Généralités
Analyse de la covariance à un facteur
Analyse de la covariance
(ANCOVA)
Frédéric Bertrand
2016-2017
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Sources
Ce cours s’appuie sur :
le livre de Kutner, Nachtsheim, Neter, Li Applied Linear
Statistical Models, Fifth Edition, aux éditions McGraw-Hill
Irwin, 2004
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Généralités
Introduction
L’analyse de la covariance (ANCOVA) est une technique qui
combine certaines des caractéristiques de l’analyse de la
variance et de la régression linéaire. Elle peut servir aussi bien
pour des études planifiées (plan de type II) ou non (plan de
type I).
L’idée à la base de l’analyse de la covariance est d’ajouter à un
modèle d’analyse de la variance, associé à une ou plusieurs
variables qualitatives, une ou plusieurs variables quantitatives
qui pourraient être liées à la réponse étudiée.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Introduction (suite)
En réalisant cet ajout, nous cherchons à réduire la variance du
terme d’erreur ε présent dans le modèle et rendre ainsi
l’analyse plus précise.
D’un point de vue mathématique, les modèles d’analyse de la
covariance sont en fait simplement un type particulier de
modèle de régression linéaire.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Réduction de la variance résiduelle
Incitation au voyage
Considérons une étude sur l’effet de trois films incitant au
voyage dans un même pays étranger P. Son déroulement est le
suivant :
1 chaque sujet a reçoit un questionnaire avant la projection
pour évaluer la manière dont il perçoit le pays P et établir
un score de sympathie du sujet pour ce pays ;
2 chaque sujet voit l’un des trois films de cinq minutes ;
3 chaque sujet reçoit à nouveau un questionnaire sur le
contenu du film et son désir de voyager dans le pays P.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Incitation au voyage (suite)
Dans ce type de situation, il est possible de se servir de
l’analyse de la covariance. Afin d’avoir une idée intuitive de
l’intérêt vraisemblablement majeur qu’il y aurait à la faire, nous
représentons sur les deux figures suivantes les scores
d’intention de voyage récoltés après que chacun des trois films
promotionnels ait été présenté à un groupe de cinq sujets. Les
symboles différents servent à distinguer chacun des
traitements (films) utilisés.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Incitation au voyage (suite)
Sur la première d’entre elles, nous constatons que les
variances des termes d’erreur au sein de chaque groupe, qui
s’estiment visuellement par la dispersion des points autour des
estimations des moyennes Yi•• de chacun des groupes, sont
importantes ce qui est caractéristique d’une variance élevée
pour le terme d’erreur du modèle d’analyse de la variance à un
facteur associé.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Intention vs Traitement
1 2 3
90
80
Intention
70
60
50
Panel variable: Traitement
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Incitation au voyage (suite)
Utilisons désormais l’information auxiliaire que nous avons
récoltée : les valeurs initiales du score de sympathie pour le
pays P avant la projection. La figure suivante représente les
scores d’intention de voyage récoltés après la projection en
fonction des quinze scores de sympathie initiaux, les symboles
différents servant encore à distinguer chacun des traitements
(films) utilisés.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Intention vs Sympathie
90 Traitement
Traitement 1
Traitement 2
Traitement 3
80
Intention
70
60
50
35,0 37,5 40,0 42,5 45,0 47,5 50,0 52,5
Sympathie
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Incitation au voyage (suite)
Bien que cela ne soit pas nécessaire pour utiliser l’analyse
de la covariance, il s’avère que dans cet exemple la
relation entre les scores d’intention de voyage récoltés
après la projection et les quinze scores de sympathie
initiaux semble être approchée de manière satisfaisante
par une relation linéaire.
