Analyse de la variance

Un article de Wikipédia, l'encyclopédie libre.
(Redirigé depuis Facteur de variabilité)
Aller à : navigation, rechercher

L'analyse de la variance (terme souvent abrégé par le terme anglais ANOVA : ANalysis Of VAriance) est un test statistique permettant de vérifier que plusieurs échantillons sont issus d'une même population.

Ce test s'applique lorsque l'on mesure une ou plusieurs variables explicatives catégorielles (appelées alors facteurs de variabilité, leurs différentes modalités étant parfois appelées « niveaux ») qui ont de l'influence sur la distribution d'une variable continue à expliquer. On parle d'analyse à un facteur, lorsque l'analyse porte sur un modèle décrit par un facteur de variabilité, d'analyse à deux facteurs ou d'analyse multifactorielle.

Principe[modifier | modifier le code]

L'analyse de la variance permet d'étudier le comportement d'une variable continue à expliquer en fonction d'une ou de plusieurs variables explicatives catégorielles. Lorsque l'on souhaite étudier le comportement de plusieurs variables à expliquer en même temps, on utilisera une analyse de la variance multiple (MANOVA). Si un modèle contient des variables explicatives catégorielles et continues et que l'on souhaite étudier les lois liant les variables explicatives continues avec la variable à expliquer en fonction de chaque modalité des variables catégorielles, on utilisera alors une analyse de la covariance (ANCOVA).

Modèle[modifier | modifier le code]

La première étape d'une analyse de la variance consiste à écrire le modèle théorique en fonction de la problématique à étudier. Il est souvent possible d'écrire plusieurs modèles pour un même problème, en fonction des éléments que l'on souhaite intégrer dans l'étude.

Le modèle général s'écrit :

y_{ijk...} = \mu + f(i, j, k, ...) + \epsilon ~

avec y_{ijk...} la variable à expliquer, \mu une constante, f() une relation entre les variables explicatives et \epsilon l'erreur de mesure. On pose l'hypothèse fondamentale que l'erreur suit une loi normale : \epsilon = N(0, \sigma^2).

Variables explicatives[modifier | modifier le code]

On distingue deux types de variables catégorielles : avec ou sans effet aléatoire.

Pour une variable à effet fixe, pour chaque modalité, il existe une valeur fixe correspondante. Elles s'écrivent dans le modèle théorique avec une lettre majuscule :

y_i = \mu + A_i + \epsilon_i ~

avec A_0 = A pour i=0, A_1 = A pour i=1, etc.

Dans le cas d'une variable à effet aléatoire, la variable est issue d'une loi supposée normale qui s'ajoute à la valeur fixe. Elles s'écrivent dans le modèle théorique avec une lettre grecque minuscule :

y_i = \mu + \alpha_i + \epsilon_i ~

avec \alpha_i = \mu_a + \epsilon_\alpha et \epsilon_\alpha = N(0, \sigma_\alpha^2)

Un modèle basé seulement sur des variables explicatives à effets fixes et effets aléatoires est appelé modèle mixte.

Hypothèses fondamentales[modifier | modifier le code]

La forme générale de l'analyse de variance repose sur le test de Fisher et donc sur la normalité des distributions et l'indépendance des échantillons.

  • Normalité de la distribution : on suppose, sous l'hypothèse nulle, que les échantillons sont issus d'une même population et suivent une loi normale. Il est donc nécessaire de vérifier la normalité des distributions et l'homoscédasticité (homogénéité des variances, par des tests de Bartlett ou de Levene par exemple). Dans le cas contraire, on pourra utiliser les variantes non paramétriques de l'analyse de variance (ANOVA de Kruskal-Wallis ou ANOVA de Friedman).
  • Indépendance des échantillons : on suppose que chaque échantillon analysé est indépendant des autres échantillons. En pratique, c'est la problématique qui permet de supposer que les échantillons sont indépendants. Un exemple fréquent d'échantillons dépendants est le cas des mesures avec répétitions (chaque échantillon est analysé plusieurs fois). Pour les échantillons dépendants, on utilisera l'analyse de variance à mesures répétées ou l'ANOVA de Friedman pour les cas non paramétriques.

Hypothèses à tester[modifier | modifier le code]

L'hypothèse nulle correspond au cas où les distributions suivent la même loi normale.

