Manuel RTBfoods - Partie 3 - Tutoriel analyses statistiques (ACP et régression multiple) pour visualiser les données de l'analyse sensorielle et les relier aux données instrumentales. Biophysical Characterization of Quality Traits, WP2

Bugaud Christophe, Maraval Isabelle, Meghar Karima. 2022. Manuel RTBfoods - Partie 3 - Tutoriel analyses statistiques (ACP et régression multiple) pour visualiser les données de l'analyse sensorielle et les relier aux données instrumentales. Biophysical Characterization of Quality Traits, WP2. Montpellier : RTBfoods Project-CIRAD, 26 p.

https://doi.org/10.18167/agritrop/00738

Document technique et de recherche

Prévisualisation

Version publiée - Français
Sous licence

.
RTBfoods_Manuel_Analyses Statistiques pour Visualiser les Données Sensorielles et les Relier aux Données Instrumentales.pdf
Télécharger (602kB) | Prévisualisation

Résumé : Après l'évaluation sensorielle par un panel entrainé et validé, et biophysique par des mesures instrumentales des différents produits, il est alors possible de mener des traitements statistiques pour interpréter les résultats. L'objectif de ce tutoriel, utilisant le logiciel XLSTAT, est de réaliser et d'interpréter 2 types de traitements statistiques : (1) l'analyse en composante principale (ACP) qui permet de visualiser rapidement les corrélations entre les attributs sensoriels et de visualiser les produits entre eux, et (2) la régression linéaire qui permet de prédire les attributs sensoriels à partir des paramètres biophysiques (texturaux, biochimiques). Au préalable, les performances du panel ont été contrôlées et les données sensorielles ont été préparées pour l'analyse statistique (voir Manuel RTBfoods - Partie 2 - Tutoriel contrôler les performances du panel et préparer les données en analyses sensorielles avant les traitements statistiques, DOI: 10.18167/agritrop/00583). Dans tous les cas, le tutoriel s'appuie sur un exemple présenté dans un fichier Excel permettant de franchir toutes les étapes et qui a fait l'objet d'une publication. L'ACP a été centrée sur les données sensorielles pour visualiser les tendances majeures et la diversité sensorielle entre groupes de produits et entre produits. Elle permet aussi de mesurer les écarts entre produits répétés qui symbolisent la performance du panel (si les produits sont bien identiques). La régression linéaire multiple a été utilisée pour prédire les attributs sensoriels à partir de paramètres biophysiques. Pour cela, le jeu de données a été scindé en 2 jeux de données : un jeu de calibration représentant ¾ des données et un jeu de validation. Trois indicateurs de prédiction ont été calculés permettant d'évaluer à la fois la précision et la robustesse de la prédiction : le coefficient de détermination (R²) et l'écart moyen entre les valeurs observées et prédites (RMSEC) sur le jeu de calibration et l'écart moyen entre les valeurs observées et prédites sur le jeu de validation (RMSEV). La pertinence de la validation et le nombre minimum d'observations nécessaire à la construction de modèles prédictifs ont été discutés.

Mots-clés libres : Profil sensoriel, Mesure instrumentale, Analyse en composante principale, Régression linéaire multiple, Calibration, Validation, RMSE

Agences de financement hors UE : Bill and Melinda Gates Foundation, Bill and Melinda Gates Foundation, Centre de Coopération Internationale en Recherche Agronomique pour le Développement, Centro Internacional de Agricultura Tropical, Institut National de Recherche pour l'Agriculture, l'Alimentation et l'Environnement, James Hutton Institute

Projets sur financement : (FRA) Breeding RTB Products for End User Preferences

Auteurs et affiliations