On constate qu'il est très important d'avoir des méthodes d'évaluation des partitions afin d'évaluer les résultats des analyses typologiques. Cet article développe une méthode fondée sur des critères internes et externes permettant d'estimer l'adéquation entre les partitions devant être évaluées et les données à partir desquelles elles ont été générées.
La première partie présente plusieurs critères internes et externes de validation en typologie, et les solutions retenues par le logiciel Evalu-P, conçu par le premier auteur.
La seconde partie illustre les étapes de validation d'une partition hypothétique en cinq classes de consommateurs, issue des résultats d'une analyse sémiotique du discours des consommateurs sur le packaging. 43 partitions pour le riz et 54 partitions pour le shampoing ont été générées en utilisant des méthodes de classification hiérarchique et de réallocation. Ces partitions empiriques ont été évaluées par rapport à la partition hypothétique en utilisant cinq critères internes et cinq critères externes de validation.
BakerF.HubertL. (1976), A graph theoretic approach to goodness of fit in complete link hierarcical clustering, Journal of the American Statistical Association, 71, 355, 870–878.
4.
BakerF.HubertL. (1975), Measuring the power of hierarchical cluster analysis, Journal of the American Statistical Association, 70, 349, 31–38.
5.
BockH.H. (1977), On test concerning the existence of a classification, First international Symposium on Data Analysis and Informatics, INRIA, 2.
6.
BassF.M.PessemierE.A.LehmannD.R. (1972), An experimential study of relationships between attitudes, brand preferences and choice, Behavioral Science, 17, 4, 532–541.
7.
BlashfieldR.K., (1976), Mixture model tests of cluster analysis: accuracy of four agglomerative hierarchical methods, Psychological Bulletin, 83, 3, 377–388.
8.
BockH.H. (1985), On some significance tests in cluster analysis, Journal of Classification, 2, 1, 77–108.
9.
CaumontD.ChandonJ.L. (1989), Quelques problèmes liés à la validité d'une classification, Recherches et Applications en Marketing, 4, 3, 77–93.
10.
CeleuxG. (1988), Classifications et modèles, Revue de Statistique Appliquée, 35, 43–58.
11.
ChandonJ.L.BoctorF.F. (1985), Approximation d'une préordonnance par une partition, Revue d'Automatique, d'Informatique et de Recherche Opérationnelle, 19, 2, 159–184.
12.
ChandonJ.L.PinsonS (1981), Analyse Typologiques, théories et applications, Paris: Masson.
13.
CoquetJ.C (1982), Sémiotique: L'école de Paris, Paris, Hachette.
14.
CourtésJ. (1991), Analyse sémiotique du discours, Paris, Hachette.
15.
CrossJ.R. (1980), Some approaches to measuring clustering tendency, Technical Report TR 80–03, Departement of Computer Science, Michigan State University.
16.
DanoF. (1994), Contribution de la sémiotique à l'étude des attentes et représentations des consommateurs à l'égard du packaging, Thèse Doctorat, Université Paris Dauphine.
17.
DubesR.ZengG. (1987), A test for spatial homogeneity in cluster analysis, Journal of Classification, 4, 1, 33–56.
18.
EngelmanLHartiganJ.A. (1969), Percentage points of a test for cluster, Journal of the American Statistical Association, 64, 336, 1647–1648.
19.
FlochJ.M. (1983), Pour une topographie du sens: le carré sémiotique, Institut de Recherche et d'Etudes Publicitaires, Sémiotique II, 57–78.
20.
FlochJ.M. (1989), La contribution d'une sémiotique structurale à la conception d'un hypermarché, Recherche et Applications en Marketing, 4, 2, 37–59.
21.
FlochJ.M. (1990), Sémiotique et marketing: Sous les signes, les stratégies, Paris, PUF.
22.
FowlkesE.B.MallowsC.L. (1983), A méthod for comparing two hierarchical clusterings, Journal of the American Statistical Association, 78, 383, 553–578.
23.
GreimasA.J.CourtésJ. (1979), Sémiotique: Dictionnaire raisonné de la théorie du langage (Tome 1), Paris, Hachette.
24.
HardyA. (1993), A propos du nombre de classes en classification automatique, Faculté Universitaire de Namur, B-5000 Namur.
25.
HardyA. (1994), Comparaison de méthodes pour la détermination du nombre de classes en classification automatique, Tribune Libre, Lettre de la Société Francophone de Classification.
