Analyses de Variance - Anova

ANALYSES DE VARIANCE - ANOVA
Introduction aux
Statistiques
Citation :
Introduction aux statistiques - © 1996, Ramousse R., Le
Berre M. & Le Guelte L.
5.3. Comparaisons de plusieurs échantillons; les ANALYSES

DE VARIANCE ou ANOVA
5. 3. 1. Définition et démarche générale
Les analyses de variance ou analyses factorielles sont des techniques permettant de savoir si
une ou plusieurs variables dépendantes (appelées aussi variables endogènes ou variables à
expliquer) (valeurs numériques et continues [c-à-d des effectifs, des rapports comme des
longueurs ou des poids, etc..] = disposées dans différentes lignes d’un tableau) sont en
relation avec une ou plusieurs variables dites indépendantes (ou variables exogènes ou
variables explicatives) (disposées dans différentes colonnes d’un tableau).
Rappel : qu’est-ce que la variance :
C’est la somme des carrés des écarts par rapport à la moyenne / nombre
de degrés de liberté = SCE/ddl (ceci lorsque le nombre d’individus
composant l’échantillon est réduit ; sinon, utiliser N’=N). La variance est le
carré de l’écart-type.
La variance d’un échantillon peut se calculer manuellement, ou à l’aide

d’Excel, ou avec Statview II.
Quatre situations principales peuvent être rencontrées, cependant, nous ne développerons que
la première :
•Avec une seule variable dépendante (à expliquer), et une ou plusieurs variables explicatives
discrètes (dites aussi catégorielles, qualitatives, nominales, de classification = ne pouvant donc
prendre qu'un nombre limité de valeurs comme le sexe, la catégorie socio-professionnelle,
etc...) on utilise l'analyse de variance. On appelle facteurs les variables explicatives.
L'analyse consiste à tester si les différences de variation dans chaque groupe (ou
http://www.cons-dev.org/elearning/stat/parametrique/5-3/5-3.html[26/04/2018 07:48:05]
échantillon) défini par les modalités des variables explicatives s'écartent de manière
significative de la valeur 0.
•Avec toujours une seule variable à expliquer, mais une ou plusieurs variables explicatives,
toutes continues, on fait appel au modèle de régression linéaire simple ou multiple : on
appelle régresseurs les variables explicatives. La régression consiste à évaluer les paramètres
d'une fonction linéaire, à estimer à l'aide de cette fonction les valeurs de la variable à expliquer
et à tester si les différences (= les résidus) entre valeurs mesurées et valeurs estimées
s'écartent de manière significative de 0.
•Lorsque certaines des variables explicatives sont discrètes (discontinues), et d'autres

continues, on réalise une analyse de la covariance. Le modèle se compose donc à la fois de
facteurs et de régresseurs. On cherche si les relations entre la variable à expliquer et les
variables explicatives continues restent les mêmes pour toutes les modalités des variables
explicatives discrètes.
•Lorsqu'il y a plusieurs variables à expliquer à prendre en compte simultanément, au lieu de

