individus que hi pertanyen: rds=~ ~s ,!,SIlp= "" ~'PsuP laí L.... l¡í I.,¡ ~ I.,¡ í=1 nI { . I J 1 Slij =l} ni 3.3 Condicions de validesa de la inserció S'esta definint la inserció en referencia, com la projecció d'uns individus i unes variables comunes i no comunes d'una enquesta puntual a un espai generat per una enquesta de referencia, independent a l'anterior. Per portar a terme aquesta operació és necessari que els dos conjunts de dades presentin unes caracteristiques "semblants" que es contrasten mitjan~ant les dues eines següents. 3.3.1 Coherencia global: Test de correlacions Per comprovar la coherencia global de les estructures d'ambdues enquestes es proposa realitzar un test que compari les interrelacions de les variables que generen l'espai comú tant per als individus de referencia com els puntuals. Quan es pretén realitzar una inserció de dades provinent d'una ACP normalitzada, podem comparar els elements de les dues matrius de correlacions corresponents en el subespai comú per a les dues enquestes, concretament, comparant dos a dos els coeficients de correlació entre variables en els dos estudis. En el seu moment es va decidir realitzar la prova per a elements dos a dos i no entre matrius per l'interes que desperta saber on existeixen les diferencies entre estudis. Siguin ro un element de la matriu de correlacions de les dades de referencia i rl l' equivalent en les dades puntual s, sota la hipOtesis nuBa Ho : po = PI es compleix que: on Zk =-log __ k1 [l+r.J 2 l-r k , 15 El procediment GREFI realitza, si així es desitja, el test de correlacions i indica si per cada parella de variables el coeficient de correlació són estadísticament iguals en les dues enquestes. L'equivalent al test de correlacions per a am\Hsi en correspondencies és l'anomenat test d'homogeneitat, consistent en fer el test de comparació de les taules creuades de les variables dues a dues, és a dir, en contrastar la homogeneitat de les distribucions d'efectius de totes les variables comWles dues a dues. 3.3.2 Coherencia en el subespai Un cop determinat si les variables tenen Wl comportament dos a dos semblant en les dues enquestes o no, ens pot interessar també esbrinar si el subespai de representació on s'inseriran les dades pWltualS té coherencia amb el propi espai que generarlen elles mateixes. Per a contrastar aquesta característica s'aplica Wla comparació entre vectors propis generats per l' ACP de l'enquesta de referencia i els que generarla Wla ACP de l'enquesta pWltual, calculant-ne les correlacions per als k eixos de representació escollits. És desitjable que aquestes correlacions estiguin dins d'Wl interval calculat a partir de l'enquesta de referencia mitjan~ant les correlacions deIs vectors propis creats per repetició de l' ACP amb dades pertorbades per a estimar l'estabilitat del subespai de representació. L'eina utilitzada per a estimar l'estabilitat del subespai de referencia es basa en el metode bootstrap i esta implementada en el procediment ST APC, el qua! no es tracta en aquest projecte. Si les diferencies entre correlacions resultessin molt significatives caldra transformar les dades pWltualS mitjan~ant Wla rotació, recnica que s'explica en el següent apartat. 3.4 Transformacions del sistema de referencia La inserció en referencia es basa en la projecció en suplementari dels individus i la projecció doblement suplementaria de les variables pWltualS en el subespai de representació determinat per l' ACP (AFD en general) de l'enquesta de referencia. Pot donar-se el cas que el núvol de pWltS deIs individus pWltualS inserits ens els plans factorials no tinguin com a centre de gravetat l'origen de coordenades, com tenen els individus de referencia i en general els individus actius en una AFD. Alhora, quan falla la coherencia en el subespai de representació, s'ha vist que els vectors propis de l' ACP no representin els individus pWltuals com es desitjaria que ho fessin. Aquests dos problemes poden solucionar-se senzillament mitjan~ant transformacions rígides: la traslació i la rotació. , 16 3.4.1 Traslació La traslació és una tecnica adient quan eI núvol de punts deis individus inserits (amb centre de gravetat gI) no estan centrats en l' origen (o centre de gravetat deis individus de referencia go) i pels quals eIs valors-test de les modalitats de I'enquesta de referencia tindran un sentit diferent ja que es distribueixen al voltant del centre de gravetat definit pels individus de referencia. Per mesurar la distancia entre núvols, es genera un nou individu "centre de gravetat" (deIs individus puntuals) pel qual es calculara la coordenada en els eixos factorials on s'insereix i el valor-test per determinar si és significativament diferent al centre de gravetat deis individus de referencia, en general zero. Quan es doni el cas que els dos núvols tenen centres de gravetat estadísticament diferents es pot optar per aplicar una inserció amb traslació, que consisteix en centrar el núvol inserit respecte al de referencia . • • • • • • Figura 3.2 Distribució deIs individus de referencia (punts negres) i puntuals (punts blancs) amb els respectius centres de gravetat (go i gI) en un pla factorial i l'efecte que hi té una traslació La inserció en referencia amb traslació (no implementada en la versió de GREFl dissenyada per al projecte) re-calcula les coordenades deIs individus i les modalitats de variables categóriques restant a les que ofereix la projecció en suplementari i doblement suplementaria el centre de gravetat deIs individus: , La traslació no té efectes sobre la coherencia global ni la coherencia en el subespai, només en les coordenades deIs dos elements esmentats, que s'interpretaran tenint en compte que s'ha eliminat el canvi de mitjanes de les variables d'ambdós estudis. 17 3.4.2 Rotació La rotació s'aplica per a resoldre un problema de coherencia en el subespai, quan el núvol puntual en l'espai comú dóna una estructura d'interrelacions de variables que difereix en un angle considerable de l' estructura donada pel núvol de referencia. Aixo indica que el comportament de les variables és semblant (el test de correlacions no donara cap diferencia significativa) pero que existeix cert canvi de rotació, que en solucionar, millorarem les característiques de coherencia necessaries per a validar la inserció. u11 ~ u01 u02 Figura 3.3 Representació del núvol de punts puntual (punts blancs) i de referencia (punts negres) amb dos vectors propis corresponents i l' efecte que hi tindria una rotació Aplicar la rotació no és tan senzill com aplicar una rotació ja que la transformació que es fa de les dades és molt (en alguns cops massa) profunda. 3.5 Programació del procediment GREFl L' algoritme implementat per a comprovar les condicions de validesa i calcular la inserció té la següent estructura. EIs parametres d'entrada que requereix són LEDIN (indica si es vol donar les coordenades per als individus), NAXED (nombre pels que es dóna les coordenades) i L TEST (que indica si es vol realitzar el test de correlacions): , 18 , algoritme grefl és obrir _ fitxer (NDIC) II diccionari de dades de l' enquesta de referencia obrir_fitxer (NDON) II dades de l'enquesta de referencia obrir _ fitxer (NGUS) II coordenades sobre eixos factorials dades de l' enquesta de referencia obrir_fitxer (NDICl) //diccionari de dades de l'enquesta puntual obrir_ fitxer (NDON 1) // dades de l' enquesta puntual llegir JlarametTes (LEDIN, NAXED, L TEST) fer_ estadístiques _descriptives _ enquesta Jeferencia centrar _iJeduir (NDON) fer_ estadístiques _ descriptives_ enquesta ""'puntual centrar_ iJeduir (NDON 1) ~ LTEST=lllavors calcular_ correlacions _entre _ eixos calcular ""'projecció per _individus ""'puntual s ~LEDIN~O mostrar_ coordenades _individus fsi calcular _i_ mostrar ""'projecció _ centre ~vetat_ individus calcular_ i_ mostrar Jlrojecció _variables ""'puntuals IIcontinues i categoriques falgoritme 3.S.1 Aportacions al procediment GREFl (treball futor) Cal temr en compte que per a la versió Windows d'SPAD (per icones) les successions d'instruccions (filiéres) només poden provenir d'una matriu de dades (base) per la qual cosa no es pot accedir a dos fitxers NDIC, NDON si aquests no han estat creats previament per un procediment independent a partir d'una sola matriu. Aquest problema és evitable si es treballa des de l'executador de comandes (script), no obstant queda pendent la realització del procés que generi a partir d'una base dos anaIisis independents. ~ '----- Matriu dades referencia • ... ACP .... + Mivar Matriu dades puntual s • Inserció Solució actual Si referencia / ----. ACP + Mivar Matriu totes les dades • Distinció dades '-..Sipuntuals ... ..... Inserció Solució optima Figura 3.4. Diagrama deIs procediments previs a la inserció en la versió actual i en una possible versió futura, optimitzada per a la versió Windows d'Spad 19 3.6 Aplicació del procediment GREF1 Es procedira a assajar el procediment GREFl sobre les dades presentades per a aplicar el procediment MIV AR corresponents a una enquesta sobre 315 individus que s 'han dividit en dues enquestes, que fan el paper d'enquesta de referencia i enquesta puntual. S'enfocara el problema havent obtingut per al' enquesta puntual les 7 variables contínues actives referents a opinió que també inclou l'enquesta de referencia ja que mi~anc¡::ant el procediment MIV AR hem determinat que totes i cadascuna d'elles és imprescindible per a crear un subespai de representació vaIid, deixant com a iHustratives les variables 'nombre de fills' i 'ajudes familiars' i les variables categoriques 'possessió de segona residencia' i ' patir deIs nervis'. 