Cours 1

Cours 1
L ’ANALYSE DE VARIANCE
à un facteur
(Analysis Of Variance - ANOVA)
1
Plan de la séance
 Introduction
 ANOVA à un facteur
 Comparaisons multiples
 Analyse des résidus
 Transformations
 Calcul de la taille d ’échantillon
 Exemples avec SPSS
Devis expérimentaux pour la recherche en gestion 6-697-01

2
Introduction
 L’analyse de variance (ANOVA) est un outil statistique
très versatile et très utilisé pour étudier la relation entre
une variable dépendante (quantitative continue ; ex :
ventes, niveau de perception d’un produit) et un ou
plusieurs facteurs (qualitatifs ou quantitatifs discrets; ex :
nouveau produits, stimuli, nombre de promotions).
 L’ANOVA peut être utilisé tout aussi bien pour analyser
des données de plans expérimentaux contrôlés et avec
randomisation, que des données provenant de plans non
expérimentaux.
 Essentiellement, l’analyse de variance est une extension
du test d’hypothèse pour la comparaison de deux
moyennes.

3
Exemple 1: Expérience à un facteur contrôlé
à quatre niveaux.
 Une entreprise veut tester 4 différents types

d’emballage pour une nouvelle céréale pour le
petit déjeuner. 20 supermarchés avec
approximativement le même volume de ventes
sont sélectionnés comme unités expérimentales :
 5 supermarchés vendront les céréales dans l’emballage 1;


4
Exemple 1… suite
 Le prix, l’emplacement, le nombre de

boîtes de céréales sur les étagères, et les
promotions sur cette nouvelle céréales ont
été contrôlés et semblables dans tous les
supermarchés participants.
 La variable dépendante est le nombre de
caisses vendues dans une période de
temps prédéterminée.
5
Exemple 1… résultats
Design Supermarché
de l’emballage 1 2 3 4 5
1 11 17 16 14 15
2 12 10 15 19 11
3 23 20 18 17 .
4 27 33 22 26 28

6
Exemple 2:
Étude non expérimentale à un facteur

(facteur de classification) à ?? niveaux :
… à vous de donner un exemple!

7
ANOVA à un facteur
Dans l’exemple 1, on veut vérifier si les moyennes du
nombre de caisses vendues sont les mêmes pour
chaque design ou si au moins deux d’entre elles sont
différentes c.-à-d. un design a permit de vendre plus de
caisses de céréales en moyenne qu’un autre design.
Les hypothèses à confronter pour une ANOVA à un
facteur peuvent être formulées comme suit :
H0 : 1 = 2 = 3 = 4
Ha : au moins deux de ces moyennes sont différentes

8
ANOVA à un facteur … les hypothèses
En général, les hypothèses à confronter pour

l’ANOVA à un facteur à “ k ” niveaux sont :
H 0 : 1 = 2 = … = k
Ha : au moins deux de ces moyennes sont différentes
Remarque: les hypothèses sont posées de telle

sorte que l’hypothèse alternative est ce que l’on
veut montrer.
9
ANOVA à un facteur … les données
Niveau 1 : Y11, Y12, …, Y1n(1) moyenne : Y1.
Niveau 2 : Y21, Y22, …, Y2n(2) moyenne : Y 2.
… … …
Niveau K : Yk1,Yk2, …, Ykn(k) moyenne : Y k .
Moyenne de toutes les observations : Y ..
Nombre total d’observations est N=n(1)+n(2)+…+n(k).
La variabilité totale de toutes les observations est définit

comme la somme des carrés des écarts à la moyenne de
toutes les observations : k n (i )
Somme totale des carrés   (Yij  Y .. ) 2
i 1 j 1
10
ANOVA à un facteur… Tableau d ’ANOVA
L’idée principale de l’analyse de la variance est de
décomposer la variabilité totale en différentes sources de
variation. Généralement, on présente cette décomposition
dans un tableau qu’on appelle Tableau d’ANOVA.
Sources Somme Degrés
de Variation des carrés de liberté
k
Facteur (SCTR)  n (
i 1
i )(Y i .  Y .. ) 2
k-1
(Traitements)
k n (i )
Erreur (SCE)  ij
(Y  Y
i 1 j 1
i . ) 2
N-k
k n (i )
Totale (SCTO)  ij
(Y  Y
i 1 j 1
.. ) 2
N-1

