Vous êtes sur la page 1sur 50

Test de signification d’une ANOVA à deux

critères de classification: sans réplication,


modèle I, plan factoriel
Tableau d’ANOVA
• Tester CMeffet sur Effet SC dl CM F p
CMerreur...
• … mais, souvenez Totale SCT dlT CMT
vous que toute Facteur SC1 dl1 CM1 CM1/CME ?
inférence dépend et 1
doit tenir compte de la Facteur SC2 dl2 CM2 CM2/CME ?
condition de l’absence 2
d’interaction! Erreur SCE dlE CME

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 1
2019-09-05 10:18
Test de signification d’une ANOVA à deux
critères de classification: sans réplication,
modèle II, plan factoriel
Tableau d’ANOVA
• Tester CMeffet sur Effet SC dl CM F p
CMerreur
• Les inférences sont Totale SCT dlT CMT
valides même s’il y a Facteur SC1 dl1 CM1 CM1/CME ?
présence d’interaction. 1
Facteur SC2 dl2 CM2 CM2/CME ?
2
Erreur SCE dlE CME

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 2
2019-09-05 10:18
Test de signification d’une ANOVA à deux
critères de classification: sans réplication,
modèle III, plan factoriel
• Tester CMeffet sur Tableau d’ANOVA
CMerreur Effet SC dl CM F p
• Quand il y a un facteur
Totale SCT dlT CMT
fixe, les inférences
sont valides même s’il Facteur SC1 dl1 CM1 CM1/CME ?
y a interaction 1
Facteur SC2 dl2 CM2 CM2/CME ?
• Pour un facteur
2
aléatoire, les Erreur SCE dlE CME
inférences ne sont
valides que s’il n’y a
pas d’interaction.

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 3
2019-09-05 10:18
ANOVA à mesures répétées

• Utilisée quand la même unité


d’échantillonnage (individus, Temps
champs, etc…) est utilisé pour
différents traitements. Patient Avant 1 mois 2 mois
• Ex: la pression sanguine d’un
1
patient avant, 1 mois et 2 mois
après un traitement contre 2
l’hypertension.
• On peut considérer cette 3
ANOVA comme une ANOVA 4
type III, le temps (facteur 1)
est fixe, le patient (facteur 2)
est aléatoire et est utilisé
comme réplicat.

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 4
2019-09-05 10:18
Covariance Variable X1 X2 X3

X1 2 12 13


• La covariance de
l’échantillon entre deux X2 21 2 23
variables X et Y est:
N X3 31 32 2
 ( X i  X )(Yi  Y )
i 1
Cov ( X , Y )  Covariance
N 1
Variance
• Cov(X,Y) = 0 si X et Y sont
indépendants, < 0 s’ils sont • La matrice de covariance est
corrélés négativement, et > 0 une matrice dont les éléments
s’ils sont positivement sur la diagonale sont les
corrélés. variances et les autres, hors
de la diagonale, sont les
covariances.
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées
© Antoine Morin et Scott Findlay 5
2019-09-05 10:18
Conditions d’application de l’ANOVA à
mesures répétées
• Toutes les conditions
Variable X1 X2 X3
habituelles d’une ANOVA et...
• …les données doivent X1 2  
rencontrer la condition de
compound symmetry, c’est-à- X2  2 
dire que les valeurs de la
X3   2
diagonale de la matrice de
covariance sont égales, tout
comme les valeurs hors de la
diagonale.
• Si cette condition n’est pas Covariance
respectée, utiliser le test
statistique de Greenhouse- Variance
Geisser ou Huyndh-Feldt.

