Académique Documents
Professionnel Documents
Culture Documents
lans P
lans
Plan du cours
Introduction
Les plans d’expérience Le plan à un facteur
Plans à deux facteurs
Plans factoriels
Initiation à leur analyse et à Complets
leur construction Incomplets
J.S. Pierre Autres plans
Carré latin
mercredi 9 janvier 2008 Split-
Split-plot
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 1 d'expérience 2
P
lans P
lans
Définition
P
lans
Vocabulaire
P
lans
Facteurs
Variable à expliquer On appelle facteur un ensemble de
Ou réponse
Ce que l’on mesure traitements de « même nature » (liés
Constitu(
Constitu(ent)
ent) les résultat du plan par une similitude logique) et
Résultat univarié
Résultat multivarié mutuellement exclusifs
Variable explicative
Covariable
Ces différents traitements sont
Variable quantitative mesurée préalablement à l’expérience nommés modalités ou encore niveaux
Non influencée par le plan
Facteur
(levels)
levels)
Ensemble de modalités disjointes
1
P
lans
exemple
P
lans
Unités expérimentales
Essai sur les colzas, réalisé en 2004 par les On nomme « unités expérimentales »
étudiants de l’UE. le facteur « variété » a quatre
modalités ou « individus » les objets (a priori
Parapluie
Tanto
identiques) sur lesquels on applique
les traitements
Darmor
Darmor Nain Exemple
Dans le même essai, le facteur « terreau » a trois
modalités Cas des antibiotiques : 1 unité expérimentale
Terreau de semis = une boîte de Petri
Terreau de repiquage Cas des colza : 1 unité expérimentale = 1
Terreau pour plantes d’intérieur godet perdu avec 4 graines
P
lans
Ressources, allocation
P
lans
Analyse des plans
P
lans
Deux citations
P
lans
Construction des plans
2
P
lans P lans
1. Plan à Un facteur
1.1. Mise en œuvre
1.2. Analyse
1. Le plan à un facteur
Analyse de variance
Comparaisons multiples de moyennes (tests « post hoc »)
Substituts à ou extensions de l’analyse de variance
Anova non paramétrique
Ou plan en randomisation Modèle linéaire généralisé (définition)
P
lans
1.1. Mise en oeuvre
P lans
Exemple
Sulbactam Pénicilline G
Pénicilline V
Sulbactam
par tirage au sort exhaustif Témoin
P
lans P lans
3
P
lans
Le modèle statistique
P
lans
But
Quel est le modèle statistique du plan à un Rejeter l’hypothèse nulle :
facteur (effets fixés) ?
Yij est le résultat mesuré sur la j ième u.e. de
H 0 ⇔ α1 = α 2 = ... = α i = ...α p = 0
la i ième modalité
P
lans La décomposition des sommes P
lans
Graphiquement
de carrés d’écarts
Considérons un écart à la moyenne des
valeurs observées y.. yi. yij
yij − y..
Intercalons dans cet écart la moyenne des y.. yij
individus d’une modalité Modalité 1
Modalité 3 (i )
P
lans
Elevons au carré
P
lans
Sommons
∑∑ ( y − y.. ) =
p
= ( yij − yi. ) + ( yi. − y.. ) + 2 yi. ( yij − yi. ) − 2 y.. ( yij − yi. )
2 2 i =1 j =1 i =1
ni ni
+2∑ yi. ∑ ( yij − yi. ) − 2 y.. ∑∑ ( yij − yi. )
p p
i =1 j =1 i =1 j =1
14243 14243
J.S. Pierre Intro plans =0 J.S. Pierre Intro plans =0
d'expérience 23 d'expérience 24
4
P
lans
Et finalement
P
lans
Notations commodes
SCET : Somme des carrés des écarts totale
ni
∑∑ ( y − y.. ) =
p
2
P
lans
Sous Ho
P
lans
En particulier
yij = µ + ε ij ⎛ SCEB ⎞
E ( SCEB ) = ( p − 1)σ 2 ⇒ E ⎜ ⎟ =σ
2
⎝ p −1 ⎠
Var ( ε ij ) = σ 2
⎛ SCEw ⎞
Au produit par E ( SCEw ) = ( n − p )σ 2 ⇒ E ⎜ ⎟ =σ
2
E ( SCET ) = ( n − 1)σ 2 ⎝ n− p ⎠
les « degrés de
E ( SCEB ) = ( p − 1)σ 2 liberté » près ⎛ SCEw ⎞ ⎛ SCEB ⎞
⎟ = E ⎜ p −1 ⎟ = σ
2
Et donc E⎜
Toutes ces ⎝ n− p ⎠ ⎝ ⎠
E ( SCEw ) = ( n − p )σ 2
sommes de
carré mesurent Sous H0, « variance » inter et « variance » intra
sont égales enJ.S.