3.6.1 Resultats del procediment GREF1 La impressió més completa de resultats que ofereix el programa és: STATISTIQUES SOMMAIRES DES VARIABLES CONTlNUES EFFECTIF TOTAL : 265 POIDS TOTAL 265.00 +- - - ---- ------- - -- - ----- - - -------- ------- - - - ----- ---- ---+- --- -- ----- -- --- -- -- --+ - -- - - -- -- - - -- -- - -- ----+ I N1JM • IDEN -LlBELLE EFFECTIF POIDS I MOYENNE ECART-TYPE I MlNIl!UM JoIlIXlMUM I +------- ... ---- - -- - -- -- ------------- ------ -_ ... ------ -- -----+---- --- -- ------- -- -_ ... - +--- --- --- -- --------- --+ 41 Fami Famille, enfants : i 265 265.00 6.63 1.11 1.00 1.00 42 Trav Travail, profession 265 265.00 5.96 1.55 LOO 7.00 43 Lois libre, détente 265 265.00 5.31 1.45 0.00 7.00 44 Amia connaissances 265 265.00 5.17 1.40 1.00 7.00 45 Part Parentsl freres, soe 265 265.00 5.62 1.43 1.00 7.00 46 Relí : importanc 265 265.00 3.31 1.99 0.00 7.00 47 Poli - vie polit 265 265.00 3.13 1.82 0.00 7.00 + - - - -- ---------~-- -- --- -- ----- -~ -- --- ----~-- - --- --------+ -- ~- ------------ - - -- --+ ---- --- ----- - - --- --- --+ Figura 3.5. Estadístiques descriptives (enquesta de referencia) STATlSTIQUES SOMMAlRES DES VARlABI,ES CONTlNUES EFFECTlF TOTAL: 50 POlDS TOTAL 50.00 +-------------------------------------------------------+---------~------------+----------------------+ I NlJM • IDEN - LlBELLE EFFECTH' POIDS I MOYENNE ECART-TYPE 1 MINIMUM JoIlIXlMUM 1 + - --- --------- -- ---- ------- -- ----- -- - - - -- ------- --- - - -- -+- - -- ~- ---- - --~- --- -- --+ ---- --- - --- --- --------+ 4l . Fami - Famille, enfants : i 50 50.00 6.78 0.76 3.00 7.00 42 . Trav - Travail" profession 50 50.00 5.80 1.52 1.00 7.00 43 • Loís ~ Temps libre, détente 50 50.00 5.22 1.49 1.00 7.00 44 ~ Amia - Amis, connaissances 50 50.00 5.32 1.52 2.00 7.00 45 . Part Parents, freres, soe 50 50.00 5.70 1.47 1~00 7.00 46 • Reli Religion: ímportanc 50 50.00 2.B8 2.15 1.00 7.00 I 47. Poli Politique, vie polit 50 50.00 I 3.02 1.48 I 1.00 6.00 I 1- ---- -------------------------------------------------- 1--------------- -- --- -~ 1------------------ ----- I 28. Nbef - Nombre d' enfants eus 50 50.00 1 1. 84 1. 53 I 0.00 B. 00 I I 51. Salr - Sal aire mens. de l'e 44 44.00 I 4842.05 50B6.96 1 0.00 24000.00 1 +----- ---- -- - -- --- -- -- ~ ~-- ------- ---- - - - - _. _._. _. - - ----- --- -+-~---- ----------------+ ---- ------ -----. Figura 3.6. Estadistiques descriptives (enquesta puntual) 20 TABLEAU DU DIFFERENCES DE CORRELATIONS Fami Trav Lois Amis Part Reli Poli -----+------------------------------------------------- Fami 0.00 Trav -0.17 0.00 Lois 0.10 0.13 0.00 Amis 0.38 -0.22 0.13 0.00 Par-t 0.19 -0.14 -0.09 0.17 0.00 Reli 0.16 -0.21 -0.04 0.11 0.06 0.00 Poli 1 0.18 0.17 0.14 0.18 0.13 -0.11 0.00 -----+ - --------- -- ----- - - -- ----------- - --- --- ----- - -- - -- Fami Trav Lois AmlS Part Re!i Poli TABLEAU VTEST PüUR LES CORRELATIONS Fami Trav Lois Amis Part Reli Poli -----+ -- - -- - - ----------- -- - - ---------- ---- ~------~-- --- Fami 0.00 Trav -l~lO 0.00 Lois 0.67 0.86 0.00 A1nis 2.48 -1.44 1.01 0.00 Part 1. 35 -0.99 -0.58 1.16 0.00 Re1] 1. 04 -1.36 -0.25 0.71 0.37 0.00 Poli 1.15 1.07 0.91 1.17 0.B1 -0.74 0.00 Fami Trav Lois Amis Part Reli Poli +--------------------------------------------------------------------------+ Vl\LEURS-TEST DES MATRICES DES CORRELATIONS +-- - -- ------- -- - -- ---- --------- -------- ---- ----------- - ---- - - - -- -----------+ VARIABLE 1 VARIABLE 2 corrl corr2 dif_corr v_test prob +- -- ----- ----- -- ---- ----- -- --- --------- -- ---- -- - -- -- -------- -- ------ -- --- --+ 42. Trav 41. Fami 0.01 0.19 -0.17 -1.10 0.961 + ----- -- - -- ---- - ------ ----- ----- - - -- - - - - - ---- -- - - -- - -- - -------- ---- -- - - - - --+ 43. Lois 41. Fami 0.20 0.10 0.10 0.67 0.251 +--------------------------------------------------------------------------+ 43. Leís 42. Trav 0.33 0.20 0.13 0.86 0.201 +------------ -- - ------- -------- ----- -- --- -- --------------- --- --- ------- -- --+ + - ---- ----- ---- ------- ----- ~- ------- --- - - ---- ---- --------------- -- ------ - --+ 47. Poli 46. Reli 0.20 0.31 -0.11 -0.74 0.771 +- -- ---- - -- -~- -- ----- -------- -- ---- ---- -- ---- -- ------- - - - - - --- -------- -----+ Figura 3.7. Test de correIacions COORDOONNEES, CONTRIBUTI0NS ET COSlNUS CARRES DES INDIVIDUS SUR LES AXES 1 A 5 + -------- ------ -- ------ - -- - ------ - -- -- - - +-- -- ---------- -- - --- - -- - -------+ -- --- ----- -- ---- -------- --+ - ------- -- ------ -- ---- ----+ INDIVIDUS COORDONNEES CONTRIBUTIONS CQSINUS CARRES 1 -------- ---------- ------- --- - --- ---- --- + --- - -- -~----------- ---- ------ --+ - -- ------- ---- ---- -- ~~----+ - -- --~---------- ----- --- -- I I IDENTIFICATEUR P.REL DISTO 1 1 2 3 4 5 1 1 2 3 4 5 1 1 2 3 4 5 1 +---------------------------------------+----------~--------------~-----+------------~-------------+--------------------------+ 1623 2.00 5.77 -1.30 -0.95 -0.08 -0.97 0.09 0.0 0.0 0.0 o. o 0.0 0.00 0.00 0.00 0.00 0.00 1629 2.00 24.11 -1.45 1. 70 -0.20 3.71 -1. 41 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 ! 1635 2.00 -1.82 -0.04 -0.57 0.10 0.28 0.83 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 1643 2.00 6.53 -1.38 -1. 74 0.83 0.23 -0.36 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 189B 2.00 6.13 1.87 -0.92 -0.B7 0.04 0.59 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 1904 2.00 2.99 0.46 -0.15 -0.13 0.20 1.03 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 1910 2.00 6.72 0.75 1. 67 1. 48 -1. 05 -0.02 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 1916 2.00 4.61 1.51 0.79 1.09 -o. lB -0.19 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 1922 2.00 4.93 0.12 O.lB -0.7B 0.51 1.B5 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 + - -- - -- -- - ---- ----------- ---- - - - -- - -- ---+----- ---- -- -- ------ --------- -- -+ -- -- -- ------------------ - -+ -------- --~ - - -- - ---- - --- --+ Figura 3.8. Projecció en suplementari deIs individus , 21 4.3. ACP de l'enquesta de referencia De la realització de l' ACP (no normalitzada) de l'enquesta de referencia, destaquen les següents consideracions: • Totes les variables tenen mitjanes molt altes, corresponents a que la tendencia general a veure la televisió entre setmana és for.;a baixa excepte la franja horaria corresponent a la nit en que les mi~anes baixen per a totes les emissores. La variabilitat és for~ baixa (de l'ordre de la unitat) i les covariancies són altes per a variables corresponents a franges horanes consecutives per a totes les cadenes, i també podrien ser significatives les covariancies negatives que existeixen entre les emissores estatals i TV3, interpretables com que hi ha for~a discrepancia entre espectadors de les primeres i la segona emissora. · Hi ha un primer eix factorial que destaca, amb una inercia del 21 % que contraposa els espectadors que veuen les emissores d'itmbit nacional amb els espectadors de TV3 dones les variables relacionades amb aquesta cadena estan en negatiu mentre que la resta estan en positiu. El segon eix, amb un 12% de la inercia total, s'interpreta com un factor de creixement, amb valor negatiu per a totes les variables excepte dues (espectadors de TVE 1 per la tarda). · El tercer eix factorial, menys representatiu (9% de la inercia) sembla diferenciar els individus que veuen la televisió pel mati deis qui ho fan la resta del dia. · Les variables iHustratives (espots visionats) tenen coordenades negatives al primer eix (indicant que els espectadors de les emissores nacional s veuen més anuncis) i positives en el segon eix, com és lógic, dones els qui miren més la tele, veuen més anuncis. Per que fa a les variables categóriques escollides, només sembla significatiu el pertanyer en pobles més petits on es veu més TV3 que la resta de cadenes. Fac1eur 2 o -- ----- -- -- --- - ---- -- -- --- ---- -- - -- -- ----- --------- -,:,,¡¡¡;;;,....-..