11
ANOVA à un facteur… Concept
Si l’hypothèse nulle H0 : 1 = 2 = … = k est
vraie, alors les moyennes des observations pour
chacun des niveaux du facteur seront très
semblables et donc très proches de la moyenne de
toutes les observations. Ainsi SCTR sera très petite
(proche de zéro).
Si, au contraire, l’hypothèse alternative est vraie,

alors SCTR sera relativement grande par rapport à
SCE, et on dira alors qu’une bonne part de la
variabilité observée dans les données peut être
expliquée par le facteur à l’étude (par exemple : le
design des boîtes de céréales dans l’exemple 1).
12
ANOVA à un facteur… Distribution théorique

13
Modèle pour l’ANOVA à un facteur
Yij   i   ij i  1,  , k et j  1,  , ni
où
Yij =: réponse du sujet j dans le groupe i
i =: moyenne du groupe i
ij =: erreur aléatoire
On suppose que les ij sont indépendantes avec

une distribution normale de moyenne 0 et même
variance notée 2 .
14
Modèle pour l’ANOVA à un facteur … suite
Posons:  i     i   
i     i où  i   i   
Alors le modèle devient:
Yij     i   ij i  1,  , k et j  1,  , ni
où
 =: moyenne globale
i =: effet du niveau i du facteur
ij =: erreur aléatoire.
15
ANOVA à un facteur… Statistique du test
Pour confronter les hypothèses H0 et Ha , la
statistique du test est :
SCTR (k - 1)
F
SCE (N - k)
Si H0 est vraie, c.-à-d. toutes les k moyennes

sont égales, alors la statistique F suit une loi de
Fisher avec (k-1) et (N-k) degrés de liberté.
16
ANOVA à un facteur… Statistique du test
À partir des observations recueillies, on calcule
la statistique F et le seuil expérimental (p-value) à
l’aide de la loi de Fisher.
Si le seuil expérimental est petit, inférieur à 5%

par exemple, alors on rejettera H0 .
Si on rejette l’hypothèse nulle H0 , c’est donc

dire qu’au moins deux moyennes sont
significativement différentes, du point de vue
statistique.
17
Les erreurs possibles lors d’une prise de
décision à partir d ’un échantillon:
 Erreur de Type I:
 Rejeter H0 en faveur de Ha (c.-à-d. prendre la décision
Ha) lorsque en réalité H0 est vraie.
 La probabilité d ’une erreur de Type I est la probabilité
qu’on a d ’observer la « valeur » obtenue dans notre
échantillon, ou une valeur encore plus « éloignée » de
H0 , si H0 est vraie. Cette probabilité est souvent
appelée «p-value » dans le jargon statistique.
 Erreur de Type II:
 Ne pas rejeter H0 en faveur de Ha lorsque en réalité Ha
est vraie.

18
Vérité
H0 H1
H0 Erreur
 de
Décision Type II
H1 Erreur
de 
Type I

19
Contrôle des erreurs de Type I et II
 Étant donné les résultats obtenus dans

l ’échantillon, on calcule la probabilité de
commettre une erreur de Type I (p-value).
 Si cette probabilité est relativement petite

(p-value < 5% par exemple), alors on
rejettera H0 pour prendre la décision Ha.
Sinon on ne rejettera pas H0.

20
Contrôle des erreurs de Type I et II … suite
 Pour une erreur de Type I fixée à l’avance

(ex. 5%), on contrôle l’erreur de Type II
avant de mener l ’étude à l’aide de la taille
de l’échantillon.
 On définit la puissance du test d’hypothèse

comme la quantité:
(1- probabilité d’une erreur de Type II).

