Calculateur ANOVA à deux facteurs
Testez les effets de deux facteurs.
Entrez au moins 4 cellules (plan 2×2 minimum)
Entrez des données factorielles pour effectuer une ANOVA à deux facteurs
Qu'est-ce que l'ANOVA à deux facteurs ?
L'ANOVA à deux facteurs teste les effets de deux variables indépendantes (facteurs) sur un résultat continu, y compris leur interaction potentielle.
Questions posées :
- Le facteur A affecte-t-il le résultat ?
- Le facteur B affecte-t-il le résultat ?
- L'effet de A dépend-il du niveau de B (interaction) ?
Exemple : Tester comment la méthode d'enseignement (A : cours magistral, discussion, hybride) et la taille de classe (B : petite, grande) affectent les résultats de tests - et si la méthode d'enseignement fonctionne différemment pour différentes tailles de classe.
Pourquoi « à deux facteurs » ?
Les données sont classées par deux facteurs catégoriels :
| Petite classe | Grande classe | |
|---|---|---|
| Cours magistral | 78, 82, 75 | 68, 72, 65 |
| Discussion | 85, 88, 82 | 80, 78, 82 |
| Hybride | 90, 92, 88 | 85, 88, 82 |
L'ANOVA à un facteur utilise un facteur. L'ANOVA à deux facteurs en utilise deux simultanément.
Effets principaux et interaction
Effet principal du facteur A
L'effet global du facteur A, en faisant la moyenne sur tous les niveaux du facteur B.
« Les méthodes d'enseignement diffèrent-elles, en ignorant la taille de la classe ? »
Effet principal du facteur B
L'effet global du facteur B, en faisant la moyenne sur tous les niveaux du facteur A.
« Les tailles de classe diffèrent-elles, en ignorant la méthode d'enseignement ? »
Effet d'interaction (A × B)
Si l'effet d'un facteur dépend du niveau de l'autre.
« L'effet de la méthode d'enseignement change-t-il selon la taille de la classe ? »
Comprendre les interactions
Pas d'interaction
Les effets principaux sont additifs. Si le cours magistral surpasse la discussion de 5 points dans les petites classes, il surpasse aussi la discussion de 5 points dans les grandes classes.
Les lignes sur un graphique d'interaction sont parallèles.
Interaction présente
L'avantage d'un niveau de facteur dépend de l'autre facteur.
« Le cours magistral fonctionne bien pour les grandes classes mais mal pour les petites classes. »
Les lignes se croisent ou divergent dans le graphique d'interaction.
Insight clé : Lorsque l'interaction est significative, les effets principaux doivent être interprétés avec prudence - l'effet « moyen » masque les effets conditionnels.
Le modèle statistique
Y = μ + αᵢ + βⱼ + (αβ)ᵢⱼ + ε
Où :
- μ = moyenne générale
- αᵢ = effet du niveau i du facteur A
- βⱼ = effet du niveau j du facteur B
- (αβ)ᵢⱼ = effet d'interaction
- ε = erreur aléatoire
Le tableau ANOVA
| Source | SC | ddl | CM | F | p |
|---|---|---|---|---|---|
| Facteur A | 520 | 2 | 260 | 12,4 | 0,001 |
| Facteur B | 180 | 1 | 180 | 8,6 | 0,007 |
| A × B | 85 | 2 | 42,5 | 2,0 | 0,15 |
| Erreur | 504 | 24 | 21 | ||
| Total | 1289 | 29 |
Trois tests F séparés : un pour chaque effet principal, un pour l'interaction.
Degrés de liberté
- Facteur A : a - 1 (où a = nombre de niveaux de A)
- Facteur B : b - 1
- Interaction : (a - 1)(b - 1)
- Erreur : N - ab (où N = observations totales)
- Total : N - 1
Interpréter les résultats
Interaction significative
Interpréter en premier. Les effets principaux sont trompeurs lorsque l'interaction existe.
Examiner les effets simples : l'effet de A à chaque niveau de B séparément.
Pas d'interaction significative
Interpréter directement les effets principaux. L'effet de chaque facteur est cohérent à travers les niveaux de l'autre.
Effets principaux significatifs
Les tests post-hoc (comme HSD de Tukey) révèlent quels niveaux diffèrent.
Tailles d'effet
Êta-carré partiel (η²p) :
η²p = SC_effet / (SC_effet + SC_erreur)
Proportion de variance expliquée par chaque effet après suppression des autres effets.
| η²p | Interprétation |
|---|---|
| 0,01 | Petit |
| 0,06 | Moyen |
| 0,14 | Grand |
Applications
Expériences factorielles
Plan expérimental classique : manipuler deux facteurs, mesurer le résultat.
Étude de médicament : Type de médicament × Niveau de dosage Marketing : Type de publicité × Démographie cible
Études d'observation
Classer les sujets par deux caractéristiques.