-=-=",* .025 .0.75 ·0.8 -0.4 o 0.4 Fac!eur 1 Figura 4.1. Representació de les variables actives sobre el pla factorial obtingut amb l' ACP de l'enquesta de referencia 28 4.4 Selecció del subespai de representació Per a seleccionar el marc de representació o subconjunt de variables que conformen el millor subespai de representació s 'utilit:zarii el procediment MIV AR calculant el criteri de selecció per a 2 eixos factorials i conservant un mínim de 12 variables de les 36 que formen part de l'enquesta de referencia. Els resultats obtinguts són els següents: · El criteri inicial (suma deIs valors propis) és 11,589. · Conservant 12 variables (una tercera part del total) el criteri només disminueix en una unitat i escaig (un 11%), donant la idea que totes les variables estan molt correlacionades i que per a relacionar les variables d'una enquesta variable no sera necessari ni molt menys conservar tota l' estructura de dades. · Les variables que primer es rebutgen són les relacionades amb l'auditmcia durant el mati per a totes les cadenes (durant les 3 primeres franges horitries excepte per A3, T5 i TV3 on la 33 franja és important). Les variables que corresponen al C33 surten totes a partir de la 24 passada del procediment, i les de TVE2 a parir de la 25, "sobrevivint" en el subconjunt mínim: la franja de nit de TVE1, A3, T5 i TV3, les franges de tarda de A3, T5 i TV3 i la franja de migdia de A3 i TV3. · Els resultats anteriors semblen lógics doncs durant la nit és quan es concentren més teleespectadors en totes les emissores i les correlacions que existeixin entre variables quedaran més patents durant aquestes franges que en la resta del dia. A més a més és durant aquest horarl quan més impactes publicitarls rebran les famílies i per tant, relacionar les variables iHustratives també amb aquestes variables sembla el més adequat. · Com a implicació deIs resultats del procediment MIV AR es procedinl a definir el sub-espai de representació. Les variables considerades comunes en la inserció seran les 12 determinades pel subconjunt mínim óptimo · Efectivament, realitzant una ACP mantenint les 12 variables com a actives, els resultats obtinguts són identics als que s'obtenen amb 36 variables: primer eix que separa espectadors de TV3 de la resta de cadenes, segon factor, de creixement. Les variables iHustratives mantenen una relació amb les actives molt similar al primer ACP. Amb aquest ACP s'ha creat el que sera el subespai de representació on s'inseriran les dades puntuals. En el següent apartat es realitza l' operació. 29 4.5 Insereió de dades S'ha realitzat una inserció de les dades puntuals al subespai de representació detenninat per les 12 variables contínues comunes (veure Annex4) i els resultats més destacables són els següents: · L' estadística descriptiva de les variables comunes dóna mitjanes i desviacions tipus molt semblants en ambdues enquestes i en principi els individus de l'enquesta puntual en mitjana veuen les cadenes durant les franges horanes corresponents en la mateixa mesura que els de l' enquesta de referencia. · Les correlacions entre els dos vectors propis originaris d'ambdós anruisis són molt altes (0,91 i 0,92) i més baixes entre la resta de vcctors (no significatius per a l'analisi). · El test de correlacions ofereix unes diferencies for~a significatives entre correlacions de variables en ambdues enquestes. Per exemple, les variables a315 i a316 presenten una correlació en l'enquesta puntual 0,5 unitats més gran que en l'enquesta de referencia. Aixó estaria indicant algun problema de coherencia global doncs les característiques d'interrelació de variables no són les mateixes en els dos estudis. · Les variables inserides de l' enquesta puntual comunes a l' enquesta de referencia tenen coordenades sobre els dos primers factors del mateix signe que en l' ACP de referencia (el primer eix separa els espectadors de TV3 deIs de la resta de cadenes i el segon separa els espectadors que en general miren més la tele que els que no la miren gaire). · Per que fa a les variables contínues iHustratives, relatives al consum de 4 productes abans i durant la campanya televisiva, tenen coordenades negatives per al primer eix, igual que les variables de l'enquesta de referencia referents al nombre d'espots visionats, per tant sembla existir correlació entre veure més anuncis (en les cadenes nacional s ) i comprar els productes, tant abans com durant la campanya. En el segon factor, de creixement, les variables de visionat d'anuncis (en els 4 productes) es relaciona amb la compra de suavitzant., mentre que per a la compra del suavitzant flor i de pastilles de caldo, no ho esta .. En resum, sembla que la campanya publicitaria té efccte sobretot en la compra de suavitzant, variable més correlacionada, sobretot durant la campanya, a la de nombre d' espots visionats. Pel que fa al suavitzant flor en concret, no existeix la relació i de la mateixa manera per les pastilles de caldo, independents a les campanyes publicitaries corresponents. 30 suav abans +--- ------- --- -30 suav duran! 1; \ \ \ \ nbre impactes \ \ ~20 -10 o ~50 AO 30 20 N 10 u. o ~10 F1 Figura 4.2. Pla factorial <F1, F2> amb la representació de les variables contínues iHustratives de referencia (línia contínua) i puntuals (línia discontínua) . . Analitzant les coordenades deIs individus, cal remarcar que el centre de gravetat en ambdues enquestes són significativament diferents, dones el núvol puntual se situa 7 i 21 centessimes per la dreta i per l'esquerra respectivament deIs dos primers eixos, amb uns valors-test de 2,2 i -6 unitats. Aixo ve a dir que el segon grup en estudi esta en mitjana molt per sota en el segon eix (la distancia en el primer eix es considera residual), indicant que veuen menys la televisió que els enquestats en primera etapa. Aquest resultat distorsiona els resultats per a les categories il·lustratives . . Les variables categoriques "possessió d'aspirador" i "de cotxe" es col-loquen en el primer eix de forma significativa, i els que tenen aspirador i més d 'un cotxe veuen més TV3 que els que no tenen menys equipament que tendeixen a veure les cadenes nacionals. La possessió d' aspirador i ootxe pot ser una mesura primaria del nivell socio-economic de la família i segons aquesta interpretació, les classes més altes veuen el canal autonomic amb més freqüencia que les baixes. Les categories en el segon eix, havent modificat les coordenades pel centre de gravetat deIs individus que les conformen i els valors-test corresponents no resulten significatives. 0,3 - 0,2 -2 colxes 0,1 - N u.. 0,0 no aspirador 1 "oh<¡:¡ U cO!XeS si aspirador -0.1 -0,2 -0,3 =1 1 -I 1 +2 colxes I I 1-1 -0.3 -0,2 -0,1 0,0 0,1 0,2 0,3 0,4 0,5 0,6 F1 Figura 4.3. Categories il'lustratives puntuals traslladades en el pla factorial <F1, F2> 31 4.6 Conclusions · Un cop realitlada la inserció podem conc1oure que les variables que millor conserven la variabilitat deIs individus és l'audiencia per la nit en totes les cadenes excepte en TV2 i C33 precisament perque són les variables amb més desviació tipus i en una an81isi no normalitzada, pesa molt la variabilitat de les variables a 1 'hora de formar els eÍXos. · Inserint les variables puntuals veiem que el comportament del panel de consum és molt similar al del panel d'audiencia i que les condicions per inserir són bones, encara que el test de correlacions ha informat de les considerables diferencies que existeixen entre les estructures d'interrelacions de les variables en les dues enquestes. · Les variables iHustratives no han mostrat una relació gaire optima des del punt de vista de l'efectivitat del marketing ja que sembla que l'únic consum susceptible a campanyes de publicitat sigui el de suavitzants en general, mentre que per a la marca flor i per a les pastilles de caldo, sembla independent al nombre d' espots que les famílies vegin sobre ells. 32 5. Conclusions El projecte ha versat sobre l'actualització de dues rutines dissenyades en el seu moment per aplicar la teoria de la inserció de dades dins del paquet estadístic SP AD. Aixo a permes en primera instancia descobrir Peina en qüestió i poder aplicar-la i de la mateixa manera, aplicar els meus coneixements de programació en un problema real. Per a introduir la inserció de dades d'enquesta s'han definít les caracteristiques de les AFD, i l' ACP en concret, perque la inserció funciona a partir d'una d'aquestes anfilisis, així com les sortides que genera SP AD per a aquests metodes. S 'ha explicat també en que consisteix la inserció, els caIculs que realitza. i algunes eines suplementiuies com pot ser el propi MIV AR, que selecciona el subconjunt mínim de variables per formar el subespai de representació, o la traslació i la rotació. Tot i que el disseny deIs programes ja havia estat en el seu moment proposat, decidít i programat, la reconversió a permes entrar en el camp de la programació practica, aquella que acaba basant-se en una baralla amb el compilador per tal de anar restant errors i amb control s en el codi per saber en quina instrucció es queda encallada l' execució i la programació comercial, basada en un sistema que ja existeix, que utilitza un llenguatge determinat i unes regles