Anova

ANOVA 1 et 2 facteurs
Analyse de variance
Ricco Rakotomalala
Universit Lumire Lyon 2
PLAN
1. ANOVA et planification des expriences
2. ANOVA 1 facteur
3. Comparaisons multiples des moyennes
4. ANOVA 2 facteurs
5. Bibliographie
Ricco Rakotomalala
2
Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/
ANOVA (ANalysis Of VAriance)
Et
Planification des expriences
Position du problme :
Exemple introductif
On veut connatre l effet de trois types de fertilisants sur la croissance

des arbres d une plantation
1) Principe de l exprimentation
extraire 3 chantillons (groupes) d arbres et appliquer chaque

fertilisant pour chaque chantillon : comparer ensuite les moyennes
de croissance annuelle des arbres
Variable d intrt Facteur

(variable dpendante) (variable indpendante)
en cm/an par exemple type de fertilisant
Autres exemples Autres exemples
rendement dun paquet daction stratgie de placement
taux de virus dans le sang traitement mdical
Les domaines dtudes sont varis. LANOVA s applique

ds que :
on veut monter une exprimentation
on veut vrifier l effet de variables qualitatives sur une
variable quantitative
Ricco Rakotomalala
Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 3
2) Principe statistique
Indicateur mesur
sur la variable dpendante
Population
originelle

Chaque modalit du facteur
permet de dfinir des sous-populations
(ex: les arbres traits avec le fertilisant
F1,)
Sous-pop 3 1 , 2 , 3
Sous-pop 1 Sous-pop 2
Dans chaque sous-

population, on extrait
des chantillons
Echantillon 1 Echantillon 2 Echantillon 3 x1 , x2 , x3
La problmatique de l ANOVA consiste utiliser les

moyennes observes sur les chantillons pour conclure
des diffrences significatives sur les moyennes
(esprance mathmatique) dans les sous-populations
Ex: pour la plantation, tous les fertilisants sont-ils quivalents, ou

bien y a-t-il un qui soit meilleur (moins bon) que les autres?
Ricco Rakotomalala
3) Problmes pratiques et quelques dfinitions
A) Plan d exprimentation
Dans la pratique, plusieurs problmes peuvent corrompre les

rsultats...
ex: on ne peut pas donner un fertilisant un arbre, il y a des problmes de
diffusion aux arbres voisins (pluie, vent)
Une solution possible serait d effectuer un maillage de la

plantation (on dfinit ainsi des placeaux), on applique un
fertilisant aux arbres qui sont dans le mme placeau
F1
F2
F3
plantation Les fertilisants sont affects au hasard aux placeaux
placeau
Quelques dfinitions
individu statistique : un arbre de la plantation
population : les arbres de la plantation
chantillon exprimental : les arbres dans les 3 placeaux
unit exprimentale : un placeau
Remarque : Dans certains problmes, les units exprimentales sont

confondues avec les individus statistiques (ex: mdecine, le patient est
la fois unit exprimentale et individu statistique)
Ricco Rakotomalala
B) Les facteurs non-contrls
Si la plantation est grande, diffrents facteurs peuvent perturber l

exprimentation
diffrences climatiques, il peut y avoir des zones de micro-climat
facteurs gntiques : les graines n ont peut-tre pas tous la mme
provenance et des arbres voisins (sur le mme placeau) ont toutes les chances
de provenir du mme lot
le sol n est pas de mme qualit dans toute la plantation
Facteurs non-contrls, on sait quils peuvent perturber les rsultats
mais on ne sait pas les prendre en compte explicitement dans l analyse
Le rle du plan dexpriences est de dfinir au mieux

l exprimentation (ex: rpartir les traitements sur les
placeaux) de manire annihiler le rle des facteurs
non-contrls.
C) Les facteurs de blocs
Certains facteurs (que l on connat cette fois-ci) peuvent perturber

les rsultats, il appartient au statisticien de les matriser au mieux
ex: pour valuer un mdicament, les facteurs de blocs peuvent tre

