STT- 2300

Cours d’Analyse de la Variance

Professeur Michel Carbon

Département de Mathématiques et Statistique
Université de Laval

Hiver 2015
2

Analyse de la variance
c 2015 Michel Carbon
Table des matières

1 Fondements mathématiques et statistiques 7

1.1 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.2 Loi normale quelconque . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 La loi du khi-deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 La loi t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4 La loi F de Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5 Les lois non centrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6 Formes quadratiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2 Comparaison de deux moyennes 29

2.1 Comparaison des moyennes de deux échantillons indépendants . . . . . . . . 29
2.1.1 Variances égales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.2 Variances inégales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.1.3 Méthodes non paramétriques . . . . . . . . . . . . . . . . . . . . . . . 37
2.2 Comparaison des moyennes de deux échantillons non indépendants . . . . . . 38
2.2.1 Principe général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.2 Le test t par paires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.3 Méthodes non paramétriques . . . . . . . . . . . . . . . . . . . . . . . 40
2.3 Exemple (traitement informatique de la comparaison de deux moyennes) . . 40
2.3.1 Importation des données . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3.2 Comparaison graphique des deux sous-populations . . . . . . . . . . . 41
2.3.3 Estimation des statistiques de base par sous-population . . . . . . . . 42
2.3.4 Test de la normalité des données dans chaque population . . . . . . . 43
2.3.5 Test de l’égalité des variances . . . . . . . . . . . . . . . . . . . . . . 43
2.3.6 Test de l’égalité des moyennes . . . . . . . . . . . . . . . . . . . . . . 44

3 Analyse de la variance à un facteur 49

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.1.1 Exemple introductif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.1.2 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.1.3 Un peu de vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3
4 TABLE DES MATIÈRES

3.1.4 Plans équilibrés - Plans déséquilibrés . . . . . . . . . . . . . . . . . . 54

3.1.5 Quelques remarques liminaires . . . . . . . . . . . . . . . . . . . . . . 55
3.2 Modèle à effets fixes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2.2 Équation de l’analyse de variance et tests . . . . . . . . . . . . . . . . 57
3.2.3 Estimations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.2.4 Retour à l’exemple initial . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2.5 Généralisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.3 Modèle à effets aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Méthode non paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4 Validation des hypothèses d’une ANOVA à un facteur 79

4.1 Conditions d’indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2 Condition de normalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.1 Les cœfficients d’asymétrie et d’aplatissement . . . . . . . . . . . . . 82
4.2.2 La droite d’Henry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.2.3 Le test de Shapiro et Wilk . . . . . . . . . . . . . . . . . . . . . . . . 82
4.2.4 Le test de Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . . . . 83
4.3 Condition d’homogénéité des variances . . . . . . . . . . . . . . . . . . . . . 83
4.3.1 Le test de Levene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.3.2 Le test de Brown et Forsythe . . . . . . . . . . . . . . . . . . . . . . 84
4.3.3 Le test de Bartlett . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.4 Résumé et commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5 Un exemple détaillé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

5 Comparaisons multiples 93
5.1 Contrastes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.1.2 Orthogonalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.1.3 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.1.4 Test d’une hypothèse impliquant un contraste . . . . . . . . . . . . . 95
5.2 Comparaisons multiples sous l’hypothèse d’homoscédasticité . . . . . . . . . 96
5.2.1 La méthode de Tukey . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.2.2 La méthode de Tukey-Kramer . . . . . . . . . . . . . . . . . . . . . . 98
5.2.3 La méthode de Scheffé . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.2.4 La méthode de Bonferroni . . . . . . . . . . . . . . . . . . . . . . . . 101
5.2.5 La méthode de rejet séquentiel de Bonferroni et Holm . . . . . . . . . 102
5.3 Un exemple détaillé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

6 Analyse de la variance à deux facteurs 111

6.1 Modèles à effets fixes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.1.1 Modèles sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.1.2 Modèles avec répétition . . . . . . . . . . . . . . . . . . . . . . . . . . 117

Analyse de la variance
c 2015 Michel Carbon
TABLE DES MATIÈRES 5

6.2 Modèles à effets aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

6.2.1 Modèles à effets aléatoires sans répétition . . . . . . . . . . . . . . . . 127
6.2.2 Modèles à effets aléatoires avec répétition . . . . . . . . . . . . . . . . 130
6.3 Modèles à effets mixtes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
6.3.1 Modèles à effets mixtes sans répétition . . . . . . . . . . . . . . . . . 135
6.3.2 Modèles à effets mixtes avec répétitions . . . . . . . . . . . . . . . . . 138

7 Analyse de la variance à deux facteurs emboîtés 149

7.1 Modèles à effets fixes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
7.2 Modèles à effets aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
7.3 Modèles à effets mixtes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158

Analyse de la variance
c 2015 Michel Carbon
6 TABLE DES MATIÈRES

Analyse de la variance
c 2015 Michel Carbon
Chapitre 1

Fondements mathématiques et
statistiques

Ce chapitre sert à présenter brièvement quelques rappels sur la loi normale, la loi du
khi-deux, la loi t de Student et la loi F de Fisher. La connaissance de quelques propriétés
fondamentales de ces lois est indispensable à un traitement statistique rigoureux de l’analyse
de la variance, qui est l’objet de ce cours.

1.1 La loi normale

1.1.1 Loi normale centrée réduite

Définition 1.1.1
La loi normale (ou gaussienne) centrée réduite, notée N (0, 1), est une loi à densité. Cette
densité de probabilité a pour expression :

1 −x2 /2
f (x) = e .
2π

C’est une fonction paire, positive, qui a une forme en cloche, et telle que lim f (x) = 0,
x→±∞
comme on peut le voir sur la figure (1.2). C’est bien une densité de probabilité car :

1. f (x) > 0 pour tout x ∈ R ,

Z +∞
2. f (x) dx = 1 .
−∞

7
8 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

Figure 1.1 – Densité de la loi normale centrée réduite

Le premier point se démontre trivialement. Quant au second, on peut le prouver comme suit :
Z ∞ Z ∞
1 2
f (x) dx = √ e−x /2 dx
−∞ −∞ 2π
sZ
∞ Z ∞
1 −x2 /2 1
= ( √ e dx)( √ e−y2 /2 dy)
−∞ 2π −∞ 2π
sZ Z
∞ ∞
1 −(x2 +y2 )/2
= e dxdy
−∞ −∞ 2π
s
Z 2π Z ∞
1 −r2 /2
= e r drdθ
0 0 2π
s
Z 2π Z ∞
1
= dθ re−r2 /2 dr
0 2π 0
√
= 1 = 1.

