1 ACP et analyse factorielle aprs rotation varimax Le Monde Dossiers et Documents (n 266, Juin 98) a consacr un dossier aux

classes sociales aujourdhui. Dans un des articles consacrs ce sujet figurait le tableau suivant qui retrace pour 11 catgories de profession figurant en lignes le pourcentage de personnes interroges se sentant appartenir lune des 6 classes sociales proposes. (ex: 43% des agriculteurs se sont auto-dcrits comme appartenant la classe moyenne infrieure). Les absences de rponses ne figurent pas dans ce tableau, ce qui explique que les sommes par lignes ne soient pas gales 100.
PRIVilgi AISE Classe Moyenne SUprieure 15 33,7 56,3 54,8 40,8 34,2 24,1 14,5 16,6 40,5 19,7 Classe Moyenne INfrieure 43 35,4 18,8 26,2 37,7 43,1 46,9 42,1 40,7 36,4 36,5 CLasses POpulaires 19,6 12,2 2,9 0 8,9 9,9 14,9 25 24,6 6,8 18,5 DEFAvoris 11,2 3,9 4 1,6 1,1 2 5,7 13,2 11,3 1,8 9,6

AGRIculteur INDEpendant CAdre SUprieur ENSeignanT PRofessions INtellectuelles CONTremaitre EMPLoy SERVices OUVRiers ETUDiants FEmme au FOyer

4,7 8,3 5,8 8,7 5,3 6,9 4,3 3,9 2,5 5 10,1

3,7 6,1 14,6 7,9 4,7 3,5 3,3 1,3 2,5 9,5 5,1

La premire tape est de crer ce tableau de donnes, labels des variables, types (8.1). On utilise une colonne supplmentaire labelig pour donner des noms aux professions que lon utilisera sur les graphiques :

2 La seconde tape est lACP proprement dite en utilisant le menu :

: On choisit toutes les variables autres que labelig pour faire lanalyse:

LACP consiste calculer de nouvelles variables, les facteurs, qui sont fonction des anciennes et qui sont le plus informatives possibles propos de lensemble des relations entre variables initiales et des ressemblances-dissemblances entre lignes-professions. Pour faire cela, on utilise la base un indice qui mesure la quantit dinformation initiale dans le tableau. Cette quantit, pour des raisons que lon comprend difficilement sans une approche plus mathmatique est gale p=le nombre de variables=6. Chaque facteur va traduire une partie de cette information. Pour choisir le nombre de facteurs

3 intressants analyser, on sintresse dans un premier temps la quantit dinformation extraite par chacun dentre eux. Pour tudier cet aspect, on utilise dans un premier temps, la seule option . Par dfaut les rglages sont les suivants:

Dans , les valeurs propres (ou eigenvalues en anglais) correspondent aux quantits dinformation extraites par chacun des facteurs. Par dfaut SPSS propose de conserver tout facteur qui extrait une quantit dinformation (valeur propre) suprieure 1. Ceci se comprend dans la mesure o une variable prise isolment est porteuse dune quantit dinformation gale 1. Un facteur qui extrait une quantit dinformation moindre que 1 est donc moins porteur dinformation quune variable prise isolment et par consquence na en gnral pas grand intrt. Par contre sil porte une information suprieure 1, il est plus informatif quune variable prise isolment, et donc peut avoir de lintrt. Cette rgle, logique, est cependant peu performante. En effet lorsque lon a beaucoup de variables, il y a un grand nombre de facteurs porteurs dune quantit dinformation suprieure 1 et donc par cette rgle, on retiendra beaucoup de facteurs, dont le nombre en rend linterprtation souvent dlicate. Au contraire, lorsquil y a peu de variables, on a souvent quune seule valeur propre suprieure 1 et donc on ne retiendra quun facteur. Ceci est souvent dommage, car avoir un ou deux facteurs nentrane pas de difficults dinterprtation trs diffrentes, et en avoir 2 reste de toute manire plus informatif quen avoir 1 seul. La premire tape est donc de lui demander de produire les valeurs propres pour quon les tudie et que lon fixe sur cette base le nombre de facteurs que lon va souhaiter utiliser. Ce qui se fait en rglant comme ceci le menu ci-dessus:

Cela fait, on peut envoyer lanalyse. La premire chose qui en sort est le graphique des valeurs propres qui est un graphique qui prsente par ordre dimportance les valeurs propress associes aux facteurs (le 1er tant toujours celui associ la plus grande):
Graphique des valeurs propres
5