l ge (jeune, adulte, vieux), le sexe (homme, femme) si on doit valuer 2
mdicaments, lun est administr uniquement aux hommes, lautre aux femmes,
la validit des rsultats devient sujette caution...
Mme si ce n est pas l objectif (valuer l efficacit des

mdicaments selon le sexe), il est important d en tenir
compte pour valuer les rsultats (qui est de mesurer lefficacit
du mdicament sans distinction de sexe)
Il est galement possible de supprimer l effet de bloc par une plan

d expriences appropri, par ex. en mettant le mme nombre d hommes et
de femmes dans chaque chantillon
Ricco Rakotomalala
D) Facteurs fixes et facteurs alatoires
Dans lexemple des fertilisants, le nombre de modalits du

facteur est faible (3 fertilisants qui sont tous connus). Que faire
quand il est innombrable, ou que l on ne veut en traiter que
quelques-uns pour infrer sur les autres
Ex: on veut vrifier quil y a un facteur oprateur dans la rparation des roues de
voitures dans un garage ayant plusieurs succursales en Europe (les modalits
du facteurs sont les employs affects ce type de rparation dans les garages)
on ne va pas traiter tous les employs, il est plus intressant d en slectionner au

hasard et d infrer sur le rle du facteur oprateur sur le temps de rparation
Facteur alatoire Facteur fixe

on utilise un chantillon on utilise toutes les modalits ou
des modalits du facteur un sous-ensemble des modalits du
(ex: trois mdicaments parmi facteur
tous les mdicaments traitant les rsultats ne sont valables que
de la grippe) pour ces modalits
partir du rsultat, on infre
sur le reste des autres modalits
pour que le rsultat soit valide,
il est impratif que les modalits
utiliss lors du calcul soient extraits
de manire alatoire
Ricco Rakotomalala
E) Rcapitulatif sur les facteurs de variation
Facteurs de variation
connus inconnus
Rsume dans l erreur

contrls Non-contrls exprimentale, tout ce
que l on ne connat pas
sur le sujet
tudis blocs
L objectif de la planification des

fixes alatoires expriences est dannihiler (contrler) le rle
ventuellement trompeur de ces facteurs
L objectif de l ANOVA est d valuer

l influence de ces facteurs (parfois, le
facteur de bloc peut tre introduit dans
l analyse)
Ricco Rakotomalala
4) Etude prospective - tude rtrospective
Le facteur est contrl - tudi Le facteur est contrl - bloc

on veut mesurer son influence on veut vrifier son influence
sur la variable d intrt sur la variable d intrt sans pour
autant avoir faire une
on est en relation directe avec exprimentation
la planification des expriences,
le facteur est manipul ex: comparer les niveaux de salaire
selon le sexe
ex: comparer les salaires
d embauche selon les coles
d origine
5) Extensions : analyse plusieurs facteurs
Au lieu d un facteur, on peut analyser le rle de deux ou

plusieurs facteurs pris conjointement
Analyse des interactions

Analyse des influences
individuelles
Ex 1 : fertilisant et mode de diffusion des fertilisants

Ex 2 : mdicament et sexe du patient
On peut combiner facteur tudi et facteur de bloc...
Ricco Rakotomalala
ANALYSE DE VARIANCE
UN FACTEUR (One-way ANOVA)
1.A) Hypothse de travail
l unit exprimentale est confondue avec l individu statistique

le plan est compltement randomis
Les modalits du facteur sont affects de

manire alatoire aux units exprimentales
1.B) Hypothses stochastiques
les chantillons sont issus dune population normale (gaussienne)

: on parle de test paramtrique
les variances conditionnelles (variances dans chaque sous-
population) sont identiques : homoscdasticit
les sous-chantillons sont indpendants
En toute rigueur, on devrait vrifier les deux premires

hypothses. En pratique, lANOVA prsente une
certaine robustesse. On en reparle au point n6
Ricco Rakotomalala
2) Description des donnes
P est la population Ce qui induit une