La dispersion des points autour des droites de régression
est bien moins élevée que celle observée sur la première
figure, ce qui est caractéristique d’une variance plus faible
pour le terme d’erreur du modèle.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Conclusion
L’analyse de la covariance se sert de la relation entre la
réponse (scores d’intention de voyage récoltés après la
projection dans notre exemple) et une ou plusieurs variables
quantitatives pour lesquelles nous disposons d’observations
(étude préprojection dans notre exemple) afin de diminuer la
variance du terme d’erreur du modèle et rendre l’analyse
portant sur la comparaison des moyennes des traitements plus
puissante.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Covariables
Définition
Nous appelons covariable, en anglais concomitant variable,
toute variable quantitative qui est ajoutée à un modèle
d’ANOVA.
Choix des covariables
Le choix des covariables est un processus très important. S’il
s’avère que les variables retenues n’ont aucun lien avec la
réponse étudiée, le gain du modèle d’ANCOVA par rapport à
celui du modèle d’ANOVA sera inexistant et nous retiendrons
vraisemblablement au final ce modèle plus simple.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Choix des covariables
Les covariables fréquemment utilisées lors d’études
portant sur des êtres humains sont l’âge, la catégorie
socio-professionnelle, l’aptitude, des données recueillies
lors d’études antérieures, . . .
Les covariables fréquemment utilisées lors d’études
portant sur des magasins sont le nombre d’employé, le
volume des ventes pendant la dernière période précedant
l’étude, . . .
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Recueil des observations des covariables
Afin de pouvoir interpréter sans ambigüité les résultats
obtenus, les covariables doivent être observées soit avant
l’étude, soit pendant l’étude à condition les traitements
appliqués aux sujets lors de celle-ci ne puisse en aucune
manière modifiée l’observation de celles-ci.
Une préétude d’opinion satisfait à cette condition. Dans la
plupart des situations, l’observation de l’âge du sujet pendant
l’étude également.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Recueil des observations des covariables
Une entreprise réalise un stage intensif pour des ingénieurs
afin de leur apprendre des compétences en gestion. Deux
méthodes d’enseignement ont été utilisée et les ingénieurs ont
été affectés à l’une ou l’autre au hasard. À la fin de la
formation, chaque stagiaire a été évalué à l’aide d’un score
quantifiant ce qu’il a retenu de celle-ci. Lors du dépouillement,
la personne chargée de l’analyse a décidé d’utiliser le temps de
travail personnel, que chaque ingénieur devait noter, comme
covariable et n’a pas pu mettre en évidence d’effet de la
méthode d’apprentissage.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Recueil des observations des covariables
Ce résultat était surprenant et une étude de la répartition des
temps de travail a montré que ceux-ci dépendaient de la
méthode utilisée. En effet, l’une des deux méthodes était basé
sur du e-learning, ce qui a particulièrement intéressée les
stagiaires de ce groupe et les a incités à travailler plus. Ainsi,
aussi bien la réponse que la covariable étaient lié au
traitement. Ce phénomène, associé à la forte corrélation entre
temps de travail personnel et score d’apprentissage, a masqué
l’effet traitement.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Recueil des observations des covariables
Lorsqu’une covariable dépend des traitements étudiés, le
modèle d’analyse de la covariance risque de ne pas pouvoir
évaluer correctement les effets de certains (ou la plupart) des
traitements sur la réponse et fournir ainsi des résultats
trompeurs.
Remarque
Une figure peut être utile pour déterminer si une covariable
dépend des traitements ou non.
Recueil des observations des covariables
Considérons la figure suivante qui représente le score
d’apprentissage en fonction du temps de travail personnel pour
l’exemple précédent. Le traitement 1 correspond au e-learning.
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Score apprentissage vs Travail personnel
Méthode
120 1
2
100
Score apprentissage
80
60
40
20
0
2 4 6 8 10 12
Travail personnel
Frédéric Bertrand Analyse de la covariance
Généralités Réduction de la variance résiduelle
Analyse de la covariance à un facteur Covariables
Recueil des observations des covariables
Nous constatons que la plupart des personnes pour lesquels le
travail personnel a été élevé sont associées au traitement 1.
Réciproquement, la plupart des ingénieurs du groupe
traitement 2 se sont peu investis dans la formation.