L'hypothèse alternative est qu'il existe au moins une distribution dont la moyenne s'écarte des autres moyennes :

\begin{cases} {H_0~:~m_{1}=m_{2}=...=m_{k}=m} \\ {H_1~:~\exists (i,j)~\text{tel que}~m_i \neq m_j} \end{cases}.

Décomposition de la variance[modifier | modifier le code]

La première étape de l'analyse de la variance consiste à expliquer la variance totale sur l'ensemble des échantillons en fonction de la variance due aux facteurs (la variance expliquée par le modèle), de la variance due à l'interaction entre les facteurs et de la variance résiduelle aléatoire (la variance non expliquée par le modèle). S_n^2 étant un estimateur biaisé de la variance, on utilise la somme des carrés des écarts (SCE en français, SS pour Sum Square en anglais) pour les calculs et l'estimateur non biaisé de la variance S_{n-1}^2 (également appelé carré moyen ou CM).

L'écart (sous entendu l'écart à la moyenne) d'une mesure est la différence entre cette mesure et la moyenne :

e = y_{ijk...} - \overline{y}.

La somme des carrés des écarts SCE et l'estimateur S_{n-1}^2 se calculent à partir des formules :

SCE = \sum_{ijk...} (y_{ijk...} - \overline{y})^2 \qquad \text{et} \qquad S_{n-1}^2 = \frac{SCE}{n-1}

Il est alors possible d'écrire la somme des carrés des écarts total SCE_\text{total} comme étant une composition linéaire de la somme des carrés des écarts de chaque variable explicative SCE_\text{factor} et de la somme des carrés des écarts pour chaque interaction SCE_\text{interaction} :

SCE_\text{total} = \sum_i { SCE_{\text{facteur}_i} } + \sum_{ij} { SCE_{\text{interaction}_{ij} } }

Cette décomposition de la variance est toujours valable, même si les variables ne suivent pas de loi normale.

Test de Fisher[modifier | modifier le code]

Par hypothèse, la variable observée y_i suit une loi normale. La loi du χ2 à k degrés de liberté étant définie comme étant la somme de k lois normales au carré, les sommes des carrés des écarts SCE suivent des lois du χ2, avec DDL le nombre de degrés de liberté :

SCE \sim \chi^2(DDL)~

La loi de Fisher est définie comme le rapport de deux lois du χ2. Dans le cas de l'hypothèse nulle H_0, le rapport entre deux estimateurs non biaisés de la variance S_{DDL}^2~ doit donc suivre une Loi de Fisher :

F = \frac {S^2_1} {S^2_2} = \frac {\dfrac {SCE_1} {DDL_1} } {\dfrac {SCE_2} {DDL_2} } \sim F(DDL_1, DDL_2)

Si la valeur de F n'est pas compatible avec cette loi de Fisher (c'est-à-dire que la valeur de F est supérieure au seuil de rejet), alors on rejette l'hypothèse nulle : on conclut qu'il existe une différence statistiquement significative entre les distributions. Le facteur de variabilité ne sépare pas la population étudiée en groupes identiques. Pour rappel, la valeur de seuil de rejet F_\alpha(DDL_1, DDL_2) est précalculée dans les tables de référence, en fonction du risque de première espèce \alpha et des deux degrés de libertés DDl_1 et DDL_2.

Tests « post-hoc »[modifier | modifier le code]

L'analyse de variance permet simplement de répondre à la question de savoir si tous les échantillons suivent une même loi normale. Dans le cas où l'on rejette l'hypothèse nulle, cette analyse ne permet pas de savoir quels sont les échantillons qui s'écartent de cette loi.

Pour identifier les échantillons correspondant, on utilise différents tests «post-hoc» (ou tests de comparaisons multiples, MCP pour Multiple Comparison Test). Ces tests obligent en général à augmenter les risques de l'analyse (en termes de risque statistique). Il s'agit d'une généralisation à k populations du test t de Student de comparaison de moyennes de deux échantillons avec ajustement de l'erreur (FDR, FWER, etc.) Par exemple : les tests LSD de Ficher, les tests de Newman-Keuls, les tests HSD de Tukey, les tests de Bonferroni et Sheffé.

Dans la biologie moderne, notamment, des tests MCP permettent de prendre en compte le risque de façon correcte malgré le grand nombre de tests effectués (par exemple pour l'analyse de biopuces).