estrictes a seguir. Cal destacar també la feina realitzada per a millorar la sortida en pantalla del procediment MIV AR, resumint-Ia en una taula i aportant-hi resultats griüics, de la mateixa manera que la intenció de dissenyar per al procediment GREFl una subrutina que genera a partir d'una base, dos fitxers diccionarls de dades, dos fitxers de coordenades i un fitxer amb les coordenades que genera l' ACP sobre un deIs dos conjunts de dades, imprescindible per a utilitza.r el procediment en un entom Windows d'SPAD, avortada per manca de temps. Per a la realitza.ció de les anteriors actualitzacions ha estat cIau la experiencia en aquest camp de la Roser Rius i l'exemple de les rutines definides per a les últimes versions d'SPAD, incloses en el seu programari. Les diferencies basiques que existeixen entre els programes dissenyats per a les versions en desenvolupament d'SP AD anteriors a 4.0 i les que funcionen en 32 bits són: l'administració de memoria, la definició explícita de variables, I'Úg d'un sol fitxer '.for' on s'incIouen totes les subrutines que composen el programa i algunes qüestions de formato L'aplicació deIs dos procediments ha confIrmat la comprensió de les metodologies que segueixen i la oportunitat d'analitza.r-ne els resultats que se'n desprenen a més a més de la utilitat realment important que tenen en molts camps d'actualitat indiscutible, com pot ser en estudis d'audiencia televisiva (camp per a les quals van ser desenvolupades). Cal tenír en compte que només s'ha actualitza.t el procediment GREFl per a dades originarles d1una anaIisi en components principal s, sense traslació ni rotació i per tant, un treball futur que queda pendent és la implementació d' aquests dos sub-programes així com la inserció de dades provinents d'anaIisis en correspondencies i la implementació de la inserció conjunta. 33 Annexl. Programa MIV AR complet e -+-++++++ -+- +. t+ +++++ +-+-+ t+-t ++++++++ -+- -+- t-t--t- -+- +++-+-+++ t-t--tt-t--t- -t-+++ +-t-+ FDl1MMl ++ C+ c+ MIVAR + c+ ------------------------------------ c+ DUMMl, CPV1-.R, SOUSDI, SOUSOO, CORIN2 1 CORAXE, CALCRI. C++ +++++++ ++ ++ ++ -+- -+- -+- -+- -+- +++++++ ++ ++ ++ +-t-t -+- -+- -+- -+- -+- ++ ++ +++++++ ++ ++ +++++ -+- ++-+- SUBROUTlRE DUMM1 INXMQ,NXKQ,NXRQ,NXDQ,LISTF,LRESM,LERRE,LEPAR, & KFICH, NFICH, I,EXCE} C* '" '" '" * * ***** .... '"' ...... * ** ** *** "' .. ** ** ** * .... * .... "" ... * * ** ** **** .. ** .... ** * ** '" *- '" **C* MIVAR c' PARAMETRES LUS SUR LEC C* ----------------------- C' Nl\XR ••.••••• NOMBRE D' AXES RECONSTITUER C' NMVAR •••••.• NOMBRE MINlMUM-OE VlIRS POUR LE SOUS-ENSEMBLE C' ¡,EDIN. • • • • • •• IMPRESSION DES COORDONNEES DES INDIVIDUS C' o - PAS O' I1!PRESSION C' - IMPRESSION POUR LES INDIVIDUS ACTIFS C' 2 - IMPRESS ION POUR TOUS LES INDlVlDUS C' C' APPELS DUMM1 -- DEBET • e' QNDle ONGUS c' PARI\M C' CPVAR OFICH • C' SOUSDI ONDIC C' SOUSDO -- ONOON C' ONDIe C' ONDON C* STABA C' COREL C' VPROP C' CORIN2 • C' CORAXE • C' EDCOR •••• e' CALCRI * C' SHELR • C' VANEG '" C' FlNET * c' C' nCHIERS EN ENTREE •••• NDIe IDIeTIONNAiRE UTILE} e* NGUS (eOORDONNEES FACTORIEI,LES) C' C' DE TRAVAIL ••• NSAV IDONNEES CENTREES ET REDUITES I C* NBAND ISAUVEGARDES DlVERSESí C* C***** ******* * * * ole * *********** ** ******** **** ****** * ** .. * .... ** ****** ** :::::************** DECL.ARATIONS EXPLICITES ET DIMENSIONNEMENT INTEGER NXMQ, NXKQ, NXRQ, NXOQ, LISTE, LRESM, LERRE, LEPAR, & NFICH, LEXCE INTEGER LEC,ILLEC, IMP, NXCPA, NXLPA, NLII!P INTEGER NDICZ, NOON2,. NDlCA, NDONA~ NDICB,NDONB, NDIC,NDON, & NGRI,NGRO, NSAV,NBANDfNBFOR, NGUS, INTEGER MDICZ,MDONZ,MGUSZ,MGUSG, NMA.CZ, NMACA,N'fRA,NTRA2, INTEGER FICLOG, NB&SE INTEGER NCOEF, NCOEFB INTEGER NVTOT, NXl:<10D, NXMAC, NMTOT, NMACT, NITOT, NIACT, LANAL INTEGER NQTOT, NQACT, NCONT, NCACT, NFTOT INTEGER NAXE, LORIG, NIDI, NIDV INTEGER MPARM 12 I lNTEGER NAXR, NMVAR, LEDIN INTEGER NUMREG, LCORR, NFl, NPOSIB, NO, NS, NE, NL, lERR INTEGER invsta, iisous, ijorva, inbmod, ijorin, iisUIn, & iimatv, ikidm, ikvar, ikmad , ikidi, ikidv, ikidax, ivar, ictn, levar, iptot, icmoy, ievar, ivmin, ivmax, icorr, ivmoy, ivalpr, icind, itcorr, laxes REAL PITOT, PIACT, TEST REAL VBIDlll CIlARACTER' 4 KETA1, KETA2 CIlARACTER*4 KTITRI20í CIlARACTER'256 KFICHINFIeH) :~==~~,~=,====~==,==~~=====,====~~~====,==~~~,=== INCLUDE 'DIMT1\B. INC ' eOl!HON /ENSOR/ LEe, ILLEe, IMP,NXCPA,NXLPA,NLIMP COMMON /NUFICI NDICZ,NDONZ, NDlCA,NDONA, ND1CB,NOONB, ~i.)IC, NOON, & NGUS, NGRI, NGRO, NSAV, NBAND, NBFOR COMMON /NOFlel MDICZ,MDONZ,MGUSZ,MGUSG, NMACZ,NMACA, & NTRA,NTRA2, NBASE COI!HON /ILOGI FICLOG COMMON /NOlscl NCOEE, NCOEFB DATA RETAl IIDUMM' 1, KETA2 J '1' I e ALLCCATION POUR LECTURE DES PlIRAMETRES ===~===== ALLOCATE (MQ (NXMQ) , STAT=LERRE) IF (LERRE .NE. O) GOTO 901 ALLOCATE (KQINXKQ) ,STAT=LERRE) IF IURRE .NE. O) GOTO 901 ALLOCATE (RQ(NXRQ) ,STAT=LERREl IF (LERRE .NE. 01 GOTO 901 ALLOCATE IDQ (NXDQ) ,STAT=LERRE) lF ILERRE .NE. 01 GOTO 901 C============~====,·~=================== OQl1} = 0.0 CALL DEBET (KETA1,KETA2,KTITRl LECTURE DES PARMETRES SUR NOIC ===================== CALL ONDICIKQ,NVTOT,NXMOD,NXMAC,MQ,NMTOT,NMACT,NITOT, &. NIACT, PITOT, PIACT, LANAL, 1, LISTF, LERRE, NDICi IF(LERRE .NE. 01 GOTO 40 NQTOT MQ(l1 + MQI21 NQACT MQII) NCONT MQ 13} + MQ(41 NCAeT .= MQI3} NITOT MQ(5) + MQ(6) C LECTURE DES PlIRAMETRES SUR NGUS ==============.======== C"LL ONGUS (KQ, NAXE, LORIG, NIDI, NIDV, !>IQ, &: 1, LISTF, LERRE,NGUSI '2 1 ) TF (LERRE.NE.OI GOTO 40 e ===== LECTURE DE PARAMETRES SUR LEC ==,======"-,======,==,====,====~ MPARM (1) NAXE MPARM(2) = NCACT I CALL PARI\M IMQ,NXMQ, KQ,NXKQ, RQ,NXRQ, MPARM,2, VBID,l, &. O, NXDQ, KETAl, LEPAR, lresm, LERRE) IF (LERRE .NE. O) GOTO 40 NAXR MINOIMQ(l},NAXE) NMVAR MQ(21 LEDIN = MQ(31 LEXCE O IF (NAXR.GT .NMVl\R) WRITE (IMP,IOOO) NAXR C RESERVATION POUR CPAR =====~~===~===,====~~==~,==,===== NUMREG I LCORR 2 - LORIG NFI Ml\XO INAXR+l, NMVAR+ll NPOS lB = NCACT ND NCACT + 1 NS = NUMREG + 1 RE = ND • INO + 1) I 2 NL = ND • IND + 1I • (NO + 2) I 6 e RESERVATION DE ENTIERS invsta 1 iisous invsta + 8 ijorva iisous + (NCACT + 1) * NPOSIB inbmod ijorva + NVTOT inbmod + NV'l'OT ijorin + NITOT iimatv = íisum + NCACT nmq ilrnatv + NCACT * NCACT C RESERVATION DE CARACTERS ikidm ~ 1 ikvar ikidm + NXMOD ikmod = ikvar + 15 i kidi ikmod + 5 * NXMOD ikidv = ikidi + NIDI ikidax ikidv + NCACT nkq ~ ikidax + NAXE C RESERVATOPM DE REELS ivar 1 ictn 1 var + NQTOT ievar i var + NVTOT ievar + NCONT íptot + NCONT levar = imoy + NCONT i vrnin = ievar + NCONT ivmax = ivmin + NCONT icorr ivmax + NCONT i vmoy Jcorr + NCACT * NCACT i vmoy + NCACT í valpr + NCACT iaxes = icind + NCACT i tcorr "'" íaxes NIACT * NAXE nrq ítcorr + (3 + NAXR + NAXR) * NCACT e RESERVATION DE DOUBLE PRECISSION ndq 1 C ==c DEALLOCATION APRES LECTURE DES PARAHETRES =~,."'~==~=~== DEALLOCATE (MQ, STAT=IERRl DEALLOCATE (KQ, STAT=IERR) DEALLOCATE (RQ, STAT"IERR) DEALLOCATE IDQ, STAT=IERR) C ALLOCATION DYNAMIQUE DES TABLEAUX POUR FXECUTION ALLOCATE IMQ(NMQ), STAT=I,ERRE) 34 IF (LERRE .NE. O) GO¡O 902 ALLOCATE (DQ (NDQ) , STAT~LERRE) IF (LERRE .NE. O) GOTO 902 C ~~~ APPEL DE LA GESTION DE LA PROCEDURE ~~~~~~~~~~~~~~~~~ CALL CPVAR (NVTOT, NCACT, NCONT, NXMOD, NIDI f NAXE, NAXR, NFI, NIACT, TEST, NPOSIB, PIACT, NITOT, LCORR, LEDIN,NQTOT, & MQ(invsta), MQ (iisous), MQ(ijorva), MQ ( inbmod) , MQ(ijorin), MQ(iisum), MQ(iimatv), & KQ (ikidm) ,KQ (ikvar) ,KQ (ikmod) ,KQ (ikidi) ,KQ (ikidv) , KTITR, KQ (ikidax) , RQ{ivar) I RQ(ictnl, RQ(ievar), RQ(iptot), RQ(icmoy) , & RQ(icvarJf RQ(ivmin), RQ(ivmax), RQ(icorr), RQ(ivmoy) , & RQ(ivalpr) I RQ(icindl, RQ(iaxes) I RQ(itcorr) ,LEXCE) C ~~~~~~ FIN DE LA PROCEDURE ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 40 CALL FlNET (KETA1,KETA2,KTITRl IF (LEXCE .EQ. 1) THEN WRITE (NCOEF, 5010) imITE (NCOEF, 5020) ENDIF GOTO 999 C ~~~~~~~~~~~~ ERREUR D'ALLOCATION ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 901 CALL MALLO (KETA1,KETA2,NXMQ,NXKQ,NXRQ,NXDQ) GOTO 40 902 CALL MALLO (KETAl, KETA2, NMQ, NKQ, NRQ, NDQ) GOTO 40 C ~~~~ DEALLOCATION DES TABLEAUX APRES EXECUTION (SI LERRE O) 999 IF (LERRE .EQ. O) THEN DEALLOCATE (MQ, STAT~IERR) DEALLOCATE (KQ, STAT~IERR) DEALLOCATE (RQ, STAT~IERR) DEALLOCATE (DQ, STAT~IERR) END1F RETURN C ~~~~~~ FORMATS ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 1000 FORMAT ( & 'X ',/,' ','ATENCIO:EL SUJUNT DE VARIABLES MES PETIT ES DE & 1/ 14,' VARIABLES. I , / , & 'X ') 5010 format ('ZZF') 5020 forrnat ('EOF') 9200 FORMAT ( FE & 'X ',/,' ','ERREUR (COPRI-920)',/, FE &' " 'ON TROUVE DES REPONSES MANQUANTES POUR CERTAlNES ' FE 'VARIABLES NCXoUNALES.', / I FE ' , 'VOUS DEVEZ SPECIFIER "LZERO=REC" DANS LA FE 'PROCEDURE "SELEC" QUI PRECEDE.', / , FE & 'X ') FE END SUBROUTlNE CPVAR (NVTOT,NCACT,NCONT,NXMOD, NIDI,NAXE,NAXR, NFI, NIACT, TEST, NPOSIB, PIACT, NITOT, LCORR, LEDIN,NQTOT, nvsta, isous, jorva, nbmod, jorin, isum, imatv, & kidm, kvar, kmod, kidi, kidv, ktitr, kidax, var, ctn, evar, ptot, cmoy, cvar, vmin, vmax, corr, vmoy, valpr, cind, axes, tcorr, LEXCE) ': DECLARATIONS