Par conséquent, les observations pour chacun des traitements
ont tendance à se concentrer dans des intervalles disjoints de
l’axe des abscisses.
Il est intéressant de contraster cette situation avec celle qui a
été présentée dans le premier exemple où un tel regroupement
n’apparaissait pas.
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Analyse de la covariance à un facteur
Un exemple intégralement traité
Introduction
L’exemple suivant porte sur l’évaluation de la capacité d’une
plante à repousser et à produire des graines lorsqu’elle a
été broutée. Nous disposons des informations suivantes :
La réponse observée est le poids de graines produites.
Une information indirecte sur la taille initiale de la plante
(le diamètre supérieur de son porte greffe) avant
l’intervention éventuelle d’un animal a été relevée.
Nous savons si la plante a été broutée ou non.
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Introduction (suite)
Comme les plantes plus grandes produisent vraisemblablement
plus de graines que des plantes plus petites, la prise en
compte de la taille de la plante est nécessaire pour analyser
ces données.
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Réglage des contrastes et récupération des données
options(contrasts=c("contr.sum","contr.poly"))
compensation<-read.csv(file.choose(),header=T)
attach(compensation)
names(compensation)
## [1] "Root" "Fruit" "Grazing"
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Aperçu des données
head(compensation)
## Root Fruit Grazing
## 1 6.225 59.77 Ungrazed
## 2 6.487 60.98 Ungrazed
## 3 4.919 14.73 Ungrazed
## 4 5.130 19.28 Ungrazed
## 5 5.417 34.25 Ungrazed
## 6 5.359 35.53 Ungrazed
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Représentation graphique des données
plot(Root,Fruit)
120
100
80
Fruit
60
40
20
5 6 7 8 9 10
Root
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Ajustement linéaire
lm(Fruit~Root)
##
## Call:
## lm(formula = Fruit ~ Root)
##
## Coefficients:
## (Intercept) Root
## -43.74 14.79
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Représentation graphique avec ajustement linéaire
plot(Root,Fruit)
abline(lm(Fruit~Root))
120
100
80
Fruit
60
40
20
5 6 7 8 9 10
Root
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Moyennes par groupe
tapply(Fruit,Grazing, mean)
## Grazed Ungrazed
## 72.49182 50.88050
Surprenant, car les plantes qui ont été broutées produisent plus
de graines. Confirmé par le graphique suivant mais est-ce
vraiment le cas ?
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Moyennes par groupe
plot(Grazing,Fruit)
120
100
80
60
40
20
Grazed Ungrazed
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Représentation graphique avec groupe d’appartenance
plot(Root,Fruit,type="n")
points(Root[Grazing=="Ungrazed"],
Fruit[Grazing=="Ungrazed"])
points(Root[Grazing=="Grazed"],
Fruit[Grazing=="Grazed"],pch=16,
col="red")
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Représentation graphique avec groupe d’appartenance
120
100
80
Fruit
60
40
20
5 6 7 8 9 10
Root
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Modèle d’ANCOVA
ancova<-lm(Fruit~Root*Grazing)
summary(ancova)
##
## Call:
## lm(formula = Fruit ~ Root * Grazing)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.0028 -3.8163 -0.6113 3.8098 15.8213
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -105.6583 8.5308 -12.386 1.2e-12 ***
## Root 23.1689 1.1485 20.173 < 2e-16 ***
## Grazing1 -11.2909 8.5308 -1.324 0.197
## Root:Grazing1 -0.8275 1.1485 -0.720 0.477
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.227 on 27 degrees of freedom
## Multiple R-squared: 0.9481,Adjusted R-squared: 0.9423
## F-statistic: 164.3 on 3 and 27 DF, p-value: < 2.2e-16
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Tableau d’ANOVA de l’ANCOVA
anova(ancova)
## Analysis of Variance Table
##
## Response: Fruit
## Df Sum Sq Mean Sq F value Pr(>F)
## Root 1 15578.8 15578.8 401.7856 < 2.2e-16 ***
## Grazing 1 3507.1 3507.1 90.4494 4.121e-10 ***
## Root:Grazing 1 20.1 20.1 0.5191 0.4774
## Residuals 27 1046.9 38.8
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
summary.aov(ancova)
## Df Sum Sq Mean Sq F value Pr(>F)
## Root 1 15579 15579 401.786 < 2e-16 ***
## Grazing 1 3507 3507 90.449 4.12e-10 ***
## Root:Grazing 1 20 20 0.519 0.477
## Residuals 27 1047 39
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Une pente par groupe est-elle nécessaire ?