Le passage de la ligne 3 à la ligne 4 se fait par un changement de variables polaires :


 x = r cos θ

y = r sin θ


en remarquant que, les domaines s’échangent de R × R ,→ R+ × [0, 2π[, puis que : x2 + y 2 = r2

et en calculant le jacobien de la transformation J = r.

Analyse de la variance
c 2015 Michel Carbon
1.1. LA LOI NORMALE 9

1.1.2 Loi normale quelconque

Définition 1.1.2
Soient µ ∈ R et σ > 0. La loi normale (ou gaussienne) univariée de moyenne µ et de variance
σ 2 , notée N (µ, σ 2 ) est la loi de probabilité admettant pour densité :

(x − µ)2
1 −
f (x) = √ e 2σ 2 x∈R
2πσ
Cette fonction est bel et bien une fonction de densité puisqu’on a :
1. f (x) > 0 pour tout x ∈ R ;
Z ∞
2. f (x)dx = 1.
−∞
Le premier point est trivial. On peut vérifier le deuxième grâce au changement de variable
y = (x − m)/σ dans le calcul aisé ci-dessous :
Z ∞ Z ∞
1 1 x−µ 2
f (x)dx = √ e− 2 ( σ ) dx
−∞ 2πσ
Z−∞∞
1 2
= √ e−y /2 dy
−∞ 2π
= 1,

grâce à la démonstration faite dans le cas de la variable normale centrée réduite.

On rappelle le résultat suivant, très utile en pratique pour le calcul de probabilités concer-
nant les lois gaussiennes.
Théorème 1.1.1
On a :
X −µ
X ∼ N (µ, σ 2 ) ⇐⇒ ∼ N (0, 1) .
σ
La proposition ci-dessous, laissée en exercice, se démontre aisément.
Proposition 1.1.1
Si X est une variable aléatoire de loi N (µ, σ 2 ), alors on :

E(X) = µ et V (X) = σ 2 .

Cela justifie a posteriori l’appellation de normale centrée réduite, et notée N (0, 1).

Théorème 1.1.2
Si X ∼ N (µ, σ 2 ), alors la fonction génératrice des moments (f.g.m) de la variable aléatoire
X est égale à :
2 2
MX (t) = etµ+t σ /2 .

Analyse de la variance
c 2015 Michel Carbon
10 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

Démonstration

MX (t) = E[etX ]
Z ∞
1 1 x−µ 2
= etx √ e− 2 (σ
)
dx
−∞ 2πσ 2
Z ∞
1 2
= et(µ+σy) √ e−y /2 dy
−∞ 2π
Z ∞
1 2 2 2 2 2
= etµ √ e−(y −2tσy+t σ −t σ )/2 dy
−∞ 2π
Z ∞
2 2 1 2 2 2
= etµ+t σ /2 √ e−(y−tσ) /2 dy = etµ+t σ /2
−∞ 2π

On passe de la ligne 2 à la ligne 3 en faisant le changement de variable y = (x − µ)/σ, et en

remarquant que l’intégrale de la ligne 5 vaut 1, car c’est l’intégrale sur R de la densité de la
loi normale de moyenne tσ et de variance 1.
On trouvera ci-dessous les graphes de trois densités de lois normales de variance égale à
1, et avec trois moyennes différentes (0, puis 0.5, puis 1) :

Figure 1.2 – Densités de lois normales réduites

On remarquera que les graphes sont juste translatés l’un de l’autre.

On trouvera ci-dessous les graphes de trois densités de lois normales de moyenne nulle et
d’écarts-types différents (σ = 1, puis 1.2, puis 1.5) :

Analyse de la variance
c 2015 Michel Carbon
1.1. LA LOI NORMALE 11

Figure 1.3 – Densités de lois normales centrées

Théorème 1.1.3
Soient X1 , X2 , · · · , Xn n variables indépendantes telles que Xi ∼ N (µi , σi2 ) pour i = 1, · · · , n.
X n
Soit Y = a0 + ai Xi où a0 , a2 , · · · , an sont des constantes. On a alors :
i=1

n
X n
X
Y ∼ N (a0 + ai µ i , a2i σi2 ) .
i=1 i=1

Calculons la f.g.m. de Y :

MY (t) = E[etY ]

Pn
= E[et(a0 + i=1 ai Xi )
]

n
Y n
Y
ta0 tai Xi ta0
= e E[e ]=e MXi (tai )
i=1 i=1
n
2 a2 σ 2 /2
Y
= eta0 etai µi +t i i

i=1

t{a0 + n
P 2
Pn 2 2
= e i=1 ai µi }+t { i=1 ai σi }/2

n
X n
X
On reconnaît la f.g.m. d’une loi normale de moyenne a0 + ai µi et de variance a2i σi2 .
i=1 i=1

Analyse de la variance
c 2015 Michel Carbon
12 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

Exemple 1.1.1
Soit X ∼ N (µ, σ 2 ). Appliquons le théorème précédent avec n = 1, a0 = −µ/σ et a1 = 1/σ.
X −µ
On obtient alors Z = ∼ N (0, 1), la loi normale standard.
σ
Cette loi joue un rôle primordial en calcul de probabilité. Notons sa densité et sa fonction de
Z z par : φ(·) et Φ(·). Elles sont respectivement définies par : φ(z) =
répartition respectivement
2 √
e−z /2 / 2π et Φ(z) = φ(t)dt.
−∞
Notons qu’il n’y a pas d’expressions explicites pour Φ(·). Ses valeurs numériques sont données
dans des tables qu’on trouve dans presque tous les livres de statistique et probabilité, des
logiciels d’analyses statistiques et certaines calculatrices scientifiques.
Ainsi, on peut calculer numériquement des probabilités du type P (a < X ≤ b), −∞ ≤ a ≤
b ≤ ∞, comme suit :

a−µ b−µ
P (a < X ≤ b) = P ( <Z≤ )
σ σ
b−µ a−µ
= Φ( ) − Φ( )
σ σ

Exemple 1.1.2
Soit {X1 , X2 , · · · , Xn } un échantillon issu d’une loi normale N (µ, σ 2 ), c’est-à-dire n variables
aléatoires i.i.d.
Appliquons le théorème précédent avec a0 = 0 et ai = 1/n pour i = 1, · · · , n.
On obtient alors :
n
1X
X̄ = Xi ∼ N (µ, σ 2 /n) .
n i=1

1.2 La loi du khi-deux

Dans cette section, on définit et on étudie les propriétes élementaires de la loi du khi-deux.