21
Exemple 1
SPSS : Graphs> Boxplot…> Define
40
30
3
20
# de caisses vendues
1
10
0
N= 5 5 4 5
1 2 3 4
design
22
Exemple 1… suite
SPSS: Analyze > Compare Means > One-Way ANOVA
Descriptives
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
1 5 14,60 2,30 1,03 11,74 17,46 11 17
2 5 13,40 3,65 1,63 8,87 17,93 10 19
3 4 19,50 2,65 1,32 15,29 23,71 17 23
4 5 27,20 3,96 1,77 22,28 32,12 22 33
Total 19 18,63 6,44 1,48 15,53 21,74 10 33

23
Exemple 1… suite
Tableau d’ANOVA
ANOVA
Sum of
Squares df Mean Square F Sig.
Between Groups 588,221 3 196,074 18,591 ,000
Within Groups 158,200 15 10,547
Total 746,421 18

24
Exemple 1 … nouvelles données
(Voir fichier anova1.sav)
Descriptives
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
1 5 14,60 2,30 1,03 11,74 17,46 11 17
2 5 13,40 3,65 1,63 8,87 17,93 10 19
3 4 12,75 1,71 ,85 10,03 15,47 11 15
4 5 13,60 1,82 ,81 11,34 15,86 11 16
Total 19 13,63 2,41 ,55 12,47 14,79 10 19
ANOVA
Sum of
Squares df Mean Square F Sig.
Between Groups 8,071 3 2,690 ,419 ,742
Within Groups 96,350 15 6,423
Total 104,421 18

25
Analyse des effets des niveaux du facteur
 Si le test F de l’ANOVA nous mène à rejeter H 0 et
conclure qu’au moins deux des moyennes sont
différentes, cela implique qu’il y a une relation
statistiquement significative entre la variable
dépendante et le facteur à l’étude.
 Dans ce cas, on désire pousser l’analyse plus
loin pour en savoir plus sur la nature de la
relation:
 Comparaisons multiples
 Estimation de contrastes et intervalles de confiance

26
Estimation des niveaux du facteur
Un estimateur sans biais de la moyenne i est :

ˆ i  yi. i  1,  , k
1  1 ni
ni ni
yij    E yij     i   i
1
E  yi.   E   
 nij 1  ni j 1 ni j 1
 1 ni  1 ni ni
 2
Var  yi.   Var   yij   2  Var yij   2   
1
  2
 ni j 1  ni j 1 ni j 1 ni
Une estimation de Var  yi.  est données par
MCE
S  yi .  
2
ni
27
Intervalle de confiance pour les différents
niveaux du facteur
La statistique yi .   i
s  yi . 
suit une loi de Student avec N-k degrés de liberté,
notée t(N-k), ou N est le nombre total d’observations.
Donc, un intervalle de confiance au niveau 1- pour
la moyenne i est donné par :

yi.  t (1  ; N  k ) s  yi . 
2
28
Estimation de la différence entre deux
niveaux du facteur
Un estimateur sans biais de la différence D entre les
moyenne i et i’ :
D   i   i ' i  i ' i, i '  1,  , k

Dˆ  y - y i. i '.
 2 1 1
Var D  Var  yi. - yi '.   Var  yi.   Var  yi '.      
ˆ
 ni ni ' 
2 ˆ
 1 1
S D  MCE   
 ni ni ' 
29
Intervalle de confiance pour la différence
entre deux niveaux du facteur
La statistique ˆ D
D
ˆ)
s( D
suit une loi de Student avec N-k degrés de liberté,
notée t(N-k), ou N est le nombre total d’observations.
Donc, un intervalle de confiance au niveau 1- pour
la différence D est donné par :
ˆ  ˆ
D  t (1  ; N  k ) s D
2
 
30
Exemple 1 … Comparaison multiples
Comparaisons de toutes les moyennes deux à deux :
Multiple Comparisons
Dependent Variable: # de caisses vendues

LSD
Mean
Difference 95% Confidence Interval
(I) design (J) design (I-J) Std. Error Sig. Lower Bound Upper Bound
1 2 1,20 2,05 ,568 -3,18 5,58
3 -4,90* 2,18 ,040 -9,54 -,26
4 -12,60* 2,05 ,000 -16,98 -8,22
2 1 -1,20 2,05 ,568 -5,58 3,18
3 -6,10* 2,18 ,013 -10,74 -1,46
4 -13,80* 2,05 ,000 -18,18 -9,42
3 1 4,90* 2,18 ,040 ,26 9,54
2 6,10* 2,18 ,013 1,46 10,74
4 -7,70* 2,18 ,003 -12,34 -3,06
4 1 12,60* 2,05 ,000 8,22 16,98
2 13,80* 2,05 ,000 9,42 18,18
3 7,70* 2,18 ,003 3,06 12,34
*. The mean difference is significant at the .05 level.

