In PCA, positive and negative values in component loadings mirror variables’ positive and negative correlation with principal components. Here is a detailed explanation.

Bedre, R. (2021, November 7). Principal component analysis (PCA) and visualization using Python (Detailed guide with example). Data science blog. https://www.reneshbedre.com/blog/principal-component-analysis.html

Good luck,

Mohialdeen Alotumi Thanks ^_^

Of course, if you do linear regression with a likert scale...

Logistic regression is more logical here.

You can do this with this software:

www.lerenisplezant.be/fitting.htm

Bonjour mon cher,

Je suppose qu'en réalisant votre acp, c'est dans le but construire un score à partir de vos données recueillies au moyen d'une échelle de likert.

Si c'est le cas, je tiens dans un premier temps à vous rassurer que les valeurs obtenues en prédisant le score peuvent être négatives ou positives (comme expliqué plus haut). Cependant, si vous souhaiter avoir des valeurs comprises entre 0 et 1 afin de pouvoir les comparer, vous devez normaliser le score obtenu. L'une des méthodes (il y en a plusieurs) les plus utilisées est celle du min max qui consiste à soustraire le minimum à chaque valeur, puis diviser le tout par l'étendue (max - min). Ainsi, tous vos scores varient entre 0 et 1.

J'ai cependant une réserve sur le choix d'une acp. Les données obtenues à l'aide de l'échelle de likert, bien que codées en chiffres, ne restent pas moins des données catégorielles. C'est a dire qualitatives. De mon point de vue, une amc (analyse en correspondances multiples) serait plus appropriée.

Merci et bonne suite dans vos travaux.