Valeur propre

0 1 2 3 4 5 6

Numro du facteur

ou encore, aprs transformation laide de lditeur graphique de SPSS:

Graphique des valeurs propres 5

Valeur propre

0 1 2 3 4 5 6

Numro du facteur

5 On voit quest associ au premier facteur une valeur propre de 4 et quelque cd quil est porteur dune quantit de 4,? dinformation, soit 70% peu prs de linfo totale prsente dans le tableau (4,?/6). Le second est beaucoup moins informatif avec une quantit d peu prs 0,8, soit moins quune variable prise isolment. Le 3me encore moins et les derniers napportent quasiment aucune information. On peut aller vrifier cela sur loutput:
Variance totale explique Valeurs propres initiales % de la Total % cumuls variance 4,262 71,026 71,026 ,826 13,759 84,785 ,760 12,671 97,455 ,118 1,962 99,418 ,033 ,550 99,967 ,002 ,033 100,000

Composante 1 2 3 4 5 6

Mthode d'extraction : Analyse en composantes principales.

Sous Composante , on a le n du facteur; lui correspond sous Total la quantit dinformation quil porte (4,26 pour le 1er; 0,83 pour le 2me, ...); sous % de la variance on a le % dinfo contenue dans le tableau qui est extrait par ce facteur (71% pour 1; 13,8% pour 2, ...) et enfin sous % cumules figure le % cumul dinfo extrait par les facteurs (par exemple, si on retenait 3 facteurs, alors le % dinfo extrait serait de 97,5%). Pour choisir combien de facteurs retenir, on a 2 rgles: 1) On limine les facteurs qui portent moins que 1, cest--dire moins quune variable prise isolment. 2) Il intervient gnralement une voire plusieurs rupture de pente sur le graphique des valeurs propres. Cest--dire que lon passe dun facteur reprsentant beaucoup dinformations un autre en reprsentant nettement moins. On sarrtera au facteur prcdant cette rupture de pente. Sur le graphique (a) ci-dessous on retiendrait donc seulement les deux premiers facteurs. Dautres configurations sont aussi possibles, par exemple un premier facteur qui reprsentera une relativement trs forte part dinformation puis deux axes suivants qui reprsenteront une relative forte part, puis une rupture de pente avec des valeurs propres suivantes qui se suivent et se ressemblent ((b) ci-dessous). On retiendra ici 3 valeurs propres (3 facteurs).

(a)

(b)

Exemples de courbes des valeurs propres associes une analyse factorielle. Ces valeurs sont gales la somme des carrs des rapports de corrlation des facteurs avec les variables. En (a) on retiendra 2 axes. En (b) on en retiendra 3. Dans le cas qui nous concerne, les 2 rgles concident: on devrait logiquement ne retenir quun facteur. Cependant, on en retiendra en fait 2 car cela apporte un peu plus dinformation sans pour autant rendre linterprtation beaucoup plus complexe (mais nous sommes dans un cas trs particulier car le tableau de donnes est trs simple). On peut ensuite rellement aller faire lanalyse retourner dans Analyse : Factorisation : Analyse factorielle propose plusieurs mthodes dextraction. Pour faire une analyse standard, on ne touchera pas cette option. On enlvera la croix dans Graphique des valeurs propres (on a dj utilis ce graphique) et on demandera retenir 2 facteurs, daprs ltape prcdente. On demandera en plus loption Structure factorielle sans rotation qui permet dobtenir sur le plan numrique les corrlations entre les variables et les facteurs.

7 On pourra ensuite rgler un certain nombre doptions : Dans , on pourra obtenir des statistiques descriptives de base sur les variables On prendra ici qui donne moyennes et carttypes et inter-variables. dans qui donne la matrice des corrlations

permet dutiliser une analyse avec rotation. Dans un premier temps, on sen passera pour tudier les associations entre variables sous forme de continuum. La seule option que nous cocherons est fourniture des plans factoriels associs aux variables. qui correspond la

permet davoir les scores des lignes (professions ici) sur les que sont les facteurs. On cochera loption qui amne le logiciel sauvegarder ces scores dans le fichier initial laide de nouvelles colonnes. synthtiques

Enfin variables

Ltape suivante est celle de linterprtation du cot variable (catgorie). La premire chose est daller voir les moyennes et les variances dans loutput:

8
Statistiques descriptives PRIV AISE CMSU CMIN CLPO DEFA Moyenne 5,9545 5,6545 31,8364 36,9818 13,0273 5,9455 Ecart-type 2,30103 3,79720 15,21041 8,13914 8,32155 4,53219 n analyse 11 11 11 11 11 11

On voit que les classes pour lesquelles les % moyens de sentiment dappartenance sont les plus forts sont les classes moyennes: plus particulirement infrieure et en partie suprieure. Viennent ensuite les classes populaires puis les classes honteuses: dfavorise, aise et privilgie.