Lorsque l'on analyse plusieurs variables explicatives ayant plusieurs modalités chacune, le nombre de combinaison possible devient rapidement très grand.

Analyse de la variance à un facteur[modifier | modifier le code]

Également appelé one-way ANOVA (en), l'analyse de la variance à un facteur s'applique lorsque l'on souhaite prendre en compte un seul facteur de variabilité.

Notation

Considérons I échantillons Y_i d'effectifs n_i, issu des I populations qui suivent I lois normales \mathcal{N}(\mu_i, \sigma^2) de même variance. Chaque individu s'écrit y_{ij}, avec i \in [1, I] et j \in [1, n_i]. L'effectif total est N = \sum_{i=1}^I n_i.

Les moyennes par échantillon et totale s'écrivent :

\overline{y_{i.} } = \frac 1 n_i \sum_{j=1}^{n_i} {y_{ij} } \sim \mathcal{N}\left( \mu_i, \frac {\sigma^2} {n_i} \right)
\overline{y_{..} } = \frac 1 N \sum_{i=1}^I \sum_{j=1}^{n_i} {y_{ij} } \sim \mathcal{N}\left( \mu, \frac {\sigma^2} N \right) \qquad \text{avec} ~ N = \sum_{i=1}^I n_i ~ \text{et} ~ \mu = \frac 1 N \sum_{i=1}^I (n_i \mu_i)

Décomposition de la variance[modifier | modifier le code]

Le modèle s'écrit :

y_{ij} = \alpha_i + \epsilon_{ij} ~

Dans ces conditions, on montre que la somme des carrés des écarts (et donc la variance) peut être calculée simplement par la formule :

SCE_\text{total} = SCE_\text{facteur} + SCE_\text{residu} ~

La part de la variance totale SCE_\text{total} qui peut être expliquée par le modèle (SCE_\text{facteur}, aussi appelée variabilité inter-classe, SSB ou Sum of Square Between class) et la part de la variance totale SCE_\text{total} qui ne peut être expliquée par le modèle (SCE_\text{residu} aussi appelée variabilité aléatoire, variabilité intra-classe, bruit, SSW ou Sum of Square Within class) sont données par les formules :

SCE_\text{facteur} = \sum_{i=1}^p n_i (\overline{y_i} - \overline{y})^2
SCE_\text{residu} = \sum_{i=1}^p \sum_{j=1}^{n_i} (y_{ij}- \overline{y_i})^2

Analyse des résidus[modifier | modifier le code]

Il est toujours possible que le modèle ne soit pas correct et qu'il existe un facteur de variabilité inconnu (ou supposé a priori inutile) qui ne soit pas intégré dans le modèle. Il est possible d'analyser la normalité de la distribution des résidus pour rechercher ce type de biais. Les résidus, dans le modèle, doivent suivre une loi normale (\mathcal{N}(0, \sigma^2)~). Tout écart significatif par rapport à cette loi normale peut être testée ou visualisée graphiquement :

Analyse residus.png
Article détaillé : Tests de normalité.

Test de Fisher[modifier | modifier le code]

Degrés de liberté et variances

Par hypothèse, la variable observée y_i suit une loi normale. La loi du χ² à k degrés de liberté étant définie comme étant la somme de k lois normales au carré, les sommes des carrés des écarts SCE suivent les lois du χ2 suivantes, avec p le nombre de niveaux du facteur de variabilité et n le nombre total d'individu :

SCE_\text{facteur} = \sum_{i=1}^p n_i (\overline{y_i} - \overline{y})^2 \sim \chi^2(DDL_\text{facteur}) \qquad \text{avec} ~ DDL_\text{facteur} = \sum_{i=1}^{p-1} 1 = p-1
SCE_\text{residu} = \sum_{i=1}^p \sum_{j=1}^{n_i} (y_i^j - \overline{y_i})^2 \sim \chi^2(DDL_\text{residu}) \quad \text{avec} ~ DDL_\text{residu} = \sum_{i=1}^p (n_i - 1) = (n_1-1)+(n_2-1)+\cdots+(n_p-1) = n - p

Les variances s'obtiennent en faisant le rapport de la somme des carrés des écarts sur le nombre de degrés de liberté :

