Calculateur ANOVA à un facteur

Qu'est-ce que l'ANOVA à un facteur ?

L'ANOVA à un facteur (analyse de variance) teste si trois moyennes de groupes ou plus diffèrent significativement. Elle étend le test t pour deux échantillons à plusieurs groupes.

Question posée : « L'un de ces groupes a-t-il des valeurs moyennes différentes ? »

Exemples :

• « Les élèves enseignés par trois méthodes différentes ont-ils des notes de test différentes ? »
• « Le rendement des cultures diffère-t-il selon quatre types d'engrais ? »
• « Les évaluations de satisfaction client sont-elles différentes entre cinq emplacements de magasin ? »

Pourquoi pas plusieurs tests t ?

Avec trois groupes, vous pourriez effectuer trois tests t (A vs B, A vs C, B vs C). Problème : chaque test a un taux de faux positifs de 5%, s'accumulant à ~14% globalement.

Avec cinq groupes (10 comparaisons par paires), le taux de faux positifs dépasse 40%.

Solution ANOVA : Un seul test contrôlant l'erreur de type I globale au α choisi (typiquement 0,05).

La logique de l'ANOVA

L'ANOVA compare deux sources de variation :

Variation inter-groupes : À quel point les moyennes de groupes diffèrent de la moyenne globale. Si les groupes sont vraiment différents, celle-ci est grande.

Variation intra-groupes : À quel point les individus varient au sein de chaque groupe. Cela représente l'erreur/bruit aléatoire.

Idée clé : Si les moyennes de groupes sont identiques (H₀ vraie), la variation inter-groupes devrait être similaire à la variation intra-groupes.

La statistique F

$F = \frac{MSB}{MSW}$

Où :

• $MSB$ = Carré moyen inter-groupes (variance inter-groupes)
• $MSW$ = Carré moyen intra-groupes (variance intra-groupes, aussi appelée erreur)

Si H₀ est vraie : F ≈ 1 (les deux sources similaires) Si H₁ est vraie : F > 1 (inter > intra)

F toujours ≥ 0 et est typiquement comparé à la distribution F.

Calculer l'ANOVA

Étape 1 : Calculer les moyennes de groupes

Étape 2 : Calculer les sommes des carrés

$SS_{\text{Total}} = \sum(x_i - \bar{x}_{\text{global}})^2$

$SS_{\text{Inter}} = \sum n_i(\bar{x}_i - \bar{x}_{\text{global}})^2$

Exemple : $10(72-77,9)^2 + 12(78-77,9)^2 + 8(85-77,9)^2 = 751,2$

$SS_{\text{Intra}} = SS_{\text{Total}} - SS_{\text{Inter}}$

Étape 3 : Calculer les carrés moyens

$MSB = \frac{SS_B}{k - 1}$ où k = nombre de groupes

$MSW = \frac{SS_W}{N - k}$ où N = taille d'échantillon totale

Étape 4 : Calculer F et valeur p

$F = \frac{MSB}{MSW}$

Comparez à la distribution F avec $df_1 = k-1$ et $df_2 = N-k$.

Le tableau ANOVA

Format de sortie standard :

Interpréter les résultats

F significatif (p < α) : Au moins une moyenne de groupe diffère des autres. Mais l'ANOVA ne vous dit pas quels groupes diffèrent—vous avez besoin de tests post-hoc.

F non significatif (p ≥ α) : Preuve insuffisante que les moyennes de groupes diffèrent.

Taille d'effet : Êta au carré

$\eta^2 = \frac{SS_B}{SS_{\text{Total}}}$

Proportion de variance expliquée par l'appartenance au groupe.

Dans l'exemple : η² = 751,2 / 1954,0 = 0,38 (grand effet)

Tests post-hoc

Quand l'ANOVA est significative, déterminez quels groupes diffèrent :

• Tukey HSD : Le plus courant, compare toutes les paires
• Bonferroni : Conservateur, multiplie les valeurs p par le nombre de comparaisons
• Scheffe : Le plus conservateur, permet des comparaisons complexes
• Dunnett : Compare chaque groupe à un contrôle

Sans tests post-hoc, vous savez seulement que « quelque chose diffère » mais pas quoi.

