The implementation of Principal Component Analysis(PCA) in R studio and ...

Commentaires

Enregistrer un commentaire

Posts les plus consultés de ce blog

Économétrie des données de panel: de la théorie à la pratique

Image
L'économétrie des données de panel à la différence du modèle linéaire simple présente une double dimension: la dimension temporelle et la dimension individuelle.Par exemple on observe des variables macroéconomiques (PIB, inflation, taux de chômage, dépenses publiques de consommation,...) sur les pays d'une zone monétaire données (Euro) sur une période donnée (2000-2020). Dans cet exemple la dimension temporelle c'est l'année et la dimension individuelle est matérialisée par le pays. L'image ci-après illustre bien la configuration que doivent avoir les données de panel avant estimation. C'est un panel de 4 pays (Individus) sur la période 2000-2005 avec comme variables: les exportations, les Investissement Directs Étrangers (IDE), le Produit Intérieur Brute (PIB), l'ouverture commerciale, l'inflation, le capital humain, l'indice de corruption et le taux de change. L’économétrie des données de panel présente la modélisation  en partant de la structure d...
Lire la suite

Optimisez vos données avec l'ACP avant le clustering K-means !

Image
  𝓒𝓾𝓻𝓲𝓮𝓾𝔁 𝓭𝓮 𝓼𝓪𝓿𝓸𝓲𝓻 𝓬𝓸𝓶𝓶𝓮𝓷𝓽 𝓵 ' 𝓐𝓷𝓪𝓵𝔂𝓼𝓮 𝓮𝓷 𝓒𝓸𝓶𝓹𝓸𝓼𝓪𝓷𝓽𝓮𝓼 𝓟𝓻𝓲𝓷𝓬𝓲𝓹𝓪𝓵𝓮𝓼 ( 𝓐𝓒𝓟 ) 𝓹𝓮𝓾𝓽 𝓸𝓹𝓽𝓲𝓶𝓲𝓼𝓮𝓻 𝓿𝓸𝓼 𝓭𝓸𝓷𝓷 é 𝓮𝓼 𝓪𝓿𝓪𝓷𝓽 𝓭𝓮 𝓹𝓵𝓸𝓷𝓰𝓮𝓻 𝓭𝓪𝓷𝓼 𝓵𝓮 𝓬𝓵𝓾𝓼𝓽𝓮𝓻𝓲𝓷𝓰 𝓚 - 𝓶𝓮𝓪𝓷𝓼 ?  Explorons cela ensemble ! 🔍 𝕻𝖔𝖚𝖗𝖖𝖚𝖔𝖎 𝖚𝖙𝖎𝖑𝖎𝖘𝖊𝖗 𝖑 ' 𝓐𝓒𝓟 𝖆𝖛𝖆𝖓𝖙 𝖑𝖊 𝖈𝖑𝖚𝖘𝖙𝖊𝖗𝖎𝖓𝖌 𝕶 - 𝖒𝖊𝖆𝖓𝖘 ? 𝙐𝙣 𝙡𝙞𝙠𝙚 𝙚𝙩 𝙪𝙣 𝙋𝙖𝙧𝙩𝙖𝙜𝙚 de ce post avant d'aller plus loin nous fera plaisir. 1 ️ ⃣  𝕊𝕚𝕞𝕡𝕝𝕚𝕗𝕚𝕔𝕒𝕥𝕚𝕠𝕟 𝕕𝕖𝕤 𝕕𝕠𝕟𝕟 é 𝕖𝕤 : L'ACP condense les données complexes en capturant les informations essentielles dans un nombre réduit de dimensions, rendant ainsi les données plus faciles à manipuler pour le clustering. 2 ️ ⃣  ℝ é 𝕕𝕦𝕔𝕥𝕚𝕠𝕟 𝕕𝕖 𝕕𝕚𝕞𝕖𝕟𝕤𝕚𝕠𝕟 : Elle réduit le nombre de caractéristiques tout en conservant la majeure partie de la variance, ce qui rend le clustering plus efficace. 3 ️ ⃣...
Lire la suite