# Charger les bibliothèques nécessaires
library(readxl)
library(psych)

# Lire le fichier Excel
matrice_ownership_ <- read_excel("Downloads/matrice ownership .xlsx")
View(matrice_ownership_)


# Test KMO et Bartlett
library(psych)
kmo_result <- KMO(matrice_ownership_)
bartlett_result <- cortest.bartlett(matrice_ownership_)
print(kmo_result)
print(bartlett_result)
# Calculer l'alpha de Cronbach pour les colonnes 1 à 9
cronbach_result <- alpha(matrice_ownership_[, 1:9])
# Afficher les résultats
print(cronbach_result)

# Convertir les données en matrice
data_matrix <- as.matrix(matrice_ownership_)

# Effectuer l'analyse factorielle avec 2 facteurs
fa_result <- fa(data_matrix, nfactors = 2, rotate = "varimax")

# Obtenir les scores factoriels pour chaque observation
factor_scores <- fa_result$scores  # scores factoriels

# Créer un indice composite comme la moyenne des scores factoriels de chaque ligne
composite_index <- rowMeans(factor_scores, na.rm = TRUE)

# Ajouter la colonne 'Y' dans le DataFrame
data <- data.frame(matrice_ownership_) # S'assurer que data est un DataFrame
data$Y <- composite_index  # Utiliser l'indice composite comme Y

# Afficher les premières lignes pour vérifier que la colonne 'Y' a bien été ajoutée
print(head(data))

# Sauvegarder le DataFrame avec le nouvel Y dans un fichier CSV
write.csv(data, "Downloads/output_with_Y.csv", row.names = FALSE)