faire plusieurs analyses de variance (une par variable à expliquer), on réalise une analyse de
variance multiple. On teste si les différences de variation dans chaque groupe défini par les
modalités des variables explicatives s'écartent de manière significative de la valeur 0, et cela
de manière simultanée dans l'ensemble des variables explicatives (d'où la différence avec
l'analyse de variance simple).
5.3.2. Vérification de la normalité des échantillons
Seuls des échantillons suivant une loi normale peuvent faire l’objet d’une analyse de
variance paramétrique. Pour vérifier que la distribution d’un échantillon suit une loi normale,
il est possible d’utiliser, dans Statview II, le test descriptif d’aplatissement et d’asymétrie (de
kurtosis and skewness, en anglais).
On considère que l’échantillon suit une loi normale à 95 % lorsque la valeur de son
aplatissement est compris enttre -2 et +2.
5.3.3. Homoscédascticité des variances par le test de Hartley
On calcule les différentes variances pour chacun des échantillons à comparer, et on fait le
rapport de la plus grande sur la plus petite, ce rapport est F.
Cette valeur est comparée, dans une table de Hartley (ou du Fmax), à une valeur théorique
et doit lui être inférieure pour un seuil de risque choisi (par exemple, 95 %) pour conserver
l'hypothèse d'homogénéité des variances.
Les d.d.l. sont, pour la colonne de la table du Fmax, le nombre de traitements (=k) (colonnes
de données), et pour la ligne de la table, le nombre de données du plus grand échantillon - 1
(=n-1).
5.3.4. Analyse de variance à un facteur pour échantillons indépendants.
L'hypothèse nulle H0 est l'égalité des moyennes des populations dont sont extraits
les échantillons : m1=m2=m3=...=mk
5.3.4.1. Principe
Notation : Le nombre d'échantillons est noté k, le nombre de mesures par échantillon est
désigné par n et le nombre total de mesures, kn.
L'analyse de variance à un facteur (one-way analysis of variance) va consister à chercher le

rapport entre la variance entre les groupes (V. inter-groupe) et la variance à l'intérieur des
groupes (V. intra-groupe).
La valeur de ce rapport appelé F [attention : ce F n’a rien a voir avec le F du test de

vérification de l’homogénéité des variances] est comparée à celle d'une table de F de
Snedecor, table à double entrée avec pour numérateur le [nombre d'échantillons (k) moins
un] soit (k-1) et pour dénominateur le [nombre total de mesures - k] soit (kn-k).

1. Manuellement, on calcule :
a) la variance totale par rapport à la moyenne globale des n mesures ;
b) la variance intra-groupes (celle qui n'est pas liée aux conditions

expérimentales).
2. Par différence [a-b] on obtient la variance inter-groupes (qui est

liée aux différences de conditions expérimentales).
a = [a-b] + b
Variance totale = Variance inter-groupe + Variance
intra-groupe
[SCE à la moyenne générale] = [SCE factorielle] + [SCE
résiduelle]
=
3. On calcule le rapport :
F = variance inter-groupes/variance intra-groupes ou résidu.
[attention : ce F n’a rien à voir avec le F du test de vérification de

l’homogénéité des variances]
Notation :
Le terme "traitement" peut être remplacé par "variable expérimentale" ou

"condition expérimentale" ou quoi que ce soit qui différencie les groupes
(colonnes). De même, le terme "individu" peut concerner différentes entités :
des points de prise d'échantillons le long d'une rivière, des êtres vivants, etc
(lignes) ...
traitement 1 traitement j traitement k
... ... ...
... ... ...
Calculs intermédiaires à réaliser pour un traitement manuel (ou avec un

tableur) :
Ti Tj Tk G totaux
somme des carrés
moyennes
(1) (2) (3)
Décomposition de l'analyse de variance :
SCE (3)-(1) ddl : k-1

traitements -
SCE erreur (2)-(3) ddl : kn-k
-
SCE total (2)-(1) ddl : kn-1
-
5.3.4.2. Exemple 1
5.3.4.2.1. Sujet et solution manuelle
On veut savoir si la quantité de nitrates varie d'une station à l'autre le long d'une rivière. Pour
cela, on prélève en 10 points (n=10) chaque fois une certaine quantité d'eau dans 3 stations
différentes (k=3).
Nitrates Station 1 Station 2 Station 3

50,00 162,00 120,00
52,00 350,00 120,00 n
123,00 125,00 122,00 10
100,00 320,00 221,00
200,00 112,00 253,00
250,00 200,00 141,00
220,00 40,00 182,00 k
220,00 162,00 175,00 3
300,00 160,00 160,00
220,00 250,00 214,00
T1 T2 T3 total : G
sommes 1735,00 1881,00 1708,00 5324,00
moyennes 173,50 188,10 170,80 177,47
S (x 2 ) 368033,00 +435257,00 +311560,00 =
1114850,00
Somme des carrés des écarts (SCE) entre traitements 1732,47
(inter-groupe) = ou =(S(moyTj-moyX)2)*n
Sommes des carrés des écarts (SCE) expérimentales total
(erreur exp) ou résidu (intra-groupe) = - ou