A est le facteur tudier subdivision de la population
(avec p modalits : A1,A2,,Ap) en sous-population
X est la variable d intrt de P1,P2,,Pp
moyenne Dans chaque sous-

population, on a 1, 2,, p
E est l chantillon total,
n nj
d effectif n
E1,Ep sous les sous-
p
chantillons relatifs aux sous-

populations, d effectifs n1,np j 1
sur la variable X, on calcule
les moyennes empiriques
x et x1 , x2 , , x p
Si les nj sont constants d un groupe l autre,
on parle de plans (blocs) quilibrs (balancs)
Ricco Rakotomalala
3) Tableaux de donnes
Deux types de tableaux sont disponibles, les tableaux

a) adapts pour la comprhension du problme et les calculs
la main
b) que l on retrouve sur la plupart des logiciels de statistique
Facteur, qui prend
deux modalits
a) Etudier la puissance des {essence,diesel}
vhicules selon le type de
carburant utilis
pour chaque
essence diesel
modalit du
111 64 facteur, on
111 72 dispose des
Puissance <=>
154 123 observations de la
Variable d intrt 102 123 variable d intrt
115 123 (9 voitures
110
essence, 5
110
110 voitures diesel)
140
puissance carburant
111 essence
111 essence
On dispose de la liste des 154 essence
b) observations, chaque 102 essence
ligne (observations) on 115 essence
observe la valeur prise de 110 essence
la variable d intrt et la 110 essence
valeur prise par le facteur 110 essence
140 essence
Cette reprsentation a 64 diesel
l avantage de s adapter 72 diesel
trs facilement au cas ou 123 diesel
123 diesel
on a deux ou plus de
123 diesel
facteurs
Ricco Rakotomalala
4) Test d hypothse, Indicateurs statistiques
et reprsentations graphiques
L ANOVA consiste construire le test d hypothse

H 0 : 1 2 p

H1 : j , j
La moyenne de la variable dpendante est la mme quelque
soit les groupes dfinis par le facteur, il est gal la moyenne
global ( en filigrane, le facteur n a aucune influence sur la
variable dpendante)
En utilisant les informations suivantes (mesurs sur l chantillon)
x
1
nj
Moyenne conditionnelle (pour chaque facteur) xj
nj
ij
i 1
x nj xj
1 p
Moyenne globale (tous facteurs confondus)
n j 1
des reprsentations graphiques peuvent aider apprhender la
solution (sries de boxplot )
400
300 Mdiane
Mdiane horsepower
130
pour les vhicules

50
horsepower
pour les vhicules essence
200 127
128
129
106
diesel
100
horsepower
0
N= 20 185
diesel gas
Ricco Rakotomalala
fuel-type
5) ANOVA un facteur fixe (Modle I)
Les carts la moyenne peuvent scrire de la manire
xij x ( x j x ) ( xij x j )
suivante :
Ecart entre les Ecart l intrieur

Ecart la moyenne groupes des groupes
globale (dfinis par les
facteurs)
En passant au carr et en faisant les sommations idoines, on obtient
lquation d analyse de variance
ij j ij j
p nj p p nj
( x x ) 2
( x x ) 2
( x x ) 2
j 1 i 1 j 1 j 1 i 1
SCT : somme des carrs totaux SCR : somme des carrs rsiduels
Exprime la variabilit totale des Exprime la variabilit rsiduelle,
observations savoir la variation que le facteur
n arrive pas expliquer
SCE : somme des carrs expliqus

