Analyse des donnes - Mthodes explicatives (STA102)

Analyse de la variance deux

facteurs : dispositif quilibr

Giorgio Russolillo
Departement IMATH
CNAM

giorgio.russolillo@cnam.fr
Introduction

Giorgio Russolillo STA102 2

Le problme

On dispose dun chantillon de n individus sur

lesquels on a observ 2 variables qualitatives
(facteurs, x1 et x2) et une variable quantitative y .
On veut tudier si les 2 facteurs ont un effet sur
la variabilit de y

facteurs var. quantitative

O :

2me facteur J niveaux

1er facteur I niveaux
Giorgio Russolillo STA102 3
Les notations

i cest un des possibles niveaux du 1er facteur,

avec i = 1I

j cest un des possibles niveaux du 2me facteur,

avec j = 1J
(n x 2)

Chaque combinaison (i,j) dfinit un

traitement;
on a I x J traitements

nij = nombre de rptions pour le traitement (i,j)

dans chaque traitement k est lindice de rptition, k = 1nij

Giorgio Russolillo STA102 4

 Tableau des frquences
Niveaux du 2me facteur
1 j J Tot.
1 n11 n1j n1J n1.
Niveaux di 1er

facteur

i ni1 nij niJ ni.

...
J
ni = nij
I nI1 nIj nIJ nI . j=1

Tot. n.1 n.j n.J n

I nombre total dobservations

n j = nij J I
i=1
n = n j = ni = nij
i, j : nij K
Dispositif quilibr : j=1 i=1 i, j

Les effets des deux facteurs seront

Chaque traitement compltement distinguables, i.e. cest
t reu pour le un dispositif orthogonal
mme nombre de ni n j
rptitions K i, j : nij =
n
(constant)
Giorgio Russolillo STA102 5
 Les notations des moyennes

Yijk= valeur de la variable Y pour

lindividu k qui a reu le
traitement (i,j)

(n x 1)
n ij
1
Moyenne de la variable Y pour le traitement (i,j) Yij =
n ij
Y ijk
k=1
I nij
1 Moyenne de la variable Y pour le
Y j = ijk
n j i=1 k=1
Y
niveau j du 2me facteur
n
1 J ij
Moyenne de la variable Y pour le
niveau i du 1 facteur
er
Yi =
ni j=1 k=1
Yijk
J I n ij
1
Y = Yijk Moyenne gnrale de la variable Y
n j=1 i=1 k=1
Giorgio Russolillo STA102 6
Tableau des moyennes
Niveaux du 2me facteur
1 j J Tot.
1 Y11 Y1j Y1J Y1
Niveaux du 1er

facteur

i Yi1 Yij YiJ Yi

...

Moyenne gnrale de Y
I YI1 YIj YIJ YI pour le niveau i du 1er
Tot. Y1 Yj YJ Y facteur

Moyenne gnrale de Y Moyenne gnrale de Y

pour le niveau j du 2me
facteur

Moyenne de Y pour le
traitement (i,j)

Giorgio Russolillo STA102 7

Le modle danalyse de la variance
deux facteur

Giorgio Russolillo STA102 8

 Le modle danalyse de la variance deux
facteurs (1)

Yijk = ij + ijk
{ijk } i.i.d. N (0, 2 )

Cest une gnralisation du modle de lanalyse de la variance

1 facteur o on fait apparaitre leffet du aux traitements
Dans ce modle on a :
- Une esprance ij spcifique chaque traitement
- Une variance intra-traitement commune tous les traitements

Ce modle ne fait pas apparatre explicitement

les effets des diffrents facteurs
Giorgio Russolillo STA102 9
 Le modle danalyse de la variance deux
facteurs (2)

1 + I + J + I*J
paramtres
estimer

facteurs var. quantitative

Effet principal du 1er facteur

Terme
constant Effet principal du 2me facteur

Yijk = + i + j + ij + ijk
Variable
alatoire Terme rsiduel
Terme dinteraction, i.e. effet alatoire
spcifique du traitement
{ijk } i.i.d. N (0, 2 )
Giorgio Russolillo STA102 10
Le modle danalyse de la variance deux
facteurs (3)