EXPLICITES ET DIMENSIONNEMENT ============== INTEGER NVTOT, NCACT, NCONT, NXMOD, NIDI, NAXE, NAXR, NFI, & NIACT, NPOSIB, NITOT, LCORR, LEDIN, IMP, NQTOT INTEGER NDICZ, NOONZ, NDlCA, NOONA, NDICB, NDONB, NDIC, NOON, NGUS, NGRI, NGRO, NSAV, NBAND, NBFOR, LEC, & ILLEC, NXCPA, NXLPA, NLIMP, IC, NV, MAXVAR, lCAS INTEGER nvsta(B), isous(NCACT+l,NPOSIB), jorva(NVTOT), nbmod(NVTOT) ,jorin(NITOTl, isum(NCACT), & imatv (NCACT, NCACT) INTEGER i, j, 1, nb, NPASS, NBID INTEGER NVARNO, NVTOTP, NXMODP, NXMACP, NMTOTP, NMACTP, NITOTP, & NIACTP, LANAL, LERRE, NQEXAP, NQTOTP, NCONTP, SCACTP, & NFTOTP, NISUP, NISUPP, nuls, NSUP INTEGER LEXCE, FICLOG, NETOI, NBLAN CHARACTER*4 kidm(NXMOD), kvar (15), kmod(S, NXMOD), kidi (NIDI), kidv(NCACT), ktitr(20), & kidax (NAXE) CHARACTER * 4 KETOI CHARACTER * 4 KBLAN CHARACTER* 4 KIKI CHARACTER*4 klib (:,:), KLIBO (5), kcon (15) REAL TEST, PIACT REAL PNUL, ZERO, RMIN, RMAX, P, D, tcri t, TCORMAX, VANEG REAL var (NVTOTl, ctn (NCONT), evar (NCONT), ptot (NCONT) , cmoy (NCONT), cvar (NCONT), vmin (NCONT), vmax (NCONT) , & corr (NCACT ,NCACT) I v:m.oy (NCACT), valpr (NCACT) I cind (NAXE) , axes (NIACT,NAXE), & tcorr (3+2*NAXR,NCACT) REAL PITOTP, PIACTP, TRACl, TRAC2, DOMAX, ECHEL COHMON /SEUIL/ ZERO, RMIN, RMAX COMMON /NUFIC/ NDICZ, NDONZ, NDlCA, NDONA, NDICB, NDONB, NDIC, & NDON, NGUS, NGRI, NGRO, NSAV, NBAND, NBFOR COMMON /ENSOR/ LEC, ILLEC, IMPI NXCPA, NXLPA, NLIMP COMHON / ILOG/ FICLOG DATA KETOI /' * I / KBLAN / I '/ C ~~~ INITALISATIONS ~~~~ PNUL ~ VANEG (PIACT) DO 10 i = 1, NCACT isum(i) = DO 10 j = 1, NCACT corr(i,j) = O imatv{i,j) = 10 CONTINUE C LECTURE va1pr SUR NGUS ~~~~~~~~~~~~~~~~~~~~~ CALL OFICH (2,NGUS) READ(NGUS) (valpr(i),i = 1, NAXE) C ====== ESCRITURE INITIAL ================================= tcrit = O DO 15 i = 1, NAXR tcrit = tcrit + valpr(i) 15 CONTlNUE imITE (IMP,3000) WRITE (IMP,800) NAXR WRITE (IMP,3000) WRITE (IMP, BOl) NCACT, tcrit imITE (IMP,3000) imITE (IMP,802) NAXR DO 16 i = 1, NAXR 16 WRITE (IMP,*) valpr(i) WRITE (IMP,3000) WRITE (IMP,803) NCACT C ~~~~~~ LECTURE LIBELLES SUR NDIC ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ NPASS ~ 3 + NQTOT CALL OFICH (NPASS, NDIC) DO 111 i =1, NCACT READ (NDIC) nbid,KIKI, (kcon(J) ,J=l,15), (KLIBO (J), J~l, 5) WRITE (IMP,*) I ',i,':',KIKI,' " (KCON{j),j=l,lS) 111 CONTINUE WRITE (IMP, 3000) C ~~~~~ LECTURE DES AXES SUR NGUS ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ DO 20 IC ~ 1,NIACT READ(NGUS) (axes(IC,i), i=l, NAXE), P, D 20 CONTINUE C INITIALISATION DE isous ================================= DO 25 i = 1, NCACT + 1 ~ DO 25 j 1, NCACT IF (j .EQ. i) THEN isous (i, j) ELSE isous (i, j) ENDIF 25 CONTlNUE C ~ ECRITURE AVANT BUCLE ELIMlNATION ~~~ WRITE (IMP,3000) WRITE (IMP,890) NFI-l C ~~~~~~ GRANO-GRANO BUCLE POUR CHAQUE ELIMINATION ~~~~~~~~~~~~~ 49 DO 50 NV ~ NCACT,NFI, -1 TCORMAX ~ -RMAX MAXVAR ~ O DO 90 i ~ 1, NCACT tcorr(l,il O. tcorr(2,i) = i tcorr(3,i} O. DO 95 j = 4, 3+2*NAXR tcorr (j, i) = O. 95 CONTINUE 90 CONTINUE C GRANO BUCLE POUR CHAQUE SOUSENSAMBLE ~~~~~~~~~ DO 100 lCAS ~ 1, NPOSIB IF (isous(NCACT+1, lCAS) .GE. NCACT) GOTO 100 C ~~~~~~ CHERCHER LE SOUSENSAMBLE DANS NDIC ET NDON ~~~~ NVARNO = isous (NCACT+1, lCAS) CALL SOUSDI (NDIC, NSAV, isous(l,ICASl, NCACT, nvsta, 3, 35 & NVAR..~Of O, nbmod, jorva, NVTOT~ jorin,. NITOT, kidJn, & kvar, mod, N>CMOD, ktitr} CALL SOUSDO (NDON,. NDAND .. isous (lEICAS),. NCACT,. nvsta, 3, NVARNO. var, NV1'OT, kidi, NIDI, ktitr) C NOVEAUX FICHIERS: NOIC -> NSAV, NDON -> NBAND e CENTRAGE ET REDUCTION ~= CALL ONDIC {ktitr,NVTOTP, NXMODP, NXMJ!.~CP, nvsta,NMTOTP,NMACTP, & NITOTP, NIACTP, PITOTP, PIACTP, !.ANAL, 1, O, LERRE, NSAV) CALL ONDaN {ktitr,NVTOTP, NIDI,NITOTP, TEST, 1, O, LERRE,NBAND) NQEXAP ~ NVTOTP - 1 NQTOTP = nvsta(l) t nvsta(2) NCONTP nvsta(3) + nvsta(4) NCACTP nvsta (3) NFTOTP nvsta (5) + nvsta (6) ALLOCATE (klib(15,NCQNTPI, STAT LERREI IF (LERRE .NE. 01 THEN imITE (FICLOG, 9000) RETUAN ENDIF RF.J\D(NSAV) (nb, 1=1, NVTOTP+NQTOTP), (jorva (j), j-1, NCONTP) CALL STABA (evar, ptot, cmoy, cvar, vmin, vmax, ctn, jorva, & NCONTP, var, NQEXAP, kidv, NCACTP, NQTOTP, NIACTP, & PIACTP¡ TEST, PNUL, LERRE, NBAND, NSAV, O, NCACT, klib, LEXCE) DEALLOCATE 1 klib) n-ILERRE .NE. O) RETUAN NISUP NITOT NIACT NISUPP = NITOTP NIACTP CALL COREL (ptot, cmoy, cvar, ctn, NCONTP, var, NQEXAP, corr, & vmoy, NCACTP, kidi, NIDI, NIACTP, NISUP" PIACTP, PNUL, TEST, LCORR, NB1\ND, NSAV, O) C DIAGONALlSATION CALL VPROP (corr, va1pr, ctn/NCACTP, Nr'..ACTP, TMC1, TEAC2, LERRE¡ C CALCUL DES CORDONEES DES INDIVIDUS REWINO NBAND CALL CORIN2 (NAXR, NCONTP, NCACTP, NQEXAP, NIDI, NITOTP, valpr, & kidi, var l cjnd, corr, ctn, DClMAX 1 NSAV, NBAND) C == CORRELATION AXES: INITIALS(axesOl), axes sousensamble (axes02) REWIND NBAND CALL OFICH 13, NGUS) CALL CORAXE (corr, ptot, cind, vmin, cvar f vmax" & NAXR, NIAC'l'P, PNUL, TEST, NBAND, NGUS) C VERIFIER LE CAS MOINS BON POTJR SAVOIR LA VAR A ELIMINER 510 CALl. CALCRI (va1pr , NAXR, corr" tcorr, 3+2*NAXR, NCACT, ICAS) IFlteorríl,ICAS) .GT. TCORMAX) THEN TCORMAX tcorr{l" lCAS} MAXVAR = lCAS ENDIF GOTO 100 C FIN GRAND BUCLE SOUSENSAMBLES ==-==,,==~=~ .•• ~=.~,==,=.=.~ 100 CONTINUE CALL SHELR (tcorr" 3+2*NAXR" NCACT" 1) nuls = o DO 560 1=1, NCACT IF (tcorr(1,í) .EQ. O) nuls nu1s + 1 560 CONTINUE C =.~=- PREPARAR PER HISTOGRAlIA ~~ ECHEL 80 .¡teri t NETOI 1. + ECHEL * ABE (teorr (l,NCACTI) NBLAN 81 NETOI e ECRl TURE RESULTATS ELlMINATION I'IRITE(IMP,891) NV, NV-1, MAXVAR, teorr(l,NCACT), (KETOI, I=l,NETOI), (KBLAN, 1=1, NBLAN) e =.= ACTUALISATION DE isons; ON CONNAIT LA VAR A ELIMlNER: MAXVAR DO 600 í 1, NCACT i sous (MAXVAR~ i) isousíNCACT+l,i} = isous(NCACT+l,i) t 1 600 CONTINUE ísans INCACT+ 1, MAXVAR) - NCACT e FIN GRAND-GRAND BUCLE REPETITIONS 50 CONTlNUE NOU BUCLE DE REMONTAR VARIABLES ====-===.===-=-=====- DO 690 i = 1, NCACT í.sous{i,i) 1 IF (ísous INCACT+l, í) .GE. NCACT) TREN isaus INCACT+l, í) NCACT - NFl ELSE isous (NCACT+ 1, i ) NCACT ENDIF 690 CONTINUE e ECRITURE AVANT BUCLE INCORPORATION ~-= li'RITE IIMP, 3000) "RITE (IMP,892) NCACT C BIS GRAND-GRANO BUCLE REPETITIONS --=~=-~-=-===-=~-== DO 700 NV NFI, NCACT TCQRMAX ~ -RMAl{ MAXVl\R = o 00 701 i 1, NCACT tcorr {l, íi O. tcorr(2,i) i tcorr {3, i } O. DO 702 j 4, 2*NAXR+3 tcorr(j,i) O~ 702 CONTINUE 701 CONTINUE NSUP ~ NCACT NV DO 710 ICAS = 1, NCACT IF (isons INCACT+l, lCAS) .GT. NSUP) GOTO 710 C ==== CHERCHER LE SOUSENSAMBLE DANS NDIC ET NDON -=~== NVARNO "'" isous (NCACT+l, lCAS) CALL SOUSDI (NDIC, NSAV, isous O, ICJ\S), NCACT, nvsta, 3, & NVARNO, O, nbmod, jorva, NVTOT, jorin t NITOT, kidm, & kvar, kmod, NXMOD, ktitr) CALL SOUSOO (NOON, NBAND, isous n, lCAS), NCACT, nvsta, 3, NV1\.RNO, var, NVTOT, kidi, NIDI 1 ktitr} C --= CENTRAGE ET REDUCT ION -- CALL ONDIC (ktitr,NVTOTP,NXMODP,NXMACP, nv.sta,NM'TOTP, NMACTP, NITOTP, NIACTP 1 PITOTP, PIACTP, I.1\NAL, 1, o/ LERRE, • NSAV) CALL ONDON (ktitr,NVTOTP,NIDI,NITOTP, TEST, 1, O,LERRE, NBAND) NQEXAP NVTOTP 1 NQTOTP nvsta (1) + nvsta (2) NCONTP nvsta (3) + nvsta (4) NCACTP nvsta (3) NF"l'OTP nvsta{5j + nvsta(6} ALLOCATE Iklib 115,NCONTP), STAT = LERRE) IF ILERRE .NE. O) THEN write IFICLOG, 9000) RETUAN ENDU' READ (NSAV) (nb, 1=1, NVTOTP+NQTOTP), (jorva (j) , NCONTP) CALL STABA (evar, ptot, cmoy, cvar, vmin, vmax, jorva, NCONTP, var, NQEXAP, kidv, NCACTP, NQTOTP, NIACTP, • PIACTP, TEST, PNUL, LERRE, NBAND¡ NSAV, 0 , NCACT, klib, LEXCE) DEALLOCATE (klíb) IF(I,ERRE .NE. O) RETURN NISUP = NITOT -NIACT NISUPP NITOTP NIACTP CALL COREL (ptot, cmoy, cvar, ctn, NCONTP, var, NQEXAP, corr, &. vmoy, NCACTP, kidi, NIDI, NIACTP, NISUP, PIACTP, PNUL, TEST, LCORR, NBAND, NSAV, O) C -== DIAGONALISATION == CALL VPROP (corr, valpr, ctn, NCACTP, NCACTP, TRAC1, TAAC2, LERRE} C CALCUL DES CORDONEES DES INDIVIDUS == REI'IIND NBAND CALL CORIN2 (NAXR, NCONTP, NCACTP, NQEXAP, NIDl, NITOTP, va1pr, kidi, var t cind, corr, ctn, DQMAX, NSAV I NBAND) e == CORRELATIoN AXES: INITIALS (axegOl), axes sousensamble (axe.s02) REWHm NBAND CALL OFICHI3, NGUS) CALL CORAXE ícorr, ptot, cind, VInin, cvar, vmax, &. NAXR, NIACTP, PNUL, TEST, NBAND, NGUS} C == VERIFIER LE CM MOINS BON POUR SAVOR LA VAR A ELIMlNER == 716 CALL CALCRI {valpr, NAXR, corr, tcorr, 3+ 2 "'NAXR¡ NCACT, lCAS) IF(tcorr 11. lCAS) .GT. TCQRMAX) THEN TCOFMAX = teorr (1, ICAS) MAXVAR leAS ENDIF e FIN GRAND BUCLE SOUSENSAMBLES ==.~==========-=~.