26.
HardyA.RassonJ.P (1982), Une nouvelle approche des problèmes de classification automatique, Statistique et Analyse des Données, 7, 1, 41–56.
27.
HubertL. (1974), Approximate evaluation techniques for the single link and complete link hierarcical clustering procedures, Journal of the American Statistical Association, 69, 346, 698–704.
28.
HubertT.AArabieP. (1985), Compairing partitions, Journal of Classification, 2, 213, 193–218.
29.
HubertL.BakerF. (1977), The comparison and fitting of given classification schemes, Journal of Mathematical Psychology, 16, 233–253.
30.
HubertL.LevinJ.R. (1976), A general statistical framework for assessing categorical clustering in Free Recall, Psychological Bulletin, 83, 6, 1072–1080.
KubushishiT.RassonJ.P (1993), Un test d'hypothèse pour la détermination du nombre de classes en classification automatique, Faculté Universitaire de Namur, B-5000 Namur.
37.
LermanI.C (1970), Les bases de la classification automatique, Paris: Gautier Villars, chapitre 2, H-classificabilité, 80–87.
38.
LermanI.C (1981), Classification et analyse ordinale des données, Paris: Dunod.
39.
LingR.F (1973), A probability theory of cluster analysis, Journal of the American Statistical Association, 68, 341, 159–164.
40.
LingR.F (1975), An exact probality distribution on the connectivity of random graphs, Journal of mathematical Psychology, 12, 1, 90–98.
41.
McClainJ.O.RaoV.R. (1975), Clustsiz: a program to test the quality of clustering of a set objects, Journal of Marketing Research, 12, 4, 456–460.
42.
MilliganG.W. (1980), An examination of the effects of six types of error perturbation on fifteen clustering algorithms, Psychometrika, 45, 3, 325–342.
43.
MilliganG.W. (1981), A Monte Carlo study of thirty internal criterion measures for cluster analysis, Psychometrika, 46, 2, 40–47.
44.
MilliganG.WCooperM.C. (1985), An examination of procedures for determining the number of cluster in data set, Psychometrika, 50, 3, 159–179.
45.
MilliganG.WCooperM.C. (1986), A study of the comparability of external criteria for hierarchical cluster analysis, Multivariate Behavioral Research, 21, 3, 441–458.
46.
MilliganG.WCooperM.C. (1988), Methodology review: clustering methods, W.P. n°RS 88–2 Feb., College of Business, The Ohio State University.
47.
MilliganG.W.MahajanV. (1980), A note on procedures for testing the quality of a clustering of a set objects, Decision Science, 11, 3, 669–677.
48.
MilliganG.WSoonS.C.SokolL.M. (1983), The effect of cluster size, dimensionality and the number of clusters on recovery of true cluster structure, IEEE Transactions on Pattern Analysis and Machine Intelligence, 5, 1, 40–47.
49.
MooreW.L.PessemierE.A.LehmannD.R. (1986), Hierarchical representations of market structures and choice processes through preference trees, Journal of Business Research, 14, 2, 371–386.
50.
PeruchetC. (1983), Une analyse bibliographique des épreuves de classificabilité en analyse des données, Statistique et Analyse des données, 8, 2, 18–41.
51.
RandW.M (1971), Objective criteria for evaluation of clustering models, Journal of the American Statistical Association, 4, 66, 846–850.
52.
RipleyB.D (1979), Test of randomness for spatial point patterns, Journal of the Royal Statistical Society, 41, 3, 368–374.
53.
SneathP.H.A (1969), Evaluation of clustering methods, p. 257–271 in ColeA.J. Editor, Numeral Taxonomy, Academic Press.
54.
RohlfJ.F.FisherD.R (1969), Test for hierarchical structure in random data set, Systematic Zoology, 17, 3, 407–412.
55.
TricotM.L.DoneganiM. (1988), Présentation unifiée des indices de proximité entre classes en classification hiérarchique ascendante, Rapport 8801, EPFL-DMA, Chaire de Statistique, Ecole Polytechnique Fédérate de Lausanne.
56.
VolleM. (1985), Analyse des données, Paris, Economica.
57.
WindhamM.P. (1981), Cluster validity for fuzzy clustering algorithms, Fuzzy Sets and Systems, 5, 1, 177–185.