espérance
J.S. Pierre Intro plans
d'expérience la même chose27 Pierre Intro plans
d'expérience 28
P
lans
Sous H1
P
lans
D’où la statistique
yij = µ + α i + ε ij
F de Fisher :
SCEB
Var ( ε ij ) = σ R2 ( p −1)
F=
SCEw
E ( SCEB ) E ( SCEw )
>> ( n− p )
( p − 1) (n − p)
Si F est « assez grand » on décidera
J.S. Pierre Intro plans
que le facteur a un effet
J.S. Pierre Intro plans
d'expérience 29 d'expérience 30
5
P
lans
Comment est distribué F ?
P
lans
F est-il assez grand
Cela dépend des hypothèses sur les erreurs Pour rejeter Ho ?
Si les erreurs sont
- Distribuées normalement
On peut utiliser une table
- Indépendantes deux à deux Exemple : F =4.8, dl1 = 4, dl2 = 44
- Avec une espérance nulle
- Et une variance uniforme σ2 indépendante de la
modalité i
Le numérateur est distribué comme un χ2 à p – 1
degrés de liberté
Le dénominateur est distribué comme un χ2 à n – p
degrés de liberté
F est alors distribué comme une variable de Fisher –
Snedecor à p –J.S.1 d'expérience
et nIntro
Pierre –p degrés de liberté
plans
31
J.S. Pierre Intro plans
d'expérience 32
P
lans
Décision
P
lans
Utilisation d’un logiciel
Valeur de F
Sur la base de la table précédente Par exemple R
Problème Anatalanta Probabilité exacte
La valeur supérieure limite est 2.58 d’un F supérieur
Anova directe :
Le seuil de la table est α = 0.05 > attach(
attach(anatal)
anatal)
> anova(
anova(lm(
lm(Lo~station
Lo~station %in% altitude)) Code de niveau
4.8 est supérieur à 2.58 Analysis of Variance Table De significativité
P
lans
Autre utilisation du logiciel
P
lans Le tableau d’analyse de
variance
On cherche la probabilité exacte
dl (df
(df))
Source SCE (SSQ) CM (MS) F p
2
∑∑ ( y − y..) n-1
p
Total ij SCET/(n-1)
∑n (y − y..)
2
Inter (B) p- 1 SCEB/(p-1) CMB/CMW p (F>=Fobs
(F>=Fobs))
> pf(4.8,4,44,
pf(4.8,4,44,lower
lower. .tail=F)
tail=F) i =1
i i.
ni 2
∑∑ ( y
p
[1] 0.002665292 Intra (W) ij − yi. ) n-p SCEW/(n-p)
i =1 j =1
> # vé
vérification de la table
> pf(2.58,4,44,
pf(2.58,4,44,lowerlower. .tail=F)
tail=F) Note : R ne fournit pas la somme des carrés des écarts totale.
On sait qu’on peut la retrouver en additionnant les autres sources
[1] 0.05025123 de variation
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 35 d'expérience 36
6
P
lans P
lans Comment contrôler la validité
des résultats ?
Graphiques
Validité
Histogramme des résidus
Droite de Henry des résidus
Résidus en fonction de l’estimée
Résidus en fonction de l’ordre des données
Des résultats Tests
Normalité des résidus
Kolmogorov
Shapiro-
Shapiro-Wilks
Egalité des variances
Bartlett
A relativiser (Anova
(Anova « robuste » aux écarts aux
J.S. Pierre Intro plans hypothèses)J.S. Pierre Intro plans
d'expérience 37 d'expérience 38
P P
Lo : résidus en fonction de l'estimée
Lo : Histogramme des résidus
lans lans
Exemple : Anatalanta Exemple : Anatalanta
80
0.4
60
0.2
Frequency
40
> lm(
lm(Lo~station
Lo~station %in% altitude)-
altitude)->m1 > hist(m1$
hist(m1$res
res,main="
,main="Lo
Lo : Histogramme des ré résidus")
>
> plot(m1$fit,m1$res
plot(m1$fit,m1$res)
)
20
0.0
")
0.4
> abline(0,0)
abline(0,0)
0
> qqline(m1$
qqline(m1$res
res)
)
> title("
title("Lo
Lo : ré
résidus en fonction
0.2
-0.2
> shapiro.test(m1$res)
shapiro.test(m1$res) m1$res
de l'estimé
l'estimée")
Sample Quantiles
0.0
Shapiro-
Shapiro-Wilk normality test
-0.4
-0.2
data: m1$res
-0.4
-0.6
W = 0.9787, p-
p-value = 0.0001096
-0.6
-3 -2 -1 0 1 2 3
1.55 1.60 1.65 1.70 1.75 1.80 1.85
J.S. Pierre Intro plans J.S. Pierre Intro plans Theoretical Quantiles
d'expérience
m1$fit 39 d'expérience 40
P
lans
Résumé
P
lans
7
P
lans
Une mauvaise idée
P
lans
Avec les codes habituels
P
lans P
lans
L’événement
Avoir pris au moins une décision fausse
Quelle est la probabilité On s’est trompé une fois et une seule
Ou
On s’est trompé deux fois
Ou
D’avoir pris au moins une
P
lans
On s’est trompé une fois
P
lans
Le début du calcul
8
P
lans Contrôle du risque de P
lans
première espèce
Au bout du compte, la probabilité Le choix d’un test de
d’obtenir au moins une conclusion
fausse est bien supérieure au risque comparaisons multiples
nominal a = 0.05
Cette probabilité croît rapidement Un équilibre
avec le nombre de comparaisons
On dit que le test est « non
conservatif »
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 49 d'expérience 50
P
lans
Que veut-on contrôler ?