Éducation : Genre × Statut socio-économique sur les résultats de tests Santé : Groupe d'âge × Niveau d'exercice sur la pression artérielle
Contrôle qualité
Fabrication : Machine × Équipe sur les taux de défauts Agriculture : Type d'engrais × Méthode d'irrigation sur le rendement
Plans équilibrés vs déséquilibrés
Équilibré
n égal dans toutes les cellules. Analyse la plus simple, la plus puissante, effets orthogonaux.
Déséquilibré
Tailles de cellule inégales. Les effets peuvent ne pas être orthogonaux - l'ordre d'entrée compte.
SC de type I : Séquentiel, dépendant de l'ordre SC de type II : Chaque effet ajusté pour les autres effets principaux (pas l'interaction) SC de type III : Chaque effet ajusté pour tous les autres effets (par défaut le plus courant)
Hypothèses
Indépendance
Les observations sont indépendantes au sein et à travers toutes les cellules.
Normalité
Les résidus sont normalement distribués, OU les tailles d'échantillon sont adéquates.
Homogénéité de la variance
Les variances sont égales à travers toutes les cellules (pas seulement les niveaux de facteurs).
Vérifier : Test de Levene ou inspection visuelle des graphiques de résidus.
Pas de cellules manquantes
Chaque combinaison de niveaux de facteurs doit avoir des observations.
Facteurs fixes vs aléatoires
Facteurs fixes
Les niveaux sont spécifiquement choisis et exhaustifs.
« Ces trois méthodes d'enseignement sont celles qui nous intéressent. »
Le plus courant dans les applications de recherche.
Facteurs aléatoires
Les niveaux sont échantillonnés aléatoirement d'une population plus large.
« Ces cinq enseignants représentent tous les enseignants possibles. »
Nécessite des calculs de rapport F différents (modèles mixtes).
Graphiques d'interaction
Visualiser les relations entre facteurs :
- Axe X : Niveaux du facteur A
- Axe Y : Réponse moyenne
- Lignes séparées : Niveaux du facteur B
Lignes parallèles : Pas d'interaction Lignes non parallèles : Interaction présente Lignes qui se croisent : Forte interaction disordinale
Procédures post-hoc
Pour les effets principaux significatifs (sans interaction) :
- HSD de Tukey pour toutes les comparaisons par paires
- Bonferroni pour les comparaisons sélectionnées
Pour l'interaction significative :
- Analyse des effets simples (effet de A à chaque niveau de B)
- Comparaisons simples au sein des cellules
Erreurs courantes
Ignorer l'interaction
Rapporter les effets principaux lorsque l'interaction est significative donne des conclusions incomplètes ou trompeuses.
Mauvais terme d'erreur
Dans les plans avec facteurs aléatoires ou mesures répétées, les termes d'erreur diffèrent.
Analyse déséquilibrée
Ne pas spécifier le type de SC approprié pour les données déséquilibrées.
Sur-interprétation
De nombreuses interactions non significatives existent parce que la puissance pour les détecter est limitée.
Rapporter les résultats
Format APA :
« Une ANOVA inter-sujets 3 × 2 a révélé des effets principaux significatifs de la méthode d'enseignement, F(2, 24) = 12,4, p = 0,001, η²p = 0,51, et de la taille de classe, F(1, 24) = 8,6, p = 0,007, η²p = 0,26. L'interaction n'était pas significative, F(2, 24) = 2,0, p = 0,15. Les tests post-hoc de Tukey ont montré que l'enseignement hybride (M = 87,5) a surpassé à la fois le cours magistral (M = 73,3, p < 0,001) et la discussion (M = 82,5, p = 0,03). »
Contexte historique
L'ANOVA à deux facteurs a émergé du travail de Ronald Fisher sur l'expérimentation agricole à Rothamsted dans les années 1920-1930.
Les plans factoriels - tester plusieurs facteurs simultanément - se sont révélés plus efficaces que les expériences un-facteur-à-la-fois. Le concept d'interaction était particulièrement révolutionnaire : il a formalisé comment les facteurs pouvaient fonctionner différemment en combinaison que seuls.
Calculs associés
- ANOVA à un facteur — Facteur unique
- ANOVA à mesures répétées — Facteur intra-sujet
- HSD de Tukey — Comparaisons post-hoc
- Calculateur de distribution F — Valeurs p
Résumé
L'ANOVA à deux facteurs teste les effets principaux de deux facteurs et leur interaction sur un résultat continu. L'interaction significative indique que l'effet d'un facteur dépend de l'autre facteur - dans de tels cas, examiner les effets simples plutôt que les effets principaux. L'analyse partitionne la variance totale entre le facteur A, le facteur B, l'interaction A×B et l'erreur. Rapportez les trois tests F, les tailles d'effet (η² partiel) et les tests post-hoc appropriés. Les graphiques d'interaction fournissent une visualisation essentielle des relations entre facteurs.