====== 710 CONTINUE e ORDENAR ELS tcorr CALL SHELR (tcorr, 3+2 *NAXR, NCACT, 1) nuls = o DO 720 i 1, NCACT IF(tcorr (1, i) .EQ~ O) nuls = nuls + 1 720 CONTlNUE C PREPARAR PER HISTOGRAMA =~= 36 ECHEL BO./tcrit NETOl 1. + ECHEL * ABS (tcerr (1,NCACT) ) NBLAN 81 NETOI C ECRITUIlE RESULTATS INCORPORATION WRITE(lMP,891} NV-l, NV, MAXVAR, tcorr{l,NCACT), (KETOl! I=l,NETOI), {KBLAN, I=l,NBLAN) C ACTUAI,ISATION DE isous; ON CONNAIT LA VAR A ELIMINER: MAXVAR DO 740 i 1, NCACT isaus (MAXVAR, i) isous(NCACT+l,i) isous (NCACT+l, i} -1 74 O CONT INUE isous (NCACT+ 1, MAXVARí NCACT C FIN GRAND-GRAND BUCLE REPETITIONS 7 O O CONT lNUE RETURN FORMATS ===~==~~~~~~~~~~~~~~~~~~~==~====~~~~~ e 800 ,'ORMAT (!,' RECONSTRUCTION DES ' ,16,' PREMIERS AlCES', /) 801 FORMAT (/,' CR1TERE lNlTIAUX AVEC ',16,' VARIABLES: ',FI0~3,/, & • (sornrne des correlations carrees des premiers axes', & • par les valeurs propres) " 1) 802 (/,' VALEURS PROPRES DES' f 16f' I PREMIERS AXES: ',/) 803 FORMAT (/,' LISTE DES r, 16, • VARIABLES INITAUX:') C 801 FORMAT ( C 802 FORMAT (38H INITIALMENT LES CRITERES SONT, .'9.2, 18) C 803 FORMAT (31H et les valeur propres:) 804 FORMAT (23H SOUSENSEMBLES A VEC, 14, 17H VARIABLES ENTRE:) 805 FORMAT (23H SOUSENSEMBLES AVEC,I4,22H VARIABLES PARTINT DE:) 806 FORMAT (32H MEILLEUR SOUSENSEMBLES AVEC, 14, 10H VARIABLES) 807 FORMAT 5. IX ',1,' ','CORRELACIONS ENTRE ELS EIXOS ORIGlNALS ELS ., & • EIXOS RECONSTRUITS:', 1, & IX '} B10 FORMAT (50F4.0) 850 FORMAT (l5H sans la var ,F5.0,F6~2) 851 FORMAT (22H Corr entre eixos, 14, 4H , F6. 4, 6H vap: FORMAT (15H avec la var , F5.0, F6_2) 860 FORMAT (24H On va ,1iminer: , F4 .0, 9E on aurr"" F9.2, F9.2) 861 FORMAT (24H Les criteres serant!,F9.2,F9.2) 865 FORMAT (24H On va ajouter : ,F4 w O,9H on aurr ... , F9.2, F9.2) 890 FORMAT (/,' ELlMlNATION DES VARIABLES PAS A PAS JUSQUA 1,16, 1, & Step Var ~ eliminee f ,' Critere 'J 891 FORMAT (14,' ->',13,' VARS. ' , II0,F10.3,lX,81Al) 892 FORMAT (/,' lNCORPORATION DES VARIABLES PAS A PAS JUSQUA f, 16, 1; & Step Varo ajoutee', I Critere ') 900 FORMAT (1!lO/lH ,400H-)/lH ,40(lH-)/24H SOUSENSl\MBLE NOMBRE 131 lX,40{1H-I/ lX,40(lH-» 3000 FORMAT (lR1) 4000 FORMAT tlHO/35H Tableau du correlations entre axes} 9000 FORMAT ( FE & 'X f,I, t " 'ERREUR (GCOPR-90Q)' ,1, FE &' , ,'MEMOIRE INSUFHSANTE POUR ALLOUER LE TABLEAU KLIB • ,1, FE (O I J, lSUPPRlMEZ L' 'OPTION FICHIER TABLEUR {LEXCE=I)' tI, FE & 'X ') FE END SUBROUTlNE SOUSDr (NDICE, NDICS, isous, NSOUS , nvsta, ITYPE. &. NVARNO, NMODNO, nbmod, jorva, NV'l'OT, jorin, NITOT, & kidm, kvar, kmod, NX.MOD 1 ktitre) C ==~~~~ DECLARATlONS EXPLICITES ET DlMENSlONNEMENT ~~~~~~~~~~ lNTEGER NDICZ, NDONZ, NDlCA, NDONA, NDICB, NDONH, NDlC, & NDON, NGUS, NGRI. NGRO. NSAV, NB!\ND, NBFOR INTEGER LEC, lLLEC, IMP, NXCPA, NXLPA, NLIMP, NDle1, NDONl, NGUS1, NGUS2 INTEGER NDICE, NDICS, NSOUS, ITYPE, NVARNO, NMODNO, NVTOT, &. NITOT, NXMOD, NMOD, NIACT INTEGER nvsta (8), isous (NSOUS), nbmod(NVTOT), jorva (NVTOTI , & jorin(NI'I'OT) lNTEGER NVTOTE, NXMAC, NMTOTE, NMACTE, LANAL, LERRE, NVSTAE, & NVSTAS, NVTOTS, NM'l'OTS J NMACTS, NI, N2, ITETEE, ITETES INTEGER ", j, 1 CHARACTER ktitrel20) , kidm(NXMOD), kvar(15), kmod(5,NXMOD) REAL PI TOT , P IACT -::: =================""=;;;·,,,"·.,:;;;:;r;~"i·============= COMMON ImJFICI NDICZ, NDONZ, NDlCA, NDONA, NDIeB., NDONB, NOIe. NOON, NGUS, NGRI, NGRO, NSAV, NBAND, NBFOR COMMON /ENSOR/ LEC, ¡LLEC, IMP, NXCPA, NXLPA, NLIMP COMMON /NGREF/ NDICl, NDONl, NGUSl, NGUS2 C PROCEDUIlE ,,',,'~==~==~~===~~~====~~~==~~==~~==~~~=~== CALL ONDle (ktitre, NVTOTE, NXMOD, NXMAC, nvsta, NMTOTE, NMACTE, & NITOT, NIACT, PITOT¡ PlACT, LANAL, 1, 0, LERRE,NDICE) NVSTAE nvsta (ITYPE) NVSTAS nysta (ITYPE) NVARNO nvsta (ITYPE) nvstalITYPE) NVARNO NVTOTS NVTOTE - NVARNO NMTOTS NMTOTE - NMODNO NMACTS NMACTE - NMODNO CALL ONDIC (ktitre, NVTOTS, NXMOD, NXMAC, nvsta, NMTOTS, NMACT5, & NITOT, NIACT, PITOT, PIACT, LANAL, O, 0, LERRE,NDICS) NI O DO 100 i 1, ITYPE-l NI NI + nv.ta (i) 100 CONTlNUE N2 O DO 110 i ITYPE+1, 6 N2 N2 + nvsta(i) 110 CONTlNUE REAl) (NDlCE) (nbmOd(l) , 1~1, NVTOTE) , Ijorva(j), j=l, NVTOTE-1), & (jorin(I), 1~1, NITOT) j O DO 200 i l. NVSTAE IF (isous (i) .EQ. 1) THEN (Nl+j) ~ jorva(Nl+i) ENDIF 200 CONTINUE lTETEE NI + NVSTAE ITETES = NI + NVSTAS DO 210 i 1, N2 nbmod (ITETES+ i) ~ nbmod (ITETEE+ i I jorva(ITETES+i) = jorva{ITETEE+i} 210 CONTlNUE nbmod(NVTOTE-NVARNO) ~ nhmod(NVTOTE) ilRITE(NDICS) (nhmod(l), 1~1, NVTOTS), Ijorva(j), j~l, NVTO'rS-l), (;, {jorin{l), 1=1, NITOTj DO 300 i ~ 1, NI READ(NDlCE) NMOD, (kidm(l), 1=1, NMOD) , (kvar (1), l~l, & «kmod(1,j), l~l, 5), j~l, NMOD) IiRlTE:(NDICS) NMOD, (kidm(l), 1~1. NMODI. (kvar(l), 15), & «Janod 11, j), 1=1, 5), j"I, NMOD) 300 CONTlNUE DO 400 i ~ 1, NVSTAE IF (iseu. (i) .EQ. 1) TREN READ(NDICE) NMOD, (kidm(l), 1~1, NMOD), (kvar(l), 1~1, 15), & ((lanadO,j), 1~1, Si, j~l, NMOD) WRITE(NDlCS) NMOD, (kidm(I), NMOD) , (kvar(li, 1~1, 15), & «Janod(l,j), 5), j~l, NMODJ ELSE READ(NDICEJ NMOD, (kidmI1), l~I, NMOD) , Ikvar (1), 1=1, 15), & ((kmOd(l,j), 1""1, 5), j=l, NMOD) ENDIF 400 CONTlNUE DO 500 i "'" 1, N2 READ(NDICE) NMOD, (kidm(l), 1~1, NMOD). (kvar(l), l~l, 15), 10 (OanodU,j), 1=1, 5), NMOD} liRITE(NDICS) NMOD, (kidm(I), , (kv.r(I), 1~1, 15), & (Ikmod(l.j), j~l, NMOD) 500 CONTINUE RETURN END SUBROUTlNE SOUSDO {NOONE, NOONS, iaoue, NSOUS, nvsta, ITYPE~ NVARNO, var, NV1'OT, kidi, NIDI, ktitre) C ~~~~ DECLARATIONS EXPLICITES ET DIMENSIONNEMENT ====~~~~~~~ INTEGER NDICZ, NDONZ, NDlCA, NOONA, NOIeB 1 NOONB, NDIC, & NDON, NGUS, NGRI, NGRO, NSAV¡ NBAND, NBFOR INTEGER LEC, ILLEC, lMP, NXCPA, NXLPA, NLIMP, NDICl, NDONl, & NGUSl, NGUS2 INTEGER NDONE, NDONS, NSOUS, ITYPE, NVARNO, NVTOT, NIDI INTEGER isous íNSOUS), nvsta(8) t kidi (NIDI} INTEGE.R LERRE, NITOT, NVTOTS,NI, N2, ITETEE, ITETES INTEGER i, ii, j, 1 CHARACTER ktitre (20) REAL var (NVTOT-l) REAL TEST, POIDS COMMON /NUFlC/ NDICZ, NDONZ, NDICA, NDONA, NDICB, NDONB, NDle, (O NDON, NGUS 1 NGRI, NGRO , NSAV, NBAND, NBFOR COMMON IENSOR/ LEC, ILLEC, IMP, NXCPA, NXLPA, NLIMP COMMON /NGREFI NDIC1, NDON1, NGUSl, NGUS2 C PROCEDURE ~=~"~=,~=~~,=~"~=,~~~~,=~=,~~~==~,~=,==~~,~=,~=~~,~ CALL ONDON (ktitre,NVTOT,NIDI,NITOT, TEST, 1, O, LERRE, NDONE) IF (LERRE .NE. O) GOTO 500 NVTOTS NVTOT NVARNO 37 Annex3. Resultats de la inserció per a 3.7 Annex3.1 Subconjunt minim de variables comunes (MIV AR) RECONSTRUCTION DES 1 PREMIERS AXES CRITERE INITIAUX AVEC :3 VARIABLES: UXJ7 (sornme des correlations carraes des premien; axes ponderees par les valeurs propres) VAlEURS PROPRES DES 1 PREMIERS AXES: 2.0074744 LISTE DES :3 VARIABLES INITAUX: 1:C1 j1 2:C2 j2 :3:C:3 j3 ElIMINATION DES VARIABLES PAS A PAS JUSQUA Step VSI:. eliminee Crtt ...... 3 -> 2 VARS. 3 1.923 _ ... •• _"._.u __ .... -. _._ ........... _. ---- •• _**_ _ ........... .. .. _. -------- .... _2 -> 1 VARS. 1 0.965 un.... u ........ u .... INCORPORATION DES VARIABLES PAS A PAS JUSQUA 3 Step V •. ajootee Critere 1-> 2VARS. 2 1.931 _ .......... _u _________________ _ 2 -> 3 VARS. 1 2.007 ........................... u ...... u ............ .. Annex3.2 Estadístiques descriptives de les variables continues comunes STATISTIQUES SOMMI\IRES DES VARIABLES CONTINUES EFFECTlF TOTAL : 80 poros TOTAL 80.00 + ------ --- --- - --- - - ------- ---- ----- - -- - - ---------- --- - -- + - - - - ----------- -- - - -- - + - - -- ---- -- ----- - - -- -- - + I NUM • lOEN - LIBELLE EFFECTIF POIDS MOYENNE ECART-TYPE I MINIMUM Ml\XlMUM + ---- ------ ---- ----------- -- ------ -- ---------- ---- ------+ ----- -- ------ ---- ---- -+-- ---- -- --- -- --- -~ - ---+ 1 • Cl jI 80 80.00 0.00 3.50 ~7.38 7.39 2 • C2 j2 80 80.00 0.00 3.42 -7.27 7.68 3 • C3 j3 80 80.00 0.00 0.01 -0.02 0.03 +- ---- ------ -- - -- - -- -- ----~-- -- - - -- ---- -- ---- -- --- - -- ---+ -- ----- ---- --- -- ------ +- ------ -- ---------- ---+ STATISTIQUES S(HffilRES DES VARIABLES CONTlNUES EFFECTIF TOTAl, : 50 POTDS TOTAL 50.00 +-------------------------------------------------------+----------------------+-----~----------------+ I NllM . IDEN LIBELLE E,'FECTIF POlOS I MOYENNE ECART-TYPE I MlNlMUM Ml\XIMUM + -- - - - - - -- --- - - --- - ---- ------ - - -- ------- -- ---- - --- - --- --+ -- -~-- ---- - - - - --- -----+ --- ----- ----- -- - ---- --+ 1 • el - jI 50 50.00 2.05 2.86 -3.73 7.53 2 • C2 - j2 50 50.00 -0.08 3.14 -6.20 5.66 3 . e3 - j3 50 50.00 0.00 0.01 -0.02 0.03 + ---- -- - --- -------- --- -------- --- ----- - - ------ -- -- ---- -- + ---- ---- -------- --- ---+ ---- -- -------- ---- - - --+ Annex3.3 Test de correlacions TABLEAU DU DIFFERENCES DE CORRELATIONS C1 C2 e3 -----+ - --------- ----- ---- -- C1 I 0.00 C2 I 0.05 0.00 C3 I -0.18 0.19 0.00 --~--+--------------------- Cl C2 C3 TABLEAU VTEST POUR L8S CORRELATIONS el C2 C3 -----+--------------------- el 0.00 C2 2.51 0.00 C3 -1.00 1.02 0.00 -----+--------------------- el C2 C3 44 ---------------------------------------------------------------------------+ VALEURS-TEST DES MATRICES DES CORRELATIONS -------------------------------------------~-------------------------------+ VARIABLE 1 VARIABLE 2 corrl corr2 dif_corr v_test prob -- ------------ ------ -- --- ----- -- --- -- --- - --- ---- - ---- --- ----- ----------- ---+ 2. e2 l. el -0.91 -0.96 0.05 2.51 0.011 ._----------------------------------------------------~-------~-------------+ 3. C3 1. Cl -0.05 0.14 -0.18 -1.00 0.841 --- ---- -- - --- -- -- --- ------- -- -- ---- - ---- --- - -- - -- - -- ------ ------ -----------+ 3. e3 2. C2 0.03 -0.16 0.19 1.02 0.151 -----------------------------------------------~---------------------------+ AnneIJ.4 Coordenades de les variables contínues puntuals COORDONNEES DES VARIABLES SUR LES AXES 1 A 3 VARIABLES ACTIVES ------------------------+------------------------------------+ ---- ---- - --- -- - -- -- ---- -- -- --- -+---- - --------- ------- - ----- --- V1\RIABLES eOOROONNEES 1 CORRELATIONS VARIABLE-liACTEUR 1 l\NCIENS MES UNITAIRES ------------------------+------------~-----------------------+-------------------------------+-----------------------~------ IDEN LIBELLE CQURT 1 2 o o 1 2 o o 2 o -- ---- -- -- - --- ----- ---+ ------ --- ----- -- - ---- -------- --- - -----+- -- ---~- -- ------- ------- - -- - -- -+-- ---- ----- --- --- --- - --~--- --- el jI 0.96 -0.30 -0.06 0.00 0.00 1 0.96 -0.30 -0.06 0.00 0.00 1 0.00 0.00 0.00 0.00 0.00 C2 - j2 -0.97 0.27 0.47 0.00 0.00 1 -0.97 0.27 0.47 0.00 0.00 1 0.00 0.00 0.00 0.00 0.00 C3 - j3 0.12 0.97 0.03 0.00 0.00 1 0.12 0.97 0.03 0.00 0.00 I 0.00 0.00 0.00 0.00 0.00 ------------------------+------------------------------------+-------------------------------+-~---------------------------- AnneIJ.5 Coordenades deis individus puntuals OORDOONNEES, CONTRIBUTIONS ET eOSINUS CARRES DES INDIVIDUS SUR LES AXES 1 A 3 - - -- ------- - -- - ---- --- - -- -- -- -- ---- -- - - t ------ -- -- - -- ---- - - -- ----------+ -- --- --- - --- -- ---- --- - ----+-- --- - --- ---- --- - -- ------- INDIVIDUS 1 eOORDONNEES 1 CONTRIBUTIONS COSlNUS CARRES - - --------------- - ---- --- -- -- --------- -+ --- --- -- --- -- ---- -- - - ---- ---- --+-------- -- - - - - - ----- ------+-- -- --- ---- --- - -----~----- IDENTIFICATEUR P.REL DISTO I 1 2 3 o o 2 3 o 2 o -----------------------~---------------+-------------------------------+--------------------------+-------------------------- 01 2.00 5.39 I -2.06 -0.98 0.43 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 02 2.00 1.07 1 -0.91 -0.28 0.41 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.000.00 0.00 0.00 0.00 03 2.00 0.61 1 -0.40 -0.67 0.00 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.000.000.00 0.00 0.00 04 2.00 2.16 -1.23 -0.43 0.68 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.000.00 0.000.000.00 os 2.00 2.39 0.89 1.15 0.52 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.00 0.000.00 0.00 0.00 48 2.00 1.17 0.85 0.35 0.58 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 49 2.00 2.03 -0.97 -0.29 1.01 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 50 2.00 8.59 1.93 -2.19 -0.25 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.00 0.00 0.00 0.00 0.00 ---------------------------------------+-----------------------------~-+--------------------------+-------------------------- AnneIJ.6 Coordenades de I'individu "centre de gravetat" COORDOONNEES El' VALEURS-TEST DU CENTRE GRAVIT, E SUR LES MES 1 A 3 +--------+-------------------------------+-----------------------------------+--------+ I 1 VALEURS-TEST 1 eOORDONNEES 1 DISTO I 1--------1-------------------------------1-----------------------------------1--------4 I 1123 o 01123 o o 1 + -- -~-- --+ ---- --- - -- - ---- ---- - ---------- -+- -------- - --- ----- -- - -- -------- ----+--------+ I Centre 1 2.7 -2.1 2.8 0.0 0.0 0.38 -0.30 0.39 0.00 0.00 I 0.38 +-- -- --- -+- -~ ------_._---~--- -- ------- - ---+---~----- -- -~-- ---- -- .. _- - -~-~- ------ ~ +--- -- -- ,._+ Annex3.7 Coordenades de la variable categorica eOORDONNEES ET VALEURS-TEST DES MODALITES AXES lA 3 +------------------------------------------+-------------------------------+------------------------------------+----------+ MODALITES 1 VALEURS-TEST 1 COORDONNEES 1 1 -------------- --------------------- ------ 1--------------------- - --------- 1------ ----------------- ------------- 1---------- I IDEN -LIBELLE ErF. P.ABS 1 1 2 3 o o 1 1 2 3 o o 1 DISTO. 1 + --- -------- --- - -- - -- - - ------- - ---- --- ---- -+ - -- ---------- - -- --- - --- - -- -----+---- -- ---- - ------- - ---- --- --- - ------+ ----~ --- -- I 4 • M I AA 1 2~1 23 23.00 -1.9 -1.1 9.7 0.0 0.0 1 -0.40 -0.17 0.45 0.00 0.00 1 0.39 1 AA=2 - 2~2 27 27.00 I 5.7 -3.1 8.6 0.0 0.0 1 1.04 -0.41 0.34 0.00 0.00 I 1.37 I --- ----- ~ -- - ---- - ---- ----------- ----~- -- ---+ - ------------- - -- ---- ~ ------ - --+- ---- - ----- -- ---- - ----- - ---------- - -+ -- - - ----- -+ 45 •• Annex4. Resultats de la inserció per a 4 Annex4.1 Subconjunt mínim de variables comunes (M1VAR) RECONSTRUCTION DES 2 PREMIERS AXES CRITERE INITIAUX AVEC 36 VARIABLES: 11.569 (somme des comIIatiCllS caaees des premiers axes ponderees par les valeurs propres) VALEURS PROPRES DES 2 PREMIERS AXES: 7.3740115 4.2153749 LISTE DES 36 VARIABLES INITAUX: 1:C18 1111 2:C19 tll2 3:C20 t113 35:C64 <:315 36:C65 <:316 ELlMINATION DES VARIABLES PAS A PAS JUSaUA 12 Step V8f. eliminee Critere 36 -> 35 VARS, 35 -> 34 VARS. 34-> 33VARS. 33-> 32VARS. 32 -> 31 VARS. 31 ~> 30 VARS, 30 -> 29VARS. 29 -> 28 VARS. 28 -> 27 VARS, 27 -> 26 VARS, 26--> 25VARS. 25-> 24VARS. 24..:> 23VARS. 23--> 22VARS. 22->21 VARS. 21..:> 2OVARS. 20-> 19VARS. 19 --> 18 VARS. 18..:> 17 VARS, 17 -> 16 VARS. 16 -> 15 VARS. 15..:> 14 VARS. 14 -> 13 VAR5. 13..:> 12 VARS. 13 .. > 14 VARS, 14 ~> 15 VARS, 15-> 16VARS. 16..:> 17 VARS. 17·> 18VARS. 18-> 19VARS. 19 --> 20VARS. 20 -> 21 VARS. 21 ~> 22 VARS. 22 -> 23 VARS. 23 -> 24 VARS. 24 -> 25 VARS. 25 -> 26 VARS. 26 -> 27 VARS, 27 -> 28 VARS. 28 -> 29 VARS. 29 -> 30 VARS. 30·> 31 VARS. 31 -> 32VARS. 32 -> 33 VARS. 33.> 34 VARS. 34 -> 35 VARS. 35-> 36VARS. 32 11.588 •• ... •• ...... .. ~ ~.~ ~ ~~~.~.ft._._~._ ~ ~'~."~".~'~."~ ~'~' __ ."~".H'~""~'H.'~'_ ~'H'_' 'H'~'~'H'~ ~ 13 11.583 ~'_ •• ~"~'H' ~".H'H' ~ ...... _------------------ 7 11.516·~"·u.".",u."", u._ ..................... u .................. . 31 11.565 "'''H'''''''' Al '1 u.uuuuu .u 8 11.552 "HU."'."""""".".. .. ...... ALU u ...... . 33 11.536 uu._u"'" Aa.. .. H ........ .. 19 11.521 & .. u .. .u""u ........ "'. 25 11.503 ... .. 1 11.482 H •• ~ •• ... •• ~. __________ ... ~ •• ft ~ •• _____ _ ~'H ~ ..... -. ~u~._. 2 11.453 ............. 1M ....................................... "' •• "'''' ................... _-"''''.''' 26 11.418"'· ..... • ....... , u ..... "" ...... n ... 'u ....... u .... """'.,. ..... I 35 11.379· u , uu , U. HU, ......... , .. u, ..... " .... u ...... , .. ,u,u ...... AA U HUU 34 11.339 AL A" .'U..... U.U .... AA.UU ..... u •• 14 11,294-' .... •••• • .. u ................................. u .. .. 3 11.242' ............... - .................. • ............... .. 20 11.185 .. HU". u, .., .......... '" 9 11.110 .. .... _." •• ... • .... ~'~ H.~.~ .. ü_U ..... ~ •• ...... HU¡_ 5 11.029 .... ~.~.H ~ ... ~~ ~.~.,,~ ... ..... ~~~ H.~ ... •• _'~'_''''H' ~.~.H.U~._ ~ •• 11 10.938 "'''' ..................................... _•••"................ • ..... ""......."••••••• 12 10,631 _. u. • •• • • u ... u. 36 10.724 ........... uuo • ..u.u .... ""'''"'uu .. " ..... . 10 10,611 ...... " ... ..,,1 •• • "'" uu ..... ,.. •• 4 10.484 .............. " • .. .... "' •..". 21 10.302 •• ~**~'H •• INCORPORATION DES VARIABLES PAS A PAS JUSQUA 36 Step varo ajout.... Cntere 12 -> 13 VARS, 21 10,484 __ .~ ..... ,,_.~ •• ft ....... ~ •• _ •• ~. ___ ........ ~ ......... ~ ......... ~._.~.J¡ ...... ~ ..... ~." .. " .... ~" ... "' J¡ ... . ...... 4 10.611 .. u~, ___ ........ ~ •• _ ... ,U ..... ., ... _. ______ __ H.~ ......... ~".~" .... ~ •• _ •• 10 10.724 -•• ------------.--- ......... "' ............. - ........... _. 36 10.831 H ... -.------------------ 12 10.938 .............. --------------------- 11 11.029 ." .... .".., ......... " .. "..... , ................. .. 5 11.110' ................ ..." .. "' ........... u. 9 11.185 .. i' ".u.u". •......u................ 20 11.242 .u.............. .. "'."""U""""u" • 3 11.294 ........ "'..... ••••• • •••••••••••"'........ .,.:t ...•.. "' .• " ••••• 14 11.339 ........ . 34 11.379 ................... _ ••• 35 11,418 un. .u u ............ .., ...... u ..... u .. . 26 11.453 •• .. ...... u. • ................... uuu 2 11.482 ,.. .. u.u u_"u.... • ................ . 1 11.503 •••• •••• "........... •• "." .......... "'.. • ••• • •• 25 11.521 "u .. '" • .. ..... u...... • .... uuu ..... u .... 19 11.5J6, "111· ........... 111" ...................... ".111 ••" .............. '" ... ",A 33 11,552 ...................................."'..... .. ....... ","'''' ••,•• lA •••• a 11.$5 .... u....... . AA' ... _u._ ......... , .. , ................. '*. , 31 11.576 •••••••••••••••••• "'."' •• "' •••••_ •••• "' ........... ,,"' ••••• "'''' •••••••"........ , .. "••••••• 7 11.583 .. u ..... u .. u .. .. 13 11.588 ..._ ... u.. • • • ••• u" • ** ..... "',.. ................. .. 32 11.569 .............. .. ................... . 