ANOVA 1F 2F Hierarchique PDF

Analyse de variance à un facteur
Tests d’hypothèses
Analyse de variance à deux facteurs
Analyse de la variance
ANOVA
Introduction
Analyse de variance à un facteur Terminologie
Tests d’hypothèses Données
Analyse de variance à deux facteurs Modèles statistiques
Estimation des paramètres
1 Analyse de variance à un facteur

Introduction
Terminologie
Données
Modèles statistiques
2 Tests d’hypothèses
3 Analyse de variance à deux facteurs

Introduction
Exemple.
21 candidats, 3 examinateurs (resp. 6,8 et 7 étudiants)

Examinateur A B C
Notes 10,11,11 8,11,11,13 10,13,14,14
12,13,15 14,15,16,16 15,16,16
Effectif 6 8 7
Moyenne 12 13 14
Introduction
Exemple.

Examinateur A B C
Notes 10,11,11 8,11,11,13 10,13,14,14
12,13,15 14,15,16,16 15,16,16
Effectif 6 8 7
Moyenne 12 13 14
”effet d’examinateur”?
Introduction
Exemple.

Examinateur A B C
Notes 10,11,11 8,11,11,13 10,13,14,14
12,13,15 14,15,16,16 15,16,16
Effectif 6 8 7
Moyenne 12 13 14
”effet d’examinateur”?
ANOVA : pour étudier l’effet des variables qualitatives sur une
variable quantitative
Introduction

Introduction
Terminologie
Données

Introduction
facteur (variable qualitative) : prend un nombre fini de valeurs,

une valeur = une classe.
Introduction

une valeur = une classe. Exemple : facteur ”examinateur”
Introduction

niveau (ou population) : les différentes valeurs prises par un
facteur.
Introduction

facteur. Ex : niveaux A, B, C
Introduction

test de l’effet d’un facteur : tester si les moyennes des
populations sont égales.
Introduction

La variable étudiée : Y , à valeurs numériques
Introduction

La variable étudiée : Y , à valeurs numériques (note).
Introduction

Introduction
Terminologie
Données

Introduction
Un seul facteur F
k niveaux
k échantillons de tailles respectives n1 , ..., nk
Introduction
Un seul facteur F
k niveaux
Effectif total
Xk
n= ni
i=1
Introduction
Un seul facteur F
k niveaux
Effectif total
Xk
n= ni
i=1
À chaque expérience, on mesure la valeur de la variable Y .

Introduction
Un seul facteur F
k niveaux
Effectif total
Xk
n= ni
i=1
À chaque expérience, on mesure la valeur de la variable Y .

Données
Niveau (population) Nb. obs. Valeurs de Y
1 n1 y11 , y12 , . . . , y1n1
2 n2 y21 , y22 , . . . , y2n2
.. ..
. . ............................
k nk yk1 , yk2 , ..., yknk
Introduction
Sommes et moyennes empiriques

Introduction

Pour le niveau i :
ni
X
Yi = Yij
j=1
ni
1 1 X
Yi = Yi = Yij
ni ni
j=1
Introduction

Pour le niveau i :
ni
X
Yi = Yij
j=1
ni
1 1 X
Yi = Yi = Yij
ni ni
j=1
Globalement
k
X ni
k X
X
Y = Yi = Yij
i=1 i=1 j=1
et
k i k n
1 1X 1 XX
Y = Y = Yi = Yij
n n n
i=1 i=1 j=1
Introduction
Hypothèse :
les k échantillons sont indépendants et de loi Normale.

Introduction
Hypothèse :
Les yij sont des réalisations de la v.a. Yij ∼ N (mi , σ 2 )

Introduction
Hypothèse :
Les yij sont des réalisations de la v.a. Yij ∼ N (mi , σ 2 ) et Yij , Yi 0 j 0

indépendantes pour i 6= i 0 ou j 6= j 0 .
Introduction
Hypothèse :

Autrement dit, pour chaque i, (yij )j≤ni , ..., yini est un échantillon
standard.
Introduction
Hypothèse :

standard.
L’écart-type (théorique) est le même pour tous les niveaux.

Introduction
Hypothèse :

standard.
L’écart-type (théorique) est le même pour tous les niveaux. La

moyenne (théorique) peut varier avec le niveau.
Introduction
Hypothèse :

standard.
L’écart-type (théorique) est le même pour tous les niveaux. La

moyenne (théorique) peut varier avec le niveau.
On veut savoir si les moyennes mi sont toutes égales ou non.

Introduction

Introduction
Terminologie
Données

Introduction
Yij ∼ N (mi , σ 2 )
Yij = mi + εij i = 1, ..., k j = 1, ..., ni

Introduction
Yij ∼ N (mi , σ 2 )
Yij = mi + εij i = 1, ..., k j = 1, ..., ni

= µ + αi + εij
avec εij ∼ N (0, σ 2 ).

Avec
- µ = « effet moyen » ;
- αi = effet du niveau i du facteur F .
Introduction
Yij ∼ N (mi , σ 2 )
Yij = mi + εij i = 1, ..., k j = 1, ..., ni

= µ + αi + εij
avec εij ∼ N (0, σ 2 ).

Avec
- αi = effet du
P niveau i du facteur F .
Contrainte : ki=1 ni αi = 0
Introduction
Yij ∼ N (mi , σ 2 )
Yij = mi + εij i = 1, ..., k j = 1, ..., ni

= µ + αi + εij
avec εij ∼ N (0, σ 2 ).