S^2_\text{facteur} = \frac {SCE_\text{facteur} } {p-1} = \frac 1 {p-1} \sum_{i=1}^p n_i (\overline{y_i} - \overline{y})^2
S^2_\text{residu} = \frac {SCE_\text{residu} } {n-p} = \frac 1 {n-p} \sum_{i=1}^p \sum_{j=1}^{n_i} (y_i^j - \overline{y_i})^2

La Loi de Fisher étant défini comme le rapport de deux lois du χ2, le rapport \frac {S^2_\text{facteur} } {S^2_\text{residu} } soit donc une Loi de Fisher :

F = \frac {S^2_\text{facteur} } {S^2_\text{residu} } = \frac {\dfrac {SCE_\text{facteur} } {p-1} } {\dfrac {SCE_\text{residu} } {n-p} } \sim F(p-1, n-p)
Remarque

Pour les amateurs de géométrie vectorielle, la décomposition des degrés de liberté correspond à la décomposition d'un espace vectoriel de dimension nm en sous espaces supplémentaires et orthogonaux de dimensions respectives m-1 et m(n-1). Voir par exemple le cours dispensé par Toulouse III : « univ-tlse1.fr » (ArchiveWikiwixArchive.isGoogleQue faire ?). Consulté le 2013-11-05 pages 8 et 9. On peut se reporter aussi au livre classique de Scheffé (1959)

Test d'adéquation à la loi de Fisher

F = \frac {\frac {SCE_\text{facteur}} {DDL_\text{facteur}}} {\frac {SCE_\text{total}} {DDL_\text{total}}}

Il se trouve (comme on peut le voir dans la décomposition mathématique) que les deux termes sont tous les deux une estimation de la variabilité résiduelle si le facteur A n'a pas d'effet. De plus, ces deux termes suivent chacun une loi de χ2, leur rapport suit donc une loi de F (voir plus loin pour les degrés de liberté de ces lois). Résumons :

  • Si le facteur A n'a pas d'effet, le rapport de S_{a} et S_{r} suit une loi de F et il est possible de vérifier si la valeur du rapport est « étonnante » pour une loi de F
  • Si le facteur A a un effet, le terme S_{a} n'est plus une estimation de la variabilité résiduelle et le rapport \frac{S_{a}}{S_{r}}ne suit plus une loi de F. On peut comparer la valeur du rapport à la valeur attendue pour une loi de F et voir, là aussi, à quel point le résultat est « étonnant ».

Résumer les choses ainsi permet de clarifier l'idée mais renverse la démarche : on obtient en pratique une valeur du rapport \frac{S_{a}}{S_{r}} qu'on compare à une loi de F, en se donnant un risque α (voir l'article sur les tests et leurs risques). Si la valeur obtenue est trop grande, on en déduit que le rapport ne suit vraisemblablement pas une loi de F et que le facteur A a un effet. On conclut donc à une différence des moyennes.

CM_{B} est l'estimateur S_A présenté au paragraphe précédent (première approche technique) et CM_{W} l'estimateur S_{B}. On en déduit le F de Fisher, dont la distribution est connue et tabulée sous les hypothèses suivantes :

  • Les résidus \epsilon sont distribués normalement
  • Avec une espérance nulle
  • Avec une variance \sigma^2 indépendante de la catégorie i
  • Avec une covariance nulle deux à deux (indépendance)

Le respect de ces hypothèses assure la validité du test d'analyse de la variance. On les vérifie a posteriori par diverses méthodes (tests de normalité, examen visuel de l'histogramme des résidus, examen du graphique des résidus en fonction des estimées) voir condition d'utilisation ci-dessous.

