Université d’Oum El Bouaghi , Algérie

Faculté des sciences de la terre et de l’architecture

2017 ANOVA
à 1 facteur
Analyse de variance
( One-way ANOVA)

Prof. Adad Mohamed Cherif

Domaines d’intérêt : architecture, urbanisme,

statistiques/SPSS, Visual Basic, électronique pratique.
 Introduction

Dans ce tutoriel, il s’agit de montrer

comment peut-on procéder à l’analyse
ANOVA à 1 facteur entre des
échantillons indépendants par le biais
du logiciel SPSS et quels sont les
résultats à mettre sur le rapport final ?
 DÉFINITION

ANOVA est l’abréviation de ANalysis Of VAriance.

L’ANOVA est une méthode d’analyse bivariée. C’est-à-dire le croisement de
2 variables de nature différente.
L’analyse de variance, à un facteur (One way ANOVA), appelée ANOVA est
une techniques permettant de savoir si une variable dépendante Y (variable à
expliquer) est en relation avec une seule variable indépendante X
(variable explicative). En d’autres termes, inférer une relation ente X et Y

variable  indépendante
ANOVA variable dépendante
 GROUPE 1


GROUPE 2
GROUPE 3 Y
 GROUPE… (Quantitative)
 X
(Qualitative, catégorielle)
 HYPOTHESES

L’hypothèse nulle
H0: µ1 = µ2 = µ3  =µ...    
Les moyennes de la population sont égales.

L’hypothèse alternative
H1: µ1 ≠ µ2 ≠ µ3  ≠
µ…
Au moins une moyenne est différente . C’est-à-dire
qu’au moins une moyenne n’est pas égale aux autres .
 La variable dépendante est une variable numérique ou
quantitative. La variable indépendante est appelée aussi
facteur. C’est une variable catégorielle ( discrète, qualitative
or nominale). Exemple le sexe, statut professionnel. On utilise
l’ANOVA quand notre test d’analyse comporte plus de 2 groupes
(variable indépendante ) et que la variable dépendante est
quantitative.
En termes plus simples, ANOVA vise à comparer des
moyennes sur plusieurs échantillons afin de déterminer s'il
existe des preuves que les moyennes des échantillons
associées sont significativement différentes. ANOVA est un test
paramétrique ( la moyenne, l’écart-type)
 Conditions d’utilisation
• Les groupes sont indépendants et aléatoirement tirés de leur population
respective (il n’y a ni relation entre les observations à l’intérieur d’un groupe, ni relation entre
les observations entre les groupes).

• Il n'y a pas de relation entre les sujets ou mesures de chaque échantillon. Cela
signifie que les sujets ou les mesures du 1er échantillon ne peuvent pas être aussi
dans le 2ème échantillon ou le 3ème et ainsi de suite.

• Les échantillons doivent suivent une loi normale ( une normalité parfaite n’est exigée)
• Si les échantillons sont modérés ou de grande taille, une violation de la normalité
peut donner des valeurs de signification assez précises.
• Les données de la variable dépendante présentent des variances
 identiques (recours au test de Levene  surtout si le la taille des groupes n’est pas
identique). Si le test est significatif sig. < 0,05 , on doit faire, donc, appel au test
Brown-Forsythe ou le Welch Robust F..
• Lorsque la normalité, l’homogénéité des variances ne sont pas respectées, on
peut utiliser le test non paramétrique de Kruskal-Wallis.
 QU’EST CE QUE L’ANOVA PEUT
NOUS DIRE
Le rejet de H0 signifie qu’il y a une grande
probabilité qu’au moins il y a une différence entre
les groupes. L’analyse Post Hoc est nécessaire pour
nous indiquer ou se situe la différence entre la ou
les moyens.
Exemple 1
Variable indépendante (qualitative):
 Niveau social (à 3 niveaux)
 Classe supérieure
 Classe moyenne
 Classe inférieure
Variable dépendante ( quantitative)
Satisfaction des services hôteliers
Exemple 2
Variable indépendante (qualitative):
 le niveau de formation
 BEM
 BAC
 Ingénieur
Variable dépendante ( quantitative)
 Le salaire
 Identification le facteur (la variable indépendante ) et on
sélectionne les données
 Test de normalité
 Test d’homogénéité des variances (homoscédasticité)

ANOVA
 On pose les hypothèses:

H0 : les moyennes sont égales.

H1 : au moins une moyenne est différente des autres
EXÉCUTONS MAINTENANT
LE LOGICIEL SPSS
Voyons maintenant notre cas d’étude

Question de recherche
Existe-il de différence dans les salaires des métiers de
menuisier, plombier et électricien dans l’exercice de leur
fonction ?
 H0  H1
L’hypothèse nulle
L’hypothèse alternative
les moyennes des salaires des différents Au moins une moyenne des salaires des
métiers sont égales.
différents métiers n’est pas égale aux
autres.
Ici, nous avons 3 niveaux (ou groupes)
 µ1 ≠ µ2 ≠ µ3  
Plombier ------ µ1
Menuisier ------ µ1
 Ou µ1 ≠ µ2
Electricien ---- µ3  Ou µ2 ≠ µ3
 µ1 = µ2 = µ3  Ou µ1 ≠ µ3
Affichage des données

Affichage des variables

Groupe est une variable nominale dont la

colonne « Valeurs» nous indique le codage des
métiers.

Remarque : dans la colonne « Nom » il ne faut

jamais laisser de vide entre les caractères .
 Analyse d’ANOVA

Analyse comparer les moyennes ANOVA 1 facteur

 Il faut insérer les deux variables dans la
fenêtre à gauche :
Dans «  Liste variables dépendantes » , on
place la variable dépendante ‘ Salaire perçu ‘.
Dans « Critère » la variable indépendante
‘Type de métier’.

