Calculateur d'ANOVA à mesures répétées
ANOVA pour les plans intra-sujets.
Au moins 2 sujets requis
Entrez les données des sujets pour effectuer l'ANOVA à mesures répétées
Qu'est-ce que l'ANOVA à mesures répétées ?
L'ANOVA à mesures répétées teste si les moyennes diffèrent entre trois conditions ou plus lorsque les mêmes sujets sont mesurés dans toutes les conditions.
Question répondue : « Ces conditions produisent-elles des résultats différents pour les mêmes individus ? »
Exemples :
- « Les niveaux de douleur des patients diffèrent-ils au départ, à 1 semaine et à 4 semaines après le traitement ? »
- « Les participants performent-ils différemment dans des conditions de tâche facile, moyenne et difficile ? »
- « Les temps de réaction changent-ils entre les mesures du matin, de l'après-midi et du soir ? »
Pourquoi « mesures répétées » ?
Chaque sujet fournit plusieurs mesures :
| Sujet | Semaine 0 | Semaine 1 | Semaine 4 |
|---|---|---|---|
| 1 | 7,2 | 5,1 | 3,8 |
| 2 | 8,0 | 6,5 | 4,2 |
| 3 | 6,5 | 5,8 | 5,0 |
| ... | ... | ... | ... |
Il s'agit d'un plan intra-sujets, par opposition à inter-sujets (personnes différentes dans chaque condition).
Avantages par rapport à inter-sujets
Contrôle les différences individuelles
Chaque personne sert de son propre contrôle. La variabilité due aux différences individuelles est retirée de l'erreur.
Inter-sujets : Un score élevé en Condition A et un score faible en Condition B peuvent obscurcir le vrai effet.
Mesures répétées : Comparer chaque personne à elle-même entre les conditions.
Puissance statistique accrue
Avec les différences individuelles contrôlées, les vrais petits effets sont détectables.
La même taille d'effet nécessite moins de sujets au total qu'un plan inter-sujets.
Efficacité pratique
Moins de sujets nécessaires. Précieux lorsque les participants sont coûteux, rares ou difficiles à recruter.
Le modèle statistique
Contrairement à l'ANOVA à un facteur, la variance est partitionnée en :
- Variance des sujets : Comment les individus diffèrent (retirée de l'erreur)
- Variance des conditions : Différences entre les conditions (notre focus)
- Variance d'erreur : Interaction Sujet × Condition (résiduelle)
Cette séparation explique pourquoi les mesures répétées ont plus de puissance — la variance des sujets ne contamine pas l'erreur.
Calcul de la statistique F
F = MS_Condition / MS_Erreur
| Source | SC | dl | MC | F |
|---|---|---|---|---|
| Entre sujets | SC_S | n - 1 | ||
| Condition | SC_C | k - 1 | SC_C / (k-1) | MC_C / MC_E |
| Erreur | SC_E | (n-1)(k-1) | SC_E / [(n-1)(k-1)] | |
| Total | SC_T | nk - 1 |
Où n = sujets, k = conditions.
L'hypothèse de sphéricité
L'ANOVA à mesures répétées suppose la sphéricité : variances égales des différences entre toutes les paires de conditions.
Pourquoi c'est important : Les violations gonflent l'erreur de Type I (faux positifs).
Tester la sphéricité
Test de Mauchly :
- p significatif < 0,05 indique une violation
- Non significatif suggère que la sphéricité est OK
Problème : Le test de Mauchly a une faible puissance avec de petits échantillons quand vous en avez le plus besoin.
Corriger les violations
Appliquer des facteurs de correction aux degrés de liberté :
Greenhouse-Geisser (ε_GG) : Conservateur. Recommandé lorsque la sphéricité est violée.
Huynh-Feldt (ε_HF) : Moins conservateur. Peut être préféré lorsque ε_GG > 0,75.
Borne inférieure : Le plus conservateur (ε = 1/(k-1)). Rarement utilisé.
dl_corrigé = ε × dl_original
Exemple d'analyse
Scénario : Évaluations de douleur (0-10) à trois moments pour 20 patients.
| Source | SC | dl | MC | F | valeur p |
|---|---|---|---|---|---|
| Sujets | 245,6 | 19 | |||
| Temps | 98,4 | 2 | 49,2 | 15,6 | < ,001 |
| Erreur | 119,8 | 38 | 3,15 |
W de Mauchly = 0,82, p = ,08 (sphéricité OK)
Conclusion : Les évaluations de douleur diffèrent significativement entre les moments.
Comparaisons post-hoc
Un F significatif indique que les conditions diffèrent quelque part. Déterminer où :
Tests t appariés corrigés par Bonferroni : Comparer chaque paire, en ajustant α.
Contrastes polynomiaux : Tester les tendances linéaires, quadratiques, cubiques (utile pour les séries temporelles).
Exemple : Une tendance linéaire significative signifie que la douleur diminue régulièrement au fil du temps.