Exprime la variabilit explique, savoir la
variation que le facteur explique
Si le facteur permet de mettre jour une unit de comportement chez les

individus quil regroupe (ex: les individus de mme sexe ont tous les
mme taille), la variabilit rsiduelle est nulle (dans chaque groupe, les
individus sont tous identiques du point de vue de la variable dpendante)
et la variabilit explique est gale la variabilit totale
Ricco Rakotomalala
Calculs
SCT
CMT
n 1
SCE
Carrs moyens CME
p 1
SCR
CMR
n p
Statistique du SCE
test et loi CME p 1
F Fischer ( p 1, n p )
associe sous CMR SCR
l hypothse H0 n p
Loi de Fischer p-1 et n-p

degrs de libert
Pour dcider l acceptation ou le rejet de
l hypothse nulle, il reste comparer la p-value
avec le risque de premire espce que l on s est
choisi
p-value < alors rejeter H0, le facteur a bien
une influence sur la variable dpendante
Tableau d analyse de variance

(tableau rcapitulatif propos par les logiciels)
Degrs de Somme des
Source de variation libert carrs Carrs moyens F p-value
Expliqus p-1 SCE CME CME/CMR
Rsidus n-p SCR CMR
Total n-1 SCT
Ricco Rakotomalala
5) ANOVA un facteur alatoire (Modle II)
L chantillonnage est maintenant deux degrs :

choix alatoire de certaines modalits du facteur
chantillonnage alatoire dans les sous-populations
dcrites par les modalits slectionnes
Dans la pratique, les calculs sont les mmes (ceci est valable
uniquement pour l ANOVA un facteur !!!).
En revanche, dans l interprtation, il est important de noter que l on

juge essentiellement leffet global de la variable indpendante sur la
variable dpendante ici, on ne peut pas dtailler le rle de telle ou
telle modalit du facteur puisque lon peut en changer dune
exprience lautre.
6) Robustesse de l ANOVA
Plusieurs hypothses ont t avances pour poser le calcul

de l ANOVA, quen est-il si certains d entre eux ne sont pas
respects
Normalit de la distribution de X (variable dpendante)

problme : en toute rigueur, les lois de distribution sont invalides
diagnostic : la normalit fait surtout intervenir la symtrie de la distribution, on
peut sen assurer de deux manires
graphiquement : histogramme de frquences
coefficient d asymtrie de Fischer ( 1)
solution 1 : on peut aussi faire des changements de variable (passage au
logarithme, la racine carre) qui symtrise la distribution (ex : distribution
des salaires, trs dissymtrique, en log elle devient symtrique)
solution 2 : en fait, lANOVA est robuste ds que les formes de distribution
sont similaires dans les sous populations (la comparaison peut tre graphique)
Ricco Rakotomalala
Non-homogneit de la variance (htroscdasticit)
problme : les groupes forte variance tirent sur les rsultats
diagnostic : test de Bartlett
H 0 : j , 2 j 2

H1 : j , 2 j 2
x ij x
2
2 i, j
n p
x xj
On utilise les estimations
j 2
ij
i
n j 1
La statistique du test s crit Loi du Chi-2 n-1
n p ln 2 n j 1ln j 2
degrs de libert
j
2 ( n 1)
1 1

1
1
3( p 1) j n j 1 n p
Dcision de rejet de H0 au risque : 2 (n 1) (quivalent p value )
solution : travailler sur des plans quilibrs (mme effectif dans chaque
sous-chantillon) attnue leffet nfaste de lhtrognit des variances
Remarque : Le test de Bartlett nest pas trs robuste par rapport la

non normalit. Mieux vaut utiliser le test de Levene ou de Brown-
Forsythe
Ricco Rakotomalala
7.A) Exemple : longueur des voitures en fonction de leur style
Variable Facteur
dpendante
ANOVA
LENGTH
Sum of Mean
Squares df Square F Sig.
Between Groups 6555.430 4 1638.857 13.381 .000
Within Groups 24495.143 200 122.476
Total 31050.572 204
La longueur des autos diffrent bien

selon leurs styles (au risque 5%)
Ricco Rakotomalala
7.B) ANOVA sous R
#charger les donnes