Yijk = + i + j + ij + ijk

ij {ijk } i.i.d. N (0, 2 )

Les valeurs de Y sont influences par les deux effets

principaux i et j des facteurs et par la prsence du
terme dinteraction ij

Giorgio Russolillo STA102 11

Ecriture matricielle du modle

Y [ = X
[n 1] ]
+
n ( I + 1)( J + 1) [n 1]
[( I + 1)(J + 1) 1]
Partie relative leffet
(Exemple avec I=2 et J=3) principale du 2me Partie relative
facteur linteraction
111

!
11K

121
!

12 K
131

!
13K
=
n1 211

!
21K
221

!
22 K

231
!


23K

Giorgio Russolillo STA102 12

 Exemple : Les donnes
On dispose dun chantillon de n = 24 effectifs
Pour chaque observation, on a
la variable quantitative y 1
le facteur a (2 niveaux) 2

le le facteur b (3 niveaux) 1
2
3

Giorgio Russolillo STA102 13

 Exemple : Les donnes

2me facteur fact_b, avec J= 3 niveaux

1er facteur fact_a, avec I=2 niveaux

i = indice du niveau du factor a, i = 1, 2

j = indice du niveau du factor b, j = 1, 2, 3

3x2=6
Traitements
k = indice de rptition dans chaque traitement, k = 1 nij

Giorgio Russolillo STA102 14

Exemple : Tableau des frquences
Facteur b
1 2 3 Tot.
Facteur a

1 4 4 4 12

3
2 4 4 4 12 ni = n1 j
j=1
Tot. 8 8 8 24

2
n j = ni1 nombre total dobservations
i=1
3 2 6
n = n j = ni = nij
j=1 i=1 i, j

i, j : nij 4 Dispositif quilibr, donc orthogonal :

Les effets des deux facteurs seront
compltement distinguables !

Giorgio Russolillo STA102 15

Exemple : Tableau des donnes
Yijk= kme obs pour le ime niveau
de a et le jme niveau de b

(n x 1)

y111= 1
y114= 6
y234= 17

Giorgio Russolillo STA102 16

Exemple : Tableau des moyennes

Tableau des moyennes de y conditionnes aux diffrents

traitements

2me facteur

1 2 3 Tot.

Y11 = Y12 = Y13 = Y1

1
1er facteur

3.5 9.75 17.75 =10.333

Y21= Y22= Y23 Y2 =

2 12.5 Moyenne de y pour le
8.5 =15.25 12.083
niveau 1 du factor a
Y2 = Y3 = Y=
Tot. Y1 = 6
11.125 16.5 11.208

Moyenne de y pour le Moyenne gnrale de y

niveau 2 du facteur b

Giorgio Russolillo STA102 17

Exemple : Statistiques lmentaires

Moyennes et carts types des y par traitement

Trait 1
Moyenne pour le
Trait 2 traitement 3, i.e. la
Trait 3
moyenne des y pour les
effectives qui appartient
Trait 4 au group 1 du facteur
Trait 5 a et au group 3 du
facteur b
Trait 6

Les 6 traitements
n12= 4

La variabilit est la mme dans les diffrents groups, mais

on observe des diffrences des moyennes assez fortes
Giorgio Russolillo STA102 18
Distributions de Y pour chaque traitement

Giorgio Russolillo STA102 19

Linteraction

Giorgio Russolillo STA102 20

 Graphe de linteraction

Yijk = + i + j + ij + ijk

Avec interaction Sans interaction

ij = + i + j + ij ij = + i + j

j 1 j 2 j = j 1 j 2 j =
( ) (
= + 1 + j + 1 j + 2 + j + 2 j = ) = ( + 1 + j ) ( + 2 + j ) =
= 1 2 + 1 j 2 j = 1 2
Pour chaque niveau j du 2me Pour chaque niveau j du 2 me
facteur, lcart entre les moyennes de facteur, lcart entre les moyennes de
Y pour les observations qui ont 2 Y pour les observations qui ont 2
modalits diffrentes du 1er facteur modalits diffrentes du 1er facteur
dpende du niveau j du 2me facteur est constant travers les niveaux du
2me facteur.
Giorgio Russolillo STA102 21
 Graphe de linteraction

Ce graphe peut suggrer un terme dinteraction dans le modle (mais

attention il ne dit pas si il est significatif !!)