P
lans
Avantages et inconvénients
P
lans Un très grand nombre de P
lans
Les critères de choix
procédures
Près d’une vingtaine de procédures Idéalement on décision
PPDS (LSD) de Fisher devrait choisir une
Studentised range de Newman-
Newman-Keuls courbe de Ho H1
PPAS de Tukey puissance du test
α
réalité
Bonferroni
Sidak Conservativité vs
…. puissance
Que choisir ?J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 53 d'expérience 54
9
P
lans
Les courbes de puissance
P
lans Quelques tests bien connus
et appréciés
1−β
1.2 PPDS de Fisher,
t par paires
Etendue studentisée
(sans correction)
1 De Duncan
Tukey,
0.8 Newman-Keuls De Newman & Keuls
test1
test2 De Tukey
0.6
T corrigé de Bonferroni
test3
Série4
0.4 Scheffé, Contrastes,
Bonferroni, Sidak, Dunett
Test de Dunett
0.2
Comparaison à un témoin
α
∆
0
0 10 20 30 40 50 60 70
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 55 d'expérience 56
P
lans
Tests extrêmes
P
lans
P
lans P
lans Comment poser le
problème ?
Calcul du nombre de Il faut déterminer quatre paramètres
répétitions nécessaires 1. Le risque α désiré
1-β désirée
2. La puissance 1-
10
P
lans
La question correcte :
P
lans
Mais…
Sachant que j’attend une variance σ2 Comment avoir une idée de la variance
résiduelle σ2 ????????
Combien dois-
dois-je faire de répétitions
Plusieurs solutions
Pour mettre en évidence une Faire une préexpérience
différence d’ordre ∆ entre modalités Compulser la bibliographie
Avec une puissance β Chercher des données d’essais antérieurs
Interroger les vieux
Et un risque de première espèce α ….
P
lans
Bis repetita
P
lans
Comment fait-fait-on ?
Cadre : le test z de l’écart réduit
H0 H1
Avant de monter une bonne δ
expérience il est souvent
z α + zβ = δ
indispensable d’en faire une mauvaise 2
(on a dit la même chose de
l’échantillonnage)
Principe DEUSE (Deux Essais, Une β
Seule Erreur) α /2 α /2
-4 -2 0 2 4 6
zα zβ
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 63
2
d'expérience 64
P
lans
Et donc …
P
lans
Avec F
z α + zβ = δ
2 Le facteur est à effets fixés -> le
∆
z α + zβ = numérateur est fixé
2 σ2 On joue donc sur le dénominateur et
2
n on ne peut jouer que sur les degrés
de liberté du dénominateur
2σ 2 ⎛ ⎞⎟2 pr –p = p(r-
p(r-1)
n≥ ⎜ z + z
∆2 ⎜⎝ 2 ⎠⎟
α β⎟
Ne peut se faire que par itération
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 65 d'expérience 66
11
P
lans
Exemple
P
lans
P
lans
Recherche de n
P
lans
> 1-pf(2.5,4,44)
[1] 0.05605998
> 1-pf(2.5,4,50)
Optimisation de l’allocation
[1] 0.05416008
> 1-pf(2.5,4,100)
[1] 0.04723924 Améliorer le contraste !