46 Annex4.2 Estadístiques descriptives de les variables contínues comunes STATISTIQUES SOMMAIRES DES VARIABLES eONTlNUES EFFECTIF TOTAL: 380 POIDS TOTAL 380.00 +- ------- - ---- - - - - ---- ------- -- ------------- -- ----- ---- -+----------- ----~-- -- --+----------------------+ 1 NUM • IDEN - LIBELLE EFFECTIF POIDS MOYENNE ECART-TYPE 1 MINIMOM MAXlMOM +-------------------------------------------------------+----------------------+----------------------+ 22 e23 - t1l6 380 380.00 3.69 .23 1.00 5.00 31 C32 - a313 380 380.00 4. S8 1.00 1. 00 5.00 32 C33 - a314 380 380.00 4.18 1.28 1. 00 5.00 33 C34 - a315 380 380.00 4.02 1.28 1.00 5.00 34 05 - a316 380 380.00 3.47 1.21 1.00 5.00 38 C39 - tS14 380 380.00 3.97 1.40 1.00 5.00 39 C40 - t515 360 380.00 4.02 1.30 1.00 5.00 40 C41 - t516 360 380.00 3.42 1.27 1. 00 5.00 55 C56 - v313 380 380.00 4.47 1.17 1.00 5.00 56 C57 - v314 380 380.00 3.61 1.67 LOO 5.00 57 e5B - v315 380 380.00 4.18 1.23 1.00 5.00 SS C59 - v316 360 380.00 3.65 1.37 1.00 5.00 +----------------- -- ------- ---------------------------- -+ ~- ----- - -- --- -- -------+- ---- ---- -- -----------+ b2STATlSTIQUES SOMMAlRES DES VARIABLES CONTINUES EEFFECTIF TOTAL : 637 POlDS TOTAL 837.00 +----- - ---- -------------~---------- --- - --- -------- ------+ -------- ----------- ---+--- ---- --- -- -- -- ----- -+ 1 NUM . IDEN - LIBELLE EFFECTIF POIDS MOYENNE ECART-TYFE I MINIMUM MAXlMUM + ------ -------- ---- ------------- -- - -- ---- - --- --- -- ~- ----+----------------- ---- -+- ----------- ----------+ 1 21 e22 - t1l6 837 637.00 3.61 1.13 1. 00 5.00 1 30 C31 - a313 837 837.00 4.65 0.86 LOO 5.00 1 31 C32 - a314 837 837.00 4.02 1.36 1.00 5.00 1 32 C33 - a315 837 837.00 4.17 L16 LOO 5.00 1 33 C34 - a316 837 837.00 3.42 1.14 1. 00 5.00 1 37 C38 - t514 837 837.00 4.25 1.19 1.00 5.00 I 38 C39 - t515 837 837.00 4.15 1.17 1. 00 5.00 1 39 C40 - t516 837 837.00 3.57 1.09 1.00 5.00 I 54 C55 - v313 837 837.00 4.47 1.18 1. 00 5.00 I 55 C56 - v314 837 837.00 3.62 1. 68 1.00 5.00 I 56 e57 - v315 837 837.00 4.24 1.22 1.00 5~ 00 I 57 e58 - v316 837 837.00 1 3.74 1.37 1.00 5.00 1-------------------------------------------------------1 1 250 C251 - suavitzans abans 837 837.00 266.66 461. 00 -1.00 5832.00 I 251 C252 - flor abane 837 837.00 38.05 174.55 -1.00 1963.00 I 252 C253 - suavitzants durant 837 837.00 264.00 425.21 -1. 00 5037.00 I 253 C254 - flor durant 837 637.00 39.44 160.37 -1.00 1380.00 I 254 C255 - caldos abana 837 837.00 78.00 214.25 -1.00 3600.00 I 255 C256 - starlux abans 837 837.00 23.29 118.03 -1. 00 1729.00 1 256 C257 - caldos durant 837 837.00 101. 61 191.63 -LOO 1683.00 1 257 C258 - starlux dcrant 637 S37.00 34.04 114.36 -1.00 953.00 i +- -- - -~----- ~ -- - - --- ~ -- - -- - - -- - - -- --~- --- - - -- - -- - - -- - - --+ - --- - -- --~-- ~-- -~-- -- -+ -- ----- -- - - -- --- ---- --+ Annex4.3 Correlacions entre els eixos eORRELATIONS ENTRE AXES DU NGUS E T NGUS 1 Axes du NGUS 1 0.91 -0.36 -0.13 -0.01 -0.02 0.09 0.09 -0.07 -0.07 -0.03 0.36 0.92 0.07 0.03 -0.01 -0.01 -0.06 -0.06 0.04 0.05 0.05 -0.06 0.14 0.33 0.59 -0.56 -o .21 -0.31 -0.09 -0.20 -0.09 0.03 -0.63 0.12 -0.27 -0.04 -0.28 -0.30 0.16 -0.20 -0.03 0.07 -0.38 -o .61 0.17 -0.32 0.15 -0.06 -0.44 0.05 0.00 0.04 -0.20 -0.06 0.69 0.35 0.09 0.41 0.22 0.00 0.02 0.06 -0.34 0.04 -0.07 -0.45 0.47 0.25 0.48 -0.04 0.05 -0.02 0.24 0.08 -0.20 -0.41 0.10 0.40 -0.24 0.33 0.06 -0.09 -0.04 0.35 -0.02 -o .14 0.00 0.02 0.30 0.31 0.03 0.02 -0.37 0.25 0.00 -0.01 -0.53 0.48 -0.31 0.19 Annex4.4 Coordenades de les variables contínues puntuals COORDCNNEES DES VARIABLES SUR l.ES AXES 1 A 2 VARIABLES ACTIVES - ----- ------- -- - ------- --* ---- -------- - -- ---- --- ---- -------- --+---- --- -- - - -- ---- --- -- - ~ -- - --- -+ -- -- - - - ------- - -- - -- - - -- - - ---- VARIABLES COORDoNNEES CORRELATIONS Vl\RIABLEFACTEUR A.'lCIENS AXES UNITA=RES IDEN LIBELLE COURT o O o ---- --- -- ---- ---- -- -- ----+-- ---- ----------- ------- ---- ------- -+-- -- --- ---------- -- -------- - ---+--- - --- -------- --- ------ --- --- C22 t1l6 0.30 -0.13 0.00 0.00 0.00 0.26 ~0.1l 0.00 0.00 0.00 , 0.00 0.00 0.00 0.00 0.00 C31 a313 0.23 -0.25 0.00 0.00 0.00 0.26 -0.29 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 C32 a314 0.62 -0.52 0.00 0.00 0.00 0.46 -0.39 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 C33 a315 0.45 -0.59 0.00 0.00 0.00 0.39 -0.51 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 C34 a316 0.48 -0.47 0.00 0.00 0.00 0.42 -0.42 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 e38 t514 0.48 -0.42 0.00 0.00 0.00 0.40 -0.36 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 C39 t515 0.35 -0.60 0.00 0.00 0.00 0.30 -0.51 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 C40 t516 0.44 -0.39 0.00 0.00 0.00 0.41 -0.36 0.00 0.00 0.00 I 0.00 0.00 0.00 0.00 0.00 ess v313 -0.45 -0.52 0.00 0.00 0.00 -0.38 ~0.44 0.00 0.00 0.00 ! 0.00 0.00 0.00 0.00 0.00 e56 v314 -1.22 -1.00 0.00 0.00 0.00 -0.73 ~O.60 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 es? v315 -0.59 -0.60 0.00 0.00 0.00 -0.48 -0.49 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 csa v316 -0.91 -0.58 0.00 0.00 0.00 -0.66 -0.42 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 -- ----- ------ --- - ------ --+-- ---- --- -------- ------- -------- - - --+-- --- - ---------- - -- ------- -- ---+ --- -------- ------ - ---- -------- 47 VARIABLES ILLUSTRATIVES ----- -- ------ ---------- --- - -+-- --- - ------ -- --- ------ --- - - -- - - -- - - +- - -- - - -------- - - - -- - ------ --- ~ ~+ VARIABLES COORDONNEES 1 CORRELATIONS VARIABLE-FACTEt~ 1 -- --- ---------- ----- ------ --+------ --- - -- - - ----- ---- - - --- - --- ---- +- - -- - --- - - -- - - --- -- - - -- --------+ DEN - LIBELLE COURT 1 2 O O O 1 2 O O O ----------------------------+------------------------------------+-------------------------------+ C251 suavitzans abana -45.00 6.22 0.00 0.00 0.00 -0.10 0.01 0.00 0.00 0.00 C252 - flor abana -4.39 0.50 0.00 0.00 0.00 -0.03 0.00 0.00 0.00 O.CO c253 - suavi tzants durant -7.23 25.54 0.00 0.00 0.00 -0.02 0.06 0.00 O .CO 0.00 C254 - flor durant -3.B8 -4.47 0.00 C.OO 0.00 -0.02 -0.03 0.00 0.00 0.00 , C255 - caldos abans -14.81 -1. 75 0.00 0.00 0.00 -0.07 -0.01 0.00 0.00 0.00 C256 - st:arlux abane -14.74 -6.20 0.00 0.00 0.00 -0.12 -0.05 0.00 0.00 0.00 ! C257 - caldos durant -21.16 -2.87 0.00 0.00 0.00 -O .11 -0.01 0.00 0.00 0.00 C258 - starlux durant -17.66 -12.38 0.00 o. CO 0.00 -C.ló -0.11 0.00 0.00 0.00 -------~----~~----------~---+------------------------------------+-------------------------------+ Annex4.5 Coordenades de I'individu "centre de gravetat" COORDOONNEES ET Vl\LEURS-TESl' DU CENTRE GRAVIT. E SUR LES AXES 1 A +------- -+ ---- --------- -- ---------- - ---- -+ - ---- ---- ---- --- ---- -- ------- -- -- -- + - --- ---- + 1 1 VALEURS-TEST COORDONNEES DISTO 1 1--------1 1-----------------------------------1--------+ 1 1 2 112 o o 01 + --- -- - - -+ - - - --- -- - -- - --- -- -- - -- ---- ---- -+ --- -- ---- ------ - ---- - - -_ ... --- -- - --- -+ ------ --+ 1 Centre 1 2.2 -6.0 0.0 0.0 0.0 0.07 -0.21 0.00 0.00 0.00 1 0.19 +--------+-------------------------------+-----------------------------------+--------+ Annex4.6 Coordenades de les variables categoriques COORDONNEES ET VALEURS-TEST DES MODALITES AXES lA 2 -- ----- - -------- ------------------ ----------+ ---- --- ---- - --- - -- - --- -- ---- - --+- ---- ------ --- -------- ---------- ~-- - +--- -- -- - --+ MODALITES 1 VALEURS-TEST 1 COORDONNEES 1 -------------------------------------------1-------------------------------1------------------------------------ DEN - LIBELLE EFF. P.ABS 1 1 2 o o 1 1 2 o o I DISTO. --- -- --------- ---- ------- -- ----- ----- -- -- - -+ -- - ---------- ---- -- ----- - ------+ - -- - -----~~~-- -- ---- ----- -- --- - ----- + ---- - -----+ 6 . aspirador 1 C7~1 498 498.00 5.2 -3.6 0.0 0.0 0.0 1 0.31 -0.19 0.00 0.00 0.00 1 0.26 I C7~2 339 339.00 -3.1 -3.0 0.0 0.0 0.0 1 -0.2B -0.23 0.00 0.00 0.00 1 0.33 1 --- ----- ---- - - - - ---- - - -- - -- - - -- - - -- ----- -- - + --- -- - - -- - - -- - - --------- - - -- -- -+ ------ ---- - -- --- ---- -- ---------- -- --+ - - -- - - -- --+ 10 automobil - Cll~l 171 171. 00 o. "7 -2.0 0.0 o. O 0.0 0.10 -0.25 0.00 0.00 0.00 0.29 - Cll~2 519 519.00 -1.0 -4.6 0.0 0.0 0.0 -0.06 -0.23 0.00 0.00 0.00 0.24 - Cll~3 131 131. 00 3.3 -0.4 0.0 0.0 0.0 0.56 -0.07 0.00 0.00 0.00 0.46 C11~4 16 16.00 0.4 -0.7 0.0 0.0 0.0 0.23 -0.33 0.00 0.00 0.00 0.77 --- ----- - - -- - - -- ---- --- - - -- - ---- -- - - -- ---- --+ ---- ---- -- ------------- ------- -+ - -- - --- -- ---- ---- --- ---- ------ ------+ ----------+ 48 Bibliografia Inserció de dades d'enquesta, Tesi Doctoral de Roser Rius, Barcelona 1998. Introducción al análisis factorial, de M. Cuesta i F.J. Herrero, www.uniovi.es. Análisis de Componentes Principales, de E. Barrull, 1992, www.biopsychology.org. Resum seminari "Enquetes de référence, greffe d'enqmStes et fusion entre fichiers d'enquetes" per J.P. Pages, J.M. Gautier i A. Iliakopoulos, 1991, www.inded.fr. Introduction to Fortran 90, The parallel computer center, www.pcc.qub.ac.uk. Migrating to Fortran 90, James F. Kerrigan, web.mse.uiuc.edu. 49