setwd( votre dossier )
library(xlsx)
autos.1 <- read.xlsx("autos_anova.xlsx",header=T,sheetIndex=1)
print(summary(autos.1))
#boxplot conditionnel
boxplot(length ~ body.style, data = autos.1,cex=0.75,ylab="Length",xlab="Body.Style")
#anova
fit <- aov(length ~ body.style, data = autos.1)
print(summary(fit))
SCE
CME F
= 1.11 x 10-9 < = 0.05
CMR
SCR
Ricco Rakotomalala
COMPARAISON MULTIPLE
DE MOYENNES
L ANOVA met en vidence une influence d un facteur sur

une variable d intrt en utilisant les moyennes, il peut tre
intressant de spcifier nommment sur quelles groupes
porte ces diffrences
Ex: il y a une influence des fertilisants sur les rendements,

quel est le meilleur fertilisant ?
1) Comparaison deux deux des moyennes
1.A - Correction de Bonferroni

H 0 : j j '

H1 : j j '
Pour le test d hypothses suivant
On utilisera la quantit
x j x j'
t jj ' Student (n p )
SCR j SCR j ' 1 1

n j n j ' 2 n j n j '
Qui fournit la p-value comparer avec le risque

de premire espce
Ricco Rakotomalala
Problme
Dans les comparaisons deux deux, on a p*(p-1)/2 tests

faire. Plus on multipliera les tests, plus on augmentera
nos chances de conclure tort
Il est impratif que le risque global de nos comparaisons

deux deux soit quivalent au risque pris pour l ANOVA
Ingalit de Bonferroni Nombre de tests

effectus
Total individuel
T
t 1
On choisit alors comme risque de premire

espce pour les risques individuels (test de
comparaison de deux moyennes)

Risque consenti dans
individuel
l ANOVA
p ( p 1)
2 Equivalent au nombre
de tests effectivement
En toute rigueur, on devrait
raliss
comparer notre p-value avec
cette valeur
Les logiciels de statistique fournissent directement une p-
value corrige que l on peut comparer avec le risque
de l ANOVA
~ p ( p 1)
'
p-value corrige
(borne 1) 2
p-value fournie classiquement dans
Ricco Rakotomalala un test de comparaison de moyenne 21
1.B - Ingalit de Sidak
Total 1 1 individuel
T
t 1
On choisit alors comme risque de premire

espce pour les risques individuels (test de
comparaison de deux moyennes)
2
individuel 1 (1 ) p ( p 1)
1.C Traitements sous R
#comparaison des facteurs deux deux

pairwise.t.test(autos.1$length,autos.1$body.style,
p.adjust="none",pool.sd=T)
#NT nombre de tests effectuer p=5
p = nlevels(autos$body.style) anova = 0.05
NT = p*(p-1)/2
#alpha corrig Bonferroni bonferonni = 0.005
print(0.05/NT) sidak = 0.005116
#alpha corrig Sidak
print(1-(1-0.05)^(1/NT))
Sont les seules

diffrences
considres comme
significatives.
Ricco Rakotomalala
Pas celles-ci ! 22
2) Comparaison par rapport un groupe tmoin (test de Dunnett)
Dans l ANOVA, il existe souvent un groupe de rfrence

contre lequel on veut se comparer
ex: diffrents mdicaments face un placebo
Il y a donc (p-1) tests faire contre ce groupe tmoin
Dunnett utilise l hypothse selon laquelle x x

2
les variance sont homognes dans les

ij
2 i, j
groupes, l estimateur de la variance va donc n p
utiliser toutes les donnes disponibles
La statistique de Dunnet pour une x j xk

comparaison entre un groupe d jk
(correspondant une modalit du SCR 1 1

facteur) avec un groupe tmoin (une n p n j nk
modalit tmoin du facteur) s crit
Dunnet a tabul les valeurs de djk