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 6
2019-09-05 10:18
Exemple: Effet de l’âge sur la largeur du
visage chez les filles

Largeur du visage (cm)


8.00
• Les sommes des carrés sont
réparties pour les individus, 7.75
selon l’âge (CMâge) et pour 7.50
les individus, pour un âge
CMerreur 7.25
• H0: F = CMâge/ CMerreur est 7.00
petit 6.75
6.50
5 6 7
Âge (années)

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 7
2019-09-05 10:18
Exemple: Effet de l’âge sur la largeur du
visage chez les filles

Univariate and Multivariate Repeated Measures Analysis

Within Subjects
---------------

Source SS df MS F P G-G H-F

age 1.315 2 0.658 437.292 0.000 0.000 0.000


Error 0.042 28 0.002

Greenhouse-Geisser Epsilon: 0.6502


Huynh-Feldt Epsilon : 0.6892

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 8
2019-09-05 10:18
ANOVA à critères multiples, alternative
non-paramétrique

• Effet de la température C3 C4
(fixe) et du type de plant
(fixe) sur la production Temp. Taux Rang Taux Rang
primaire nette (gC m-2 j-1), 20 ºC .75 6 .61 12
4 réplicats (parcelle) par .63 10 .66 8.5
traitements .81 3 .58 15
• Calculer les rangs et .79 4 .52 16
procéder à une ANOVA à
deux critères de 28 ºC .55 14 .76 5
classification de type I sur .59 13 .71 7
les rangs. .66 8.5 .84 2
.62 11 .92 1

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 9
2019-09-05 10:18
Test de signification d’une ANOVA à
deux critères de classification non-
paramétrique
Tableau d’ANOVA
• Tester H = SCeffet Effet SC dl CM H p
sur CMtotale
Totale SCT dlT CMT
• Comparer H à la
distribution du c2 Facteur SC1 dl1 CM1 SC1/ CMT ?
avec le nombre de 1
degrés de liberté Facteur SC2 dl2 CM2 SC2/ CMT ?
2
correspondant.
1X2 SC1X2 dl1X2 CM1X2 SC1X2/ CMT ?

Erreur SCE dlE CME

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 10
2019-09-05 10:18
Effet du sexe et du site sur le poids de
l’esturgeon

Analysis of Variance

Source Sum-of-Squares df Mean-Square F-ratio P

SEX$ 48402.191 1 48402.191 19.193 0.000


LOCATION$ 1040.161 1 1040.161 0.412 0.522
SEX$*LOCATION$ 1284.469 1 1284.469 0.509 0.476

Error 448884.022 178 2521.820

Hsex$ = 48402.191/2760.28 = 17.5 (p < .0001)


Hlocation$ = 1040.16/2760.28 = 0.38 (p >> .05)
Hsex$*location$ = 1284.5/2760.28 = 0.47 (p >> .05)

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 11
2019-09-05 10:18
ANOVA à critères multiples: plan à
blocs aléatoires

• Pour les plans factoriels (entièrement aléatoire)


chaque observation est indépendante des autres.
• Dans certains plans (plan à blocs aléatoires), une
observation pour un traitement est reliée d’une
certaine façon à une observation des autres
traitements.
• L’ensemble des observations reliées constitue un
“bloc”.

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 12
2019-09-05 10:18
Plans entièrement aléatoire
versus blocs aléatoires

• On choisit au hasard, un
porcelet d’une portée de
chacune des 20 truies. On Diète
Diet
assigne à ces porcelet une 1 2 3 4
diète spéciale.
• Les observations recueillies
sont entièrement aléatoires
et le modèle que l’on
devrait choisir serait
l’ANOVA à un critère de
classification de type I.