> 1-pf(2.5,4,80)
[1] 0.04896127
> 1-pf(2.5,4,70)
[1] 0.05019498
> 1-pf(2.5,4,75)
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 69 d'expérience 70
[1] 0.04953664
P
lans
Principe
P
lans
Définition
12
P
lans
Cas particulier
P
lans L’allocation dépend des
objectifs
Comparaison de deux moyennes Cas 1 : on s’intéresse de la même
manière à tous les contrastes du type
C12 = m1 − m2 mi - mj
Cas 2 : on s’intéresse essentiellement
En effet : à la comparaison à un témoin mi – m0
C12 = 1 × m1 + ( −1) × m2 Cas 3 : On cherche à démontrer la
linéarité d’une relation dose-
dose-effet
P
lans
Cas 1
P
lans
Quelle est la contrainte ?
On s’intéresse de la même façon à tous les On se fixe le nombre total d’unités
contrastes élémentaires
expérimentales disponibles
Quelle est la variance d’un contraste
élémentaire ?
(ressources)
Cij = mi − m j p
Var ( Cij ) =
σ r2
ni
+
σ r2
nj
⎛1 1⎞
= σ r2 ⎜ + ⎟
⎜ ni n j ⎟
∑n
i =1
i =N
⎝ ⎠
Cette variance est d’autant plus petite que
ni et nj sont grands, mais c’est trivial
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 75 d'expérience 76
P
lans
On pose le problème
P
lans Solution : on forme le
« lagrangien »
Trouver le minimum de ⎛ p ⎞
L ( n , n ,..., n , λ ) = n1 + n1
1 2 p + λ ⎜ ∑ ni − N ⎟
1 1
+ i j ⎝ i =1 ⎠
ni n j
Sous la contrainte d’égalité
p Quantité à
∑n
minimiser Multiplicateur de
i =N Lagrange
i =1 Contrainte
(quantité = 0)
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 77 d'expérience 78
13
P
lans On annule les dérivées P
lans
Conclusion :
partielles
∂L 1 Allocation équilibrée
=− +λ = 0 Optimale lorsque toutes les
∂n ni2
i comparaisons sont également
Soit intéressantes
1
ni =
λ
P
lans
Cas 2
P
lans
Lagrangien
p
⎛ p ⎞
Comparaisons à un témoin privilégiées L ( n , n ,..., n , λ ) = ∑ n1 + p
0 1 p
2 1
+ λ ⎜ ∑ ni − N ⎟
C10 = m1 − m0 i =1 i n0 ⎝ i = 0 ⎠
C20 = m2 − m0
⎡ p 1 1⎤ ∂L 1
..... Var ( C ) = σ 2 ⎢ ∑ + p 2 ⎥ =− +λ = 0
C p 0 = m p − m0 ⎣ i =1 i
n n0⎦
∂n ni2
i
p
C = ∑ mi − pm0 ∂L 1
i =1
= − p2 +λ = 0
∂n n02
0
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 81 d'expérience 82
P
lans
Solution
P
lans
Solution du cas 2
⎬ ⇒ n0 = pni témoin
p ⎪
n0 = Affecter autant d’unités au témoin qu’à
λ ⎪⎭ toutes les autres modalités réunies
14
P
lans
Cas 3
P
lans
Variance du contraste
P
lans
Solution
P
lans
Solution :
1 4 1 ⎛ 3 ⎞
L ( n1 , n2 , n3 , λ ) = + + + λ ⎜ ∑ ni − N ⎟
n1 n2 n3 ⎝ i =0 ⎠ n2 = 2n1 = 2n3
∂L 1 1
=− + λ = 0 ⇒ n1 =
∂n1 2
n1 λ
∂L 4 2 Pour montrer la linéarité d’une
=− + λ = 0 ⇒ n2 = relation, on chargera d’avantage les
∂n2 n02 λ modalités médianes
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 87 d'expérience 88
P
lans P
lans
15
P
lans
a) Facteurs croisés
P
lans
Modèle croisé additif
P
lans
Ecriture du modèle (fixe)
P
lans Ecriture du modèle
(aléatoire)
Effets fixes Effets aléatoires
yij = µ + αi + β j + εij yij = µ + Ai + B j + εij
P
lans
Modèle mixte
P
lans
Votre responsabilité
16
P
lans
Exemple
P
lans
Exemple
Littoral Altitude > read.table("anatal
read.table("anatal..txt",h=T)
txt",h=T)-->anatal
(1) (2) > attach(
attach(anatal)
anatal)
Mâles X111 X121 > anatal$sexe<
anatal$sexe<--factor(sexe)
factor(sexe)
(1) X112 X122
> anatal$station<
anatal$station<--factor(station)
factor(station)
x113 x123
> anatal$altitude<
anatal$altitude<--factor(altitude)
factor(altitude)
Femelles X211 X221 > summary(
summary(anatal)
anatal)
(2) X212 X222 Sexe, station et altitude doivent apparaître
x213 X223 comme des facteurs
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 97 d'expérience 98
P
lans
Exemple : facteurs croisés
P
lans
Orthogonalité
> Analysis of Variance Table Deux facteurs croisés sont dits
orthogonaux si leurs nombres de
Response:
Response: Lo répétitions par ligne, colonne et case
sexe
Df Sum Sq Mean Sq F value
1 0.2081 0.2081 5.6279
Pr(>F)
Pr(>F)
0.01827 *
vérifient la relation suivante :
altitude 1 0.6716 0.6716 18.1650 2.675e-
2.675e-05
ni.n. j
***
nij =
Residuals 317 11.7204 0.0370
--- n..