Avec
- αi = effet du
P niveau i du facteur F .
Contrainte : ki=1 ni αi = 0
On veut tester si les αi sont tous nuls.
Introduction
Vectoriellement, le modèle s’écrit

    
Y11 1 0 0 ... 0
 ε11
 Y12   ε12
1 0 0 ... 0   
    
 ..     .. 
 .   ......................... 
  . 
   
 Y1n  
1 
1 0 0 ... 0    ε1n1 
m1
    
 Y21   0 1 0 ... 0   ε21 
  m2
    
 Y22   0 1 0 ... 0 ε22
   

 . =
   ..   
 ..   .........................

. + .. 
.
 
..
  
0 1 0 ... 0
     
 Y2n  
2 
 .   ε2n2 
..........................
    
 ..    
mk  .. 
 .   .......................... 
  . 
   
 Yk1   0 0 0 ... 1
  εk1 
     
 ..   ..........................
  .. 
 .     . 
Yknk 0 0 0 ... 1 εknk
Introduction
Y = Xβ + ε
Introduction
Y = Xβ + ε
Donc, l’analyse de variance est un modèle linéaire.

Introduction

Introduction
Terminologie
Données

Introduction
(mi )
Il faut trouver ainsi les valeurs des mi qui minimisent la fonction :
X ni
k X ni
k X
X
T ((mi )) = ε2ij = (Yij − mi )2
i=1 j=1 i=1 j=1
Introduction
(mi )
X ni
k X ni
k X
X
T ((mi )) = ε2ij = (Yij − mi )2
i=1 j=1 i=1 j=1
On obtient que : m̂i = Ȳi .

Introduction
(mi )
X ni
k X ni
k X
X
T ((mi )) = ε2ij = (Yij − mi )2
i=1 j=1 i=1 j=1
On obtient que : m̂i = Ȳi .

Sous l’hypothèse de normalité et d’indépendance des échantillons,
Ȳi est un estimateur sans biais de mi et
σ2

m̂i = Ȳi ∼ N mi ,
ni
Introduction
µ, αi
εij = ε̄ + (ε̄i − ε̄ ) + (εij − ε̄i )

X ni
k X X ni
k X ni
k X
X ni
k X
X
ε2ij = ε2 + (εi − ε ) +2
(εij − εi )2
i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1
Introduction
µ, αi
εij = ε̄ + (ε̄i − ε̄ ) + (εij − ε̄i )

X ni
k X X ni
k X ni
k X
X ni
k X
X
ε2ij = ε2 + (εi − ε ) +2
(εij − εi )2
i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1
On a
εij = Yij − µ − αi , εi = Yi − ni µ − ni αi , εi = Yi − µ − αi
k
X k
X
ε = Y − ni µ − ni αi , ε = Y − nµ, ε = Y − µ
i=1 i=1
Introduction
µ, αi
X ni
k X X ni
k X X ni
k X X ni
k X
ε2ij = (Y −µ)2 + (Yi −Y −αi )2 + (Yij −Yi )2
i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1
Introduction
µ, αi
X ni
k X X ni
k X X ni
k X X ni
k X
i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1
Le membre de droite est minimisé pour :
µ̂ = Y , α̂i = Yi − Y

Introduction
µ, αi
X ni
k X X ni
k X X ni
k X X ni
k X
i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1
µ̂ = Y , α̂i = Yi − Y
Pk
On a bien i=1 ni α̂i =0
Introduction
µ, αi
X ni
k X X ni
k X X ni
k X X ni
k X
i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1
µ̂ = Y , α̂i = Yi − Y
Pk
On a bien i=1 ni α̂i =0:
k
X k
X k
X k
X
ni α̂i = ni Yi − ni Y = Yi − nY = 0
i=1 i=1 i=1 i=1
Introduction
σ2
L’estimateur de σ 2 est :
k ni
1 XX
Sn2 = (Yij − Ȳi )2
n−k
i=1 j=1
Analyse de variance à un facteur Tableau d’analyse de variance
Tests d’hypothèses Test d’égalité des k effets
Analyse de variance à deux facteurs Comparaison de moyennes
Tableau d’analyse de variance
Test d’égalité des k effets
Comparaison de moyennes

Niveaux
1 seul niveau ou k niveaux ?

Niveaux

H0 : m1 = m2 = ... = mk = m
contre
Niveaux

H0 : m1 = m2 = ... = mk = m
contre H1 : ∃i, j ∈ {1, ..., k} tels que mi 6= mj .
Niveaux

H0 : m1 = m2 = ... = mk = m
Ou : H0 : α1 = α2 = ... = αk = 0
contre
Niveaux

H0 : m1 = m2 = ... = mk = m
Ou : H0 : α1 = α2 = ... = αk = 0
contre H1 : ∃i ∈ {1, ..., k} tel que αi 6= 0
Niveaux

H0 : m1 = m2 = ... = mk = m
Ou : H0 : α1 = α2 = ... = αk = 0
contre H1 : ∃i ∈ {1, ..., k} tel que αi 6= 0
Sous H0 , le modèle a la forme :
Mreduit : Yij = µ + εij

L’estimation pour µ est µ̂ = Ȳ et la prévision de Yij est Ŷij = µ̂.

Alors, le résidu, sous H0 est :
Yij − Ȳ .
La variabilité totale est :
ni
k X
X
(Yij − Y )2
i=1 j=1
On peut écrire : Yij − Y = (Yij − Yi ) + (Yi − Y )

L’estimation pour µ est µ̂ = Ȳ et la prévision de Yij est Ŷij = µ̂.