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 13
2019-09-05 10:18
Plans entiérement aléatoire
versus blocs aléatoires

• Pour chaque truie, on choisit 4


porcelets au hasard. Chaque
porcelet est assigné
aléatoirement à une des 4 diètes Diète
spéciales. 1 2 3 4
• Comme les 4 porcelets d’une
même portée sont reliés, ils
constituent un bloc et le plan
approprié serait une ANOVA à
deux critères de classification de
type III (diète, fixe), portée (blocs,
aléatoire).
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées
© Antoine Morin et Scott Findlay 14
2019-09-05 10:18
Blocs aléatoires: ANOVA à deux critères de
classification de type III

Tableau d’ANOVA
• Le plan à deux Effet SC dl CM F p
facteurs et blocs
aléatoires se calcule Totale SCT dlT CMT
comme une ANOVA à Facteur 1 SC1 dl1 CM1 CM1/CME ?
deux critères de
classification de type III Facteur 2 SC2 dl2 CM2 CM2/CME ?
sans réplication. Le (blocs)
facteur 1 (fixe) et le Restes SCR dlR CMR
facteur 2 (blocs) est
toujours aléatoire.

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 15
2019-09-05 10:18
Exemple: la croissance des plantes
avec différents traitements de
fertilisation
• Des gradients de
1 4 2 3
température, d’humidité,
de lumière, etc… sont
2 1 3 4
instaurés dans une serre
ou un champs. Cinq
blocs sont créés, 4 4 3 1 2
parcelles pour chacun.
On assigne à chacune 1 3 4 2
des parcelles un
fertilisant différent 3 4 1 2
(1,2,3,4).

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 16
2019-09-05 10:18
Exemple: la Fertilisant
croissance des Bloc 1 2 3 4
plantes avec différents 1 7.0 5.3 4.9 8.8
traitements de 2 9.9 5.7 7.6 8.9
3 8.5 4.7 5.5 8.1
fertilisation 4 5.1 3.5 2.8 3.3
• H0: le taux de
5 10.3 7.7 8.4 9.1
croissance est le même
pour tous les Tableau d’ANOVA
traitements Source de SC dl CM F
• rejeter H0: p(traitement) variabilité
Totale 99.35 19 5.23
= .0007
• p(blocs) = .08, Traitement 27.43 3 9.14 11.8
attention, c’est peut- Blocs 62.65 4 15.66 3.92
être l’indication d’une Restes 9.28 12 0.77
certaine variabilité
environnementale entre
les champs.
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées
© Antoine Morin et Scott Findlay 17
2019-09-05 10:18
Blocs aléatoires, alternative
non-paramétrique
• Si le nombre de niveaux k du
facteur fixe ne respecte pas les
conditions d’application d’une
ANOVA paramétrique, utiliser le test
de Friedman. Diète
• Pour un nombre de groupes 1 2 3 4
(traitements) a et un nombre de
blocs b, le test statistique est le
suivant:
a
12
c 2r  
ba( a  1) i1
Ri  3b( a  1)
2

• Ri est la somme des rangs pour le


groupe I, et le test statistique suit
environ la distribution du c2
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées
© Antoine Morin et Scott Findlay 18
2019-09-05 10:18
Exemple: la Fertilisant
croissance des Bloc 1 2 3 4
7.0 5.3 4.9 8.8
plantes avec différents 1
(3) (2) (1) (4)
traitements de 2
9.9 5.7 7.6 8.9
fertilisation (4) (1) (2) (3)
8.5 4.7 5.5 8.1
3
• H0: Ri est identique pour (4) (1) (2) (3)
tous les traitements 5.1 3.5 2.8 3.3
4
(4) (3) (1) (2)
10.3 7.7 8.4 9.1
c .205,4,5  7.8 5
(4) (1) (2) (3)
• Alors, on rejette H0: Somme
p(traitement) = .008 des
19 8 8 15
rangs
(Ri)

a  4, b  5, c 2r  10.68
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées
© Antoine Morin et Scott Findlay 19
2019-09-05 10:18
Puissance et taille de l’effectif pour
l’ANOVA à deux critères de
classification de type I
• La puissance maximale Phosphore
pour un effectif donné N Azote Témoin Bas Élevé
est obtenue avec un
plan équilibré (on a le Témoin 2.8 3.0 3.3
même nombre Bas 3.6 3.8 4.0
d’observations dans
Élevé 4.4 4.5 4.5
chaque cellule).
Les valeurs représentent les moyennes
N = 5 champs, en tonnes/hectare