En termes de variance, il est clair que plus les % moyens sont levs et plus cela varie et inversement. On notera quand mme la variance particulirement forte de CMSU relativement sa moyenne: il est clair que certaines professions ont d particulirement viter cette dnomination alors que dautres y adhrent allgrement. Il en est un peu de mme pour CLPO. Ces choses en tte, on peut aller ensuite regarder les corrlations inter-variables via le graphique (plan 1-2) des corrlations des variables avec les 2 premiers facteurs. Le graphique qui sort automatiquement pour celles-ci est:

Diagramme de composantes
1,0 priv

,5 cmin

0,0 cmsu defa aise

clpo

Composante 2

-,5

-1,0 -1,0 -,5 0,0 ,5 1,0

Composante 1

Celui-ci nous dit quil existe des corrlations fortement positives entre cmin, clpo et defa avec le 1er facteur cd qu de fortes valeurs du facteur correspondent de fortes valeurs de ces variables et vice-versa. Par un principe de transitivit, on en conclut que ces variables sont fortement corrles positivement, ce qui signifie que les professions o lon a le plus un sentiment dappartenance clpo par exemple sont aussi celles o on a les plus forts sentiments dappartenance defa et cmin. Attention cependant ! Ceci ne signifie pas que les professions qui ont de fortes coordonnes sur le facteur se sentent

9 trs clpo ou defa par exemple (cf. les moyennes: ces 2 classes sont en moyenne trs peu reprsentes). Ceci signifie que les plus forts sentiments dappartenance ces classes ont t donn par les mmes professions, relativement aux autres professions (p.e. 11,2% dagriculteur se sentent dfavoriss,ce qui est moins par rapport aux 15% qui se sentent dans cmsu, cependant, relativement aux autres professions (en moyenne), cest un score trs important). De mme, il existe des corrlations fortement positives entre cmsu et ais et dans une moindre mesure avec priv: les professions se sentant les plus cmsu sont aussi celles qui se sentent les plus ais ou priv (ici aussi, cela ne signifie pas quelles se sentent majoritairement priv ou ais, mais que relativement aux autres professions, elles se sentent parmi les plus priv ou ais). Les 2 paquets de variables tant opposs sur laxe 1, il existe une corrlation fortement ngative entre les variables y participant: les professions rpondant le plus dans un des groupes sont aussi celles qui rpondent le moins dans lautre et vice-versa. Enfin, priv se diffrencie sur laxe 2: certaines professions se sentant la fois ais, cmsu et priv se sentent plus particulirement priv et celles-ci apparatront sur laxe 2. remarque: Ceci souligne laspect marginal de cet axe qui ne porte de linformation intressante qu propos dune des variables. Cest trs souvent le cas en acp, o les axes dordre loign traduisent une information trs rduite. Ceci est apparent en gnral ds lobservation de la courbe des valeurs propres. Cette premire interprtation peut tre confirme en jetant un coup dil sur la matrice des corrlations. On y voit apparatre les 2 grands groupes de variables corrles de manire interne positivement et ngativement dun groupe lautre. On voit que PRIV, bien que corrle positivement avec cmsu et ais lest moins que le sont ces deux variables entre elles; et bien que corrle ngativement aux variables de lautre groupe, lest moins que ne le sont cmsu et ais.
Matrice de corrlation Corrlation PRIV AISE CMSU CMIN CLPO DEFA PRIV 1,000 ,282 ,353 -,395 -,437 -,359 AISE ,282 1,000 ,818 -,882 -,767 -,529 CMSU ,353 ,818 1,000 -,805 -,966 -,839 CMIN -,395 -,882 -,805 1,000 ,690 ,392 CLPO -,437 -,767 -,966 ,690 1,000 ,899 DEFA -,359 -,529 -,839 ,392 ,899 1,000

Dautres informations apparaissent dans louput:

10 a) liste des corrlations variables-facteurs (-0,50153=correl entre facteur 1 et PRIV):

Matrice des composantes a Composante 1 2 -,502 ,782 -,874 -,326 -,975 -,106 ,839 ,242 ,963 -,047 ,814 -,188