Alors, le résidu, sous H0 est :
Yij − Ȳ .
La variabilité totale est :
ni
k X
X
(Yij − Y )2
i=1 j=1
On peut écrire : Yij − Y = (Yij − Yi ) + (Yi − Y )

et on obtient :
X ni
k X ni
k X
X ni
k X
X
(Yij − Y )2 = (Yij − Yi )2 + (Yi − Y )2
i=1 j=1 i=1 j=1 i=1 j=1
(variabilité totale=variabilité résiduelle + variabilité due au

modèle) : ST=SR+SM.
Source de variation ddl S.C. Carré moyen

Régression k −1 SM SM/(k − 1)
Résiduelle n−k SR SR/(n − k)
Totale n−1 ST

Pour tester l’hypothèse H0 on utilise la statistique :
SM/(k − 1)
Z= ∼ F (k − 1, n − k) (sous H0 )
SR/(n − k)
Pour un risque α fixé, la zone d’acceptation est :

ZAH0 ,α = [0 ; fk−1,n−k;1−α ]
Exemple : Notes

Examinateur A B C
Notes 10,11,11 8,11,11,13 10,13,14,14
12,13,15 14,15,16,16 15,16,16
Effectif 6 8 7
Moyenne 12 13 14
Yij = mi + εij
i = 1, 2, 3, j = 1, . . . , ni , n1 = 6 n2 = 8 n3 = 7
Yij = mi + εij
i = 1, 2, 3, j = 1, . . . , ni , n1 = 6 n2 = 8 n3 = 7
ou encore Yij = µ + αi + εij ,

i = 1, 2, 3, j = 1, . . . , ni , n1 = 6 n2 = 8 n3 = 7
Yij = mi + εij
i = 1, 2, 3, j = 1, . . . , ni , n1 = 6 n2 = 8 n3 = 7

i = 1, 2, 3, j = 1, . . . , ni , n1 = 6 n2 = 8 n3 = 7
Les estimations des paramètres : µ̂ = ȳ = 13.05,

α̂1 = ȳ1 − ȳ = 12 − 13.05 = −1.05,
α̂2 = ȳ2 − ȳ = 13 − 13.05 = −0.05,
α̂3 = ȳ3 − ȳ = 14 − 13.05 = 0.95.
Yij = mi + εij
i = 1, 2, 3, j = 1, . . . , ni , n1 = 6 n2 = 8 n3 = 7

i = 1, 2, 3, j = 1, . . . , ni , n1 = 6 n2 = 8 n3 = 7

α̂1 = ȳ1 − ȳ = 12 − 13.05 = −1.05,
α̂2 = ȳ2 − ȳ = 13 − 13.05 = −0.05,
α̂3 = ȳ3 − ȳ = 14 − 13.05 = 0.95.
H0 : pas d’effet examinateur sur la notation

Yij = mi + εij
i = 1, 2, 3, j = 1, . . . , ni , n1 = 6 n2 = 8 n3 = 7

i = 1, 2, 3, j = 1, . . . , ni , n1 = 6 n2 = 8 n3 = 7

α̂1 = ȳ1 − ȳ = 12 − 13.05 = −1.05,
α̂2 = ȳ2 − ȳ = 13 − 13.05 = −0.05,
α̂3 = ȳ3 − ȳ = 14 − 13.05 = 0.95.
H0 : pas d’effet examinateur sur la notation

H0 : m1 = m2 = m3 = m contre H1 : ∃i 6= j tel que mi 6= mj
H0 : α1 = α2 = α3 = 0 contre H1 : ∃i 6= j tel que αi 6= 0
On obtient : SM=12.95, SR=98

On obtient : SM=12.95, SR=98 donc

z = (SM/(3 − 1))/(SR/(21 − 3)) = 1.19.

z = (SM/(3 − 1))/(SR/(21 − 3)) = 1.19.
La zone d’acceptation est ZAH0 ;1−α = [0 ; f2,18;0.95 ] = [0 ; 3.55].

z = (SM/(3 − 1))/(SR/(21 − 3)) = 1.19.
La zone d’acceptation est ZAH0 ;1−α = [0 ; f2,18;0.95 ] = [0 ; 3.55].
Donc, H0 est acceptée : les examinateurs ont le même système de
notation.

Le rejet de l’hypothèse d’égalité des moyennes ne signifie pas que

tous les mi sont différents entre eux. On cherche souvent à tester
l’égalité entre deux moyennes :
H0 : mh = mj contre H1 : mh 6= mj pour h 6= j.
On utilise la statistique de test :
Ȳh − Ȳj
Z=q q ∼ tn−k
SR 1 1
n−k nh + nj
(tn−k : loi de Student à n − k degrés de liberté.)

Le rejet de l’hypothèse d’égalité des moyennes ne signifie pas que

tous les mi sont différents entre eux. On cherche souvent à tester
l’égalité entre deux moyennes :
H0 : mh = mj contre H1 : mh 6= mj pour h 6= j.
On utilise la statistique de test :
Ȳh − Ȳj
Z=q q ∼ tn−k
SR 1 1
n−k nh + nj
(tn−k : loi de Student à n − k degrés de liberté.)

La zone d’acceptation ZAH0 ,1−α = [−tn−k;1−α/2 ; tn−k;1−α/2 ].
Introduction
Analyse de variance à un facteur Données
Tests d’hypothèses Modèle sans interaction (additif) : r = 1
Analyse de variance à deux facteurs Modèle avec interaction
Modèle hiérarchique

Introduction
Données
Modèle sans interaction (additif) : r = 1
Test d’hypothèse
Test d’un facteur.
Modèle avec interaction
Introduction
On a vu comment comparer les populations d’un même facteur.