Table d'ANOVA[modifier | modifier le code]

La table d'ANOVA permet de résumer les calculs nécessaires :

Source de la variance Sommes des
carrés des écarts
Degrés de liberté Variance F p-value
Inter-classes SCE_\text{facteur} DDL_\text{facteur} S^2_\text{facteur} = \frac {SCE_\text{facteur}} {DDL_\text{facteur}} F = \frac {S^2_\text{facteur}} {S^2_\text{residu}} P_{H_0}(F>F_{obs})
Intra-classe SCE_\text{residu} DDL_\text{residu} S^2_\text{residu} = \frac {SCE_\text{residu}} {DDL_\text{residu}}
Total SCE_\text{total} DDL_\text{total}

Exemple illustratif[modifier | modifier le code]

Prenons un exemple pour illustrer la méthode. Imaginons un éleveur qui souhaite acheter de nouvelles vaches pour sa production laitière. Il possède trois races différentes de vaches et se pose donc la question de savoir si la race est importante pour son choix. Il possède comme informations la race de chacune de ses bêtes (c'est la variable explicative discrète ou facteur de variabilité, qui peut prendre 3 valeurs différentes) et leurs productions de lait journalières (c'est la variable à expliquer continue, qui correspond au volume de lait en litre).

Dans notre exemple, l'hypothèse nulle revient à considérer que toutes les vaches produisent la même quantité de lait journalière (au facteur aléatoire près) quelle que soit la race. L'hypothèse alternative revient à considérer qu'une des races produit significativement plus ou moins de lait que les autres.

Supposons que les productions sont :

  • Pour la race A : 20,1 ; 19,8 ; 21,3 et 20,7
  • Pour la race B : 22,6 ; 24,1 ; 23,8 ; 22,5 ; 23,4 ; 24,5 et 22,9
  • Pour la race C : 31,2 ; 31,6 ; 31,0 ; 32,1 et 31,4
Race Taille Moyenne Variance
A 4 20,475 0,3325
B 7 23,4 0,59333
C 5 31,46 0,178
Total 16 25,1875 20,90117
Table d'ANOVA
Source de la variance Sommes des
carrés des écarts
Degrés de liberté Variance F p-value
Inter-classes 307,918 2 153,959 357,44 4,338 e-12
Intra-classe 5,6 13 0,431
Total 313.518 15
Analyse réalisée avec R 
> produc <- c(20.1, 19.8, 21.3, 20.7, 22.6, 24.1, 23.8, 22.5,
23.4, 24.5, 22.9, 31.2, 31.6, 31.0, 32.1, 31.4)
> race <- as.factor(c("A", "A", "A", "A", "B", "B", "B", "B", "B",
"B", "B", "C", "C", "C", "C", "C"))
 
# Regardons les moyennes par groupe:
> tapply(produc, race, mean)
A         B         C
20.475    23.400    31.460
# On remarque des différences entre groupes, mais sont-elles statistiquement significatives?
 
# Testons le par l'ANOVA:
> anova(lm(produc~race))
Analysis of variance Table
Response: produc
             Df     Sum Sq    Mean Sq    F value       Pr(>F)
race          2    307.918    153.959     357.44    4.338e-12 *** 
Residuals    13      5.600      0.431

Signif. Codes: 0 '*** ’ 0.001 '** ’ 0.01 '* ’ 0.05 '.’ 0.1 ' ’ 1

Les résultats de l'analyse sont présentés dans un tableau (les couleurs ont été ajoutées pour faciliter l'explication). Le tableau contient 3 lignes : la première contient les titres des colonnes, la dernière contient l'analyse des résidus. Le tableau contient également une ligne par facteur de variabilité (une seule dans cet exemple).

  • La première colonne (en rouge) indique les facteurs analysés : le facteur "race" et les résidus ("Residuals" (en)).
  • La seconde colonne (en bleu) indique le nombre de degrés de liberté : 3 races différentes - 1 = 2 degrés de libertés pour le facteur "race" ; 16 individus dans l'étude - 3 niveaux pour le facteur "race" = 13 degrés de liberté pour les résidus.
  • La cinquième colonne (en vert) indique le F calculé dans cet exemple.
  • La sixième colonne (en marron) indique la probabilité d'obtenir un résultat aussi extrême si l'hypothèse nulle était vraie (p-value). Dans cet exemple, la valeur très basse indique que l'on peut rejeter l'hypothèse nulle avec très peu de risque : l'agriculteur peut conclure "les 3 races de vaches ne produisent pas la même quantité journalière de lait". Le nombre d'étoiles à côté de la valeur de p indique la confiance que l'on peut accorder au résultat : 3 étoiles indiquent que le résultat est très sûr (p-value < 0,001).

Analyse de la variance à deux facteurs[modifier | modifier le code]

Également appelé two-way ANOVA (en), l'analyse de la variance à deux facteurs s'applique lorsque l'on souhaite prendre en compte deux facteurs de variabilité.