(les logiciels font automatiquement le

bon calcul et fournissent une p-value
comparable avec de l ANOVA), mais
individuel
dans les faits elle est proche d un test p 1
de Student avec une correction de
Bonferroni ou Sidak, mais o le facteur
de correction s crit
Ricco Rakotomalala
ANALYSE DE VARIANCE
DEUX FACTEURS (A * B)
On veut mesurer maintenant le rle conjoint de deux
facteurs A et B sur la variable dpendante
3 effets sont mesurer

effet de A Effets principaux
effet de B
interaction entre A et B
Exemples :
type de fertilisants et mode dpandage => croissance des arbres
type de fumeur (actif, modr, non-fumeur) et sexe => dure de vie
1) Description des donnes
P est la population
X est la variable d intrt de
moyenne globale
on tudie le rle de deux
facteurs A et B
B est le second facteur
(avec q modalits : B1,B2,,Bq)
A est le premier facteur
(avec p modalits : A1,A2,,Ap)
ij
A et B dfinissent p*q sous - i.
population Pij
on note Pi. (resp. P.j) les . j
individus corresp. A=Ai (B=Bj)
Ricco Rakotomalala
Dans chaque sous-population Pij, on extrait un
chantillon Eij (tirage indpendant et quiprobable)
Dans tout ce qui suit, on considre que le plan
d expriences est quilibr, card(Eij)=n
les rsultats sont plus clairs et plus facilement explicits
Xijr est l observation numro r dans l chantillon Eij

ceci nour permet de dfinir les moyennes croises et
marginales
xij xijr
1 n
n r 1
xi . xij
1 q
q j 1
x. j xij
1 p
p i 1
2) Tableau de donnes
Facile lire mais encombrant

Pratique pour les calculs manuels
aspiration
carburant atmo turbo
52 68
56 65
diesel 58 67
48 102
49 145
essence 67 130
x2, 2, 2 puissanceessence ,turbo , 2

Ricco Rakotomalala
Tables de donnes usuelles
Utilises par les logiciels
carburant aspiration puissance
essence atmo 110
essence atmo 69
essence atmo 112
essence turbo 142
essence atmo 152
essence atmo 94
diesel turbo 106
Reprsentation des moyennes
Tableau crois dynamique

d Excel par exemple x1,1 x1.
Moyenne puissance aspiration
carburant atmo turbo Total
diesel 58.1 98.6 84.5
essence 101.6 138.4 106.4
Total 99.8 124.4 104.3
Graphiques associs
160.0
140.0
140.0
120.0
120.0
100.0
100.0
80.0 diesel
80.0
60.0 essence
60.0
40.0
20.0 40.0
essence
0.0 20.0
diesel
atmo 0.0
turbo
atmo turbo
Celui-ci est plus intressant car il

permet de distinguer les interactions
Ricco Rakotomalala (lorsque les lignes se croisent)
3) Hypothses statistiques
Ce sont les mmes que pour l ANOVA 1 facteur

(normalit de la variable dpendante, effets additifs,
variance homogne dans les groupes)
encore une fois, en passant par un plan quilibr, on

amliore la robustesse du test...
4.A) ANOVA deux facteurs
Hypothses soumises au test (il y en a 3 en tout)
H 0 : i. , i

H 0 : . j , j

H 0 : ij , i, j
Dcomposition de la moyenne
xijr x xi. x x. j x xij xi. x. j x xijr xij
Effets des facteurs Effet de Erreur rsiduelle

principaux l interaction (erreur exprimentale)
A partir de laquelle on extrait l quation d ANOVA
SCT SCE A SCE B SCE AB SCR

Variabilit
Variabilit totale Variabilit rsiduelle
explique
Ricco Rakotomalala
CMT SCT pqn 1
CME A SCE A p 1
Carrs moyens CME B SCEB q 1
CME AB SCE AB ( p 1)( q 1)
CMR SCR pq ( n 1)
Quels sont les rapports de carrs moyens prendre pour
mettre jour les effets (principaux et interactions)
La rponse dpend du type de facteur considr