Supposons maintenant qu’un expérimentateur souhaite comparer
l’influence de trois régimes alimentaires et de deux exploitations sur
la production laitière. Les résultats expérimentaux sont dans le
tableau suivant.
Expl ↓ R.alim → A B C Total Moyenne
1 7 36 2 45 15
2 13 44 18 75 215
Total 20 80 20 120
Moyenne 10 40 10 20
Introduction

Introduction
Données
Introduction
Deux facteurs (variables) F1 et F2.

p niveaux pour F1, q niveaux pour F2
Pour chaque couple (i, j) de niveaux, on a r (≥ 1) observations de
la variable dépendante Y .
Introduction
Deux facteurs (variables) F1 et F2.

p niveaux pour F1, q niveaux pour F2
Pour chaque couple (i, j) de niveaux, on a r (≥ 1) observations de
la variable dépendante Y .
F1 / F2 1 ... i ... p
1 y111 , ... , y11r . . . yi11 , ... , yi1r . . . yp11 , ... , yp1r
.. .. .. .. .. ..
. . . . . .
j y1j1 , ... , y1jr ... yij1 , ... , yijr . . . ypj1 , ... , ypjr
.. .. .. .. .. ..
. . . . . .
q y1q1 , ... , y1jq ... yiq1 , ... , yiqr ... ypq1 , ... , ypqr
Dans la cellule (i, j) : les valeurs (observations) yijk :

i : niveau (population) du facteur F 1,
j : niveau de F 2
k : la k-ième répétition pour un couple (i, j).
Introduction
Notations :
yij = Prk=1 P

ȳij = 1r yij
P

 yijk
 y = q
 r
ȳi = qr1 y
i
Pj=1 k=1 yijk
p Pr

 yj = i=1 k=1 yijk ȳj = pr1 yj
 y = Pp Pq Pr y
 1
ȳ = pqr y
i=1 j=1 k=1 ijk
Introduction
Notations :
yij = Prk=1 P

ȳij = 1r yij
P

 yijk
 y = q
 r
ȳi = qr1 y
i
Pj=1 k=1 yijk
p Pr

 yj = i=1 k=1 yijk ȳj = pr1 yj
 y = Pp Pq Pr y
 1
ȳ = pqr y
i=1 j=1 k=1 ijk
Les observations yijk sont des réalisations de la v.a. Yijk sur laquelle
on fait les hypothèses :
Yijk ∼ N (mij , σ 2 )

∀k = 1, . . . , r
Yijk , Yi 0 j 0 k 0 indépendantes
Introduction
En ce qui concerne le nombre r de répétitions on a 2 situations :

r >1
r = 1. Il n’y a pas de répétition et on va noter Yij par Yij .
Alors, les modèles statistiques considérés seront fonction de ces 2
situations.
Introduction
En ce qui concerne le nombre r de répétitions on a 2 situations :

r >1
r = 1. Il n’y a pas de répétition et on va noter Yij par Yij .
Alors, les modèles statistiques considérés seront fonction de ces 2
situations.
Même nombre de répétitions de l’expérience pour chaque couple de
facteurs.
Introduction
Les problèmes étudiés sont les mêmes que pour un seul facteur :
écrire un modèle statistique de Y fonction des facteurs ;
Introduction
estimer les effets des niveaux des deux facteurs ;
Introduction
estimer les effets des niveaux des deux facteurs ;
test d’hypothèse
Introduction

Introduction
Données
Introduction
Le modèle le plus simple est d’additionner les effets du facteur F 1

avec les effets du facteur F 2 :
mij = µ + αi + βj
Introduction

où :
- µ est l’effet moyen
- αi est l’effet dû au niveau i du facteur F 1 ;
- βj est l’effet dû au niveau j du facteur F 2 ;
Introduction

où :
- µ est l’effet moyen
- αi est l’effet dû au niveau i du facteur F 1 ;
- βj est l’effet dû au niveau j du facteur F 2 ;
Puisque Yij ∼ N (mij , σ 2 ) on peut considérer un modèle :
Yij = µ + αi + βj + εij
Avec comme contraintes
p
X q
X
αi = 0 βj = 0
i=1 j=1
Introduction
Il faut trouver les valeurs de mij (ou de µ, αi , βj ) qui minimisent la

fonction :
p X
X q p X
X q p X
X q
T ((mij )ij ) = ε2ij = 2
(Yij −mij ) = (Yij −µ−αi −βj )2
i=1 j=1 i=1 j=1 i=1 j=1
On utilise la même technique que pour l’analyse de variance à un

facteur, et on obtient :
α̂i = Yi − Y β̂i = Yj − Y µ̂ = Y
La valeur prédite pour Yij est :
Ŷij = µ̂ + α̂i + β̂j = Yi + Yj − Y

Introduction
Exemple.
F1 : le régime alimentaire, prend 3 valeurs (A, B, C), donc p = 3.

F2 : l’exploitation, prend 2 valeurs (1 et 2), donc q = 2.
Introduction
Exemple.
F1 : le régime alimentaire, prend 3 valeurs (A, B, C), donc p = 3.