ancova2<-lm(Fruit~Grazing+Root)
anova(ancova2,ancova)
## Analysis of Variance Table
##
## Model 1: Fruit ~ Grazing + Root
## Model 2: Fruit ~ Root * Grazing
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 28 1067.0
## 2 27 1046.9 1 20.128 0.5191 0.4774
Le test de Fisher partiel n’est pas significatif au seuil de
α = 5%.
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Est-il possible de simplifer encore plus le modèle ?
ancova3<-lm(Fruit~Root)
anova(ancova3,ancova2)
## Analysis of Variance Table
##
## Model 1: Fruit ~ Root
## Model 2: Fruit ~ Grazing + Root
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 29 4574.1
## 2 28 1067.0 1 3507.1 92.03 2.388e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.'
Le fait de savoir si la plante a été broutée ou non est une
information significative au seuil de α = 5%.
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Est-il possible de simplifer encore plus le modèle ?
ancova3<-lm(Fruit~Grazing)
anova(ancova3,ancova2)
## Analysis of Variance Table
##
## Model 1: Fruit ~ Grazing
## Model 2: Fruit ~ Grazing + Root
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 29 16838
## 2 28 1067 1 15771 413.86 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.'
Le fait de connaître le diamètre du porte-greffe est une
information significative au seuil de α = 5%.
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Résumé du modèle d’ANCOVA
summary.lm(ancova2)
##
## Call:
## lm(formula = Fruit ~ Grazing + Root)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.3565 -3.1694 0.0446 3.0649 16.4688
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -106.617 8.354 -12.763 3.43e-13 ***
## Grazing1 -17.296 1.803 -9.593 2.39e-10 ***
## Root 23.163 1.139 20.344 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.173 on 28 degrees of freedom
## Multiple R-squared: 0.9471,Adjusted R-squared: 0.9433
## F-statistic: 250.4 on 2 and 28 DF, p-value: < 2.2e-16
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Tableau d’ANOVA du modèle d’ANCOVA
anova(ancova2)
## Analysis of Variance Table
##
## Response: Fruit
## Df Sum Sq Mean Sq F value Pr(>F)
## Grazing 1 3314.5 3314.5 86.977 4.387e-10 ***
## Root 1 15771.4 15771.4 413.859 < 2.2e-16 ***
## Residuals 28 1067.0 38.1
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.'
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Choix de modèle automatique
step(ancova)
## Start: AIC=117.11
## Fruit ~ Root * Grazing
##
## Df Sum of Sq RSS AIC
## - Root:Grazing 1 20.128 1067.0 115.70
## <none> 1046.9 117.11
##
## Step: AIC=115.7
## Fruit ~ Root + Grazing
##
## Df Sum of Sq RSS AIC
## <none> 1067.0 115.70
## - Grazing 1 3507.1 4574.1 158.82
## - Root 1 15771.4 16838.4 199.22
##
## Call:
## lm(formula = Fruit ~ Root + Grazing)
##
## Coefficients:
## (Intercept) Root Grazing1
## -106.62 23.16 -17.30
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Modèle retenu automatiquement
summary(ancova2)
##
## Call:
## lm(formula = Fruit ~ Grazing + Root)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.3565 -3.1694 0.0446 3.0649 16.4688
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -106.617 8.354 -12.763 3.43e-13 ***
## Grazing1 -17.296 1.803 -9.593 2.39e-10 ***
## Root 23.163 1.139 20.344 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.173 on 28 degrees of freedom
## Multiple R-squared: 0.9471,Adjusted R-squared: 0.9433
## F-statistic: 250.4 on 2 and 28 DF, p-value: < 2.2e-16
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Coefficients du modèle
Voici les estimations des coefficients du modèle d’ANCOVA à
droites parallèles.