= S(S( X-moy T)2)
erreur = 67010,50 81440,90 19833,60 168285,00
Somme totale des carrés des écarts = 170017,47
- ou S(X-moyX) 2
D’où :
Variance inter-groupes = SCE inter-groupes/ddl = 1732,47/2 = 866,23
Variance intra-groupes = SCE intra-groupes/ddl = 168285/27 = 6232,78
Calcul de F = Variance inter-groupes / Variance intra-groupes = 0,14
5.3.4.2.2. Utilisation de Statiew II
Les échantillons à comparer étant indépendants, on disposera l’ensemble des mesures dans
une seule colonne (Y1) et les numéros des échantillons des individus dans une seconde
colonne (X1).
Conclusion du test statistique : La valeur de P étant largement supérieure au seuil de

signification 0,05, on conserve donc l’hypothèse nulle (pas de différence significative entre les
échantillons).
Conclusion de l’expérience : pour cette série de mesures, on peut donc conclure que les
taux de nitrates des trois stations ne diffèrent pas significativement ou que ces 3 stations ne
diffèrent pas significativement par leur taux de nitrates avec une seuil de signification (risque
d’erreur) de 5%.
5.3.4.3. Autre exemple
On dispose de k=3 échantillons comprenant n=5 individus dont les valeurs sont données dans
le tableau ci-après : il s’agit des différences de temps de réaction pour trois souches de souris
soumises à une même expérience.
Souche 1 Souche 2 Souche 3

7 3 0
6 3 0
6 3 1
5 4 1
5 5 2
Analyse de la variance (Statview II)
Source : DDL S. des Carré Test-F

carrés moyen :
Entre 2 62,8 31,4 42,8182
groupes
Intra- 12 8,8 ,7333 p=,0001
groupes
Total 14 71,6
Estimation de la variance entre composants = 6,1333
Dans cet exemple, la valeur de F(2,12) est très supérieure au seuil de signification de 1% :
6,93. La probabilité exacte calculée est de 0,0001.
L’hypothèse nulle est donc rejetée. On considère que les 3 échantillons diffèrent
significativement (la probabilité de se tromper est de 0,0001).
Groupe Fréquence Moyenne Déviation Erreur

standard standard
Groupe 1 5 5,8 ,8367 ,3742
Groupe 2 5 3,6 ,8944 ,4
Groupe 3 5 ,8 ,8367 ,3742
N.B. : Déviation standard = écart-type = racine carrée de la variance. Erreur standard =

erreur type = écart-type/Racine carrée de n
Comparaison Diff. PLSD de F de t de

moyenne Fischer Scheffé Dunnett
Groupe 1 vs 2,2 1,1802* 8,25* 4,062
Groupe 2
Groupe 1 vs 5 1,1802* 42,6136* 9,2319
Groupe 3
Groupe 2 vs 2,8 1,1802* 13,3636* 5,1698
Groupe 3
* significatif à 95%
La significativité des tests PLSD de Fischer et F de Scheffé permet de considérer qu’il y a une
différence significative entre les souches 1, 2 et 3 de souris testées.
Ces trois souches réagissent donc de façon significativement différentes au traitement : le

groupe 3 présente des temps de réaction significativement plus courts que les deux autres
groupes. Le groupe 1 est le plus lent.
5.3.5. ANOVA avec mesures répétées sur les mêmes individus
Cette situation correspond aux échantillons appariés des tests pour deux échantillons.
5.3.5.1. Décomposition de la variance
individu traitement traitement traitement total moyenne