Avec interaction Sans interaction

j j ' : 1 j 2 j 1 j ' 2 j ' j j ' 1 j 2 j = 1 j ' 2 j '
28
26
24
moyennes

22
20
18
16

A B C

niveaux du facteur 2

Est-ce quil y a interaction?

Est-ce que lhypothse de paralllit est rejete?
Giorgio Russolillo STA102 22
Exemple : Graphes de linteraction

Giorgio Russolillo STA102 23

Exemple : Graphes de linteraction
0 A

20

20
15

15
10

10
Y

Y
5

5
0

0
b1 b2 b3 b1 b2 b3

B B

B I
20

20
15

15
10

10
Y

Y
5

5
0

b1 b2 b3

B B

Giorgio Russolillo STA102 24

Exemple : Graphes de linteraction
AB AI

20

20
15

15
10

10
Y

Y
5

5
0

0
b1 b2 b3 b1 b2 b3

B B

BI ABI
20

20
15

15
10

10
Y

Y
5

5
0

b1 b2 b3 b1 b2 b3

B B

Giorgio Russolillo STA102 25

Exemple : Graphes de linteraction
0 0

10.1

20
10.0

15
9.9

10
Y

Y
9.8

5
9.7

b1 b2 b3 b1 b2 b3

B B

Giorgio Russolillo STA102 26

Dcomposition de la variabilit totale

Giorgio Russolillo STA102 27

 Dcomposition de la variabilit totale

SCT = SCM + SCR

(Y ) = (Y ) (
Y nij + i j k Yijk Yij )
2 2 2

i j k ijk Y i j ij

SCT = (Y Y )
2

i j k ijk

SCM = (Yij Y ) n ij = (Y Y )
2 2

i j i j k ij

SCR = (Y Yij )
2

i j k ijk

Giorgio Russolillo STA102 28

Dcomposition de la variabilit totale

Tableau danalyse de la variance (nij = K pour tous les i et j)

= n 1

Avec les rsultats en cette table on ne peut pas dcomposer

leffet du traitement en effet respectifs des deux facteurs et de
leur interaction
On peut dcomposer la SCM en somme des carrs
due aux effets principaux et somme des carrs due
linteraction
Giorgio Russolillo STA102 29
Dcomposition de la somme des carrs
expliqus

Giorgio Russolillo STA102 30

 Dcomposition de la SCM

Si le dispositif est orthogonal on peut dcomposer la

SCM de faon unique
A cest le 1er facteur
B cest le 2me facteur
I cest linteraction

SCM = SCA + SCB + SCI

(Y Y ) n =
2

i j ij ij

(Y Y ) n + (Y ) (
n j + i j Yij Yi Y j + Y )
2 2 2

i i i j j Y nij

SCB = Somme des SCI = Somme des

SCA = Somme des carrs due au facteur carrs due
carrs due au facteur b linteraction
a
Giorgio Russolillo STA102 31
Test de la signification du modle

Giorgio Russolillo STA102 32

Test de la signification du modle

On veux tester lhypothse H0 = {le traitement na pas

deffet sur le Y, i.e. les moyennes sont les mmes pour les
diffrents traitements } contre lhypothse H1 = {il existe un
effet du traitement sur le Y}

Dans un modle de ANOVA deux facteurs, ce test scrit :

H 0 = {Yijk = + ikj } contre H 1 = {Yijk = + i + j + ij + ijk }

quivalent :

