Multivariate Analysis with R

Apprendre la manipulation, la visualisation et l’analyse de données avec le tidyverse en R. | Learn data manipulation, visualization, and analysis with the tidyverse in R.

Published

March 31, 2025

Image credits: Maxim Berg at Unsplash

[FR]

Session suivante

  • Dates : lundi 14 et mardi 15 avril 2025
  • Lieu : Ifremer - Sète, en salle Mont Saint Clair
  • Inscription : Remplir le formulaire
  • Intervenants : Monique Simier, IRD, UMR MARBEC, DEN
  • Langue : Français

Objectifs

  • Apprendre à identifier les questions statistiques relevant du domaine de l’analyse multivariée.

  • Savoir choisir une méthode en fonction de la nature des données et des questions posées.

  • Connaitre les principaux packages R permettant de réaliser des analyses multivariées.

  • Savoir mettre en pratique les analyses factorielles à un tableau de données (ACP, AFC, ACM) et à deux tableaux de données (Analyses Inter/Intra‐classes, Analyse Discriminante, Analyses sur Variables Instrumentales, Analyse de Co‐inertie) et interpréter les résultats.

  • Savoir mettre en pratique les méthodes de classification automatique (CAH, partitionnement) et interpréter les résultats.

  • Avoir un aperçu général des méthodes d’analyses multi‐tableaux.

Programme détaillé

1. Introduction

  • Contexte et objectifs de l’analyse multivariée
  • Ordination ou classification ?
  • Ordination basée sur les distances ou sur les valeurs propres (analyses factorielles)
  • Les packages R spécialisés : ade4 et FactoMineR

2. Analyses factorielles à un tableau de données, avec les packages ade4 et FactoMineR

  • Analyse en Composantes Principales (ACP) : plusieurs variables quantitatives

  • Analyse Factorielle des Correspondances (AFC) : deux variables qualitatives

  • Analyse des Correspondances Multiples (ACM) : plusieurs variables qualitatives

3. Classification Automatique

  • Classification Ascendante Hiérarchique (CAH) avec la fonction hclust

  • Partitionnement avec la fonction kmeans

4. Méthodes de couplage de tableaux avec le package ade4

  • Analyses Inter et Intra‐classes

  • Analyse Discriminante

  • Analyses sur variables Instrumentales (ACPVI ou RDA, AFCVI ou CCA)

  • Analyse de Co‐inertie

5. Aperçu des méthodes d’analyse multi‐tableaux

  • Analyse Triadique Partielle

  • STATIS

  • Analyse Factorielle Multiple

Pré‐requis

  • Connaitre les bases du langage R, savoir lire un tableau de données et réaliser des statistiques et graphiques élémentaires avec R (le module R débutant peut suffire).

  • Avoir un ordinateur équipé de R, RStudio et avoir installé les librairies ade4 et FactoMineR.

[EN]

Next session

  • Dates: Monday 14 and Tuesday 15 April 2025
  • Location: Ifremer - Sète, in the Mont Saint Clair room
  • Registration: Fill in the form
  • Instructor : Monique Simier, IRD, UMR MARBEC, DEN
  • Language: French

Objectives

  • Learn to identify statistical issues in multivariate analysis.

  • Know how to choose a method according to the nature of the data and the questions asked.

  • Know the main R packages for multivariate analysis.

  • Apply factorial analyses to one data table (PCA, CFA, MCA) and to two data tables (Inter/Intra-Class Analysis, Discriminant Analysis, Instrumental Variable Analysis, Co-inertia Analysis) and interpret the results.

  • Know how to apply automatic classification methods (AHC, partitioning) and interpret results.

  • Gain a general overview of multi-table analysis methods.

Detailed program

1 Introduction

  • Context and objectives of multivariate analysis
  • Ordination or classification?
  • Ordination based on distances or eigenvalues (factorial analysis)
  • Specialized R packages: ade4 and FactoMineR

2. Factor analysis of a data table, with the ade4 and FactoMineR packages

  • Principal Component Analysis (PCA): several quantitative variables

  • Correspondence Factorial Analysis (CFA): two qualitative variables

  • Multiple Correspondence Analysis (MCA): several categorical variables

3. Automatic classification

  • Hierarchical Ascending Classification (HAC) with the hclust function

  • Partitioning with the kmeans function

4. Table linking methods with the ade4 package

  • Inter- and intra-class analysis

  • Discriminant analysis

  • Instrumental variable analysis (ACPVI or RDA, AFCVI or CCA)

  • Co-inertia analysis

5. Overview of multi-table analysis methods

  • Partial Triadic Analysis

  • STATIS

  • Multiple Factor Analysis

Prerequisites

  • Knowledge of the basics of the R language, ability to read a data table and produce elementary statistics and graphs with R (the beginner’s R module may suffice).

  • You must have a computer running R, RStudio and have installed the ade4 and FactoMineR libraries.