Définition 1.2.1
Soit k un entier strictement positif. On dit qu’une variable aléatoire continue X suit une loi
de khi-deux et on écrit X ∼ χ2k si et seulement si la densité de X s’écrit :

1

 x(k/2)−1 e−x/2 si x ≥ 0
Γ(k/2)2k/2

f (x) = (1.2.1)


 0 sinon
Z ∞
où : Γ(α) = y α−1 e−y dy (appelée fonction gamma). k est appelé le nombre de degrés de
0
liberté de cette loi.

Analyse de la variance
c 2015 Michel Carbon
1.2. LA LOI DU KHI-DEUX 13

Vérifions que la fonction définie par (1.2.1) est bel et bien une densité. Il est évident que
cette fonction est positive. Reste à vérifier que son
Z ∞intégrale vaut 1.
Par définition, pour r > 0, on a : Γ(r/2) = y (r/2)−1 e−y dy. Effectuons le changement
0
de variable y = x/2. Cette dernière intégrale est alors égale à :
Z ∞
x dx
Γ(r/2) = ( )(r/2)−1 e−x/2
0 2 2
Z ∞
1 (r/2)−1 −x/2
= r/2
x e dx .
0 2
On en déduit que : Z ∞
1
x(r/2)−1 e−x/2 dx = 1 ,
0 2r/2 Γ(r/2)
ce qu’il fallait démontrer.
À toutes fins utiles, on rappelle quelques propriétés de la fonction Γ. On a :
Γ(p) = (p − 1)Γ(p − 1) pour p > 0

Γ(p) = (p − 1)! pour p ∈ N∗

√
Γ(1/2) = π .
Proposition 1.2.1
La f.g.m. de la loi du khi-deux à r degrés de liberté est donnée par :
M (t) = (1 − 2t)−r/2 pour t < 1/2 .

Démonstration :
En effet, on a :
M (t) = E[eXt ]
Z ∞
1
= ext x(r/2)−1 e−x/2 dx
0 Γ(r/2)2r/2
∞ x
e− 2 (1−2t) x(r/2)−1
Z
= dx
0 Γ(r/2)2r/2
y
∞
e− 2 y (r/2)−1
Z
= dy = (1 − 2t)−r/2
0 Γ(r/2)2r/2 (1 − 2t)r/2

Le passage de la troisième à la quatrième ligne s’est effectué à l’aide du changement de

variable y = (1 − 2t)x. Cette intégrale ne converge que si 1 − 2t > 0, i.e. si t < 1/2.

Analyse de la variance
c 2015 Michel Carbon
14 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

Proposition 1.2.2
Soient Z ∼ N (0, 1) et X = Z 2 . Alors X ∼ χ21 .

Démonstration :
Calculons la densité fX (x) pour x > 0. Elle est égale à :
d
fX (x) = FX (x)
dx
d
= P (X ≤ x)
dx
d
= P (Z 2 ≤ x)
dx
d √ √
= P (− x ≤ Z ≤ x)
dx
d √ √
= {Φ( x) − Φ(− x)}
dx
d √
= {2Φ( x) − 1}
dx
√ d √
= 2φ( x) { x}
dx
1
= √ e−x/2 .
2πx
On reconnaît alors la densité d’une loi khi-deux à 1 degré de liberté.
On représente dans la figure (1.4) ci-dessous quelques densités de lois du khi-deux.

Théorème 1.2.1
Soient U et V deux variables aléatoires indépendantes telles que U ∼ χ2u et V ∼ χ2v . Alors,
on a : W = U + V ∼ χ2u+v .

Calculons la f.g.m de W :

MW (t) = E[eW t ] = E[e(U +V )t ]

= MU (t)MV (t) grâce à l’indépendance de U et de V

= (1 − 2t)−u/2 (1 − 2t)−v/2 = (1 − 2t)−(u+v)/2 .

On reconnaît la f.g.m de la loi du khi-deux à u + v degrés de liberté.

Analyse de la variance
c 2015 Michel Carbon
1.3. LA LOI T DE STUDENT 15

Figure 1.4 – Densités de lois du khi-deux

Exemple 1.2.1
Soit {X1 , X2 , · · · , Xn } un échantillon issu d’une loi normale N(µ, σ 2 ). Posons :
n
1X
S∗2 = (Xi − µ)2 .
n i=1

D’après la proposition (1.2.2), on a ((Xi − µ)/σ)2 ∼ χ21 pour i = 1, 2, · · · , n.

Et d’après la proposition (1.2.1), on en déduit immédiatement que :
n 2
S2 X

Xi − µ
n ∗2 = ∼ χ2n .
σ i=1
σ

1.3 La loi t de Student

Définition 1.3.1
La loi du t de Student est la loi continue de densité donnée par :

1 Γ((r + 1)/2) 1
f (t) = √ t ∈ R,
rπ Γ(r/2) (1 + t /r)(r+1)/2
2

où r est un entier strictement positif, appelé nombre de degrés de liberté. On écrit T ∼ tr .

Si r = 1, l’espérance de T n’existe pas. Si r > 1, on a E[T ] = 0.

Si r ≤ 2, la variance de T n’existe pas. Si r > 2, on a V ar[T ] = r/(r − 2).

Analyse de la variance
c 2015 Michel Carbon
16 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

Tout comme la loi normale standard N (0, 1), la loi de student tr est symétrique, centrée
et son graphe est en forme de cloche. Lorsque r devient grand, la loi t du Student converge
vers la loi normale standard.

Ci-dessous (voir figure (1.5)) sont tracées quelques densités de lois de Student :

Figure 1.5 – Densités de lois de Student

On observera qu’elles sont toutes centrées, symétriques par rapport à l’axe des y.