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 20
2019-09-05 10:18
• Deux facteurs (A et B), on a a Puissance et taille de
niveaux pour le facteur A et b l’effectif pour l’ANOVA à
niveaux pour le facteur B à un
a donné (k’ = a ou b) .
deux critères de
• Pour un plan équilibré avec n’ classification de type I
observations par cellule, mm est
la moyenne de chaque cellule Phosphore
• Si la variabilité intra-groupe s2 Azote Témoin Bas Élevé
(CMerreur), on peut calculer f
pour chaque facteur: Témoin 2.8 3.0 3.3

k' Bas 3.6 3.8 4.0


n '  ( m m  m )2 Élevé 4.4 4.5 4.5
f m1
mm 3.6 3.9 4.0
k ' s2

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 21
2019-09-05 10:18
Calcul de la Diminution de n2
puissance pour n1 = 2
un f donné
• Pour un n1 donné (dl des

1-b
facteurs, ex: a-1, b-1), n2
(dl d’une cellule (erreur), a
et f, on peut obtenir 1-b a = .05
de tables ou de courbes a = .01
(ex: Zar (1996), Appendice
Figure B.1)
2 3 4 5
f(a = .05) 1 1.5 2 2.5
f(a = .01)

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 22
2019-09-05 10:18
ANOVA de type I: plus Phosphore
petite différence
Azote Témoin Bas Élevé
détectable
Témoin 2.8 3.0 3.3
• Supposons que l’on veut
détecter les différences entre les Bas 3.6 3.8 4.0
moyennes des échantillons les
Élevé 4.4 4.5 4.5
plus différents et ce, pour chaque
niveau d’un des facteurs (A, B) mm 3.6 3.9 4.0
au moins d.
• Afin de tester au seuil de
signification a avec une
puissance 1 - b , on peut calculer 2fk s' 2
la taille de l’effectif minimum nmin nmin 
requis pour détecter d, pour une d 2

variance s2 donnée.

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 23
2019-09-05 10:18
Puissance du test: effets Phosphore
principaux Azote Témoin Bas Élevé
• Si on accepte H0 , on peut quand Témoin 2.8 3.0 3.3
même calculer la puissance. C’est
une bonne pratique! Bas 3.6 3.8 4.0
• On connaît CMfacteur , (s2 = Élevé 4.4 4.5 4.5
CMerreur), et k’, on peut calculer f
pour chacun des effets principaux. mm 3.6 3.9 4.0

Source SC dl CM
A SCA a-1 CMA
(k '  1)(CM facteur  s 2 )
B SCB b-1 CMB
f ' 2
AXB SCAXB (a-1) CMAXB ks
(b-1)
Erreur SCerreur ab(n’-1) CMerreur

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 24
2019-09-05 10:18
Puissance du test: effet Phosphore
de l’interaction Azote Témoin Bas Élevé
• Si on accepte H0, on peut Témoin 2.8 3.0 3.3
quand même calculer la
puissance. C’est une bonne Bas 3.6 3.8 4.0
pratique! Élevé 4.4 4.5 4.5
• On connait CMinteraction et s2 =
CMerreur, on peut calculer f pour mm 3.6 3.9 4.0
l’interaction
Source SC dl CM
dl AXB (CM AXB  s ) 2
f
A SCA a-1 CMA
B
AXB
SCB
SCAXB
b-1
(a-1)
CMB
CMAXB
(dl AXB  1) s 2

(b-1)
Erreur SCerreur ab(n’-1) CMerreur
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées
© Antoine Morin et Scott Findlay 25
2019-09-05 10:18
Sans
Hormone
Puissance: exemple Hormone
M F M F