H 0 = {i : i = 0,j : j = 0,(i, j ) : ij = 0} contre

H1 = {(i, j ) : i 0 ou j 0 ou ij 0 }

Giorgio Russolillo STA102 33

Lois des sommes des carrs sous H0

SCM ~ 2 2
( IJ 1)
H0

SCR ~ 2 (2nIJ )
H0

Giorgio Russolillo STA102 34

 Test de la signification du modle (1)

H 0 = {Yijk = + ikj } contre H 1 = {Yijk = + i + j + ij + ijk }

Ce test se fait au moyen de la statistique de test de Fischer :

Variance explique par les
SCM ( IJ 1) traitements
F=
SCR ( n IJ ) Variance rsiduelle

La statistique de test F suit sous H0 une loi de Fisher IJ-1 et n-

IJ degrs de libert : F ~ FIJ 1,n IJ
H0

Ce test nous montre que lanalyse de la variance deux facteurs est

quivalent une analyse de la variance un facteur avec IJ niveaux
Giorgio Russolillo STA102 35
 Test de la signification du modle (2)

H 0 = {Yijk = + ikj } contre H 1 = {Yijk = + i + j + ij + ijk }

SCM ( IJ 1)
Statistique de test F=
SCR ( n IJ )

Pr ( FIJ-1,n-IJ > fobs )

Probabilit critique
(p-value)

Rgle de dcision

On rejette lhypothse H0 au niveau si

p value < ou fobs > fIJ 1,nIJ,(1 )

Giorgio Russolillo STA102 36
Exemple : Tableau danalyse de la variance
Nombre de traitements Modle ANOVA 2 facteurs
IxJ=6: avec interaction (modle
6-1 = 5 complte )

Probabilit critique < 0.05,

on rejette lhypothse H0 :
le facteur a , le facteur
n-1 = 24-1 = 23 b ou leur effet conjoint
ont un effet significatif sur y
n - IJ = 24 6 = 18

Giorgio Russolillo STA102 37

Rductions

Giorgio Russolillo STA102 38

 Sommes des carrs et rductions

Dans un dispositif orthogonal la somme des carrs associs

chaque effet peut sexprimer en termes de rduction de la
variabilit rsiduelle, puisque elle mesure la diminution des
rsidus lorsquon introduit leffet dans le modle

De faon gnrale, R(M2|M1) mesure la diminution de la SCR

lorsque on passe du modle plus simple (embot) au modle
plus complexe (avec plus de paramtres)
Exemple : Modles embots : deux
modles sont dits embots
Modle 1 Yijk = + i + ijk si lun peut tre considr
comme un cas particulier de
Modle 2 Yijk = + i + j + ijk lautre. Cela revient
comparer un modle de
R(|,) = SCR1-SCR2 rfrence un modle rduit
ou contraint

Giorgio Russolillo STA102 39

 Sommes des carrs et rductions

On peut rcrire les sommes des carrs dues aux facteurs ainsi
que la somme des carrs due linteraction en termes de
rductions de la SCR en utilisant comme modle de rfrence le
modle 0 : Yijk = + ijk
Somme des carrs de type I (Type I SS) :

modle 0 Yijk = + ijk

SCA = R( | ) modle A Yijk = + i + ijk

modle A Yijk = + i + ijk

SCB = R( | , ) modle AB Yijk = + i + j + ijk

modle AB Yijk = + i + j + ijk

SCI = R( | , , ) modle C Yijk = + i + j + ij + ijk

Modle complet
Giorgio Russolillo STA102 40
Sommes des carrs et rductions

Type I SS :

SCA = R( | )

modle 0 Yijk = + ijk SCRM 0 = SCT

modle A Yijk = + i + ijk

SCA = R( | ) = SCT SCRM A

Giorgio Russolillo STA102 41

 Sommes des carrs et rductions

Type I SS :

SCB = R( | , )

modle A Yijk = + i + ijk

modle AB Yijk = + i + j + ijk

SCB = R( | , ) = SCRM A SCRM AB

Dans un dispositif quilibr : SCB = R ( | , ) = R ( | )