Signif.
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05
`.' 0.1 ` ' 1 L’équilibre est un cas particulier
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 99 d'expérience 100
P
lans Conséquence de P
lans Orthogonalité et
l’orthogonalité planification expérimentale
Si deux facteurs croisés sont On utilise couramment des plans non
orthogonaux, les sommes de carrés orthogonaux par construction
d’écart correspondants sont additifs Plans en blocs incomplets équilibrés
et ajustés (BIE)
Le type I est absolument correct pour
Plans en blocs incomplets partiellement
chaque facteur
équilibrés (BIPE)
Sinon, ils sont partiellement
Plans fractionnaires
confondus (confounding
(confounding)) et doivent
être analysés en type III
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 101 d'expérience 102
17
P
lans P
lans
Exemple : facteurs croisés
Response:
Response: Lo
Df Sum Sq Mean Sq F value Pr(>F)
Pr(>F)
Et test de l’interaction sexe 1 0.2081 0.2081 5.6431 0.01812 *
altitude 1 0.6716 0.6716 18.2140 2.613e-
2.613e-05 ***
sexe:altitude 1 0.0684 0.0684 1.8562 0.17403
Residuals 316 11.6520 0.0369
P
lans
Modèle additif et interactif
P
lans
Ecriture
Modèle additif
altitude Littoral
yijk = µ + αi + β j + εijk
Littoral
Modèle interactif
altitude
P
lans
Ordre des interactions
P
lans
b) Facteurs hiérarchisés
18
P
lans
Modèle hiérarchique
P
lans Exemple : modèle hiérarchique
aléatoire
Comment écrit-
écrit-on le modèle ?
A venir
yijk = µ + αi + β j ( i ) + εijk
Effet du facteur 2
(hiérarchisé)
Effet du facteur 1
(hiérarchisant)
P
lans
Autres notations
P
lans
Anatalanta
βj(i )
α : sexe
β : altitude
D : station
βj i
Aléatoire
Hiérarchisée sous altitude
P
lans Analyse d’un facteur P
lans
hiérarchisé
> attach(anatal)
Response: Lo
Df Sum Sq Mean Sq F value Pr(>F)
sexe 1 0.2081 0.2081 7.3296 0.007158 **
altitude 1 0.6716 0.6716 23.6574 1.831e-06 ***
altitude:station 6 2.8914 0.4819 16.9750 < 2.2e-16 ***
Residuals 311 8.8290 0.0284
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 113 d'expérience 114
19
P
lans Les plans factoriels P
lans Exemple de plan factoriel
complets complet
Un plan factoriel est dit complet si chaque Facteur 1 : 3 modalités, A,B,C
modalité du premier facteur est associée avec
chaque modalité du second facteur dans une unité Facteur 2 : 3 modalités, X,Y,Z
expérimentale
Facteur 3 : 2 modalités a,b
Généralisation : un plan factoriel à k facteurs est
dit complet si toutes les combinaisons possibles
des modalités de chaque facteur pris 2 à 2, 3 à 3, AXa AYa AZa AXb AYb AZb
k à k sont associées dans le même nombre
d’unités expérimentales BXa BYa BZa BXb BYb BZb
Dans le cas contraire, il est dit incomplet CXa CYa CZa CXb CYb CZb
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 115 d'expérience 116
P
lans
Caractéristiques
P
lans
Exemple
Orthogonal Le plan de la diapositive 116
Comporte au minimum pqr unités expérimentales Le plan minimal a 3 x 3 x 2 =18 unités
(p,q,r, respectivement nombre de modalités des
facteurs 1,2,3). Dans le cas général, produit du
expérimentales
nombre de modalités de chaque facteur Il permet d’atteindre les interactions
Un plan qui comporte le minimum d’unités d’ordre 1, mais pas l’interaction d’ordre 2
nécessaires est dit minimal. S’il en comporte plus, Les plans répétés contiennent 36,54,72…
il est dit répété . Dans ce cas il doit comporter 2
fois, 3 fois, etc…
etc… ce nombre minimal d’UE
UE
m étant le nombre de facteurs, on peut atteindre Les plans factoriels complets sont lourds et
au plus les interactions d’ordre m-2 sur un plan chers