PRIV AISE CMSU CMIN CLPO DEFA

Mthode d'extraction : Analyse en composantes principales. a. 2 composantes extraites.

b) Pour chaque variable, part de variances prise en compte par les 2 premiers facteurs (Extraction) plus cest lev (proche de 1), mieux lensemble de linformation contenue dans la variable (et ses relations avec les autres variables forte Extraction) est prise en compte.
Qualit de reprsentation PRIV AISE CMSU CMIN CLPO DEFA Initial 1,000 1,000 1,000 1,000 1,000 1,000 Extraction ,863 ,870 ,962 ,763 ,930 ,699

Mthode d'extraction : Analyse en composantes principales.

c) enfin le logiciel sauvegarde les facteurs dans le tableau de donnes sous la forme de 2 nouvelles variables:

Ce qui permet daller tudier sous forme dun graphique bivari les professions au regard des variables qui les caractrisent:

11

Il faut rgler ici les options pour que le graphique prsente effectivement les tiquettes des professions en cliquant sur :

On obtiendra (aprs un petit travail sous lditeur graphique):

12
2,0 FEFO 1,5 1,0 ENSE ,5 PRIN 0,0 ETUD EMPL AGRI SERV CONT INDE

-,5 -1,0

OUVR CASU

facteur 1

-1,5 -2,0 -2,0

-1,5

-1,0

-,5

0,0

,5

1,0

1,5

2,0

facteur 2

Linterprtation se fait alors au regard de ce que lon a dit pour les variables: OUVR, SERV, AGRI et dans une moindre mesure EMPL sont les professions qui se sentent parmi les plus DEFA, CLPO et CMIN. Il existe de petites variations lintrieur de ce groupe: Parmi celles-ci, les OUVR sont ceux qui se sentent le moins CMIN (descente le long de laxe 2), il est aussi possible que leur sentiment trs faible par rapport aux autres professions de se sentir PRIV explique cette descente le long de laxe 2. ENSE et CASU se sentent parmi les plus aiss et cmsu. Laspect PRIV fait alors la diffrence entre les 2: les ENSE font leur mea culpa alors que les CASU estiment certainement quils le mritent bien (donc ne sont pas PRIV). Enfin, il y a un certain nombre de professions intermdiaires qui se sentent manifestement trs partages entre ces divers postes: ETUD, PRIN plutt cmsu et ais mais avec de forts pourcentages pour CMIN. INDE et CONTR trs partags entre CMIN et CMSUP (un peu plus sup cependant) et enfin FEFO plutt CMIN mais l aussi trs partag. On voit que laspect PRIV joue un rle finalement non ngligeable qui positionne ces indcis le long de laxe 2: les Fefo se sentent, relativement aux autres professions, plus priv, de mme mais dans une moindre mesure les INDE et les CONT. Les tudiants par contre sont plutt peu nombreux (ici aussi par rapport aux % donns par les autres professions) se sentir PRIV. Dans certains cas, il est intressant de pousser plus loin lanalyse en utilisant des rotations qui appuient plus particulirement sur les dimensions importantes. Utiliser une rotation varimax est trs simple dans SPSS: une fois que lanalyse prcdente a t faite, il suffit de la refaire en utilisant dans la partie loption: du menu principal

et en demandant nouveau de sauvegarder les facteurs qui en sont issus.

13

Les rsultats au niveau graphiques (mmes procdures que pour lanalyse sans rotation) sont alors les suivants:

Pour les variables-classes sociales:

Diagramme de composantes dans l'espace aprs rotation 1,0 priv

,5 cmsu aise 0,0 cmin

Composante 2

-,5

defa

clpo

-1,0 -1,0

-,5

0,0

,5

1,0

Composante 1

Pour les individus-professions (quil faudrait retravailler pour avoir des formats correspondant aux chelles):