1 j k
1 P1 moyP1
2 P2 moyP2
... ... ... ... ... ...
i Pi moyPi
... ... ... ... ... ...
n Pn moyPn
total T1 Tj Tk G moyPn
moy moy T 1 moy T j moy T k moyG
Calculs à réaliser dans le cas d’un traitement manuel (ou avec un tableur) :
(1)? ? (2)? ?(3)? ?(4)?
Décomposition de l'analyse de variance :
SCE inter- (4)-(1) = ddl : n-1

individus = -
SCE intra- (2)-(4) = ddl : n(k-1)
individus = -
SCE inter- (3)-(1) = ddl : k-1
traitements = -
SCE résidu (ou (2)-(3)- ddl : (n-
intra-t)= (4)+(1) = - - + 1)(k-1)
SCE total = (2)-(1) = ddl : kn-1

-
5.3.5.2.. Exemple 1
5.3.5.2.1. Sujet et solution manuelle
Pour simplifier, on reprend les valeurs de l’exemple précédent (§3.2.), en considérant qu'elles
correspondent cette fois à la quantité de nitrates mesurée aux mêmes points de
prélèvements, au cours de 3 saisons, dans une station le long d'une rivière.
X1 X2 X3 total
50,00 162,00 120,00 332,00
52,00 350,00 120,00 522,00
123,00 125,00 122,00 370,00
100,00 320,00 221,00 641,00
200,00 112,00 253,00 565,00
250,00 200,00 141,00 591,00 n

220,00 40,00 182,00 442,00 10
220,00 162,00 175,00 557,00 k
300,00 160,00 160,00 620,00 3,00
220,00 250,00 214,00 684,00 total=G
total 1735,00 1881,00 1708,00 5324,00 5324,00
944832,53
(1)=
(2)= 1114850
1735^2/n+1881^2/n+1708^2/n 946565,00
(3)=
332^2/k+522^2/k+...684^2/k 985621,33
(4)=
Somme carrés totale ou = S(Xij-moyX) 2

(2)-(1) 170017,47
se décompose en :
Somme carrés inter-individus ou
(4)-(1) 40788,80
= k*(S(Pi/k-moyX) 2 )
et somme carrés intra-individus ou
(2)-(4) 129228,67
= S( Xij-Pi/k )2
Cette dernière se décompose en 2 parties :
(3)-(1) 1732,47
somme carrés inter-traitements ou =n* (_(moyTj-moyX) 2 )
et somme résiduelle des carrés ou
(2)-(3)-
127496,20
=somme carrés totale - somme carrés interindividus - somme (4)+(1)
carrés intertraitements
5.3.5.2.2. Utilisation de Statview II
Présentation des données : les échantillons étant appariés (mesures répétées), les valeurs
mesurées sont placées dans des colonnes différentes affectées des variables X1, X2, X3, Xn.
Conclusion du test statistique : La valeur de P étant largement supérieure au seuil de

signification 0,05, on conserve donc l’hypothèse nulle (pas de différence significative entre les
mesures répétées).
Conclusion de l’expérience : pour cette série de mesures, on peut donc conclure que les
taux de nitrates des trois séries de mesures ne diffèrent pas significativement ou que cette
station ne présente pas de variation significative du taux de nitrates, au cours des trois saisons
de mesure, avec un seuil de signification (risque d’erreur) de 5 %.
5.3.5.2.3. Autre exemple numérique
On étudie l’influence d’une substance sur le temps de réaction de n=5 sujets préalablement
entraînés à répondre à un stimulus. L’ordre selon lequel chaque substance est administrée à
chaque sujet est déterminé de manière aléatoire. Une durée suffisante est observée entre
l’administration de deux substances différentes. Les résultats obtenus sont des temps de
réaction sous l’influence de chacune des k=4 substances testées.
n Substance Substance Substance Substance Total