minimal
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 117 d'expérience 118
P
lans P
lans
Plans en blocs
Un des facteurs est souvent un facteur dit
Cas particulier : « bloc »
Non étudié et « non intéressant », il sert
souvent à contrôler l’hétérogénéité du
Les plans en blocs matériel expérimental
Pour un petit nombre d’unités
expérimentales, on ne fait pas confiance à
la randomisation
20
P
lans Exemple de blocs P
lans
Autre exemple
Agronomie, écologie expérimentale : contrôle de
l’hétérogénéité du terrain
Randomisation par bloc 12 porcs
35 35
A C E D B B1
Très
A C E E B Randomi-
30
sation
30
E D A B C B2
hétérogènes
D D A A C
C D D E E C D A B E B3 4 traitements
25 25
D C B B E D C B E A B4 A,B,C,D
D
20 C B B C Blocs D
20 C A E B B5 3 blocs
E A A D B E A C D B B6
15 15
P
lans Le plan :
A D
P
lans
Analyse
P
lans
Exemple
P
lans
> m1<-lm(D12~bloc*var*ter,data=colza)
> anova(m1)
Analysis of Variance Table
Response: D12
12 blocs
bloc 11 30465 2770 3.5551 8.439e-05 ***
var 3 39950 13317 17.0936 1.685e-10 ***
équilibrés ---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 125 d'expérience 126
21
P
lans P
lans Analyse de l’interaction
bloc-variété
> m2<-lm(D12~bloc+var+ter+bloc:var,data=colza)
> anova(m2)
Analysis of Variance Table
100
Response: D12 colza$bloc
90
Bloc11
bloc 11 30465 2770 3.4986 9.715e-05 *** Bloc7
mean of colza$D12
Bloc9
var 3 39950 13317 16.8220 1.928e-10 ***
80
Bloc4
Bloc8
ter 2 7720 3860 4.8758 0.007983 ** Bloc12
Bloc10
70
bloc:var 33 44207 1340 1.6922 0.010424 * Bloc6
Bloc5
Bloc3
60
Residuals 518 410057 792
---
50
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
C F N P
P
lans
Comparaison des moyennes
P
lans
P
lans P
lans
Premier exemple
A C E D B
Blocs incomplets équilibrés b
t
=5
=5
E B A C D
r =4
λ =3
C E D B A
Une première solution
D A B E C
B D C A E
22
P
lans
Cinq constantes
P
lans
Notion d’efficacité
b : nombre de blocs
λt
t : nombre de traitements
k : nombre de traitements par bloc E=
r : nombre de répétitions d’un traitement kr
λ : nombre de répétition d’un contraste
λ=
( t − 2 )! Ici (3 x 5)/(4 x 4) = 15/16 = 93.75%
( k − 2 )!( t − k )! Pas d’interprétation trop rapide de cet
indice !
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 133 d'expérience 134
P
lans
Sens de l’efficacité
P
lans
Construction des BIE
E=
Variance d'un contraste élémentaire dans le BIE Carré de Youden
Variance du même contraste dans le BCE correspondant
Plans irréductibles
Plans complémentaires
Théorème : Parmi tous les plans connectés
de paramètres v,b,k, un BIE, s’il existe Catalogues de plan (Raghavarao
(Raghavarao
maximise l’efficacité minimum 1971, Cochran 1963)
On n’en donnera pas la démonstration Logiciels : AlgDesign (Package de R)
P
lans
Exemple
P
lans
Quel plan obtenons nous
Construction d’un plan optimal pour les TP
On a 10 variétés d’Arabidopsis thaliana, on souhaite en
mettre 5 par boîte de culture Ce n’est pas un BIE -> un BIE avec ces
On utilise la fonction optBloc de AlgDesign sous R caractéristiques est impossible
> BIB<-optBlock(~.,withinData=factor(1:10),blocksizes=rep(5,10)) C’est un BIPE à deux classes d’association
1 2 3 4 5 6 7 8 9 10
> data.frame(BIB$Blocks) > crossprod(table(BIB$rows,c(rep(1:10, rep(5,10))))) 1 532222222 3
X1 X1.1 X1.2 X1.3 X1.4 X1.5 X1.6 X1.7 X1.8 X1.9 2 352322222 2
1 1 1 2 1 2 1 3 1 2 3 3 225232322 2
4 232522223 2
2 2 3 3 4 4 4 4 2 6 5
5 223252232 2
3 3 5 4 8 5 5 6 6 7 7 6 222225232 3
5 5 6 9 9 6 7 7 7 8 8 7 223222523 2
8 222233252 2
8 8 10 10 10 9 10 8 9 10 9
9 222322325 2
