Caractérisation de produits avec SensoMineR

Maintenant que le jeu de données est importé, nous allons voir comment retrouver les résultats du cours. Dans un premier temps, nous pouvons faire des histogrammes par descripteur. Je vais faire des histogrammes sur 4 descripteurs par exemple. Je clique sur Submit et donc j'ai un premier histogramme avec le premier descripteur, l'odeur de cacao, et ensuite les histogrammes pour 3 autres descripteurs. Ce sont des histogrammes avec l'ensemble des notes, tous juges confondus, tous produits confondus, toutes séances confondues. L'information principale ici, c'est qu'il n'y a pas de données aberrantes: toutes les notes sont entre 0 et 10. Et on peut voir aussi certaines distributions: par exemple, les notes d'odeur de cacao sont principalement entre 5 et 9 ou 6 et 8 et les notes d'acidité plutôt entre 0 et 2. Alors comme le graphe me convient, je peux cliquer sur Annuler. J'ai cliqué sur Submit plutôt que OK. Le fait de cliquer sur Submit me génère l'analyse, me fait l'analyse et si l'analyse me convient, je peux ensuite cliquer sur Annuler. Tout le paramétrage est conservé et donc si on veut modifier un petit peu l'analyse, c'est plus facile. Une méthode plus intéressante, ça va être de caractériser les produits avec des boîtes à moustaches. Donc je vais caractériser les produits pour la variable produit qui m'intéresse et je vais prendre les variables. Je peux prendre les 4 premières variables là encore. Je clique sur Submit et donc j'ai des boîtes à moustaches pour les 4 premiers descripteurs. L'information ici est un peu plus intéressante: on voit que les notes sont toutes entre 0 et 10 mais on voit aussi des effets produits. On voit par exemple que le chocolat mi-doux a des notes plutôt faibles pour l'odeur de cacao. Alors on peut voir que certains noms de produits ne sont pas mis ici. On peut étendre la fenêtre et on a comme ça les noms de tous les produits. Donc là encore, l'analyse me convient, donc je peux cliquer sur Annuler. Je vais caractériser les produits par descripteurs. La variable d'intérêt est la variable produit, je double-clique sur produit. La variable qui correspond au paneliste est ma variable que j'ai appelée juge et je vais ensuite compléter le modèle. Il est important d'écrire le modèle avec produit+ juge parce que le premier effet sera l'effet qui sera principalement étudié, donc l'effet produit. Je complète le modèle, donc je vais rajouter un effet séance plus une interaction produit: séance plus produit: juge plus séance: juge. Je vérifie que mon modèle est bien écrit avec tous les effets. Je clique sur OK. Par défaut, tous les descripteurs sont sélectionnés donc je peux faire Submit ici. Vous voyez que par défaut la variable juge est aléatoire donc le test qui sera fait sur l'effet produit sera le test par rapport à l'interaction juge-produit. Ça c'est important de mettre l'effet produit comme aléatoire. Donc je retrouve ici le tableau intéressant avec les chocolats en ligne et les descripteurs en colonne. Alors ce tableau n'est pas toujours très lisible. La petite ruse est de resserrer ce tableau au maximum, ensuite de le copier comme vectoriel et dans PowerPoint de l'agrandir. L'intérêt sera que les caractères vont grossir également. Il y a une deuxième fenêtre avec les probabilités critiques du test F où là on voit que toutes les probabilités critiques du test F sont très faibles. Alors ça, ce sont les principaux résultats, mais il y a d'autres résultats qui sont sortis. Dans la fenêtre de R Commander, je peux voir les principaux résultats. Les principaux résultats sont dans les objets resf, rest et admin. Alors resf, c'est le tableau avec les tests F et les descripteurs qui sont triés par probabilité critique croissante. Donc le descripteur qui est le plus facile est la saveur de lait avec une probabilité critique très faible et puis ensuite amer, saveur de cacao, etc. Tous les descripteurs sont significatifs ici. rest correspond à l'ensemble des résultats pour la description de chacun des chocolats. Donc le