• Effet d’un traitement 14.5 16.5 32.0 39.1


hormonal sur la 11.0 18.4 23.8 26.2
concentration de plasma 10.8 12.7 28.8 21.3
d’oiseaux. 14.3 14.0 25.0 35.8
• 5 individus de chaque 10.0 12.8 29.3 40.2
sexe (Facteur B, mâle Source SC dl CM F
(M) ou femelle (F)) avec
ou sans hormone Totale 1827.69 19
(Facteur A) Hormone 1386.1 1 1386.1 4.49*
(A)
• On accepte H0 pour l’effet Sexe (B) 70.31 1 70.31 3.07
principal B (sexe) et pour
AXB 4.90 1 4.90 .214
l’interaction)
Erreur 366.37 16 22.90

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 26
2019-09-05 10:18
Puissance : exemple (k '  1)(CM facteur  s 2 )
f
k 's 2
• Quelle est la puissance
(2  1)(70.31  22.90)
du test pour l’effet du fsexe 
sexe? 2(22.90)
 1.02
n 1  1,n 2  16,a .05
Source SC dl CM F
1  b  0.29
Totale 1827.69 19
Hormone 1386.1 1 1386.1 4.49*
• Alors, on a environ 71%
(A)
de chance de commettre Sexe (B) 70.31 1 70.31 3.07
une erreur de Type II.
AXB 4.90 1 4.90 .214
Erreur 366.37 16 22.90

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 27
2019-09-05 10:18
Puissance et taille de l’effectif pour une
ANOVA à deux critères de classification de
type III: plan avec réplication
• Pour une ANOVA de type III 280
avec réplication, on peut calculer
la puissance en tenant compte 240
des hypothèses concernant le

Poids (kg)
facteur fixe en remplaçant 200
CMinteraction par CMerreur, et en
utilisant dlinteraction pour n2. 160

(k  1)(CM facteur  CM AXB )


' 120

f '
Riding Kluane Algonquin
Mountain
k CM AXB mâles
femelles

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 28
2019-09-05 10:18
Puissance et taille de l’effectif pour une
ANOVA à deux critères de classification de
type III: plan sans réplication
• Pour une ANOVA de type III Saison
sans réplication, on peut calculer Prof. Print. Été Automne
la puissance en tenant compte (m)
des hypothèses concernant le 1
facteur fixe en remplaçant
CMrestes par CMerreur, et en 2
utilisant dlrestes pour n2.
5

10
(k  1)(CM facteur  CM R )
'

f
k 'CM R

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 29
2019-09-05 10:18
ANOVA à critères Espèce 1
multiples ºT basse ºT élevée
M F M F
• En principe, les procédures de
calculs d’une ANOVA à deux
critères de classification peuvent
s’appliquer pour une ANOVA à 3
facteurs ou plus. Ex: l’effet de
l’espèce (facteur 1), la
température (facteur 2) et du sexe Espèce 2
sur le taux de respiration de ºT basse ºT élevée
crabes. M F M F
• Toutefois, en pratique, les
résultats d’ANOVAs à plus de 2
facteurs sont difficiles à
interpréter étant donné le nombre
élevé d’hypothèses nulles.

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 30
2019-09-05 10:18
ANOVA à trois critères de
classification de type I, plan factoriel
Tableau d'ANOVA
• Pour une ANOVA à
Effet SC dl CM F p
trois critères de
classification de Totale SCT dlT CMT
type I, plan factoriel,
Facteur 1 SC1 dl1 CM1 CM1/ CME ?
on a 7 hypothèses
Facteur 2 SC2 dl2 CM2 CM2/CME
nulles
Facteur 3 SC3 dl3 CM3 CM3/ CME ?
• Tous les CM des
1X2 SC1X2 dl1X2 CM1X2 CM1X2/ CME ?
effets sont testés
1X3 SC1X3 dl1X3 CM1X3 CM1X3/ CME ?
sur CMerreur.
2X3 SC2X3 dl2X3 CM2X3 CM2X3/ CME ?
1X2X3 SC1X2X3 dl1X2X3 CM1X2X3 CM1X2X3/ CME ?
Erreur SCE dlE CME