1 2 3 4
individu 30 28 16 34
1
2
3
4
5
Source: ddl : S. des Carré Test-F Valeur P

carrés moyen
Inter- 4 680,8 170,2 3,148 ,0458
individus
Intra- 15 811 54,0667
individus
Facteur 3 698,2 232,7333 24,7589 ,0001
répété
Résidus 12 112,8 9,4
Total 19 1491,8
Fiabilité pour : toutes les séries = 0,6823 ; une seule série = 0,3494
Groupe Fréquence Moyenne Déviation erreur

stand stand
Colonne 5 26,4 8,7636 3,9192
1
Colonne 5 25,6 6,5422 2,9257
2
Colonne 5 14,6 3,8471 1,7205

3
Colonne 5 32 8 3,5777
4
Comparaison Diff. PLSD de F de t de

moyenne Fischer Scheffé Dunnett
Col. 1 vs col. ,8 4,225 ,057 ,413
2
Col. 1 vs 10,8 4,225* 10,34* 5,57
col.3
Col. 1 vs col. -5,6 4,225* 2,78 2,888
4
Col. 2 vs col. 10 4,225* 8,865* 5,157
3
Col. 2 vs col. -6,4 4,225* 3,631* 3,301
4
Col.3 vs col. -16,4 4,255* 23,884* 8,458
4
* significatif à 95%
Ce tableau permet de compléter l’ANOVA en comparant les moyennes des groupes (colonnes)
deux à deux. Les tests proposés par Staview sont : le PLSD de Fischer, le F de Scheffé et le t
de Dunnett.
Le PLSD de Fischer (Procédure de " least significant difference method " de Fisher) est
utilisé pour tester l’hypothèse nulle que toutes les moyennes de la population sont égales. C’est
une méthode pour contrôler les erreurs de type 1 lorsque l’on compare plusieurs paires de
moyennes. Lorsque les résultats de l’ANOVA sont significatifs, on peut comparer les moyennes
des groupes 2 à 2 en utilisant un test de t.
Le F de Scheffé permet de déterminer si, après une ANOVA significative, les moyennes de 2
des groupes de la variable indépendante diffèrent. Le test de Scheffé ne demande pas que tous
les échantillons utilisés dans l’ANOVA aient la même taille. Le test de Tukey, lui, nécessiterait
des échantillons de même taille. Ce test très conservatif ne devrait être utilisé que quand tous
les échantillons de l’ANOVA ont des tailles différentes.
L'intervalle de Scheffé associe l'erreur d'estimation pour chaque moyenne en utilisant la

méthode de F-distribution. Cela permet de faire des comparaisons linéaires parmi les moyennes
de l'échantillon tout en contrôlant le taux d'erreur (" experiment wide error rate") à un
niveau défini.
Le test de Dunnett est un test spécialisé pour la comparaison multiple. Le test de Dunnett
est employé quand les comparaisons ne sont faites qu’avec le groupe témoin contre tous les
autres groupes.
Autres tests de comparaison de moyennes non disponibles dans Statview II :
Le HSD (honestly significant difference ) intervals de Tukey : La technique du HSD de

Tukey permet de comparer toutes les paires de moyennes et d'y montrer des différences avec
un risque alpha. La technique du HSD permet de spécifier un " family confidence level" pour
les comparaisons que vous entreprenez, au contraire de la méthode du LSD qui contrôle le
niveau d’erreur pour une seule comparaison. L'intervalle du HSD est plus large que celui du
LSD, ce qui rend plus difficile de déclarer qu'une paire de moyennes diffère significativement.
Le test HSD est de ce fait plus conservatif.
La procédure de Newman-Keuls: C'est une procédure de comparaisons multiple qui permet

de comparer toutes les paires de moyennes en contrôlant le risque alpha global, à un niveau
défini. C'est une procédure par étape, reposant sur une Studentized range distribution .
Bien qu'il ne fournisse pas d'estimation de l'intervalle de différence entre chaque paire de
moyennes, il indique quelles moyennes sont significativement différentes des autres.
Les intervalles de Bonferroni : permettent de comparer plusieurs moyennes. Cette méthode