Les squences AB et BA donnent les mmes

sommes des carrs
Giorgio Russolillo STA102 42
SCB = R ( | , ) = R ( | ) : Dmonstration

R ( | ) = SCRM 0 SCRM B = SCT SCRM B

R ( | , ) = SCRM A SCRM AB
mais SCRM AB = SCT SCM M AB
mais si le dispositif est quilibr SCM M AB = SCM M A + SCM M B

(
SCRM AB = SCT SCM M A + SCM M B )
(
R ( | , ) = SCRM A SCT + SCM M A + SCM M B )
mais SCM M A + SCM M B = SCT SCRM A + SCT SCRM B
R ( | , ) = SCRM A SCT + SCT SCRM A + SCT SCRM B
= SCT SCRM B = R ( | )

Giorgio Russolillo STA102 43

Sommes des carrs et rductions

Type I SS :

SCI = R( | , , )

modle AB Yijk = + i + j + ijk

modle C Yijk = + i + j + ij + ijk SCRM C = SCR

SCI = R( | , , ) = SCRM AB SCR

Giorgio Russolillo STA102 44

Tests des effets des facteurs

Giorgio Russolillo STA102 45

 Loi des sommes des carrs des effets

Cas dun dispositif orthogonal

Sous lhypothse 1 = = I = 0 SCA ~ 2 (2I 1)

(Pas deffet du facteur A)

Sous lhypothse 1 = = J = 0 SCB ~ 2 (2J 1)

(Pas deffet du facteur B)

Sous lhypothse 11 = = IJ = 0 SCI ~ 2 (2I 1)( J 1)

(Pas dinteraction)

Giorgio Russolillo STA102 46

 Tests des effets

On veux tester de faon spcifique leffet de chacun

des facteurs (nij = K pour toutes les i et j) :

1er
facteur
2me
facteur
Interaction

En moyenne sur lensemble des Il nexiste pas

niveaux du 2me facteur, le valeur dinteraction entre
moyenne de Y ne varie pas entre les les deux facteurs
diffrents niveaux du 1er facteur, i.e.
Y1.. =Y2.. = =YI.. SCA = R( | )

Giorgio Russolillo STA102 47

 Exemple : Test des
Effet des diffrents facteurs dans un modle de ANOVA 2
facteurs avec interaction (modle complet )

SCIC
Effet de linteraction : la p-valeur est > 0.05 donc leffet de linteraction nest
pas significatif au niveau 5% et on peut accepter un modle sans
interaction.
Effet du facteur b : la p-value est < 0.001 donc leffet du facteur b
est significatif.
Effet du facteur a : la p-value est > 0.05 donc leffet du facteur a nest
pas significatif au niveau 5%, mais on ne peux pas le supprimer ce stade.

Giorgio Russolillo STA102 48

 Exemple : Le modle sans interaction (1)
Rsultat pour le modle : Yijk = + i + j + ijk
SCMAB = SCMC SCIC =
= 518.70833 - 59.25

SCTAB=SCTC

SCRAB= SCRC + SCIC=

209.25 + 59.25

Modle complte :

Giorgio Russolillo STA102 49

Exemple : Le modle sans interaction (2)
Rsultat pour le modle sans intration : Yijk = + i + j + ijk
SCAAB = SCAc mais:
- La SCR augmente
- Ses DL augmentent

Effet du facteur a : la P-value est >0.05 donc leffet du facteur a

nest pas significatif au niveau 5%

Modle complte :

Giorgio Russolillo STA102 50

Ex : Analyses spares pour les deux facteurs

Pour connaitre leffet de chacun deux facteurs sur y, on peux tre

tent deffectuer une analyse de la variance spare pour chacun
des deux facteurs
Effet facteur a :
Y
Modle A ijk = + i + ijk avec { ijk } i.i.d. N ( 0, 2
A )
Effet facteur b :
Modle B Yijk = + j + ijk avec { ijk } i.i.d. N ( 0, B )
2

Cette hypothse na videmment de sens que si dans chacun des ces

deux modle le facteur pas considr na pas deffet, autrement les
j*k rptitions du premier modle et les les i*k rptitions du second
modle ne sont pas vraiment des rptitions !