Proposition 1.3.1
2
p variables aléatoires indépendantes telles que W ∼ N (0, 1) et V ∼ χr .
Soient W et V deux
Posons : T = W/ V /r. Alors, on a : T ∼ tr

Pour démontrer cette proposition, on effectue le changement de variable :

 p
 t = w/ v/r

u = v.

p
Ce qui nous donne w = t u/r et v = u. La densité bivariée de T et de U s’écrit alors :
r 
u
g(t, u) = φ t fχ2r (u)|J|
r
 √
1 r/2−1 − u
(1+ t2
) u
 √ u e 2 r √ si u ≥ 0


2πΓ(r/2)2 r/2 r
=


0 sinon


Analyse de la variance
c 2015 Michel Carbon
1.4. LA LOI F DE FISHER 17

La densité marginale de T s’obtient alors en intégrant la fonction de densité bivariée :

Z ∞
fT (t) = g(t, u) du
0
Z ∞
1 u t2
= √ u((r+1)/2)−1 e− 2 (1+ r ) du
0 2πrΓ(r/2)2r/2
Z ∞  ((r+1)/2)−1  
1 2z −z 2
= √ e dz
0 2πrΓ(r/2)2r/2 1 + t2 /r 1 + t2 /r
Γ[(r + 1)/2] 1
= √ ,
πrΓ[r/2] (1 + t /r)(r+1)/2
2

t2
 
u
où le passage de la ligne 2 à la ligne 3 se fait par un changement de variable : z = 1+ .
2 r
On reconnaît alors l’expression de la densité d’une loi tr de Student.

1.4 La loi F de Fisher

Définition 1.4.1
La loi F de Fisher est la loi continue de densité donnée par :

Γ((n + m)/2)(n/m)n/2 w(n/2)−1
si w ≥ 0


(n+m)/2

f (w) = Γ(n/2)Γ(m/2) (1 + nw/m)


0 sinon


où n et m sont des entiers strictement positifs appelés nombres de degrés de liberté. On écrit
alors que : W ∼ Fn,m .

Si m ≤ 2, l’espérance de W n’existe pas. Si m > 2, on a E[W ] = m/(m − 2).

2m2 (n + m − 2)
Si m ≤ 3, la variance de W n’existe pas. Si m > 4, on a V ar[W ] = .
n(m − 2)2 (m − 4)
On trouvera ci-dessous quelques densités de lois de Fisher (voir figure (1.6)) et figure (1.7)).

Proposition 1.4.1
Soient U et V deux variables aléatoires indépendantes telles que U ∼ χ2n et V ∼ χ2m . Posons
W = (U/n)/(V /m). Alors, on a : W ∼ Fn,m .

Cette proposition se démontre de la même manière que la proposition 1.3.1.

À partir de la proposition (1.4.1), on déduit que si W ∼ Fn,m , alors 1/W ∼ Fm,n .

Analyse de la variance
c 2015 Michel Carbon
18 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

Figure 1.6 – Densités de lois de Fisher avec d.l.1=5

Figure 1.7 – Densités de lois de Fisher avec d.l.2=5

Exemple 1.4.1
2
Soient {X1 , X2 , · · · Xn } et {Y1 , Y2 , · · · Ym } deux échantillons issus respectivement de lois N (µX , σX )
2
et N (µY , σY ). On suppose que les moyennes théoriques µX et µY sont connues.
2 2
D’après l’exemple (1.2.1), nSX,∗ /σX ∼ χ2n et mSY,∗
2
/σY2 ∼ χ2m .

Analyse de la variance
c 2015 Michel Carbon
1.5. LES LOIS NON CENTRÉES 19

Les échantillons étant indépendants, on a donc :

2 2 2
(SX,∗ /σX )/(SY,∗ /σY2 ) ∼ Fn,m ,

d’après la proposition (1.4.1).

Cette propriété est utilisée pour trouver un intervalle de confiance au niveau 1 − α pour le
2
rapport de variances σX /σY2 , lorsque les moyennes théoriques µX et µY sont connues.
Celui-ci s’écrit alors : " #
2 2
1 SX,∗ 1 SX,∗
2
, 2
,
Fα/2,n,m SY,∗ F1−α/2,n,m SY,∗
où Fγ,r,s est le quantile d’ordre 1 − γ de la loi Fr,s .
Donc si W ∼ Fr,s , Fγ,r,s est la valeur telle que P {W > Fγ,r,s } = γ.
Cette même propriété est utilisée pour tester l’égalité de variances de deux échantillons indé-
2
pendants lorsque les moyennes théoriques sont connues. On rejette l’hypothèse H0 : σX = σY2
si et seulement si 1 n’appartient pas à l’intervalle de confiance ci-dessus, c’est à dire si :
2
SX,∗
2
≥ Fα/2,n,m ,
SY,∗
ou
2
SX,∗
2
≤ F1−α/2,n,m .
SY,∗

1.5 Les lois non centrées

Dans cette section, on introduit les lois du khi-deux et de Fisher non centrées. En analyse
de la variance, certaines statistiques étudiées suivent ces distributions sous l’hypothèse alter-
native, c’est-à-dire lorsque les moyennes ne sont pas toutes égales. Ces distributions servent
alors pour le calcul de la puissance des tests.

Définition 1.5.1
Soient n variables aléatoires indépendantes {X1 , X2 , · · · , Xn } telles que Xi ∼ N (µi , 1) pour
n
X Xn
2
i = 1, · · · , n. Posons Y = Xi . Alors la loi de Y ne dépend que de n et δ = µ2i . Sa
i=1 i=1
tδ
−n/2
f.g.m. est égale à MY (t) = (1 − 2t) e pour t < 1/2. On dit que Y suit une loi non
1−2t

centrée du khi-deux à n degrés de liberté et de paramètre de non-centralité δ.

Calculons la f.g.m de Y . Grâce à l’indépendance des Xi , on a :

n
2
Y
Yt
MY (t) = E[e ] = E[eXi t ]
i=1

Analyse de la variance
c 2015 Michel Carbon
20 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

Pour i = 1, · · · , n et t < 1/2, on a :

Z ∞
Xi2 t 1 2 (x−µi )2
E[e ] = √ ex t e− 2 dx
−∞ 2π
Z ∞ tµ2
1 1 µi 2 i
= √ e− 2 (1−2t)(x− 1−2t ) + 1−2t dx
−∞ 2π
Z ∞r
tµ2
−1/2 1−2ti 1 − 2t − 12 (1−2t)(x− 1−2t
µi
)2
= (1 − 2t) e e dx
−∞ 2π
tµ2
i
= (1 − 2t)−1/2 e 1−2t .

La dernière intégrale ci-dessus est égale à 1 puisqu’on intègre la densité d’une loi normale de
moyenne µi (1 − 2t)−1 et de variance (1 − 2t)−1 sur l’ensemble R. Finalement, on obtient :
tδ
MY (t) = (1 − 2t)−n/2 e 1−2t

Le cas δ = 0 correspond à la loi du khi-deux présentée à la section (1.2). Un calcul de

dérivation nous donne :

MY0 (0) = n + δ et MY00 (0) = n2 + 2n(δ + 1) + δ(δ + 4) .