Décomposition de la variance[modifier | modifier le code]

Soit un premier facteur de variabilité pouvant prendre les niveaux i = 1..p, un second facteur de variabilité pouvant prendre les niveaux j = 1..q, n_{ij} le nombre d'individu dans le niveau i du premier facteur et le niveau j du second facteur, n le nombre d'individu total et r le nombre d'individu dans chaque sous-groupe (pour un niveau i et un niveau j donné). La variable à expliquer s'écrit y_{ijk} avec i = 1..p, j = 1..n_i et k = 1..m_j.

La variable à expliquer peut être modélisée par la relation :

Y_{ijk} = \alpha_i + \beta_j + \gamma_{ij} + \epsilon_{ijk} ~

avec \alpha_i l'effet du niveau i du premier facteur, \beta_j l'effet du niveau j du second facteur, \gamma_{ij} l'effet d'interaction entre les deux facteurs et \epsilon_{ijk} l'erreur aléatoire (qui suit alors une loi normale \mathcal{N}(0, \sigma^2)~).

Le calcul présenté dans le cas à un facteur peut être transposé au cas à deux facteurs :

SCE_\text{total} = SCE_\text{facteur 1} + SCE_\text{facteur 2} + SCE_\text{interaction} + SCE_\text{residu}~

La part de la variance totale expliquée par le premier facteur (SCE_\text{facteur 1}), la part de la variance totale expliquée par le second facteur (SCE_\text{facteur 2}), l'interaction entre les deux facteurs (SCE_\text{interaction}) et la part de la variance totale qui ne peut être expliquée par le modèle (SCE_\text{residu}, appelé aussi variabilité aléatoire ou bruit) sont données par les formules :

SCE_\text{facteur 1} = rq \sum_{i=1}^p (\overline{y_i} - \overline{y})^2
SCE_\text{facteur 2} = rp \sum_{j=1}^q (\overline{y_j} - \overline{y})^2
SCE_\text{interaction} = r \sum_{i=1}^p \sum_{j=1}^q (\overline{y_{ij} } - \overline{y_i} - \overline{y_j} + \overline{y})^2
SCE_\text{residu} = \sum_{i=1}^p \sum_{j=1}^q \sum_{k=1}^{n_{ij} } (y_{ijk} - \overline{y_{ij} })^2

L'analyse de l'interaction entre facteurs est relativement complexe[1]. Dans le cas où les facteurs sont indépendants, on peut s'intéresser qu'aux effet principaux des facteurs. La formule devient alors :

SCE_\text{total} = SCE_\text{facteur 1} + SCE_\text{facteur 2} + SCE_\text{residu} ~

Exemple illustratif[modifier | modifier le code]

Notre exploitant laitier souhaite améliorer la puissance de son analyse en augmentant la taille de son étude. Pour cela, il inclut les données provenant d'une autre exploitation. Les chiffres qui lui sont fournis sont les suivants :

  • Pour la race A : 22,8 ; 21,7 ; 23,3 ; 23,1 ; 24,1 ; 22,3 et 22,7
  • Pour la race B : 23,1 ; 22,9 ; 21,9 ; 23,4 et 23,0
  • Pour la race C : 31,7 ; 33,1 ; 32,5 ; 35,1 ; 32,2 et 32,6

Analyse réalisée avec R :

> produc <- c(20.1, 19.8, 21.3, 20.7, 22.6, 24.1, 23.8, 22.5, 23.4,
24.5, 22.9, 31.2, 31.6, 31.0, 32.1, 31.4, 22.8, 21.7, 23.3, 23.1,
24.1, 22.3, 22.7, 23.1, 22.9, 21.9, 23.4, 23.0, 31.7, 33.1, 32.5,
35.1, 32.2, 32.6)
 
> race <- as.factor(c("A", "A", "A", "A", "B", "B", "B", "B", "B",
"B", "B", "C", "C", "C", "C", "C", "A", "A", "A", "A", "A", "A",
"A", "B", "B", "B", "B", "B", "C", "C", "C", "C", "C", "C"))
 
> centre <- as.factor(c(rep("premier", 16), rep("second", 18)))
 