Appuyer sur « OPTION »

Cocher:
 Caractéristiques : statistiques descriptive
 Test d’homogénéité de variance : vérification des
variances si elles sont identiques ou non.
 Brown-Forsythe et Welch où cas où l’homogénéité des
variances n’est pas vérifiée.
 Diagramme des moyennes
 Exclure les observations analyse par analyse:
 Cliquer sur Post Hoc

Cocher
 Turkey pour les comparaisons multiples
 Niveau de signification : 0.05

Puis « Poursuivre » et OK
 TRAITEMENT ET INTERPRÉTATION 1
On obtient le résumé des actions et 6 tableaux

Fichier des données

Test Post Hoc
Test d’homogénéité de
variance
 Analyse descriptive et test d’homogénéité des variances
2

Dans le tableau descriptives,, il est indiqué

les différents métiers et moyennes et les écart-
types des différents métiers . On voit que la
moyenne des salaires la plus élevée est celle du
métier d’électricien , puis vient ensuite celle des
salaires du métier de menuisier .
• Le tableau Test d’homogénéité met en évidence le
Plombier( M=5000, ET=4136.55, N=10)
test de Levene. Il nous montre la signification = Menuisier (M=56000, ET=7102.42, N=10)
0.095 > 0.05. Nous pouvons conclure que Electricien (M=65400, ET=4299.87,
l’hypothèse de l’homogénéité des variances est N=10)
confirmée, comme on peut le voir sur le 1 er tableau
qu’au moins 2 écart-types (4136.55 et 4299.87) • Si ce test n’est concluant, on fait
appel aux tests Brown-Forsythe ou
sont presque identiques. Donc , on est autorisé à
le Welch Robust F..
continuer notre analyse en passant au tableau
Tests de Welch et Brown- Forsythe

Si l’hypothèse de l’homogénéité
des variances est confirmée alors
les tests de Welch et Brown-
Forsythe deviennent inutiles, on
passe donc directement au tableau
ANOVA .
 Tableau ANOVA 3

Ce qui nous intéresse dans ce tableau est la signification

(SIG.), ici elle est de 0.000 < 0.05 , cela signifie que les
moyennes des salaires des différents métiers sont
différentes. Cependant, il n’est pas indiqué dans le
tableau la signification statistique entre chaque paire
de métiers . Résultat: F(2,27)=21.00, p=0,000
ddl (degré de liberté) 2 et 27
Mesure F = 21.008
Signification = 0.000 < 0.05
 Tests Post Hoc
4

Pour voir la signification entre les salaires de chaque paire de

métiers, on a recours au tableau «  Comparaisons multiples » à
condition que dans le test ANOVA p< 0.05. Il nous permet de faire
la comparaison entre les groupes . On remarque la présente
d’astérix dans la colonne « Différence de moyenne » , qui signifie
que la différence de salaires entre 2 métiers est statistiquement
très significative. Dans notre cas, la différence des moyennes de
chaque binôme , est statiquement significative .
Par exemple: Menuisier et électricien , la différence des
moyennes est très significative p = 0.002 < 0.05
 DIAGRAMME DES MOYENNES
5

Un autre moyen pour comparer les moyennes est l’utilisation du diagramme des moyennes.
Il nous donne une idée très claire sur la différence des moyennes des salaires. Cependant,
il ne faut pas se fier à ce graphe avant de consulter d’abord, le tableau des statistiques
descriptives, puis la comparaison des moyens,
Ceci fait, nous pouvons dire que la salaire moyenne du métier d’électricien est le plus élevé
alors que celui du plombier est le moins rémunérant.
 TAILLE D’EFFET (EFFECT SIZE)
6
 Une taille d'effet est une mesure de la force
de l'effet observé d'une variable sur une autre 
 Dans le cadre de l'ANOVA, les conventions
de grandeurs de la taille de l'effet f sont 
 f=0,1, l'effet est faible.
• f=0,25, l'effet est modéré.
• f=0,4, l'effet est fort.
• Dans notre cas, taille d’effet=0.6, donc
c’est un effet fort.
Taille d’effet =Somme des carrés ( Inter-groupes) / Total
 (voir tableau ANOVA)
RÉSULTATS FINAUX
Il est important de présenter certains résultats dans le rapport scientifique à soumettre pour une éventuelle
évaluation.

A l’issue de cette analyse ANOVA à 1 facteur, nous pouvons dire que l’hypothèse
nulle «les moyennes des salaires des différents métiers sont égales  » est rejetée.
Donc, l’hypothèse alternative est retenue “la différence entre les moyennes des
salaires est significative”:
F(2,27)=21.00, p=0.000
La différence entre les moyennes des salaire est forte selon la convention de
Cohen (1988) au sujet de l’interprétation de la taille d’effet: taille d’effet=0.6.
La variable indépendante est à trois niveaux:

Salaire bas, Plombier( M=5000, ET=4136.55, N=10)

Salaire moyen, Menuisier (M=56000, ET=7102.42, N=10)
Salaire élevé, Electricien (M=65400, ET=4299.87, N=10

La véracité de l’hypothèse d’homogénéité des variances est

confirmée et mise en évidence par le test de Levene .
F=(2,27)=2.56, p=0,095
Université d’Oum El Bouaghi
Faculté des sciences de la terre et de l’architecture

ANOVA à 1 facteur

Merci pour votre

attention
Prof. Adad Mohamed Chérif

2017