On peut alors annoncer la proposition suivante :

Figure 1.8 – Densités de lois du khi-deux non centrées avec d.d.l=5

Analyse de la variance
c 2015 Michel Carbon
1.6. FORMES QUADRATIQUES 21

Proposition 1.5.1
La moyenne et la variance d’une loi du khi-deux non-centrée à n degrés de liberté et de
paramètre de non centralité δ sont égales respectivement à n + δ et 2(2δ + n) .

La figure (1.8) précédente représente les densités de différentes lois du khi-deux non-
centrées à 5 degrés de liberté avec des paramètres de non centralité respectives : δ = 0, 2
et 5. À degrés de liberté constants, la figure (1.8) montre que la moyenne et la variabilité
augmentent avec le paramètre δ.

Théorème 1.5.1
Soient U et V deux variables aléatoires telles que U ∼ χ2n (δ) et V ∼ χ2m .
Posons : W = (U/n)/(V /m). Alors W suit une loi F de Fisher décentrée à n et m degrés de
liberté et de paramètre de non centralité δ. On écrit alors W ∼ Fn,m (δ).

Figure 1.9 – Densités de lois de Fisher décentrées avec d.l.1=d.l.2=5

1.6 Formes quadratiques

Dans cette section, on introduit les formes quadratiques aléatoires et on étudie leurs
propriétés. En effet, plusieurs statistiques qui interviennent lors de l’analyse de la variance
peuvent s’écrire comme une forme quadratique aléatoire et les propriétés qui seront présentées
dans cette section nous serviront à identifier les lois et à montrer l’indépendance de ces
statistiques.

Analyse de la variance
c 2015 Michel Carbon
22 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

Définition 1.6.1
Soient n variables indépendantes X = {X1 , X2 , · · · , Xn }. Une forme quadratique en X est
Xn X
une variable aléatoire Q qui peut s’écrire sous la forme Q = aii Xi2 + 2 aij Xi Xj .
i=1 1=i<j=n

En écriture matricielle, soit X = (X1 , X2 , · · · , Xn )T où l’opérateur (·)T désigne le trans-

posé. On a alors Q = XT AX où A est la matrice symétrique de taille n ayant le terme aij à
la ième ligne et j ème colonne.

Exemple 1.6.1
Soit X = {X1 , X2 , · · · , Xn } un échantillon de taille n. Le carré de la moyenne arithmétique
X̄ 2 est une forme quadratique aléatoire en X. En effet, on a :
( n )2 n
2 1 X X 1 2 2 X
X̄ = Xi = X
2 i
+ 2
X i Xj .
n i=1 i=1
n n 1=i<j=n

1
Tous les éléments de la matrice A correspondante sont égaux à 2 . La matrice A s’écrit
n
1 T
alors : A = 2 1n 1n où 1n est le vecteur de taille n dont tous les éléments sont égaux à 1.
n

Exemple 1.6.2
Considérons maintenant la variance de l’échantillon définie par :
n
2 1 X
S = (Xi − X̄)2 .
n − 1 i=1

La statistique (n − 1)S 2 est une forme quadratique aléatoire en X. En effet, on a :

n  2
2
X X1 + X2 + · · · + Xn
(n − 1)S = Xi −
i=1
n
n−1 2 2
= (X1 + X22 + · · · + Xn2 ) − (X1 X2 + X1 X3 + · · · + Xn−1 Xn ) .
n n
Soit B la matrice associée à cette forme quadratique. Tous les élements de la diagonale de
cette matrice sont égaux à (n − 1)/n = 1 − 1/n et tous les élements hors diagonale sont égaux
1
à −1/n. On a alors : B = In − 1n 1n T où In est la matrice identité de taille n.
n

Le théorème suivant énonce les conditions nécessaires et suffisantes pour qu’une forme
quadratique aléatoire suive une loi du Khi-deux.

Analyse de la variance
c 2015 Michel Carbon
1.6. FORMES QUADRATIQUES 23

Théorème 1.6.1
Soit X = (X1 , X2 , · · · , Xn )T un vecteur aléatoire de variables indépendantes telles que Xi ∼
N (µi , σ 2 ) pour i = 1, · · · , n. (de même variance). Soit A une matrice symétrique de taille
n et de rang d, 0 < d ≤ n. Posons Q = XT AX. Alors : Q/σ 2 ∼ χ2d (δ) où δ = µT Aµ/σ 2
et µ = (µ1 , · · · , µn )T si et seulement si la matrice A est idempotente, i.e. si et seulement si
A2 = A.

Dans l’exemple qui suit, on utilise le dernier théorème pour démontrer un résultat classique
de la théorie d’échantillonnage, à partir d’une population normale. Ce résultat nous sera très
utile pour la suite de ce cours.

Exemple 1.6.3
Reconsidérons l’exemple (1.6.2) dans le cas où le vecteur X est un échantillon de taille n issu
d’une loi normale de moyenne µ et de variance σ 2 . Dans ce cas, on a E[X] = µ1n . On a vu
que la statistique Q = (n − 1)S 2 est une forme quadratique et que sa matrice correspondante
1
est égale à B = In − 1n 1T n . On a ici :
n
1 1 1
B2 = In − 1n 1n T + 2 1n 1n T 1n 1n T − 1n 1n T .
n n n
Or on a 1T n 1n = n, donc les deux derniers termes du membre droit de la dernière équation
s’annulent et ainsi : B2 = B.
D’après le théorème précédent, Q/σ 2 = (n − 1)S 2 /σ 2 suit une loi du khi-deux non centrée à d
degrés de liberté et de paramètre δ = (µ2 /σ 2 )1n T B1n où d est égal au rang de la matrice B.
La somme de toutes les colonnes 1n T B de la matrice B est nulle, on a donc δ = 0 et d ≤ n−1.
Les n − 1 premières colonnes de B sont indépendantes donc d = n − 1.