F2 : l’exploitation, prend 2 valeurs (1 et 2), donc q = 2.
Modèle statistique :
Yij = µ + αi + βj i = 1, 2, 3 j = 1, 2
où : αi est l’effet de l’exploitation n◦ i sur Y , β1 est l’effet du

régime A sur la production laitière...
Introduction
Estimations
µ̂ = ȳ = 20,
Introduction
Estimations
µ̂ = ȳ = 20,
α̂1 = ȳ1 − ȳ = 10 − 20 = −10,
α̂2 = 20,
α̂3 = −10,
Introduction
Estimations
µ̂ = ȳ = 20,
α̂1 = ȳ1 − ȳ = 10 − 20 = −10,
α̂2 = 20,
α̂3 = −10,
β̂1 = ȳ1 − ȳ = 15 − 20 = −5,
β̂2 = 5.
Introduction
Estimations
µ̂ = ȳ = 20,
α̂1 = ȳ1 − ȳ = 10 − 20 = −10,
α̂2 = 20,
α̂3 = −10,
β̂1 = ȳ1 − ȳ = 15 − 20 = −5,
β̂2 = 5.
La prévision de Y11 (exploitation 1 et régime alimentaire A) :
Ŷ11 = µ̂ + α̂1 + β̂1 = 20 − 10 − 5 = 5.
Introduction

En partant de l’identité :
Yij − Y = (Yij − Yi − Yj + Y ) + (Yi − Y ) + (Yj − Y )
Introduction

On obtient :
X X p
X q
X
(Yij −Y )2 = (Yij −Yi −Yj +Y )2 +q (Yi −Y )2 +p (Yj −Y )
i,j i,j i=1 j=1
ou encore ST = SR + SF 1 + SF 2 .
Introduction

On obtient :
X X p
X q
X
(Yij −Y )2 = (Yij −Yi −Yj +Y )2 +q (Yi −Y )2 +p (Yj −Y )
i,j i,j i=1 j=1
ou encore ST = SR + SF 1 + SF 2 .

F1 p−1 SF 1 SF 1 /(p − 1)
F2 q−1 SF 2 SF 2 /(q − 1)
Résidu (p − 1)(q − 1) SR SR/(p − 1)(q − 1)
Totale pq − 1 ST
Introduction
Tests
Deux types d’hypothèse : si le modèle significatif
Introduction
Tests
Deux types d’hypothèse : si le modèle significatif ou effet de
chaque facteur.
Introduction
Tests
chaque facteur.
Modèle significatif ?
Le modèle n’est pas significatif si aucun des deux facteurs
n’influence Y :
Introduction
Tests
chaque facteur.
n’influence Y :
H0 : α1 = · · · = αp = β1 = · · · = βq = 0
contre :
H1 : ∃i ∈ {1, . . . , p} ou ∃j ∈ {1, . . . , q} t.q. αi 6= 0 ou βi 6= 0.
Introduction
Tests
chaque facteur.
n’influence Y :
H0 : α1 = · · · = αp = β1 = · · · = βq = 0
contre :
Le modèle réduit est : Yij = µ + εij .
Introduction
Tests
chaque facteur.
n’influence Y :
H0 : α1 = · · · = αp = β1 = · · · = βq = 0
contre :
Le modèle réduit est : Yij = µ + εij .
Statistique de test :
(SF 1 + SF 2 )/(p + q − 2)
Z= ∼ F (p+q−2, (p−1)(q−1)) sous H0
SR/(p − 1)(q − 1)
Introduction
Test d’un facteur
Supposons que l’on veut tester l’effet de F1.

H0 : F1 n’influe pas Y sachant que F2 est dans le modèle.
H0 : α1 = · · · = αp = 0 contre H1 : ∃i ∈ {1, . . . , p} t.q. αi 6= 0.
Le modèle réduit est :
Yij = µ + βj + εij .
Introduction
Test d’un facteur

Yij = µ + βj + εij .(modèle à un facteur)
Introduction
Test d’un facteur

H0 : la moyenne mij ne dépend pas de i.
Introduction
Test d’un facteur

H0 : la moyenne mij ne dépend pas de i.
Statistique de test :
(SF 1 )/(p − 1)
Z= ∼ F (p − 1, (p − 1)(q − 1)) sous H0
SR/(p − 1)(q − 1)
Introduction
Exemple.
Le tableau d’analyse de variance est :

F1 2 1200 600
F2 1 150 150
Résidu 2 28 14
Totale 5 1378
Introduction
Exemple.

F1 2 1200 600
F2 1 150 150
Résidu 2 28 14
Totale 5 1378
Significativité du modèle : H0 : α1 = α2 = α3 = β1 = β2 = 0 :
Z=
Introduction
Exemple.

F1 2 1200 600
F2 1 150 150
Résidu 2 28 14
Totale 5 1378
(SF 1 + SF 2 )/(3 + 2 − 2)
Z= ∼ F (3, 2) sous H0
SR/2
Introduction
Exemple.

F1 2 1200 600
F2 1 150 150
Résidu 2 28 14
Totale 5 1378
(SF 1 + SF 2 )/(3 + 2 − 2)
Z= ∼ F (3, 2) sous H0
SR/2
ZA = [0 ; f3,2:0.95 ] = [0 ; 19.2],
Introduction
Exemple.

F1 2 1200 600
F2 1 150 150
Résidu 2 28 14
Totale 5 1378
(SF 1 + SF 2 )/(3 + 2 − 2)
Z= ∼ F (3, 2) sous H0
SR/2
1350/3
ZA = [0 ; f3,2:0.95 ] = [0 ; 19.2], zobs = 14 = 32.1 6∈ ZA.
Introduction
Exemple.