Giorgio Russolillo STA102 51

Ex : Le modle A
Rsultat pour le modle ANOVA un facteur ( a ) :
Yijk = + i + ijk SCMA = SCAAB , mais :
- La SCR augmente
- Ses DL augmentent

Probabilit critique >> 0.05, on ne

rejette pas lhypothse H0 : le facteur
a nas pas deffet significatif sur les y

Modle AB :

Giorgio Russolillo STA102 52

Ex: Le modle B
Rsultat pour le modle ANOVA un facteur ( b ) :
Yijk = + j + ijk SCMB = SCB mais :
- La SCR augmente
- Les DL augmentent

Probabilit critique < 0.05, on

rejette lhypothse H0 : le facteur
b a un effet significatif sur y
Modle AB :

Giorgio Russolillo STA102 53

Comparaison des moyennes

On peut vouloir tester lhypothse H0 = {deux moyennes

sont les mmes} contre lhypothse H1 = {les deux
moyennes sont diffrentes}

Ce test ce peut faire :

Au niveau facteur, on veut tester si deux moyennes sont les

mmes pour deux niveaux diffrents du mme facteur, i.e.
Y1..=Y2..
Au niveau traitement, on veut tester si deux moyennes sont les
mmes pour deux traitements diffrents, i.e. Yij.= Yij.

Dans tous les cas il faut considrer quon fait des

comparaisons multiples !

Giorgio Russolillo STA102 54

 Ex: Comparaison des moyennes pour le 1er facteur

Modle A :
Yijk = + i + ijk

Rappel: Les d.d.l.

sont gales n-2
(o 2 est le
nombre de
paramtres
estimer: et 1)

La difference entre les deux niveaux du facteur a nest pas significative, ce

qui est cohrent avec labsence deffet principal du facteur

Giorgio Russolillo STA102 55

Ex : Comparaison des moyennes pour le 2me facteur

Modle B :
Rappel: Les d.d.l.
Yijk = + j + ijk sont gales n-3 (o
3 est le nombre de
paramtres estimer:
, 1 et 2)

t critique : |tddl, /2| o

ddl=21,
/2 = (*/2)/l = 0.025/3
et * = 0.05

Le facteur b a un effet significative car toutes les diffrences entre les

moyennes des trois niveaux sont significatives.

Giorgio Russolillo STA102 56

Ex : Comparaison des traitements (Modle complet)

t critique : |tddl,/2|=3.380362
o ddl = 18,
/2 = (*/2)/l = 0.025/15 et *=0.05

tobs

Dans ce cas on rejet H0 car

|tobs | > |tddl,/2 |, c..d. p*<*

p*= P(t18>5.910625) x 30

Giorgio Russolillo STA102 57

Ex : Comparaison des traitements (Modle complet)

Giorgio Russolillo STA102 58

Estimation des paramtres du modle

Giorgio Russolillo STA102 59

Estimation des paramtres du modle

Yijk = + i + j + ij + ijk

( )
E Yijk = ij = + i + j + ij { } i.i.d. N ( 0, )
ijk
2

Ce modle nest pas identifiable donc on a besoin dintroduire

des contraintes sur les paramtres
1 + I + J + I*J I*J colonnes
paramtres indpendants dans
estimer la matrice X

On doit introduire 1+I+J contraintes indpendantes sur les

paramtres :
(a) Contraintes naturelles
(b) Contraintes de SAS
Giorgio Russolillo STA102 60
Les diffrentes contraintes

(a) Contraintes naturelles

Avec cette contrainte on impose la somme des paramtres
associes chaque effet dtre nul, i.e. :
I J J I
i =0 j =0 i : ij =0 j : ij =0
i=1 j=1 j=1 i=1
1 contrainte 1 contrainte