coef(ancova2)
## (Intercept) Grazing1 Root
## -106.61665 -17.29600 23.16264
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Coefficients du modèle
Ordonnée à l’origine pour la droite ajustée au groupe des
plantes non broutées
coef(ancova2)[1]-coef(ancova2)[2]
## (Intercept)
## -89.32066
Ordonnée à l’origine pour la droite ajustée au groupe des
plantes broutées
coef(ancova2)[1]+coef(ancova2)[2]
## (Intercept)
## -123.9126
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Coefficients du modèle
Pente commune aux deux droites (ajustées aux deux groupes)
coef(ancova2)[3]
## Root
## 23.16264
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Graphique du modèle retenu
sf<-split(Fruit,Grazing)
sr<-split(Root,Grazing)
plot(Root,Fruit,type="n",
ylab="Production de graines",
xlab="Diamètre initial")
points(sr[[1]],sf[[1]],pch=16)
points(sr[[2]],sf[[2]])
abline(coef(ancova2)[1]+coef(ancova2)[2],
coef(ancova2)[3])
abline(coef(ancova2)[1]-coef(ancova2)[2],
coef(ancova2)[3],lty=2)
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Graphiques
120
100
Production de graines
80
60
40
20
5 6 7 8 9 10
Diamètre initial
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Attention
Que se serait-il passé si nous n’avions pas pris en compte la
taille de la plante ?
tapply(Fruit,Grazing,mean)
## Grazed Ungrazed
## 72.49182 50.88050
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Attention
Que se serait-il passé si nous n’avions pas pris en compte la
taille de la plante ?
summary(aov(Fruit~Grazing))
## Df Sum Sq Mean Sq F value Pr(>F)
## Grazing 1 3315 3315 5.708 0.0236 *
## Residuals 29 16838 581
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Attention
Que se serait-il passé si nous n’avions pas pris en compte la
taille de la plante ?
coef(aov(Fruit~Grazing))
## (Intercept) Grazing1
## 61.68616 10.80566
Production moyenne du groupe non-brouté
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Attention
Production moyenne du groupe non-brouté
coef(aov(Fruit~Grazing))[1]-
coef(aov(Fruit~Grazing))[2]
## (Intercept)
## 50.8805
Production moyenne du groupe brouté
coef(aov(Fruit~Grazing))[1]+
coef(aov(Fruit~Grazing))[2]
## (Intercept)
## 72.49182
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Valeur ajustées des moyennes des groupes
Calculons maintenant les moyennes des deux groupes qui ont
été ajustées par le modèle d’ANCOVA pour tenir compte de la
différence des distributions des tailles entre les deux groupes.
Production moyenne du groupe non-brouté
coef(ancova2)[1]-coef(ancova2)[2]+
coef(ancova2)[3]*mean(Root)
## (Intercept)
## 70.82361
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Valeur ajustées des moyennes des groupes
Production moyenne du groupe brouté
coef(ancova2)[1]+coef(ancova2)[2]+
coef(ancova2)[3]*mean(Root)
## (Intercept)
## 36.23162
En utilisant les moyennes ajustées pour tenir compte de la
variable taille, les conclusions s’inversent !
Frédéric Bertrand Analyse de la covariance
Généralités
Analyse de la covariance à un facteur
Conclusion
Intérêt du modèle d’ANCOVA
Prendre en compte la taille initiale du porte greffe change
complètement le résultat et corrige les biais liés à
l’inhomogénéité des groupes.
Frédéric Bertrand Analyse de la covariance