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 137 d'expérience 10 3 2 2 2 2 3 2 2 2 5 138
23
P
lans P
lans
Assouplissement des BIE
Les Plans en Blocs
But : diminuer encore la taille des
incomplets partiellement blocs
équilibrés Accepter de « sacrifier » certains
contrastes
BIPE
λ n’est plus uniforme
Il y a des classes d’association avec
une série de constantes λ, λ1,λ
1,λ2,λ
2,λ3…
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 139 d'expérience 140
P
lans
Exemples de construction
P
lans
Caractéristiques
a b a b b = 12
b c b c b c
c d c d t=8
d d a d a k=2
a
b e b e λ1 = 1 (arêtes)
c f c f
e f d h d h λ2 = 0 (diagonales)
a g a g
g e f e f
h
f h f h
h g h g
J.S. Pierre Intro plans
d'expérience g e 141 g e J.S. Pierre Intro plans
d'expérience 142
P
lans
Analyse
P
lans
BIE
orthogonale
Comparaison des « moyennes ajustées »
BIPE La question des effets et
Comparaison des « moyennes ajustées » SCE « ajustés »
Par classe d’association
Par couples de classes d’association
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 143 d'expérience 144
24
P
lans
Problème
P
lans
Solution
35
a b Avantages : blocs très
b c homogènes Estimation des effets par les moindres
30 c d
Inconvénients : effets carrés non orthogonaux
d a
b e
biaisés, confusion On estime d’abord l’effet bloc (non ajusté)
25 c f partielle des effets blocs
et traitements On estime l’effet des traitements sur les
d h
Par exemple résidus du modèle précédent
a g
20 e f a est vu dans les meilleurs Les effets et somme de carrés associés aux
f h blocs traitements sont dits ajustés
h g e dans des blocs
15
g e médiocres
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 145 d'expérience 146
P
lans > anova(lm(rdt~bloc+var,data=bie))
Exemple
P
lans
Analysis of Variance Table
Response: rdt
bloc
Df Sum Sq Mean Sq F value
4 861.94
Pr(>F)
215.49 162.089 1.070e-09 ***
Plans à plusieurs systèmes
var
Residuals 11
4 241.35
14.62
60.34 45.387 8.997e-07 ***
1.33 # Forme correcte pour un BIE
de blocs
> anova(lm(rdt~var+bloc,data=bie))
Analysis of Variance Table
Carrés latins et grécolatins,
grécolatins,
Response: rdt Split-
Split-plot et criss-
criss-cross
Df Sum Sq Mean Sq F value Pr(>F)
var 4 173.37 43.34 32.602 4.824e-06 *** Confounding (confusion)
bloc 4 929.93 232.48 174.874 7.100e-10 ***
Residuals 11 14.62 1.33 # Si l’on veut s’assurer du statut des blocs
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 147 d'expérience 148
P
lans
Le carré latin
P
lans
Analyse
D B A E C Trois facteurs :
Blocs horizontaux
A C D B E Blocs verticaux
Traitements
E D C A B Aucune interaction n’est accessible
B A E C D Contraignant
Peu puissant
C E B D A Usage : très forte hétérogénéité des UE,
contrôle de deux gradients
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 149 d'expérience 150
25
P
lans
Carré gréco-latin
P
lans
Analyse
Dy Bw Az Ex Cv Quatre facteurs
Az Cv Dw By Ex Blocs horizontaux
Blocs verticaux
Ew Dx Cv Az By Traitement 1
Traitement 2
Bx Az Ey Cv Dw Système orthogonal
Cv Ey Bx Dw Az Aucune interaction accessible
Très peu puissant
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 151 d'expérience 152
P
lans
Le split-plot
P
lans
Comparaison
Plan factoriel en bloc Split - plot
Une simplification pratique des plans factoriels
complets à deux facteurs étudiés + les blocs A B A B B A B B B A A A
Exemple : Sur une grande boîte de Petri carrée, on X Z Z Y X Y Y X Z X Z Y
peut étudier plusieurs mutants d’Arabidopsis B A B A B A A A A B B B
Mais on ne peut faire qu’un seul traitement Y X Z Y X Z Z X Y Y Z X