chocolat Excellence est caractéristique au point de vue de l'amertume: il a une amertume qui est plus forte que les autres, un coefficient alpha_i chapeau qui est égal à 2.45, ce qui est significativement différent de 0, ce que je vois avec la probabilité critique. Et donc la moyenne ajustée du chocolat Excellence pour l'amer est de 7.07. Ensuite, ce qui le caractérise, c'est sa saveur sucrée qui est plus faible avec un coefficient de -1.94 et une probabilité critique là encore qui est très significative. Donc on a comme ça l'ensemble des descripteurs qui décrivent chacun des chocolats. Ensuite on a un tableau produit descripteurs avec dans chaque case la moyenne ajustée. Donc ce qu'on peut faire aussi c'est utiliser la fonction barrow results$tabT. Je soumets cette ligne de commande. J'ai des graphes avec les représentations des chocolats, donc un graphe par chocolat et une barre pour chaque descripteur. Les valeurs qui sont au-delà de -2 ou au-delà de 2 m'ont que le coefficient est significativement différent de 0 et donc le chocolat est caractérisé par le descripteur. Alors ici comme j'ai 6 chocolats, je pourrais mettre tous les chocolats sur une même fenêtre et pour cela je vais regarder la fonction barreaux. Dans l'aide de la fonction barreaux, j'ai numr qui correspond au nombre de graphes dessinés en lignes et numc le nombre de graphes dessinés en colonnes. Par défaut, 2 et 2. Ici, je vais pouvoir dire que numr= 3 et numc= 2. Si je relance, j'ai un graphe avec les 6 chocolats sur une même figure. Ces graphes me conviennent. Je peux fermer les graphes et mon analyse est terminée pour la caractérisation des produits. Je peux annuler. On peut aussi faire une description multidimensionnelle des produits, donc caractérisation de produits d'un point de vue multidimensionnel. Donc ça revient à construire l'espace produit. Il faut que je détermine l'effet produit, l'effet du juge. Par défaut, tous les descripteurs sont sélectionnés. Par défaut, les variables sont réduites, la case ici est cochée. Les descripteurs sont sélectionnés quand l'effet produit est significatif avec une probabilité critique de 0.20. Donc on a plutôt tendance à conserver les descripteurs. Les ellipses de confiance sont construites avec un seuil de 5%. Options graphiques: je peux mettre comme option graphique par exemple de conserver le nom de chaque panéliste sur le graphe. Vous allez voir ce que ça donne. Par défaut, c'est le graphe sur les dimensions 1 et 2. Par défaut, le jury virtuel qui est construit est le jury avec le même nombre de juges que dans mon vrai jury. Ici, je pourrais changer par exemple et dire je veux des jurys virtuels avec 12 juges pour voir quels sont les ellipses de confiance. OK, et là je soumets. Donc j'ai le tableau avec les tests de Hotelling qui me disent si les produits sont perçus sensoriellement différents ou non par rapport aux 2 premières dimensions. J'ai un graphe avec les valeurs propres de l'ACP pour savoir combien de dimensions regarder. Ici, 2 dimensions semblent largement suffisantes. Le graphe avec les ellipses autour des produits, le graphe qui va être très intéressant pour voir les différences entre produits. Et je vais commenter et interpréter ce graphe avec le graphe des variables où on voit toutes les variables qui sont représentées avec les points qui correspondent à la visualisation du descripteur par un jury virtuel. J'ai 500 points parce que j'ai 500 jurys virtuels qui ont été construits, 500 points de chaque couleur. Et ici, c'est le graphe avec les produits et en supplémentaire l'information de chaque juge. J'ai un numéro ici pour chaque juge. Le numéro correspond au numéro du juge. Ça peut être intéressant pour voir quel est par exemple le juge qui qui a noté le chocolat 3 un petit peu comme les autres chocolats. Le juge 6 qui n'a pas perçu vraiment de différence entre le chocolat mi-doux et les autres chocolats. Et puis on a le graphe sans les ellipses de confiance qui est un petit peu moins utile. Je peux annuler maintenant puisque cette analyse me convient.