Taille d'effet : Êta carré partiel
η²p = SC_Condition / (SC_Condition + SC_Erreur)
Proportion de variance non-sujet expliquée par la condition.
Dans l'exemple : η²p = 98,4 / (98,4 + 119,8) = 0,45 (effet important)
Applications
Études longitudinales
Suivi des changements au fil du temps chez les mêmes individus.
Courbes de croissance, effets de traitement, changements développementaux.
Expériences intra-sujet
Chaque participant expérimente toutes les conditions expérimentales.
La contre-balancement de l'ordre prévient les effets de report.
Essais cliniques croisés
Chaque patient reçoit tous les traitements (avec périodes de lavage).
Plus efficace que les plans parallèles.
Psychophysique
Test de perception entre conditions de stimulus chez les individus.
Études d'apprentissage
Mesure de la performance entre les sessions de pratique.
Considérations de plan
Effets d'ordre
Effets de pratique : La performance s'améliore quelle que soit la condition. Effets de fatigue : La performance se détériore au fil du temps. Effets de report : Une condition affecte la réponse aux conditions suivantes.
Solutions :
- Contre-balancer l'ordre des conditions entre les sujets
- Randomiser l'ordre
- Inclure des périodes de lavage entre les conditions
Données manquantes
Les observations manquantes compliquent l'analyse des mesures répétées.
Options : suppression par liste (perd de la puissance), modèles mixtes (préservent les données).
La sphéricité en profondeur
Définition technique : La variance des différences entre conditions est constante pour toutes les paires.
Si la différence Condition 1-2 a une variance de 4, la différence Condition 1-3 devrait aussi avoir une variance de 4, ainsi que la Condition 2-3.
Symétrie composée (variances et covariances égales) implique la sphéricité mais est plus forte.
En cas de violation : La statistique F est positivement biaisée (trop de faux positifs).
Plans mixtes
Combiner facteurs inter-sujets et intra-sujets :
Exemple : Deux groupes (traitement vs. contrôle) mesurés à trois moments.
- Facteur inter-sujets : Groupe
- Facteur intra-sujets : Temps
- Interaction : Groupe × Temps (les groupes changent-ils différemment au fil du temps ?)
L'interaction Groupe × Temps est souvent la question de recherche clé.
Hypothèses
Indépendance
Les observations de différents sujets sont indépendantes.
Normalité
Résidus approximativement normaux, OU taille d'échantillon adéquate.
Sphéricité
Variances égales des différences par paires.
Utiliser des corrections (Greenhouse-Geisser) en cas de violation.
Erreurs courantes
Ignorer la sphéricité
Toujours vérifier et rapporter le test de sphéricité ; appliquer des corrections si nécessaire.
Traiter comme inter-sujets
Utiliser l'ANOVA à un facteur au lieu de mesures répétées perd de la puissance et viole l'indépendance.
Ignorer les effets d'ordre
Ne pas contre-balancer dans les expériences permet des confusions.
Sur-interpréter sans post-hocs
Un F significatif signifie seulement que les conditions diffèrent quelque part.
Rapporter les résultats
Format APA (sphéricité supposée) :
« L'ANOVA à mesures répétées a révélé un effet significatif du temps sur les évaluations de douleur, F(2, 38) = 15,6, p < ,001, η²p = ,45. Le test de Mauchly a indiqué que la sphéricité était respectée, W = 0,82, p = ,08. »
Avec correction :
« Le test de Mauchly a indiqué une violation de sphéricité, W = 0,65, p = ,02. Les résultats corrigés par Greenhouse-Geisser ont montré un effet significatif du temps, F(1,52, 28,9) = 12,3, p = ,001. »
Contexte historique
L'ANOVA à mesures répétées s'est développée à partir du cadre ANOVA de Fisher mais nécessitait de traiter la question de sphéricité.
Box (1954) et Geisser et Greenhouse (1958) ont développé des corrections pour les violations de sphéricité qui restent standard aujourd'hui.
La méthode est devenue essentielle pour la recherche psychologique et biomédicale où les plans intra-sujet sont courants et pratiques.
Calculs connexes
- ANOVA à un facteur — Inter-sujets
- ANOVA à deux facteurs — Deux facteurs
- Test t apparié — Deux conditions
- Test de Friedman — Alternative non paramétrique
Résumé
L'ANOVA à mesures répétées teste les différences entre conditions lorsque les mêmes sujets sont mesurés de façon répétée. En retirant la variance inter-sujets de l'erreur, elle fournit plus de puissance que les plans inter-sujets. L'hypothèse clé est la sphéricité — variances égales des différences par paires. En cas de violation (vérifier avec le test de Mauchly), appliquer les corrections de Greenhouse-Geisser ou Huynh-Feldt. Toujours effectuer des comparaisons post-hoc pour déterminer quelles conditions diffèrent. Rapporter les valeurs F corrigées si approprié, les tailles d'effet et les résultats post-hoc.