(témoin, ou sucre, ou sucre + herbicide) B B A B A A A A A B B B
Le facteur traitements doit donc être randomisé Z Y Z X X Y Z Y X Y X Z
plus grossièrement que le facteur mutant B A B A B A B B B A A A
Split-
Split-plot = parcelle coupée X Y Z Z Y X Z Y X Z X Y
P
lans
Analyse
P
lans
Premier niveau
26
P
lans P
lans But : étudier de nombreux
facteurs
On cherche à trier l’influence de
Les plans factoriels pk nombreux facteurs
On s’intéresse peu à la linéarité des
effets
• Complets
On cherche les facteurs les plus
• Fractionnaires
importants (facteurs clés)
• Hiérarchiser les facteurs
On s’intéresse à des interactions
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 157 d'expérience 158
P
lans
La base : les plans 2k
P
lans
Caractéristiques
Exemple : le plan 23 Axα
Axα Si les modalités sont quantitatives,
Trois facteurs à deux Axβ
Axβ elles doivent être aussi contrastées
modalités Ayα
Ayα que possible
A,B Ayβ
Ayβ
On atteint les interactions d’ordre k-
k-1
x,y Bxα
Bxα
α,β Croissent géométriquement avec le
Bxβ
Bxβ
Un des facteurs peut nombre de facteurs
Byα
Byα
jouer le rôle de blocs Orthogonaux
Byβ
Byβ
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 159 d'expérience 160
P
lans Exemple P
lans
Exemple (suite)
> m1<-lm(rep~F1+F2+F3+F4+F1:F2+F1:F3+F1:F4+F2:F3+F2:F4+F3:F4,data=x)
> anova(m1)
Analysis of Variance Table > m2<-lm(rep~F1+F2+F3+F4+F1:F3,data=x)
> anova(m2)
Response: rep Analysis of Variance Table
Df Sum Sq Mean Sq F value Pr(>F)
F1 1 60.03 60.03 481.1913 3.655e-06 *** Response: rep
F2 1 406.89 406.89 3261.4950 3.114e-08 *** Df Sum Sq Mean Sq F value Pr(>F)
F3 1 50.64 50.64 405.9219 5.569e-06 *** F1 1 60.03 60.03 587.085 3.266e-10 ***
F4 1 9.20 9.20 73.7112 0.0003535 *** F2 1 406.89 406.89 3979.239 2.438e-14 ***
F1:F2 1 0.10 0.10 0.7975 0.4127430 F3 1 50.64 50.64 495.252 7.537e-10 ***
F1:F3 1 1.68 1.68 13.4788 0.0144231 * F4 1 9.20 9.20 89.933 2.579e-06 ***
F1:F4 1 0.01 0.01 0.0541 0.8253533 F1:F3 1 1.68 1.68 16.445 0.002304 **
F2:F3 1 0.004031 0.004031 0.0323 0.8644070 Residuals 10 1.02 0.10
F2:F4 1 0.16 0.16 1.2843 0.3085060 ---
F3:F4 1 0.13 0.13 1.0281 0.3571296 Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residuals 5 0.62 0.12 > AIC(m1,m2)
--- df AIC
m1 12 17.49315
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 m2 7 15.40103
27
P
lans
Conclusions de l’exemple
P
lans Visualisation des
interactions
On hiérarchise les facteurs ainsi :
14
F2 > F1 > F3 > F4 > F1:F3
x$F3
beta
alpha
12
Seuls F1 et F3 sont interactifs
mean of x$rep
10
8
A B
P
lans P
lans
Fractions de plan
P
lans
Construction d’un 23/2
P
lans Ce plan factoriel est
incomplet
Considérons le plan 22 avec U F1 F2 F3 U F1 F2 F3
interaction
1 A X α 5 A X β
U F1 F2 I12 U F1 F2 F3 U F1 F2 F3
2 A Y β 6 A Y α
1 +1 +1 +1 1 +1 +1 +1 1 A X α
3 B X β 7 B X α
2 +1 -1 -1 2 +1 -1 -1 2 A Y β
4 B y α 8 B y β
3 -1 +1 -1 3 -1 +1 -1 3 B X β
28
P
lans
Confusion (confounding)
P
lans
Quand les utiliser ?
P
lans P
lans
Principe
P
lans
Exemple
P
lans
Rationalité
2 facteurs normés à -1,+1 +1
1. Estimation correcte de la variance
2 modalités, A,B et x,y
Ax -1 -1
résiduelle
Ay -1 +1 0 2. Détection de relations non linéaires
Bx +1 -1
(cadre des surfaces de réponse)
By +1 +1
00 0 0
-1
29
P
lans
Références utiles
P
lans
P
lans
Modèles compliqués
Croissance très rapide du nombre
d’interactions avec le nombre de facteurs
Plus de trois facteurs et/ou covariables
Le recours à la théorie des plans d’expérience
devient indispensable
Confusions d’effets
Construction de plans factoriels
Utilisation de plans types
30