Exemple 1.6.4
Soient {X1 , X2 , · · · , Xn } et {Y1 , Y2 , · · · , Ym } deux échantillons issus respectivement de lois
2
N (µX , σX ) et N (µY , σY2 ).
2 2
D’après l’exemple (1.6.3), on a (n − 1)SX /σX ∼ χ2n−1 et (m − 1)SY2 /σY2 ∼ χ2m−1 .
2 2
Les deux échantillons sont indépendants donc (SX /σX )/(SY2 /σY2 ) ∼ Fn−1,m−1 d’après la pro-
position (1.4.1). Cette propriété est utilisée pour trouver un intervalle de confiance au niveau
2
1 − α pour le rapport de variances σX /σY2 lorsque les moyennes théoriques µX et µY sont
inconnues. Celui-ci s’écrit alors :
2 2
 
1 SX 1 SX
,
Fα/2,n−1,m−1 SY2 F1−α/2,n−1,m−1 SY2

Cette même propriété est utilisée pour tester l’égalité de variances de deux échantillons indé-
2
pendants lorsque les moyennes théoriques sont inconnues. On rejette l’hypothèse H0 : σX =

Analyse de la variance
c 2015 Michel Carbon
24 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

σY2 si et seulement si 1 n’appartient pas à l’intervalle de confiance ci-dessus, c’est-à-dire si

et seulement si :
2
SX
≥ Fα/2,n−1,m−1
SY2
ou
2
SX
≤ F1−α/2,n−1,m−1
SY2

Théorème 1.6.2
Soit X = (X1 , X2 , · · · , Xn )T un vecteur aléatoire de variables indépendantes telles que Xi ∼
N (µi , σ 2 ) pour i = 1, · · · , n. (de même variance). Soient A et B deux matrices symétriques
de taille n et soient Q1 = XT AX et Q2 = XT BX leurs formes quadratiques associées.
Alors : Q1 et Q2 sont indépendantes si et seulement si AB = BA = 0.

Exemple 1.6.5
Reconsidérons les deux exemples (1.6.1) et (1.6.2) dans le cas où le vecteur X est un échan-
tillon de taille n issu d’une loi normale de moyenne µ et de variance σ 2 . On a vu que X̄ 2
1
et (n − 1)S 2 sont des formes quadratiques de matrices associées respectives A = 2 1n 1n T et
n
B = In − n1 1n 1n T . Calculons le produit matriciel AB. On a :

1 1
AB = 2
1n 1n T (In − 1n 1n T )
n n
1 T 1
= 1 n 1 n − 1n 1n T 1n 1n T .
n2 n3
Or 1Tn 1n = n, donc on a : AB = 0. Ainsi, d’après le théorème précédent, les statistiques S
2

et X̄ sont indépendantes.
On vient donc de démontrer un résultat classique en théorie de l’échantillonnage d’une
loi normale. On peut résumer les résultats antérieurs dans la proposition suivante :

Proposition 1.6.1
Soit {X1 , X2 , · · · , Xn } un échantillon issu d’une loi normale N (µ, σ 2 ).
n
X
2
Soient X̄ et S la moyenne et la variance de l’échantillon, respectivement définies par X̄ = Xi /n
i=1
n
X
2
et S = (Xi − X̄)2 /(n − 1). On a alors :
i=1
1. X̄ ∼ N (µ, σ 2 /n) (exemple (1.1.2))
2. (n − 1)S 2 /σ 2 ∼ χ2n−1 (exemple (1.6.3))
3. X̄ et S 2 sont indépendantes (exemple (1.6.5))
p
4. (X̄ − µ)/ S 2 /n ∼ tn−1 (proposition (1.3.1))

Analyse de la variance
c 2015 Michel Carbon
1.6. FORMES QUADRATIQUES 25

Exercices
Exercice 1
La taille moyenne de 500 élèves des petites classes d’un lycée est 1,51 m et l’écart-type
est 0,15 m. On suppose que la taille suit une loi normale.
1. Combien d’élèves ont une taille comprise entre 1,2 m et 1,55 m ?
2. Combien d’élèves mesurent au moins 1,85 m ?
3. Combien d’élèves ont une taille inférieure à 1,28 m ?

Exercice 2
Le diamètre intérieur moyen d’un échantillon de 200 rondelles produites par une machine
est égal à 1,275 cm et l’écart-type à 0,013 cm. L’usage que l’on fait des rondelles nécessite
que le diamètre varie entre des bornes de tolérance de 1,26 cm et 1,29 cm, sinon les rondelles
sont considérées comme défectueuses. Déterminez le pourcentage de rondelles défectueuses
produites par la machine, en supposant que ces diamètres sont de loi normale.

Exercice 3 Z 5
2
Calculez : e−3(x−4) dx .
3

Exercice 4
2
Soit X une variable aléatoire de f.g.m. MX (t) = e3t+8t , définie au voisinage de l’origine.
Calculez : P (−1 < X < 8).

Exercice 5
On suppose que Y suit une loi normale N (µ, σ 2 ), et que Y = ln X. Calculez E(X) et
V (X).

Exercice 6
On suppose que X est une variable aléatoire de loi gaussienne N (1, 4). Calculez la pro-
babilité suivante : P (1 < X 2 < 9).

Exercice 7
1. Calculez l’espérance et la variance d’une variable aléatoire X de loi du khi-deux ayant
pour nombre de degrés de liberté n.

Analyse de la variance
c 2015 Michel Carbon
26 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

2. Calculez l’espérance et la variance d’une variable aléatoire Y de loi uniforme sur [a, b].
3. Déterminez a et b tels que l’espérance et la variance d’une variable aléatoire de loi uni-
forme sur [a, b] coïncident respectivement avec l’espérance et la variance d’une variable
aléatoire d’une loi du khi-deux à 5 degrés de liberté.

Exercice 8
Les statistiques X et S 2 désignent les estimateurs usuels de m et σ 2 pour un échantillon
(X1 , X2 , · · · , Xn ) d’une loi normale N (m, σ).

1. Calculer
√ le coeficient de corrélation ρ entre X et la statistique de Student : T =
n(X − m)
.
S
2. Sachant que, lorsque k → +∞, on a :
 
k+1
Γ
2 1
r   '1− ,
k k 4k
Γ
2 2
donnez une approximation à l’ordre 1 de ρ.

Exercice 9
Soient X1 et X2 deux variables aléatoires indépendantes telles que : X1 et Y = X1 + X2
aient pour lois respectives des lois du χ2r1 et χ2r (avec r1 < r).
Montrez que la loi de X2 est une loi du χ2r−r1 .

Exercice 10
r2
Soit F une variable aléatoire de loi Fr1 ,r2 . Calculez E[F k ] pour tout k < .
2

Exercice 11
Soient X1 et X2 deux variables aléatoires i.i.d. de loi à densité exponentielle de paramètre
1. Quelle est la loi de la variable aléatoire V = X1 /X2 ?

Exercice 12
On considère trois variables aléatoires indépendantes X1 , X2 et X3 toutes de lois du khi-
deux à, respectivement, r1 , r2 et r3 de degrés de liberté.
1. Montrez que Y1 = X1 /X2 et Y2 = X1 + X2 sont indépendantes et que Y2 ∼ χ2r1 +r2 .