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 31
2019-09-05 10:18
Nombre d’hypothèses que l’on peut
tester avec une ANOVA à critères
multiples, plan factoriel
Nombre de facteurs
• Quand le 2 3 4 5
nombre de
facteur Facteur
2 3 4 5
principal
augmente, le
Interactions
nombre 1 3 6 10
2 critères
d’hypohèses
Interactions
possibles 1 4 10
3 critères
augmente aussi Interactions
1 5
4 critères
Interactions
1
5 critères

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 32
2019-09-05 10:18
ANOVA à critères multiples: plans avec
blocs et à mesures répétées

• Les designs expérimentaux avec 3 facteurs ou plus


où un des facteurs est un bloc ou des mesures
répétées sont prises sur un des sujets
• On procède comme avec l’ANOVA à plan factoriel en
prenant les blocs ou la mesure répétée comme étant
un facteur aléatoire
• C’est donc une ANOVA de type III.

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 33
2019-09-05 10:18
Distinction entre les designs avec
blocs et ceux à mesures répétées

• Si chaque bloc représente des observations


indépendantes (ex: individus), c’est un plan avec
blocs.
• Si le même bloc contient des informations provenant
d’une combinaison de facteurs, c’est un design split-
plot.
• Si un même individu est soumis à une combinaison de
facteurs, c’est un plan à mesures répétées.

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 34
2019-09-05 10:18
Effets de l’alimentation et de l’exercice
sur le poids d’animaux: plan en blocs
aléatoires
• Le poids d’animaux est Exercice
mesuré pour deux diètes
Diète Bloc E1 E2
(D1, D2) et deux intensités
d’exercice ( E1, E2), 4 D1 1
blocs par diète, 2 animaux 2
par bloc, un animal est 3
assigné au hasard à un 4
des 2 types d’exercice (16 D 5
2
animaux au total)
6
• la diète et l’exercice sont 7
des facteurs fixes
8

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 35
2019-09-05 10:18
Effets de l’alimentation et de l’exercice
sur le poids d’animaux: plan à
mesures répétées
Exercice
• Le poids est mesuré
Diète Sujet E1 E2
pour 2 diètes (D1, D2) et
2 types d’exercices (E1, D1 1
E2), 4 sujets par diète 2
sont soumis aux deux 3
types d’exercices (8 4
animaux au total) D2 5
• la diète et l’exercice sont 6
des facteurs fixes 7
• À noter que N est la 8
moitié de ce qu’il était
pour le plan avec blocs!
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées
© Antoine Morin et Scott Findlay 36
2019-09-05 10:18
ANOVA à plusieurs critères de
classification- plan à mesures répétées
• Effet du sexe (facteur Sexe Sujets Départ Après Après
1) et de la diète 10 jrs 20 jrs
(facteur 2) sur le Mâle 1 42.8 42.4 38.9
niveau de protéines 2 43.1 42.2 40.3
du plasma de tortues 3 40.4 40.8 37.5
(sujets, facteur
4 46.6 45.9 42.9
répété), 8 animaux
au total. Femelle 5 42.2 42.4 39.7
6 38.7 38.1 35.8
7 35.3 34.3 32.3
8 40.5 40.1 37.3

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 37
2019-09-05 10:18
Décomposition Source de variabilité SC dl CM
de la variance Totale 278.2 23 12.09
Sujets 230.7 7 32.96
• Tester les effets
Sexe 92.4 1 92.4
entre-sujets sur
l’erreur entre- Sujets d’un sexe 138.3 6 23.05
(erreur entre-sujets)
sujets. Ex:
Entre-sujets 47.47 16 2.97
Diète 45.58 2 22.79
Diète X sexe 0.27 2 0.136
Diète X S/sexe 1.62 12 0.135
92.4 (erreur entre–sujet)
Fsexe   4.01
23.05
22.79
Fdiète   168.97
.135
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées
© Antoine Morin et Scott Findlay 38
2019-09-05 10:18
ANOVA à critères multiples - plan avec
blocs

