# Installer les packages si vous ne les avez pas déjà installés
install.packages("factoextra")
install.packages("ggplot2")
install.packages("readxl")

# Charger les packages
library(factoextra)
library(ggplot2)
library(readxl)

# Spécifier le chemin complet vers le fichier Excel
chemin <- "~/Downloads/data.xlsx"  # Assurez-vous de remplacer "~" par votre nom d'utilisateur si vous utilisez un chemin absolu.

# Importer les données Excel
data <- read_excel(chemin) 

# Supprimer les colonnes non numériques si nécessaire
data_num <- data[, sapply(data, is.numeric)]

# Vérifier les premières lignes des données pour s'assurer qu'elles sont correctement importées
head(data_num)

# Effectuer l'analyse en composantes principales (ACP)
acp <- prcomp(data_num, scale. = TRUE)

# Résumé de l'ACP
summary(acp)

# Visualiser la variance expliquée par chaque composante
fviz_eig(acp, addlabels = TRUE, ylim = c(0, 50))

# Visualiser les individus dans le premier plan factoriel
fviz_pca_ind(acp, geom = "point", col.ind = "cos2",
             gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), 
             repel = TRUE)

# Visualiser les variables dans le premier plan factoriel
fviz_pca_var(acp, col.var = "contrib", gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
             repel = TRUE)

# Installer les packages si vous ne les avez pas déjà installés
install.packages("psych")
install.packages("readxl")

# Charger les packages
library(psych)
library(readxl)

# Charger à nouveau les données
data <- read_excel("~/Downloads/data.xlsx") 

# Calculer les corrélations inter-items
correlations <- cor(data)

# Afficher les corrélations inter-items
print(correlations)

# Calculer l'alpha de Cronbach
cronbach_alpha <- alpha(data)

# Afficher l'alpha de Cronbach
print(cronbach_alpha)

# Charger le package
library(psych)

# Charger à nouveau les données si nécessaire
data <- readxl::read_excel("~/Downloads/data.xlsx")

# Réaliser une analyse factorielle à partir du critère de Kaiser-Guttman avec ULS
fact_analysis_kaiser <- fa(data, fm = "uls", rotate = "varimax")
kaiser_eigenvalues <- fact_analysis_kaiser$values

# Extraire les valeurs propres
kaiser_factors <- sum(kaiser_eigenvalues > 1)
cat("Nombre de facteurs selon le critère de Kaiser-Guttman:", kaiser_factors, "\n")

# Réaliser une analyse factorielle et afficher le Scree Plot
fact_analysis_scree <- fa(data, fm = "uls", rotate = "varimax")

# Calculer le nombre de facteurs à partir du Scree Plot
scree_factors <- sum(fact_analysis_scree$values > 1)
cat("Nombre de facteurs selon le Scree Plot:", scree_factors, "\n")

# Réaliser une analyse factorielle à partir du critère de Cattell avec ULS
fact_analysis_cattell <- fa(data, fm = "uls", rotate = "varimax")
cattell_factors <- sum(fact_analysis_cattell$values > mean(fact_analysis_cattell$values) + 2 * sd(fact_analysis_cattell$values))
cat("Nombre de facteurs selon le critère de Cattell:", cattell_factors, "\n")

# Effectuer une analyse de la structure parallèle pour obtenir une estimation
# du nombre de facteurs
parallel_factors <- fa.parallel(data, fa = "both", n.iter = 1000)$nfactors
cat("Nombre de facteurs selon l'analyse de la structure parallèle:", parallel_factors, "\n")