I+J-1 contraintes

Do les estimateurs :

= Y j = Y j Y
i = Yi Y ij = Yij Yi Y j + Y

Tous ces estimateurs sinterprtent comme des carts entre moyennes

Giorgio Russolillo STA102 61

Les diffrentes contraintes

(b) Contraintes de SAS

Avec cette contrainte tous les paramtres associes au dernier
niveau de chaque facteur sannulent :

I = 0 J = 0 i : iJ = 0 j : Ij = 0
1 contrainte 1 contrainte
I+J-1 contraintes

Do les estimateurs :

= YIJ j = YIj YIJ

i = YiJ YIJ ij = Yij YiJ YIj + YIJ

Le traitement (I,J) joue le rle de rfrence

Giorgio Russolillo STA102 62

Prdiction

La forme des estimateurs dpend des contraintes quon

applique
ATTENTION LINTERPRETATION DES
ESTIMATIONS DES PARAMETRES

Toutefois la prdiction ne dpend pas des contraintes,

elles est dans tous les cas :

E (Yijk ) = Yijk = + i + j + ij = Yij Moyenne du

traitement (i,j)

On a donc que I*J valeurs prdites possibles, une pour

chaque traitement

Giorgio Russolillo STA102 63

Ex: Estimation des paramtres

YIJ .

Cest la diffrence entre les moyennes des

traitements a2b1 et a2b3

Giorgio Russolillo STA102 64

Estimateur de la variance des erreurs

(Y )
2
SCR ijk Yij
S2
= = i j k

n IJ n IJ
nIJ

Valeur prdite
Yijk = Yij
Nombre de
paramtres estimer
une fois pos les
contraintes

Giorgio Russolillo STA102 65

Test sur les paramtres

Giorgio Russolillo STA102 66

Tests sur les paramtres

On veut tester lhypothse H0 = {le paramtre est gal 0}

contre lhypothse H1 = {le paramtre est diffrent de 0}

On a IJ tests sur les paramtres :

i I H 0 : { i = 0} contre H1 : { i 0}
j J H 0 : { j = 0} contre H1 : { j 0}
(i, j ) ( I,J ) (I, j) ( i,J) H 0 : { ij = 0} contre H1 : { ij 0}

Chacun de ces tests se effectue travers

un test de STUDENT

Giorgio Russolillo STA102 67

Tests sur les paramtres

Il faut interprter le test associ chacun des paramtres en

fonction des contraintes choisies par SAS

Dans le cas de la contrainte (b) les estimateurs taient :

= YIJ j = YIj YIJ

i = YiJ YIJ ij = Yij YiJ YIj + YIJ

Le test H0 = {j=0} contre lhypothse H1 = {j0}

sinterprte comme : Est-ce que la moyenne obtenue pour le
niveau j du 2me facteur est la mme de celle obtenue pour le
niveau J du 2me facteur lorsque le niveau I du 1er facteur est
fix?, i.e. YIj.=YIJ?.

Giorgio Russolillo STA102 68

Ex :Test sur les paramtres (Modle Complet)
Rappel: Les d.d.l. de t
sont gales n-6 (le
nombre de paramtres
estimer)

La diffrence entre les

moyennes des traitements
a2b1 et a2b3 est significative

N.B.: Les p-valeurs ne

sont pas corriges

On retrouve les mmes valeurs dans la

table des comparaisons des traitements

Giorgio Russolillo STA102 69

 This presentation is made available through a Creative Commons Attribution-
Noncommercial license. Details of the license and permitted uses are available at
http://creativecommons.org/licenses/by-nc/3.0/

2017 G. Russolillo Analyse de la variance deux facteurs : Dispositif quilibr

Title: Analyse de la variance deux facteurs : Dispositif quilibr UE STA102

Attribution: . G. Russolillo, CNAM L. Trinchera, NEOMA Business School

Giorgio Russolillo - STA102 70