• Effet du sexe (facteur Sexe


Sex Sujets
Blocks Départ Après Fasted
Fed Fasted Après
1) et de la diète 10days
10 jrs 20
20days
jrs
(facteur 2) sur le Mâle
Male 11 42.8
42.8 42.4 38.9
niveau de protéines 22 43.1
43.1 42.2 40.3
du plasma de tortues, 33 40.4
40.4 40.8 37.5
4 blocs par sexe, 3
44 46.6
46.6 45.9 42.9
tortues par bloc (24
animaux au total). Femelle
Female 55 42.2
42.2 42.4 39.7
66 38.7
38.7 38.1 35.8
77 35.3
35.3 34.3 32.3
88 40.5
40.5 40.1 37.3

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 39
2019-09-05 10:18
Décomposition de la variance: plan avec blocs
• Tester le CM du
Source de variabilité SC dl CM
facteur fixe sur le
Totale 278.2 23 12.09
CM des résidus.
Sexe 92.4 1 92.4
• Traitez le test
Blocs (pour un sexe) 138.3 6 23.05
CMblocs/CMrésidus
avec prudence! Diète 45.58 2 22.79
Diète X sexe 0.27 2 0.136
92.4
Fsexe   684.4 Résidus (erreur) 1.62 12 0.135
0.135
22.79
Fdiète   168.97
.135

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 40
2019-09-05 10:18
Puissance et taille Espèce 1
d’effectif pour une ºT basse ºT élevée
M F M F
ANOVA à critères
multiples
• Les principes et les
procédures de calculs
sont les mêmes que pour Espèce 2
une ANOVA à deux ºT basse ºT élevée
critères de classification. M F M F

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 41
2019-09-05 10:18
ANOVA à critères
multiples de type I
nd ' 2
f
• Pour calculer f, k’ est le ' 2
2k s
nombre de niveaux du
facteur fixe, n’ est le
nombre total de données
(k  1)(CM facteur  s )
' 2
(c’est-à-dire, combiné
pour les autres facteurs)
f ' 2
dans chaque niveau du
ks
facteur, et s2 est le
CMerreur.
dl AXB (CM AXB  s ) 2
f
(dl AXB  1) s 2

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 42
2019-09-05 10:18
Puissance et Effet SC dl CM F p
taille de l’effectif
Espèces 1.818 2 .909 24.46 .000
pour une ANOVA
Sexe .009 1 .009 .239 .627
à 3 critères de
classification de Temp 24.66 2 12.33 332.0 .000
type I: exemple Espèces
.370 2 .185 4.99 .010
X Sexe
• Effet de l’espèce, Espèces
1.102 4 .275 7.42 .000
X Temp
du sexe et de la
Sexe X
température sur la .175 2 .088 2.36 .104
Temp
consommation Espèces
d’O2 chez le crabe X Sexe X .221 5 .055 1.49 .220
Temp
(crabO2.sys)
Erreur 2.005 54 .037

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 43
2019-09-05 10:18
ANOVA de type I:
Effet SC dl CM F p
différence minimum
détectable Espèces 1.818 2 .909 24.46 .000

• Si on veut détecter la Sexe .009 1 .009 .239 .627


différence entre les … … … … … …
moyennes des 2
échantillons les plus Erreur 2.005 54 .037
différents pour chaque
niveau du sexe pour au X male  2.336, X female  2.314
moins d.
• Si n1 = 1, n2 = 54, afin de
tester au seuil de
signification a  .05 et 1 - b 2fk ' s 2 4(5.2)(.037)
nmin  
 .95 , on a besoin de f = d2 .0222
5.2, et nmin = 1590!