31
Comparaison multiples … suite
La procédure que nous venons de voir pour les
comparaisons multiples à deux limitations importantes :
1. Le niveau de confiance 1- ne s’applique que pour
l’estimation par intervalle d’une différence particulière et
non pour un ensemble d’intervalles. De la même façon,
le seuil expérimental (p-value) ne s’applique que pour le
test de la comparaison de deux moyennes en particulier
et non pour l’ensemble des tests de comparaisons
multiples.
2. Le niveau de confiance 1- et le seuil expérimental

sont corrects seulement si l’estimation ou le test n’est pas
suggéré par les données.

32
Comparaison multiples … suite
Pour que le niveau de confiance 1- s’applique à
l’ensemble des intervalles de confiances, ou que le
seuil expérimental calculé pour chaque comparaison
de moyennes tienne compte du fait que plusieurs
comparaisons seront effectuées, il faut appliquer
certaines “ corrections ” à la procédure de
comparaisons multiples. Il existe plusieurs façons de
faire ces corrections, certaines étant meilleures que
d’autres selon la situation :
Bonferroni, Dunnet, Scheffe, Tukey, etc.

33
Comparaisons multiples de Bonferroni
Supposons que nous sommes intéressés par g

comparaisons multiples. Pour contrôler l’erreur de
Type I Au niveau  pour l’ensemble des g
comparaisons, la méthode de Bonferroni consiste à
multiplier le seuil expérimental par le nombre de
comparaisons g.
Les intervalles de confiance pour un niveau de
confiance global de1- pour les g différences D sont
donnés par :  ˆ  t (1 
D
2g
 
ˆ
; N  k )s D

34
Exemple 1 … Comparaison multiples
Comparaisons de toutes les moyennes deux à
deux avec la méthode d’ajustement de Bonferroni:
Multiple Comparisons
Dependent Variable: # de caisses vendues

Bonferroni
Mean
Difference 95% Confidence Interval
(I) design (J) design (I-J) Std. Error Sig. Lower Bound Upper Bound
1 2 1,20 2,05 1,000 -5,04 7,44
3 -4,90 2,18 ,240 -11,51 1,71
4 -12,60* 2,05 ,000 -18,84 -6,36
2 1 -1,20 2,05 1,000 -7,44 5,04
3 -6,10 2,18 ,081 -12,71 ,51
4 -13,80* 2,05 ,000 -20,04 -7,56
3 1 4,90 2,18 ,240 -1,71 11,51
2 6,10 2,18 ,081 -,51 12,71
4 -7,70* 2,18 ,018 -14,31 -1,09
4 1 12,60* 2,05 ,000 6,36 18,84
2 13,80* 2,05 ,000 7,56 20,04
3 7,70* 2,18 ,018 1,09 14,31
*. The mean difference is significant at the .05 level.

35
Présupposés pour la validité de l ’ANOVA
1. Les observations doivent suivre une loi normal.
2. Les variances pour chaque niveau du facteur doivent
être égales.
3. Les observations doivent être indépendantes.
L’ANOVA est généralement robuste à la non-normalité
des observations.
L’ANOVA n’est pas très robuste à la non-égalité des
variances pour chaque niveau du facteur. Dans ce
cas on peut essayer une transformation pour
stabiliser les variances (ex : log, racine carrée, 1/Y ),
ou utiliser une correction (test approximatif).

36
Vérifications des présupposés pour la
validité de l ’ANOVA
 Graphique des résidus standardisés vs

les valeurs prédites.
 Tests d’égalités des variances (ex: test de
Levene).
 Histogramme des résidus ou des résidus
standardisés.
 Graphiques P-P ou Q-Q pour vérifier la
normalité des résidus standardisés.