F1 2 1200 600
F2 1 150 150
Résidu 2 28 14
Totale 5 1378
(SF 1 + SF 2 )/(3 + 2 − 2)
Z= ∼ F (3, 2) sous H0
SR/2
ZA = [0 ; f3,2:0.95 ] = [0 ; 19.2], zobs = 1350/3

14 = 32.1 6∈ ZA.
Donc H0 est rejetée et le modèle est significatif.
Introduction
Régime alimentaire influent ?
H0 : α1 = α2 = α3 = 0 sachant que l’exploitation est dans le

modèle.
Introduction

modèle.
H1 : ∃i ∈ {1, 2, 3} t.q. αi 6= 0.
Introduction

modèle.
H1 : ∃i ∈ {1, 2, 3} t.q. αi 6= 0.
Sous H0 : Yij = µ + βj + εij , i = 1, 2, 3, j = 1, 2.
Introduction

modèle.
H1 : ∃i ∈ {1, 2, 3} t.q. αi 6= 0.
La statistique de test Z = SSR/2
F 1 /2
suit la loi F (2, 2) sous H0 .
Introduction

modèle.
H1 : ∃i ∈ {1, 2, 3} t.q. αi 6= 0.
F 1 /2
ZA = [0 ; f2,2:0.95 ] = [0 ; 19.0],
Introduction

modèle.
H1 : ∃i ∈ {1, 2, 3} t.q. αi 6= 0.
F 1 /2
600
ZA = [0 ; f2,2:0.95 ] = [0 ; 19.0], z = 14 = 42.86 6∈ ZA.
Introduction

modèle.
H1 : ∃i ∈ {1, 2, 3} t.q. αi 6= 0.
F 1 /2
ZA = [0 ; f2,2:0.95 ] = [0 ; 19.0], z = 600
14 = 42.86 6∈ ZA.
Donc H0 est rejetée, le régime alimentaire est un facteur influent
pour la production laitière.
Introduction

Introduction
Données
Introduction
Par exemple, si on utilise deux engrais simultanément, on espère

que l’action des engrais se complète et que les plantes se
développent mieux du fait de cette concomitance.
Introduction

On peut ainsi mesurer l’influence de divers dosages de chacun des
engrais.
Introduction

engrais.
L’interaction peut être bénéfique (synergie) ou néfaste
(antagonisme).
Introduction

engrais.
L’interaction peut être bénéfique (synergie) ou néfaste
(antagonisme).
p valeurs pour le facteur F 1, q pour le facteur F 2, r observations
pour chaque couple de facteur.
Introduction
Le modèle est
Yijk = mij + γij + ijk

que l’on écrit :Yijk = µ + αi + βj + γij + ijk
Les ijk sont des v.a. Normales, centrées et de même écart-type σ.

Introduction
Le modèle est

Contraintes :
X X X
αi = 0 βj = 0 γij = 0
i j ij
Introduction
Le modèle est

Contraintes :
X X X
αi = 0 βj = 0 γij = 0
i j ij
Lien entre (mij ) et (αi ), (βj ), (γij )
αi = m̄i. − m̄.. , βj = m̄.j − m̄.. , γij = mij − m̄i. − m̄.j + m̄..

Introduction
Les hypothèses à tester peuvent être
HO : α1 = α2 = · · · = αp = 0 ou m̄1. = m̄2. = · · · = m̄p.
ou
HO0 : β1 = β2 = · · · = βp = 0 ou m̄.1 = m̄.2 = · · · = m̄.p

Introduction
Les hypothèses à tester peuvent être
HO : α1 = α2 = · · · = αp = 0 ou m̄1. = m̄2. = · · · = m̄p.
ou
HO0 : β1 = β2 = · · · = βp = 0 ou m̄.1 = m̄.2 = · · · = m̄.p
ou l’absence d’interactions :
H000 : γ11 = γ12 = · · · = γpq = 0

Introduction
On calcule les sommes des carrés des écarts
= qr i (yi − ȳ )2
P
SF 1 (p − 1) ddl
2
P
SF 2 = pr j (yj − ȳ ) (q − 1) ddl
SF 12 = ST − SF 1 − SF 2 − SR (p − 1)(q − 1) ddl
= ijk (yijk − ȳij )2
P
SR pq(r − 1) ddl
= ijk (yijk − ȳ )2
P
ST (rpq − 1) ddl
Introduction
Tableau d’analyse de la variance
Sources ddl Sommes Carrés moyens

1er facteur p−1 SF 1 SF 1 /(p − 1)
2ème facteur q−1 SF 2 SMF 2 /(q − 1)
Interaction (p − 1)(q − 1) SF 12 SF 12 /((p − 1)(q − 1))
Résidus pq(r − 1) SR SR/(pq(r − 1))
Totaux pqr − 1 ST
Introduction
On commence par tester l’interaction

Introduction
On commence par tester l’interaction : sous H000 ,
SF 12 /((p − 1)(q − 1))

fF 12 =
SR/(pq(r − 1))
suit la loi de Fisher ((p − 1)(q − 1), pq(r − 1)).

Introduction
On commence par tester l’interaction : sous H000 ,
SF 12 /((p − 1)(q − 1))

fF 12 =
SR/(pq(r − 1))
suit la loi de Fisher ((p − 1)(q − 1), pq(r − 1)).

On rejette H0 lorsque fF 12 dépasse le fractile d’ordre 1 − α de cette
loi.
Si on accepte H000 (pas d’interaction), on teste l’influence de F 1
puis de F 2 :
Introduction
En l’absence d’interaction, sous H0 (respectivement H00 )
SF 1 /(p − 1) SF 2 /(q − 1)
fF 1 = et fF 2 =
SR/pq(r − 1) SR/pq(r − 1)
suivent des lois de Fisher à (p − 1, pq(r − 1)) (respectivement

(q − 1, pq(r − 1))) degrés de liberté.
On rejette l’hypothèse H0 (ou H00 ) si la valeur f observée est
supérieure au fractile d’ordre 1 − α de la loi en question.
Introduction

Introduction
Données
Introduction
Exemples
On sélectionne plusieurs régions (1er facteur), puis, à l’intérieur de

chacune des régions, plusieurs exploitations agricoles (2ème
facteur), et on mesure la quantité de lait produite annuellement
par r vaches dans chacune des exploitations
Données : yijk .
Introduction
Exemples