14
1,5 ENSE 1,0 INDE CONT FEFO

,5 PRIN 0,0 ETUD -,5 CASU -1,0 SERV EMPL AGRI

facteur 1

-1,5 -2,0 -2,5 -2,0 -1,5 -1,0 -,5 0,0

OUVR

,5

1,0

1,5

facteur 2

On voit ici que cette analyse diffre peu de la prcdente si ce nest quelle a orthogonalis la variable PRIV par rapport aux autres groupes; ce qui apparat la limite comme regrettable ici car cest une variable qui nest pas du tout indpendante des autres. Ainsi par exemple, les ENST se sentent dabord CMSU et ensuite seulement priv, ce qui nest pas vident lire ici. On utilisera donc ce type de rotations lorsque les associations entre variables sont si imbriques que lanalyse en est rendu difficile et quun autre point de vue sur les donnes liminant les associations les plus faibles pour ne garder que les plus importantes peut savrer utile pour linterprtation. Remarque: les rotations ne donnent pas le mme rsultat selon le nombre de facteurs retenus. D'o la ncessit encore plus grande de bien choisir son nombre de facteurs. En gnral, la rgle de dcroissance des valeurs propres permet de bien faire ressortir les dimensions importantes. Pour de petits fichiers, retenir les facteurs de valeurs propres suprieures 1 amne, sauf cas particulier, au mme rsultat. Pour de gros fichiers, la premire rgle amne en gnral retenir moins de facteurs que la seconde. Le rsultat en est souvent quau niveau des rotations, on fera ressortir avec la seconde soit des facteurs redondants cd que certaines variables auront une expression au niveau de plusieurs facteurs-dimensions mis en vidence par la rotation ou encore que certaines variables sexprimeront seules sur des facteurs-dimensions mises en vidence. Il ny a cependant pas de rgle unique et la meilleure stratgie est de creuser dans ses donnes en faisant ventuellement tourner plusieurs fois les analyses en retenant des nombres diffrents de facteurs chaque fois. Pour des solutions concurrentes, comme dhabitude, loutil statistique sefface devant largumentation exprimentale.

15 ACP sur les lignes Bien que ceci ne soit pas tout fait orthodoxe, nous pouvons inverser le rle des professions et des classes dappartenance pour raliser une seconde ACP. Ceci nous permettra un second point de vue sur les observations. Pour obtenir cette analyse, il faut dabord transposer le tableau laide de:

On obtient alors le tableau:

dans lequel les colonnes correspondent maintenant aux professions et seront traites en tant que variables dans lACP future et les lignes sont les classes sociales qui seront traites en tant quindividus. La colonne case-lbl permet de conserver les tiquettes initiales des classes sociales pour les graphiques. Les mmes procdures que prcdemment amnent aux graphiques et rsultats suivants:

16
Statistiques descriptives AGRI INDE CASU ENSE PRIN CONT EMPL SERV OUVR ETUD FEFO Moyenne 16,2000 16,6000 17,0667 16,5333 16,4167 16,6000 16,5333 16,6667 16,3667 16,6667 16,5833 Ecart-type 14,45503 14,18196 20,23222 20,92861 17,88568 17,52575 16,87716 15,04748 14,63006 17,10715 11,24925 n analyse 6 6 6 6 6 6 6 6 6 6 6

Les moyennes ont peu dintrt car il sagit dun % moyen de rponse dans les diverses classes, qui est peu prs gal 100/6=16,6667. Les indcis ne figurant pas dans le tableau, ces % moyens devraient tre proches mais infrieurs ce nombre. On voit que lun dentre eux dpasse: 100% des CASU ont rpondu, ce qui permet de souligner certainement une erreur de saisie (mme au Monde !), dont on supposera quelle na pas trop dincidence sur les interprtations que lon pourra faire. Les variances, qui soulignent les sentiments plus ou moins homognes des professions sont plus intressantes: les fefoy sont les moins identifies une classe particulire ( des scores qui pour chaque classe, ne sloignent en moyenne pas trop de la moyenne une faible variance), viennent ensuite les INDE, AGRI, CASU,...;, les CASU et ENST sont ceux qui ont les choix (ou les vitements) les plus cibls => certains postes sont trs loigns de la moyenne des rponses, ce qui cre de la variance. Evidemment ces rflexions sappuient la fois sur les variances et sur le tableau initial. Les valeurs propres soulignent la prsence dun facteur trs important (77,4% de lensemble de linfo porte par les professions est traduite par ce facteur), puis dun autre nettement moins (21,5%) mais qui se dtache cependant nettement des suivants (0,8%; 0,3%,...) on gardera ici aussi 2 facteurs.
Graphique des valeurs propres 10

Valeur propre

-2 1 2 3 4 5 6 7 8 9 10 11

Numro de composant

17
Variance totale explique Extraction Sommes des carrs des facteurs retenus Valeurs propres initiales % de la % de la Composante Total % cumuls Total % cumuls variance variance 1 8,516 77,420 77,420 8,516 77,420 77,420 2 2,362 21,468 98,888 2,362 21,468 98,888 3 ,085 ,774 99,662 4 ,028 ,257 99,919 5 ,009 ,081 100,000 6 5,54E-16 5,035E-15 100,000 7 9,37E-17 8,519E-16 100,000 8 7,96E-17 7,240E-16 100,000 9 -2,5E-16 -2,23E-15 100,000 10 -4,6E-16 -4,14E-15 100,000 11 -7,6E-16 -6,90E-15 100,000 Mthode d'extraction : Analyse en composantes principales.