s'applique que la taille des groupes soit la même ou non. Utilisant la F-distribution, il génère
des intervalles qui permettent de faire un nombre défini de comparaisons linéaires parmi les
moyennes de l’échantillon (sample means ) tout en contrôlant le taux d’erreur expérimental à
un niveau défini (specified level). Dans les procédures des STATLETS ANOVA, le nombre de
comparaisons est défini pour vous permettre de comparer les différences entre toutes les
paires de moyennes.
Procédure de Duncan : c’est une procédure de comparaisons multiples qui permet de

comparer toutes les paires de moyennes, en contrôlant le risque alpha général à un niveau
défini. C’est une procédure par étape, reposant sur une Studentized range distribution .
Bien qu’elle ne fournisse pas d’estimation d’intervalles pour la différence entre chaque palier de
moyennes, cette procédure indique quelles moyennes sont significativement différentes les
unes des autres.
5.3.6. Remarque importante
Les calculs d'analyse de la variance comme, d'ailleurs, l'emploi du test t de Student-Fisher ou

du test F de Snédécor ne sont strictement valables que si les populations échantillonnées sont
distribuées selon la loi de Laplace-Gauss (plutôt que " normalement ").
Or, le plus souvent, cette condition n'est qu'approximativement réalisée : la distribution de

Laplace-Gauss n'est qu'un modèle théorique, et revêt, par rapport aux distributions réelles, le
même degré d'abstraction que les figures géométriques par rapport aux objets réels.
Ainsi, la distribution des prix d'un produit présente, en général, une certaine asymétrie (vers la
gauche); mais elle est suffisamment faible pour que cette distribution puisse être considérée,
en première approximation, comme normale.
On s'exposerait, au contraire, à des erreurs grossières en étendant ces tests à des données
(salaires, tailles des entreprises) dont la distribution est fortement asymétrique.
Cependant, de nombreuses études ont montré que l'analyse de variance est peu sensible à la
non-normalité des populations-parents et à l'inégalité des variances. Il suffit en pratique
d'éviter son emploi lorsque les distributions des populations-parents sont très différentes
(distributions en i ou en j par exemple ou sont de forme très différente de l'une à l'autre (en
cloches à dissymétries de sens opposés par exemple) surtout sur de petits échantillons. Il est
souvent difficile de contrôler la validité des hypothèses de normalité et d'égalité des variances
(données peu nombreuses) ; Il est souvent préférable de tenir compte de l'ensemble des
informations dont on dispose a priori au sujet des catégories de variables. De même
l'hypothèse d'égalité des variances est secondaire lorsque les effectifs sont égaux. Quand les
différentes conditions ne sont pas satisfaites, on peut essayer de s'en rapprocher en essayant
de normaliser ces données en leur substituant une variable auxiliaire (par exemple : log de X).
Si cette façon de faire ne donne pas satisfaction, on utilisera les tests non-paramétriques.
5.3.7. Annexe
Vocabulaire de l’ANOVA
Ligne Colonnes
Variables dépendantes Variables indépendantes
Variables à expliquer Variables explicatives
Variables catégorielles, Variable expérimentale,
variables qualitatives, condition expérimentale,
variables nominales, variables traitement
de classification
Variables endogènes Variables exogènes
Individus échantillons, Groupes,
Traitements
Résidus Facteurs
Une seule variable Plusieurs colonnes
Variance intra-groupe Variance inter-groupe
(concerne la variation induite (concerne la variation induite
par les différents individus par les différents échantillons
constituant un groupe = = comparaison des effets des
colonne) = variance résiduelle colonnes) = variance inter-
traitement
n = nombre d’individus dans k = nombre d’échantillons à
un échantillon comparer
SCE résiduelle SCE factorielle

Analyses de Variance - Anova

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Analyses de Variance - Anova