Données : yijk .
Introduction
Exemples

Données : yijk .
Modèle hiérarchique : aucune raison d’avoir un lien entre les
exploitations n˚1 de chacun des régions.
yi : moyenne des exploitations de la région i
Introduction
Exemples

Données : yijk .
yi : moyenne des exploitations de la région i : intéressant.
yj : moyenne des j-ièmes exploitations de chaque région
Introduction
Exemples

Données : yijk .
yi : moyenne des exploitations de la région i : intéressant.
yj : moyenne des j-ièmes exploitations de chaque région : non
pertinent.
Introduction
Modèle :
Yijk = µ + αi + βj|i + ijk
Introduction
Modèle :
µ : production moyenne
αi : apport de la région i
βi|j : apport de l’exploitation j dans la région i
Introduction
Modèle :
µ : production moyenne
αi : apport de la région i
βi|j : apport de l’exploitation j dans la région i
ijk : vaiid Normale centrée et de variance σ 2 .
Introduction
Décomposition de la variance
yijk − y = (yi − y ) + (yij − yi ) + (yijk − yij )
X
ST = (Yijk − Y )2
ijk
X
(Yi − Y )2 + (Yij − Yi )2 + (Yijk − Yij )2

=
ijk
X X X
= qr (Yi − Y )2 + r (Yij − Yi )2 + (Yijk − Yij )2
i jk ijk
= SMa + SMb|a + SR
Introduction
Tableau d’analyse de la variance

1er facteur p−1 SMa SMa /(p − 1)
2ème facteur p(q − 1) SMb|a SMb|a /(p(q − 1))
Résidus pq(r − 1) SR SR/(pq(r − 1))
Totaux pqr − 1 ST
Introduction
On peut tester
Si le 1er facteur a une influence :
H0 : a1 = . . . = ap = 0
On calcule (SMa /(p − 1))/(SMb|a /p(q − 1)) et on le compare

à F1−α;p−1;p(q−1)
Si le 2ème facteur une influence à l’intérieur du 1er
H0 : βj|i = 0, pour tous i et j.
On calcule SMb|a /(p(q − 1))/(SR/(pq(r − 1))) et on le

compare à F1−α;p(q−1),pq(r −1)
Introduction
Exemple : Rendement fourrager dans 2 types de prairies, 3 prairies

pour chacun des 2 types, 5 parcelles dans chacune des 3×2 prairies.
n˚ Type 1 Type 2
Pr. 1 Pr. 2 Pr. 3 Pr. 1 Pr. 2 Pr. 3
1 2.06 1.59 1.92 2.91 1.57 2.43
2 2.99 2.63 1.85 3.27 1.82 2.17
3 1.98 1.98 2.14 3.45 2.69 2.37
4 2.95 2.25 1.33 3.92 3.25 2.89
5 2.70 2.09 1.83 4.34 3.11 2.24
Introduction
Exemple : Rendement fourrager dans 2 types de prairies, 3 prairies

pour chacun des 2 types, 5 parcelles dans chacune des 3×2 prairies.
n˚ Type 1 Type 2
Pr. 1 Pr. 2 Pr. 3 Pr. 1 Pr. 2 Pr. 3
1 2.06 1.59 1.92 2.91 1.57 2.43
2 2.99 2.63 1.85 3.27 1.82 2.17
3 1.98 1.98 2.14 3.45 2.69 2.37
4 2.95 2.25 1.33 3.92 3.25 2.89
5 2.70 2.09 1.83 4.34 3.11 2.24
On calcule les moyennes pour chacune des prairies : 2.536, 2.108,
1.814 et 3.578, 2.488, 2.420.
La moyenne globale est égale à 2.491.
On a
SMa = 3.427, SMb|a = 5.541, SR = ST − SMa − SMb|a = 5.742

Introduction
On obtient le tableau d’analyse de la variance

Type p−1=1 SMa = 3.427 SMa /(p − 1) = 3.427
Prairie p(q − 1) = 4 SMb|a = 5.541 SMb|a /(p(q − 1)) = 1.385
Résidus pq(r − 1) = 24 SR = 5.742 SR/(pq(r − 1)) = 0.239
Totaux pqr − 1 = 29 ST = 14.710
Introduction
On peut tester :
SMa /(p − 1) 3.427
= = 2.474
SMb|a /(p(q − 1)) 1.385
Introduction
On peut tester :
SMa /(p − 1) 3.427
= = 2.474
SMb|a /(p(q − 1)) 1.385
à comparer avec F0.95;1;4 = 7.71 : non significatif

Introduction
On peut tester :
SMa /(p − 1) 3.427
= = 2.474
SMb|a /(p(q − 1)) 1.385

Si le 2ème facteur a une influence à l’intérieur du 1er :
SMb|a /(p(q − 1) 1.385
= = 5.79
SR/(pq(r − 1)) 0.239
Introduction
On peut tester :
SMa /(p − 1) 3.427
= = 2.474
SMb|a /(p(q − 1)) 1.385

SMb|a /(p(q − 1) 1.385
= = 5.79
SR/(pq(r − 1)) 0.239
à comparer avec F0.95;4;24 = 2.8 : significatif

Introduction
On peut tester :
SMa /(p − 1) 3.427
= = 2.474
SMb|a /(p(q − 1)) 1.385

SMb|a /(p(q − 1) 1.385
= = 5.79
SR/(pq(r − 1)) 0.239

Cela signifie que le type de prairie n’a pas d’influence significative
sur le rendement fourrager,
Introduction
On peut tester :
SMa /(p − 1) 3.427
= = 2.474
SMb|a /(p(q − 1)) 1.385

SMb|a /(p(q − 1) 1.385
= = 5.79
SR/(pq(r − 1)) 0.239

Cela signifie que le type de prairie n’a pas d’influence significative
sur le rendement fourrager,mais que les prairies ne sont pas
homogènes à l’intérieur d’un type donné.

