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

 

📊 𝐕𝐢𝐬𝐮𝐚𝐥𝐢𝐬𝐞𝐳 𝐕𝐨𝐬 𝐃𝐨𝐧𝐧𝐞́𝐞𝐬 𝐞𝐧 𝟑𝐃 𝐚𝐯𝐞𝐜 𝐥’𝐀𝐂𝐏 : 𝐔𝐧𝐞 𝐍𝐨𝐮𝐯𝐞𝐥𝐥𝐞 𝐏𝐞𝐫𝐬𝐩𝐞𝐜𝐭𝐢𝐯𝐞 𝐩𝐨𝐮𝐫 𝐌𝐢𝐞𝐮𝐱 𝐈𝐧𝐭𝐞𝐫𝐩𝐫é𝐭𝐞𝐫

Lorsqu'on réalise une 𝐀𝐧𝐚𝐥𝐲𝐬𝐞 𝐞𝐧 𝐂𝐨𝐦𝐩𝐨𝐬𝐚𝐧𝐭𝐞𝐬 𝐏𝐫𝐢𝐧𝐜𝐢𝐩𝐚𝐥𝐞𝐬 (𝐀𝐂𝐏), il est crucial de 𝐜𝐨𝐦𝐩𝐫𝐞𝐧𝐝𝐫𝐞 𝐥𝐚 𝐜𝐨𝐧𝐭𝐫𝐢𝐛𝐮𝐭𝐢𝐨𝐧 𝐝𝐞 𝐜𝐡𝐚𝐪𝐮𝐞 𝐜𝐨𝐦𝐩𝐨𝐬𝐚𝐧𝐭𝐞 pour bien interpréter les données.
Cependant, 𝐚𝐧𝐚𝐥𝐲𝐬𝐞𝐫 𝐩𝐥𝐮𝐬 𝐝𝐞 𝐝𝐞𝐮𝐱 𝐜𝐨𝐦𝐩𝐨𝐬𝐚𝐧𝐭𝐞𝐬 𝐩𝐞𝐮𝐭 𝐬’𝐚𝐯é𝐫𝐞𝐫 𝐜𝐨𝐦𝐩𝐥𝐞𝐱𝐞.
👉 C’est là que la 𝐯𝐢𝐬𝐮𝐚𝐥𝐢𝐬𝐚𝐭𝐢𝐨𝐧 𝐞𝐧 𝟑𝐃 entre en jeu !

𝙐𝙣 𝙡𝙞𝙠𝙚 𝙚𝙩 𝙪𝙣 𝙋𝙖𝙧𝙩𝙖𝙜𝙚 de ce post avant d'aller plus loin nous feront plaisir.

Un 𝐠𝐫𝐚𝐩𝐡𝐢𝐪𝐮𝐞 𝟑𝐃 𝐀𝐂𝐏 permet de représenter des données à haute dimension 𝐫é𝐝𝐮𝐢𝐭𝐞𝐬 𝐚̀ 𝐭𝐫𝐨𝐢𝐬 𝐜𝐨𝐦𝐩𝐨𝐬𝐚𝐧𝐭𝐞𝐬 𝐩𝐫𝐢𝐧𝐜𝐢𝐩𝐚𝐥𝐞𝐬.
Cela met en lumière des 𝐬𝐭𝐫𝐮𝐜𝐭𝐮𝐫𝐞𝐬, 𝐝𝐞𝐬 𝐫𝐞𝐠𝐫𝐨𝐮𝐩𝐞𝐦𝐞𝐧𝐭𝐬 𝐨𝐮 𝐝𝐞𝐬 𝐯𝐚𝐥𝐞𝐮𝐫𝐬 𝐚𝐛𝐞𝐫𝐫𝐚𝐧𝐭𝐞𝐬 souvent invisibles dans les représentations en 2D.
Résultat : une 𝐦𝐞𝐢𝐥𝐥𝐞𝐮𝐫𝐞 𝐥𝐢𝐬𝐢𝐛𝐢𝐥𝐢𝐭é et des 𝐢𝐧𝐬𝐢𝐠𝐡𝐭𝐬 𝐩𝐥𝐮𝐬 𝐩𝐫𝐨𝐟𝐨𝐧𝐝𝐬 sur la structure des données.

---

🧪 𝐂𝐨𝐦𝐦𝐞𝐧𝐭 𝐜𝐫é𝐞𝐫 𝐮𝐧 𝐠𝐫𝐚𝐩𝐡𝐢𝐪𝐮𝐞 𝐀𝐂𝐏 𝟑𝐃 𝐞𝐧 𝐏𝐲𝐭𝐡𝐨𝐧 ?

1️⃣ 𝐏𝐫é𝐩𝐚𝐫𝐞𝐫 𝐥𝐞𝐬 𝐝𝐨𝐧𝐧𝐞́𝐞𝐬 : Nettoyez et prétraitez vos données avec pandas, en supprimant les variables catégorielles.

2️⃣ 𝐑é𝐚𝐥𝐢𝐬𝐞𝐫 𝐥’𝐀𝐂𝐏 : Appliquez PCA() du module sklearn.decomposition pour extraire les scores des composantes principales.

3️⃣ 𝐂𝐫é𝐞𝐫 𝐥𝐞 𝐠𝐫𝐚𝐩𝐡𝐢𝐪𝐮𝐞 𝟑𝐃 : Utilisez matplotlib pour générer un scatter plot 3D clair et interactif.

---

Pour mieux apprendre l’utilisation des logiciel et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨

https://forms.gle/mopoGRWKwyTtbEJ16

---

#PythonPourLaData #Visualisation3D #ACP #ProgrammationR #Statistiques #AnalyseMultivariée #VisualAnalytics