Încărcat de

Drepturi de autor:

Formate disponibile

ANALYSES DE VARIANCE - ANOVA

5.3. Comparaisons de plusieurs échantillons; les ANALYSES

Rappel : qu’est-ce que la variance :

La variance d’un échantillon peut se calculer manuellement, ou à l’aide

•Lorsque certaines des variables explicatives sont discrètes (discontinues), et d'autres

•Lorsqu'il y a plusieurs variables à expliquer à prendre en compte simultanément, au lieu de

5.3.2. Vérification de la normalité des échantillons

5.3.3. Homoscédascticité des variances par le test de Hartley

5.3.4. Analyse de variance à un facteur pour échantillons indépendants.

L'analyse de variance à un facteur (one-way analysis of variance) va consister à chercher le

La valeur de ce rapport appelé F [attention : ce F n’a rien a voir avec le F du test de

a) la variance totale par rapport à la moyenne globale des n mesures ;

b) la variance intra-groupes (celle qui n'est pas liée aux conditions

2. Par différence [a-b] on obtient la variance inter-groupes (qui est

F = variance inter-groupes/variance intra-groupes ou résidu.

[attention : ce F n’a rien à voir avec le F du test de vérification de

Le terme "traitement" peut être remplacé par "variable expérimentale" ou

traitement 1 traitement j traitement k

... ... ...

... ... ...

Calculs intermédiaires à réaliser pour un traitement manuel (ou avec un

(1) (2) (3)

Décomposition de l'analyse de variance :

SCE (3)-(1) ddl : k-1

5.3.4.2.1. Sujet et solution manuelle

Nitrates Station 1 Station 2 Station 3

Somme des carrés des écarts (SCE) entre traitements 1732,47

(erreur exp) ou résidu (intra-groupe) = - ou

Variance inter-groupes = SCE inter-groupes/ddl = 1732,47/2 = 866,23

Variance intra-groupes = SCE intra-groupes/ddl = 168285/27 = 6232,78

Calcul de F = Variance inter-groupes / Variance intra-groupes = 0,14

5.3.4.2.2. Utilisation de Statiew II

Conclusion du test statistique : La valeur de P étant largement supérieure au seuil de

5.3.4.3. Autre exemple

Souche 1 Souche 2 Souche 3

Analyse de la variance (Statview II)

Source : DDL S. des Carré Test-F

Estimation de la variance entre composants = 6,1333

Groupe Fréquence Moyenne Déviation Erreur

N.B. : Déviation standard = écart-type = racine carrée de la variance. Erreur standard =

Comparaison Diff. PLSD de F de t de

Ces trois souches réagissent donc de façon significativement différentes au traitement : le

5.3.5. ANOVA avec mesures répétées sur les mêmes individus

5.3.5.1. Décomposition de la variance

individu traitement traitement traitement total moyenne

(1)? ? (2)? ?(3)? ?(4)?

Décomposition de l'analyse de variance :

SCE inter- (4)-(1) = ddl : n-1

SCE total = (2)-(1) = ddl : kn-1

5.3.5.2.1. Sujet et solution manuelle

250,00 200,00 141,00 591,00 n

Somme carrés totale ou = S(Xij-moyX) 2

5.3.5.2.2. Utilisation de Statview II

Conclusion du test statistique : La valeur de P étant largement supérieure au seuil de

5.3.5.2.3. Autre exemple numérique

n Substance Substance Substance Substance Total

Source: ddl : S. des Carré Test-F Valeur P

Groupe Fréquence Moyenne Déviation erreur

Colonne 5 14,6 3,8471 1,7205

Comparaison Diff. PLSD de F de t de

L'intervalle de Scheffé associe l'erreur d'estimation pour chaque moyenne en utilisant la

Autres tests de comparaison de moyennes non disponibles dans Statview II :

Le HSD (honestly significant difference ) intervals de Tukey : La technique du HSD de