37
Graphique des résidus standardisés vs les
valeurs prédites.
SPSS: Analyze > General Linear Model > Univariate > Save
(pour sauvegarder les valeurs prédites et les résidus)
SPSS: Graphs > scatter > simple
2,0
1,5
1,0
Standardized Residual for CAISSES
,5
0,0
-,5
-1,0
-1,5
-2,0
12 14 16 18 20 22 24 26 28
Predicted Value for CAISSES

38
Histogramme des résidus standardisés
SPSS: Graphs > Histogram
1 Std. Dev = ,91

Mean = 0,00
0 N = 19,00
-1,50 -1,00 -,50 0,00 ,50 1,00 1,50 2,00
Standardized Residual for CAISSES

39
Graphique P-P des résidus standardisés
SPSS: Graphs > P-P
Normal P-P Plot of Standardized Residual for CAISS

1,00
Expected Cum Prob ,75
,50
,25
0,00
0,00 ,25 ,50 ,75 1,00
Observed Cum Prob

40
Calcul de la taille de l’échantillon
 Référence: pp 1052-1063 de ALSM.

 Voir fichiers « taille-anova1.SPS », « taille-
anova1.sav », ou « taille-anova1.sas ».

41

Cours 1

Transféré par

Droits d'auteur :

Formats disponibles

Cours 1

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours 1

Transféré par

Droits d'auteur :

Formats disponibles

Cours 1

Devis expérimentaux pour la recherche en gestion 6-697-01

Devis expérimentaux pour la recherche en gestion 6-697-01

 Une entreprise veut tester 4 différents types

 5 supermarchés vendront les céréales dans l’emballage 1;

Devis expérimentaux pour la recherche en gestion 6-697-01

 Le prix, l’emplacement, le nombre de

Devis expérimentaux pour la recherche en gestion 6-697-01

Étude non expérimentale à un facteur

Devis expérimentaux pour la recherche en gestion 6-697-01

Devis expérimentaux pour la recherche en gestion 6-697-01

En général, les hypothèses à confronter pour

Remarque: les hypothèses sont posées de telle

Moyenne de toutes les observations : Y ..

Nombre total d’observations est N=n(1)+n(2)+…+n(k).

La variabilité totale de toutes les observations est définit

Devis expérimentaux pour la recherche en gestion 6-697-01

Si, au contraire, l’hypothèse alternative est vraie,

Devis expérimentaux pour la recherche en gestion 6-697-01

On suppose que les ij sont indépendantes avec

Si H0 est vraie, c.-à-d. toutes les k moyennes

Si le seuil expérimental est petit, inférieur à 5%

Si on rejette l’hypothèse nulle H0 , c’est donc

Devis expérimentaux pour la recherche en gestion 6-697-01

Devis expérimentaux pour la recherche en gestion 6-697-01

 Étant donné les résultats obtenus dans

 Si cette probabilité est relativement petite

Devis expérimentaux pour la recherche en gestion 6-697-01

 Pour une erreur de Type I fixée à l’avance

 On définit la puissance du test d’hypothèse

Devis expérimentaux pour la recherche en gestion 6-697-01

SPSS: Analyze > Compare Means > One-Way ANOVA

Devis expérimentaux pour la recherche en gestion 6-697-01

Devis expérimentaux pour la recherche en gestion 6-697-01

Devis expérimentaux pour la recherche en gestion 6-697-01

Devis expérimentaux pour la recherche en gestion 6-697-01

Un estimateur sans biais de la moyenne i est :

D   i   i ' i  i ' i, i '  1,  , k

Dependent Variable: # de caisses vendues

Devis expérimentaux pour la recherche en gestion 6-697-01

2. Le niveau de confiance 1- et le seuil expérimental

Devis expérimentaux pour la recherche en gestion 6-697-01

Bonferroni, Dunnet, Scheffe, Tukey, etc.

Devis expérimentaux pour la recherche en gestion 6-697-01

Supposons que nous sommes intéressés par g

Devis expérimentaux pour la recherche en gestion 6-697-01

Dependent Variable: # de caisses vendues

Devis expérimentaux pour la recherche en gestion 6-697-01

Devis expérimentaux pour la recherche en gestion 6-697-01

 Graphique des résidus standardisés vs

Devis expérimentaux pour la recherche en gestion 6-697-01

Predicted Value for CAISSES

Devis expérimentaux pour la recherche en gestion 6-697-01

1 Std. Dev = ,91

Standardized Residual for CAISSES

Devis expérimentaux pour la recherche en gestion 6-697-01

Normal P-P Plot of Standardized Residual for CAISS

Expected Cum Prob ,75