Hypothèses

Indépendance

Les observations sont indépendantes au sein et entre les groupes.

Normalité

Les populations sont normalement distribuées, OU les tailles d'échantillon sont adéquates (chaque n > 20-30).

L'ANOVA est assez robuste aux violations de normalité.

Homogénéité de variance

Les groupes ont des variances de population égales.

Vérifiez : Rapport du plus grand au plus petit ET d'échantillon < 2:1

Si violée : Utilisez l'ANOVA de Welch ou le non paramétrique de Kruskal-Wallis.

Applications

Recherche médicale

Comparer les résultats de traitement entre plusieurs doses de médicament ou types de traitement.

Éducation

Tester les méthodes d'enseignement, les programmes ou les approches d'intervention.

Marketing

Comparer les réponses des clients entre les stratégies publicitaires ou les points de prix.

Fabrication

Évaluer la qualité entre les lignes de production, les quarts de travail ou les fournisseurs.

Psychologie

Tester les différences comportementales entre les conditions expérimentales.

Quand l'ANOVA n'est pas appropriée

Deux groupes seulement : Utilisez le test t pour deux échantillons. L'ANOVA donne des résultats identiques mais le test t est plus simple.

Mesures appariées/répétées : Utilisez l'ANOVA à mesures répétées à la place.

Deux facteurs : Utilisez l'ANOVA à deux facteurs.

Données non normales avec petits échantillons : Utilisez Kruskal-Wallis (alternative non paramétrique).

Contexte historique

Ronald Fisher a développé l'ANOVA dans les années 1920 en travaillant à la station expérimentale de Rothamsted sur des expériences agricoles.

Fisher avait besoin de comparer les rendements des cultures entre plusieurs conditions de traitement simultanément. Sa solution—partition de la variance totale en composantes—est devenue l'une des méthodes statistiques les plus influentes.

La distribution F porte son nom.

Erreurs courantes

Effectuer plusieurs tests t

Gonfle l'erreur de type I. Utilisez l'ANOVA.

S'arrêter au F significatif

L'ANOVA vous dit seulement que les groupes diffèrent quelque part. Les tests post-hoc révèlent où.

Ignorer les hypothèses

Surtout l'homogénéité de variance avec des tailles d'échantillon inégales.

Confondre facteurs et niveaux

« À un facteur » signifie un facteur (ex : méthode d'enseignement). Le facteur a plusieurs niveaux (méthodes A, B, C).

Rapporter les résultats

Format APA :

« Une ANOVA à un facteur a révélé un effet significatif de la méthode d'enseignement sur les notes de test, F(2, 27) = 8,43, p = 0,001, η² = 0,38. Les tests post-hoc de Tukey HSD ont indiqué que la méthode C (M = 85) a produit des notes significativement plus élevées que la méthode A (M = 72), p = 0,002, tandis que la méthode B (M = 78) ne différait pas significativement de l'un ou l'autre groupe. »

Calculs associés

• Test t pour deux échantillons — Comparer deux groupes
• ANOVA à deux facteurs — Deux facteurs
• ANOVA à mesures répétées — Mêmes sujets
• Tukey HSD — Comparaisons post-hoc
• Calculateur de distribution F — Valeurs p

Résumé

L'ANOVA à un facteur teste si trois moyennes de groupes ou plus diffèrent en comparant la variance inter-groupes à la variance intra-groupes. Une statistique F significative indique qu'au moins un groupe diffère, mais des tests post-hoc sont nécessaires pour identifier quels groupes. Le test suppose l'indépendance, la normalité (ou de grands échantillons), et des variances égales. Rapportez la statistique F, les degrés de liberté, la valeur p, la taille d'effet (η²), et les résultats post-hoc pour une interprétation complète.