(fixe ou alatoire)
Pour mettre jour les effets Pour mettre jour

principaux l interaction
Modles FA FB FAB
CME A CMEB CME AB
(I) A et B fixes
CMR CMR CMR
CME A CMEB CME AB
(III) A fixe et B alat.
CME AB CMR CMR
CME A CMEB CME AB
(II) A et B alat.
CME AB CME AB CMR
Ces quantits suivent une loi de Fischer, les degrs de

liberts sont lus dans les dnominateurs des carrs
moyens associs
Ricco Rakotomalala
Puissance des vhicules en fonction
4.B) ANOVA deux facteurs sous R du type de carburant (fuel-type) et le
mode dalimentation (aspiration)
(tests 5%)
#Donnes pour ANOVA 2 facteurs

autos.2 <- read.xlsx("autos_anova.xlsx",header=T,sheetIndex=2)
print(summary(autos.2))
#moyennes conditionnelles
#vs. fuel.type
print(tapply(autos.2$horsepower,list(autos.2$fuel.type),mean))
#vs. aspiration
print(tapply(autos.2$horsepower,list(autos.2$aspiration),mean))
#vs. fuel.type * aspiration

print(tapply(autos.2$horsepower,list(autos.2$fuel.type,autos.2$aspirati
on),mean))
#ANOVA 2 facteurs
fit2 <- aov(horsepower ~ fuel.type + aspiration + fuel.type*aspiration,
data = autos.2)
print(summary(fit2))
ANOVA 2 facteurs
Fuel-type et aspiration influent

sur la puissance, pas leur interaction.
Ricco Rakotomalala
5) Cas particulier de l ANOVA deux facteurs :
ANOVA 1 facteur avec mesures rptes
Exemple : valuer l efficacit de 3 mthodes anti-tabac

(A1,A2,A3)
de manire classique, on construirait 3 chantillons (E1,E2,E3)

sur lesquelles on applique respectivement A1,A2 et A3
Cette procdure est compltement quivalente avec le

schma de tirage d urne de la randomisation
Ne peut-on pas imaginer un mode d exprimentation plus

judicieux (qui nous mettrait par exemple l abri des
facteurs de blocs)
On peut utiliser le procd suivant

appliquer la mthode A1 l individu i
une semaine plus tard, appliquer A2 au mme individu i
une semaine plus tard, appliquer A3 au mme individu i
C est un plan d expriences mesures rptes

la variable d intrt est mesure plusieurs fois sur le
mme individu
Ricco Rakotomalala
Tableau de donnes
facteur
individu A1 Aj Ap
1
i Xij
Facteur 1 = Facteur individu (forcment alatoire)

Facteur 2 = Facteur A (fixe ou alatoire)
L ensemble des modalits est
en fait la population ici
Particularits
on utilise moins d individus que dans un plan compltement

randomis
la sensibilit des rsultats est meilleure dans le sens o
on dtecte mieux les effets
Dans le jugement de l effet du facteur A, on
enlve l incertitude lie au fait que l on
utilise des individus diffrents dans les
groupes - les facteurs de bloc sont annihils
danger : ce plan peut tre impraticable sil y a des

phnomnes daccoutumance (test des posologies en
mdecine), dapprentissage (valuation des tests de QI en
psychologie) ou daccumulation (fertilisants successifs sur le
mme arbre)
Ricco Rakotomalala
Dcomposition de la moyenne
xij x xi. x x. j x xij xi. x. j x
Facteur individu Facteur A Joue le rle de

facteur rsiduel ici
L interaction entre le facteur et lindividu n existe pas
Carrs moyens et F calculs
( xij x ) 2
CMT SCT np 1 i j
np 1
n ( xi . x ) 2
CME I SCEI n 1 j
n 1
CME A SCE A p 1
p ( x. j x ) 2
i
p 1
CME IA SCEIA ( p 1)( n 1) SCT SCEI SCE A ( p 1)( n 1)

L effet du facteur A est alors transcrit par
Fischer p 1, ( p 1)(n 1)
CME A
FA
CME IA
On utilise tout simplement la p-value pour
prendre une dcision
Ricco Rakotomalala
Bibliographie
Abdi H., Introduction au traitement statistique des donnes

exprimentales , PUG, 1987.
Dagnelie P., Statistique thorique et applique Tome 2.