ANOVA 1F 2F Hierarchique PDF

Transféré par

Droits d'auteur :

Formats disponibles

ANOVA 1F 2F Hierarchique PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

ANOVA 1F 2F Hierarchique PDF

Transféré par

Droits d'auteur :

Formats disponibles

Analyse de variance à un facteur

1 Analyse de variance à un facteur

3 Analyse de variance à deux facteurs

21 candidats, 3 examinateurs (resp. 6,8 et 7 étudiants)

21 candidats, 3 examinateurs (resp. 6,8 et 7 étudiants)

21 candidats, 3 examinateurs (resp. 6,8 et 7 étudiants)

1 Analyse de variance à un facteur

3 Analyse de variance à deux facteurs

facteur (variable qualitative) : prend un nombre fini de valeurs,

facteur (variable qualitative) : prend un nombre fini de valeurs,

facteur (variable qualitative) : prend un nombre fini de valeurs,

facteur (variable qualitative) : prend un nombre fini de valeurs,

facteur (variable qualitative) : prend un nombre fini de valeurs,

facteur (variable qualitative) : prend un nombre fini de valeurs,

facteur (variable qualitative) : prend un nombre fini de valeurs,

1 Analyse de variance à un facteur

3 Analyse de variance à deux facteurs

À chaque expérience, on mesure la valeur de la variable Y .

À chaque expérience, on mesure la valeur de la variable Y .

Sommes et moyennes empiriques

Sommes et moyennes empiriques

Sommes et moyennes empiriques

les k échantillons sont indépendants et de loi Normale.

les k échantillons sont indépendants et de loi Normale.

Les yij sont des réalisations de la v.a. Yij ∼ N (mi , σ 2 )

les k échantillons sont indépendants et de loi Normale.

Les yij sont des réalisations de la v.a. Yij ∼ N (mi , σ 2 ) et Yij , Yi 0 j 0

les k échantillons sont indépendants et de loi Normale.

Les yij sont des réalisations de la v.a. Yij ∼ N (mi , σ 2 ) et Yij , Yi 0 j 0

les k échantillons sont indépendants et de loi Normale.

Les yij sont des réalisations de la v.a. Yij ∼ N (mi , σ 2 ) et Yij , Yi 0 j 0

L’écart-type (théorique) est le même pour tous les niveaux.

les k échantillons sont indépendants et de loi Normale.

Les yij sont des réalisations de la v.a. Yij ∼ N (mi , σ 2 ) et Yij , Yi 0 j 0

L’écart-type (théorique) est le même pour tous les niveaux. La

les k échantillons sont indépendants et de loi Normale.

Les yij sont des réalisations de la v.a. Yij ∼ N (mi , σ 2 ) et Yij , Yi 0 j 0

L’écart-type (théorique) est le même pour tous les niveaux. La

On veut savoir si les moyennes mi sont toutes égales ou non.

1 Analyse de variance à un facteur

3 Analyse de variance à deux facteurs

Yij = mi + εij i = 1, ..., k j = 1, ..., ni

Yij = mi + εij i = 1, ..., k j = 1, ..., ni

avec εij ∼ N (0, σ 2 ).

Yij = mi + εij i = 1, ..., k j = 1, ..., ni

avec εij ∼ N (0, σ 2 ).

Yij = mi + εij i = 1, ..., k j = 1, ..., ni

avec εij ∼ N (0, σ 2 ).

Vectoriellement, le modèle s’écrit

Donc, l’analyse de variance est un modèle linéaire.

1 Analyse de variance à un facteur

3 Analyse de variance à deux facteurs

Il faut trouver ainsi les valeurs des mi qui minimisent la fonction :

Il faut trouver ainsi les valeurs des mi qui minimisent la fonction :

On obtient que : m̂i = Ȳi .

Il faut trouver ainsi les valeurs des mi qui minimisent la fonction :

On obtient que : m̂i = Ȳi .

εij = ε̄ + (ε̄i − ε̄ ) + (εij − ε̄i )

εij = ε̄ + (ε̄i − ε̄ ) + (εij − ε̄i )

On obtient que : m̂i = Ȳi .

On obtient que : m̂i = Ȳi .

εij = ε̄ + (ε̄i − ε̄ ) + (εij − ε̄i )

εij = ε̄ + (ε̄i − ε̄ ) + (εij − ε̄i )

εij = Yij − µ − αi , εi = Yi − ni µ − ni αi , εi = Yi − µ − αi

µ̂ = Y , α̂i = Yi − Y

µ̂ = Y , α̂i = Yi − Y

µ̂ = Y , α̂i = Yi − Y

L’estimation pour µ est µ̂ = Ȳ et la prévision de Yij est Ŷij = µ̂.

On peut écrire : Yij − Y = (Yij − Yi ) + (Yi − Y )

L’estimation pour µ est µ̂ = Ȳ et la prévision de Yij est Ŷij = µ̂.

On peut écrire : Yij − Y = (Yij − Yi ) + (Yi − Y )

Les estimations des paramètres : µ̂ = ȳ = 13.05,

Les estimations des paramètres : µ̂ = ȳ = 13.05,

Les estimations des paramètres : µ̂ = ȳ = 13.05,

α̂i = Yi − Y β̂i = Yj − Y µ̂ = Y

Ŷij = µ̂ + α̂i + β̂j = Yi + Yj − Y