Analyse de la variance
c 2015 Michel Carbon
1.6. FORMES QUADRATIQUES 27

2. En déduire que les variables aléatoires (X1 /r1 )/(X2 /r2 ) et (X3 /r3 )/((X1 +X2 )/(r1 +r2 ))
sont indépendantes et suivent chacune la loi de Fisher.

Exercice 13
On considère trois variables aléatoires indépendantes Xi , pour i = 1, 2, 3 et telles que
Xi ∼ N (i, i2 ). À partir de ces trois variables, construire des statistiques ayant pour lois
respectives :
1. χ23
2. t2
3. F1,2 .

Analyse de la variance
c 2015 Michel Carbon
28 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES

Analyse de la variance
c 2015 Michel Carbon
Chapitre 2

Comparaison de deux moyennes

2.1 Comparaison des moyennes de deux échantillons in-

dépendants
On considère deux échantillons indépendants {X1,1 , X1,2 , · · · , X1,n1 } et {X2,1 , X2,2 , · · · , X2,n2 }
formés respectivement de n1 d’observations indépendantes d’une loi normale N (m1 , σ12 ) et
n2 observations indépendantes d’une loi normale N (m1 , σ12 ).

2.1.1 Variances égales

Dans cette première partie, on suppose que les deux populations possèdent la même
variance théorique σ 2 .

Dans ce contexte, on veut tester l’hypothèse H0 : m1 = m2 contre une des hypothèses

6 m2 ou H1 : m1 > m2 ou H1 : m1 < m2 .
alternatives H1 : m1 =

On pose :

n1 n
1
1 X 1 X
X 1,• = X1,i S12 = (X1,i − X 1,• )2
n1 i=1 n1 − 1 i=1

n2 n
2
1 X 1 X
X 2,• = X2,i S22 = (X2,i − X 2,• )2
n2 i=1 n2 − 1 i=1

où X 1,• et X 2,• sont les moyennes théoriques des deux échantillons indépendants, où S12 et
S22 sont des estimateurs non biaisés de σ12 et σ22 respectivement.

29
30 CHAPITRE 2. COMPARAISON DE DEUX MOYENNES

Grâce aux résultats du chapitre précédent, on a successivement :

σ2
X 1,• ∼ N (m1 , ) (2.1.1)
n1
σ2
X 1,• ∼ N (m2 , ) , (2.1.2)
n2
et
n1 − 1 2
S1 ∼ χ2n1 −1 (2.1.3)
σ2
n2 − 1 2
2
S2 ∼ χ2n2 −1 , (2.1.4)
σ
et ces quatre statistiques sont indépendantes. De plus, comme les échantillons sont indépen-
dants, grâce au chapitre 1, on a également :
  
2 1 1
X 1,• − X 2,• ∼ N m1 − m2 , σ + (2.1.5)
n1 n2
n1 + n2 − 2 2 1  2 2
2
S p = (n1 − 1)S1 + (n2 − 1)S2 ∼ χn1 +n2 −2 . (2.1.6)
σ2 σ2
Sp2 est l’estimateur global de la variance calculée en utilisant les deux échantillons globale-
ment :
(n1 − 1)S12 + (n2 − 1)S22 (n1 − 1)S12 + (n2 − 1)S22
Sp2 = = (2.1.7)
(n1 − 1) + (n2 − 1) n1 + n2 − 2
On rappelle qu’on a supposé que les deux variances σ12 et σ22 sont égales.

Variance connue
On suppose que la variance théorique commune aux deux populations est connue. Sous
ces hypothèses, on a :
  
2 1 1
X 1,• − X 2,• ∼ N m1 − m2 , σ +
n1 n2
Ainsi, sous H0 , on a :   
2 1 1
X 1,• − X 2,• ∼ N 0, σ + ,
n1 n2
ce qui s’écrit encore :
X 1,• − X 2,•
Z=s   ∼ N (0, 1) .
1 1
σ2 +
n1 n2

Analyse de la variance
c 2015 Michel Carbon
2.1. COMPARAISON DES MOYENNES DE DEUX ÉCHANTILLONS
INDÉPENDANTS 31
Donc, on rejette H0 contre H1 : m1 6= m2 au seuil (1 − α) si |Z| > Zα/2 .
On rejette H0 contre H1 : m1 > m2 au seuil (1 − α) si Z > Zα .
On rejette H0 contre H1 : m1 < m2 au seuil (1 − α) si Z < Zα .

Cela nous permet également de construire un intervalle de confiance au niveau (1 − α)

pour m1 − m2 :
" s   s  #

1 1
1 1
X 1,• − X 2,• − Zα/2 σ 2 + , X 1,• − X 2,• + Zα/2 σ 2 +
n1 n2 n1 n2

Variance inconnue
En pratique, dans la plupart des cas, on ignore la variance théorique et on doit donc
l’estimer.
La statistique Sp2 , définie en (2.1.7), est un estimateur de σ 2 , tout comme S12 et S22 . En
effet, on a immédiatement :
E[S12 ] = E[S22 ] = E[Sp2 ] .
Intuitivement, Sp2 est un meilleur estimateur que S12 et S22 , car il utilise toute l’information
disponible dans les deux échantillons. On peut aussi vérifier que c’est le meilleur estimateur
sans biais de σ 2 parmi toutes les combinaisons linéaires de S12 et de S22 . Une telle combinaison
linéaire s’écrit sous la forme :
σ̂ 2 = aS12 + bS22 .
Cet estimateur est non biaisé, et donc :

E[σ̂ 2 ] = aE[S12 ] + bE[S22 ] ,

et ainsi :
a + b = 1 ⇐⇒ b = 1 − a .
D’autre part, on a :
V ar[σ̂ 2 ] = a2 V ar[S12 ] + b2 V ar[S22 ]

2σ 4 2σ 4
= a2 + (1 − a)2 ,
n1 − 1 n2 − 1
en utilisant (2.1.3) et (2.1.4) et le fait qu’une v.a.r. U de loi du khi-deux à n degrés de liberté
a pour variance 2n.
On en déduit que :
a2 (1 − a)2
 
2 4
V ar[σ̂ ] = 2σ + .
n1 − 1 n2 − 1

Analyse de la variance
c 2015 Michel Carbon
32 CHAPITRE 2. COMPARAISON DE DEUX MOYENNES

Il est alors aisé, en étudiant la fonction :

a2 (1 − a)2
a 7→ + ,
n1 − 1 n2 − 1
n1 − 1 n2 − 1
de voir qu’elle est minimisée pour a = , ce qui correspond à b = . Le
n1 + n2 − 2 n1 + n2 − 2
σ̂ 2 optimal est donc égal à Sp2 .