> anova(lm(produc~race*centre))
Analysis of variance Table
 
Response: produc
               Df    Sum Sq    Mean Sq     F value       Pr(>F)    
race            2    696.48     348.24    559.6811    < 2.2e-16 ***
centre          1      8.46       8.46     13.6012    0.0009636 ***
race:centre     2     12.23       6.11      9.8267    0.0005847 ***
Residuals      28     17.42       0.62                       
---
Signif. Codes:    0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Analyse de la variance multifactorielle[modifier | modifier le code]

Décomposition de la variance[modifier | modifier le code]

On peut encore décomposer la variance en ajoutant un terme pour chaque facteur et un terme pour chaque interaction possible :

Y_i = \mu + \sum_j \alpha_j + \sum_{j,k} \gamma_{jk} + \epsilon_i

avec \alpha_j l'effet du je facteur et \gamma_{jk} l'interaction entre le je et le ke facteur.

L'analyse de la variance dans le cas de plusieurs facteurs de variabilité est relativement complexe : il est nécessaire de définir un modèle théorique correct, étudier les interactions entre les facteurs, analyser la covariance[1].

Limites d'utilisation de l'analyse de la variance[modifier | modifier le code]

Normalité des distributions

La décomposition de la variance est toujours valable, quelle que soit la distribution des variables étudiées. Cependant, lorsqu'on réalise le test de Fisher, on fait l'hypothèse de la normalité de ces distributions. Si les distributions s'écartent légèrement de la normalité, l'analyse de la variance est assez robuste pour être utilisée. Dans le cas où les distributions s'écartent fortement de la normalité, on pourra effectuer un changement de variables (par exemple, en prenant les variables y'_i = log(y_i)~ ou y''_i = y_i^2) ou utiliser un équivalent non paramétrique de l'analyse de la variance.

Article détaillé : Tests de normalité.
Homoscédasticité

À l'opposé, l'ANOVA fait une autre hypothèse très forte et moins évidente. Il est en effet nécessaire que la variance dans les différents groupes soit la même. C'est l'hypothèse d'homoscedasticité. L'ANOVA y est très sensible. Il est donc nécessaire de la tester avant toute utilisation.

Contrairement à ce que le nom de cette méthode laisse penser, celle-ci ne permet pas d'analyser la variance de la variable à expliquer mais de comparer les moyennes des distributions de la variable à expliquer en fonction des variables explicatives.

Approches non paramétriques

Lorsque les pré-supposés de l'ANOVA ne sont pas respectés (homoscédasticité par exemple), on entend souvent dire qu'il peut être plus judicieux d'utiliser l'équivalent non-paramétrique de l'ANOVA: le test de Kruskal Wallis pour le cas à un facteur ou, pour le cas à deux facteurs sans répétition, le test de Friedman. Pourtant, ces tests ne regardent pas la même chose. Comme il est écrit plus haut, l'ANOVA permet de comparer une mesure univariée entre des échantillons d'au moins deux populations statistiques. Le test de Kruskal-Wallis a pour hypothèse nulle l'homogénéité stochastique, c'est-à-dire que chaque population statistique est égale stochastiquement (on peut dire 'aléatoirement' pour simplifier) à une combinaison des autres populations. Ce test s'intéresse donc à la distribution contrairement à l'ANOVA et ne peut donc pas être considéré comme un équivalent au sens strict.

Voir aussi[modifier | modifier le code]

  • Test (statistique)
  • Analyse de la covariance (ANCOVA) pour les modèles de régression avec variables explicatives catégorielles.
  • Analyse de la variance multiple (MANOVA) pour les modèles à plusieurs variables à expliquer.
  • Plusieurs vidéos de présentation de l’analyse de variance (un facteur, deux facteurs sans interaction, cas général) sont accessibles ici.

Sources[modifier | modifier le code]

  • SCHERRER, B. (1984). Comparaison des moyennes de plusieurs échantillons indépendants. Tiré de "Biostatistiques". Gaëtan Morin Éditeur. p. 422–463.
  • RUXTON, G.D. & BEAUCHAMP, G. (2008). Some suggestions about appropriate use of the Kruskal-Wallis test. Animal Behaviour 76, 1083-1087.

Notes et références[modifier | modifier le code]

  1. a et b Voir par exemple : Cours et TD de statistique de Lyon 1 pour un exemple d'analyse d'interaction dans un modèle à deux facteurs.