Les corrlations soulignent que toutes les professions ont peu prs rpondu de la mme manire (corrlations fortement positives avec le premier axe corrlations positives entre professions). Laxe 2 permet cependant dclater un peu ces professions: CASU et ENST vers le haut; OUVR, AGRI, SERV vers le bas: ces deux grands groupes sont ceux qui ont rpondu de la manire la plus diffrencie. Au milieu viennent les autres professions qui peuvent tendre plutt vers un groupe ou plutt vers lautre.

Diagramme de composantes
1,0 casu ense ,5

etud prin inde cont

0,0 empl fefo

Composante 2

-,5

agri ouvr serv

-1,0 -1,0 -,5 0,0 ,5 1,0

Composante 1

18
Matrice de corrlation AGRI INDE CASU ENSE PRIN CONT EMPL SERV OUVR ETUD FEFO AGRI 1,000 ,740 ,121 ,284 ,670 ,801 ,951 ,983 ,982 ,619 ,971 INDE ,740 1,000 ,733 ,845 ,993 ,991 ,907 ,671 ,723 ,975 ,855 CASU ,121 ,733 1,000 ,972 ,804 ,656 ,401 ,045 ,129 ,839 ,283 ENSE ,284 ,845 ,972 1,000 ,898 ,789 ,556 ,197 ,269 ,917 ,454 PRIN ,670 ,993 ,804 ,898 1,000 ,975 ,861 ,595 ,654 ,991 ,794 CONT ,801 ,991 ,656 ,789 ,975 1,000 ,946 ,725 ,767 ,956 ,898 EMPL ,951 ,907 ,401 ,556 ,861 ,946 1,000 ,897 ,920 ,827 ,982 SERV ,983 ,671 ,045 ,197 ,595 ,725 ,897 1,000 ,994 ,527 ,944 OUVR ,982 ,723 ,129 ,269 ,654 ,767 ,920 ,994 1,000 ,592 ,955 ETUD ,619 ,975 ,839 ,917 ,991 ,956 ,827 ,527 ,592 1,000 ,738 FEFO ,971 ,855 ,283 ,454 ,794 ,898 ,982 ,944 ,955 ,738 1,000

La carte factorielle 1-2 des lignes classes sociales permet de conclure: Laxe 1 est essentiellement dtermin par lopposition classes moyennes-autres classes: toutes les professions se reconnaissent majoritairement dans les classes moyennes et trs peu dans les classes extrmes. Le second axe nuance les choses essentiellement en mettant en vidence que CMIN est plus particulirement choisie par AGRI, OUVR, EMP, SERV et CMSU par ENST et CASU; les autres professions jouant des rles intermdiaires ici. De plus CLPO se trouve du ct de CMIN (ainsi que dans une moindre mesure DEFA et inversement pour PRIV et AISE): cette classe se caractrise principalement par de forts choix des AGRI, OUVR, ...
2,0 CMSU 1,5

1,0

,5

AISE PRIV

0,0 DEFA

facteur 2

-,5 CLPO -,5 0,0 ,5 1,0 CMIN 1,5 2,0

-1,0 -1,0

facteur 1

Pour ne pas conclure, on peut dire que ces deux analyses se rvlent trs complmentaires: -la premire souligne lopposition classique sentiment de richesse -sentiment de pauvret ainsi quune dimension qui, bien que se trouvant majoritairement du ct des riches a aussi une expression du ct des pauvres: le sentiment dtre privilgi tient priori surtout des conditions de travail annexes au ct purement matriel des choses: ( priori indpendance pour les INDE; culpabilit et rle bien intgr pour FEFO; culpabilit pour les ENST; mlange des genres chez les CONT; ...).

19 -la seconde souligne combien les antagonismes sont faibles: tout le monde se sent CM et ce nest que sur les marges que certaines professions ont des identifications plus fortes (OUVR et CLPO ou DEFA; CASU et AISE;...). On retrouvait cela, mais de manire beaucoup moins dtaille en analysant les moyennes initiales pour les classes sociales. Les deux points de vue sur les donnes se rvlent donc assez informatifs. Le premier amne une typologie des professions en fonction des classes sociales; le second une typologie des classes sociales en fonction des professions.