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 44
2019-09-05 10:18
Puissance du test:
( k '  1)( CM facteur  s 2 )
effets principaux f
k 's2
• Quelle est la puissance ( 2  1)(. 909  .037)
du test pour un effet du fsexe 
sexe? 2(.037)
 .62
n 1  1,n 2  54,a .05
Effet SC dl CM F p
1  b  0.21
Espèces 1.818 2 .909 24.46 .000
• Alors, il y a 79% de Sexe .009 1 .009 .239 .627
chance de commettre
une erreur de type II. … … … … … …
Erreur 2.005 54 .037

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 45
2019-09-05 10:18
Effet SC dl CM F p
Puissance du test: effet
de l’interaction Espèces 1.818 2 .909 24.46 .000
Sexe .009 1 .009 .239 .627
• Quelle est la
… … … … … …
puissance du test
pour la détection Erreur 2.005 54 .037
de l’effet de
l’interaction sexe X
temp? dl AXB (CM AXB  s 2 )
n 1  2,n 2  54,a .05 f
(dl AXB  1) s 2
1  b  0.25 2(.088  .037)

3(.037)
• Il y a 75% de
chance de détecter  .96
une interaction.
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées
© Antoine Morin et Scott Findlay 46
2019-09-05 10:18
ANOVA à critères
multiples de type
III nd ' 2

• Afin d’estimer la
f ' 2
2k s
puissance du test qui
détecte l’effet d’un facteur

(k  1)(cM facteur  s )
fixe, utiliser la procédure ' 2
montrée précédemment,
toutefois… f ' 2
• …pour l’effet entre-
ks
cellules (s2), remplacer le
dénominateur dans le test
dl AXB (CM AXB  s ) 2
de F f
• Ce n’est pas toujours (dl AXB  1) s 2
CMerreur!

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 47
2019-09-05 10:18
Exemple: calculs pour une ANOVA à
mesures répétées

• Effet du sexe (facteur Sexe Sujets Départ Après Après


1) et de la diète 10 jrs 20 jrs
(facteur 2) sur le Mâle 1 42.8 42.4 38.9
niveau de protéines 2 43.1 42.2 40.3
du plasma de tortues 3 40.4 40.8 37.5
(sujets, facteur
4 46.6 45.9 42.9
répété), 8 animaux
au total. Femelle 5 42.2 42.4 39.7
6 38.7 38.1 35.8
7 35.3 34.3 32.3
8 40.5 40.1 37.3

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 48
2019-09-05 10:18
Puissance de Source de variabilité SC dl CM
détection d’un effet Totale 278.2 23 12.09
du sexe Sujets 230.7 7 32.96
• Afin de calculer Sexe 92.4 1 92.4
f, remplacer le Sujets d’un sexe 138.3 6 23.05
CM sujets entre- (erreur entre-sujets)
Entre-sujets 47.47 16 2.97
sexe et les dl par
s 2. Diète 45.58 2 22.79
Diète X sexe 0.27 2 0.136
(k '  1)(CM facteur  s 2 ) Diète X S/sexe 1.62 12 0.135
f (erreur entre–sujet)
k 's 2
92.4  23.05
  1.23
2(23.05)

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 49
2019-09-05 10:18
Questions critiques sur l’ANOVA à
critères multiples

• Combien de facteurs? • Réplication


• Quel type (I, II, or III)? – équilibré/ non-équilibré?
– Sans réplication?
• Quel plan
– factoriel? • Paramétrique ou non-
– nested? paramétrique?
– bloc? • Les réponses à ces
– À mesures répétées? questions déterminent
– mixte? quelles hypothèses peuvent
être testées et quel test est
le plus approprié. Attention
à vos réponses!

Université d’Ottawa - Bio 4518 - Biostatistiques appliquées


© Antoine Morin et Scott Findlay 50
2019-09-05 10:18