Infrence statistique une et deux dimensions , De Boeck,
2011.
Guenther W., Analysis of variance , Prentice-Hall, 1964.
Scherrer B., Biostatistique , Vol. 1, 2me Edition, Gatan Morin

Editeur, 2007.
Sheskin D.J., Handbook of Parametric and Nonparametric

Statistical Procedures , Chapman & Hall, 2007.
et les trs nombreux supports de cours sur Internet.

Ex. Arnold S., STAT 502 : Analysis of Variance and Design of
Experiments , PennState Eberly College of Science, 2008 ;
https://onlinecourses.science.psu.edu/stat502/
Ricco Rakotomalala

Anova

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Anova

Uploaded by

Copyright:

Available Formats

ANOVA 1 et 2 facteurs

1. ANOVA et planification des expriences

3. Comparaisons multiples des moyennes

On veut connatre l effet de trois types de fertilisants sur la croissance

extraire 3 chantillons (groupes) d arbres et appliquer chaque

Variable d intrt Facteur

Les domaines dtudes sont varis. LANOVA s applique

Dans chaque sous-

Echantillon 1 Echantillon 2 Echantillon 3 x1 , x2 , x3

La problmatique de l ANOVA consiste utiliser les

Ex: pour la plantation, tous les fertilisants sont-ils quivalents, ou

Dans la pratique, plusieurs problmes peuvent corrompre les

Une solution possible serait d effectuer un maillage de la

plantation Les fertilisants sont affects au hasard aux placeaux

Remarque : Dans certains problmes, les units exprimentales sont

Si la plantation est grande, diffrents facteurs peuvent perturber l

Le rle du plan dexpriences est de dfinir au mieux

C) Les facteurs de blocs

Certains facteurs (que l on connat cette fois-ci) peuvent perturber

ex: pour valuer un mdicament, les facteurs de blocs peuvent tre

Mme si ce n est pas l objectif (valuer l efficacit des

Il est galement possible de supprimer l effet de bloc par une plan

Dans lexemple des fertilisants, le nombre de modalits du

on ne va pas traiter tous les employs, il est plus intressant d en slectionner au

Facteur alatoire Facteur fixe

Rsume dans l erreur

L objectif de la planification des

L objectif de l ANOVA est d valuer

Le facteur est contrl - tudi Le facteur est contrl - bloc

5) Extensions : analyse plusieurs facteurs

Au lieu d un facteur, on peut analyser le rle de deux ou

Analyse des interactions

Ex 1 : fertilisant et mode de diffusion des fertilisants

On peut combiner facteur tudi et facteur de bloc...

1.A) Hypothse de travail

l unit exprimentale est confondue avec l individu statistique

Les modalits du facteur sont affects de

1.B) Hypothses stochastiques

les chantillons sont issus dune population normale (gaussienne)

En toute rigueur, on devrait vrifier les deux premires

P est la population Ce qui induit une

moyenne Dans chaque sous-

E est l chantillon total,

chantillons relatifs aux sous-

Deux types de tableaux sont disponibles, les tableaux

L ANOVA consiste construire le test d hypothse

En utilisant les informations suivantes (mesurs sur l chantillon)

pour les vhicules

Les carts la moyenne peuvent scrire de la manire

Ecart entre les Ecart l intrieur

SCE : somme des carrs expliqus

Si le facteur permet de mettre jour une unit de comportement chez les

Loi de Fischer p-1 et n-p

Tableau d analyse de variance

L chantillonnage est maintenant deux degrs :

En revanche, dans l interprtation, il est important de noter que l on

Plusieurs hypothses ont t avances pour poser le calcul

Normalit de la distribution de X (variable dpendante)

Dcision de rejet de H0 au risque : 2 (n 1) (quivalent p value )

Remarque : Le test de Bartlett nest pas trs robuste par rapport la

La longueur des autos diffrent bien

#charger les donnes

L ANOVA met en vidence une influence d un facteur sur

Ex: il y a une influence des fertilisants sur les rendements,