Grâce aux résultats du chapitre 1, en utilisant (2.1.5) et (2.1.6), on a :

X 1,• − X 2,•
T =s   ∼ tn1 +n2 −2 . (2.1.8)
1 1
Sp2 +
n1 n2

Donc, on rejette H0 contre H1 : m1 6= m2 au seuil (1 − α) si |T | > tn1 +n2 −2,α/2 .

On rejette H0 contre H1 : m1 > m2 au seuil (1 − α) si T > tn1 +n2 −2,α .
On rejette H0 contre H1 : m1 < m2 au seuil (1 − α) si T < tn1 +n2 −2,α .

On peut aussi en déduire un intervalle de confiance au niveau (1 − α) pour m1 − m2 :

" s   s  #
1 1 1 1
X 1,• − X 2,• − tn1 +n2 −2,α/2 Sp2 + , X 1,• − X 2,• + tn1 +n2 −2,α/2 Sp2 +
n1 n2 n1 n2

Exemple 2.1.1 On a remarqué que la mobilité de travailleurs américains et japonais était

différente dans l’industrie des fabricants de climatiseurs. Les résultats en pourcentages sont
les suivants :

Américains Japonais
7,11 3,52
6,06 2,02
8,00 4,91
6,87 3,22
4,77 1,92

La mobilité entre les Américains et les Japonais est-elle égale à 3,1 comme l’a prétendu une
étude antérieure ? (faire un test avec α = 0, 1)

On a :
32, 812
32, 81 221, 2255 −
x1,• = = 6, 562 , s21 = 5 = 1, 48157 ,
5 5−1

Analyse de la variance
c 2015 Michel Carbon
2.1. COMPARAISON DES MOYENNES DE DEUX ÉCHANTILLONS
INDÉPENDANTS 33
et
15, 592
15, 99 54, 6337 −
x2,• = = 3, 118 , s22 = 5 = 1, 50602 .
5 5−1
On a aussi :
s21 + s22 1, 48157 + 1, 50602
n1 = n2 = 5 , s2p = = = 1, 493795 .
2 2
On cherche à tester :

H0 : m1 − m2 = 3, 1 contre H1 : m1 − m2 6= 3, 1 .

La statistique associée est :

x1,• − x2,• − 3, 1 6, 562 − 3, 118 − 3, 1
tobs = s  =s   = 0, 445 .
1 1 1 1
s2p + 1, 493795 +
n1 n2 5 5

Ona ici : n1 + n2 − 2 = 8 ; α/2 = 0, 05. Une table de loi de Student donne : t8;0,05 = 1, 860.
On rejette donc si : tobs < −1, 86 ou tobs > 1, 86.
Ici, H0 n’est pas rejeté.
N’oublions pas, dans cet exemple, qu’on a supposé que les lois de la mobilité dans chacun des
pays sont gaussiennes, que les variances sont égales, et que les échantillons sont indépendants.

Calcul de puissance
Sous l’hypothèse alternative H1 : m1 6= m2 , la statistique suivante suit une loi normale :
 
 
X − X 2,•  s m1 − m2
s 1,•
 
  ∼N   , 1

1 1  1 1 
Sp2 + Sp2 +
n1 n2 n1 n2

La statistique T définie en (2.1.8) suit alors une loi de Student t à n1 + n2 − 2 degrés de

liberté avec un paramètre de non centralité égal à :
m1 − m2
ν=s  
2
1 1
Sp +
n1 n2

C’est cette dernière loi qui est utilisée pour calculer la puissance du test.

Analyse de la variance
c 2015 Michel Carbon
34 CHAPITRE 2. COMPARAISON DE DEUX MOYENNES

Exemple 2.1.2
On a divisé un ensemble de 20 souris en deux groupes de 10 souris. Chacun de ces deux
sous-groupes a été soumis à une diète différente.
Les données sont les gains de poids des 20 souris après 3 semaines.
On veut tester l’hypothèse nulle que le gain de poids est le même dans chacun des deux
groupes.
Après une transformation logarithmique pour rendre les données normales, on obtient un
test non significatif (p-value=0,1877), avec une différence de moyennes m1 − m2 = −0, 32 et
une variance modifiée : 0,2715.
Quelle taille n doit avoir chaque groupe (supposés de même effectif ) pour que le test
d’égalité des moyennes bialtéral au seuil 5% ait une puissance de 90% ?
On va estimer la différence des moyennes par −0, 32 la variance
√ modifiée par 0, 2715.
Pour un n quelconque, la paramètre de non centralité ν ' −0, 44 × n. La puissance du test
est donc :

γ(n) = P (T2(n−1) (ν) < −t2(n−1),0.975 ) + P (T2(n−1) (ν) > t2(n−1),0.975 ) ,

où Tn (ν) est une variable aléatoire avec une loi t non centrée de paramètre de non centralité
ν et de n degrés de liberté.
Tout ceci est obtenu via les lignes de code R suivantes pour faire des tests et tracer le
graphe de la fonction puissance :
# Données :
grp1 <- c(4,14,7,9,11,7,13,14,12,8)
grp2<- c(5,21,16,23,4,16,13,19,9,21)

# Calcul de statistiques descriptives :

c(mean(grp1),mean(grp2),var(grp1),var(grp2))
c(mean(log(grp1)),mean(log(grp2)),var(log(grp1)),var(log(grp2)))

# Représentations graphiques :
{\color{blue}boxplot(as.data.frame(cbind(grp1,grp2)))
boxplot(as.data.frame(cbind(log(grp1),log(grp2))))

# Test t avec l’échelle logarithmique :

t.test(log(grp1),log(grp2),var.equal=TRUE)

Analyse de la variance
c 2015 Michel Carbon
2.1. COMPARAISON DES MOYENNES DE DEUX ÉCHANTILLONS
INDÉPENDANTS 35
# Calcul de l’estimation combinée :

varm<-(var(log(grp1))+var(log(grp2)))/2

# Calcul de la puissance et son graphe :

nu=(mean(log(grp1))-mean(log(grp2)))/sqrt(2*varm)
pui<-rep(0,51)
for(i in (1:51)){
n<- 9+i
nu<- nu*sqrt(n)
pui[i]<- pt(qt(0.025,df=2*(n-1)),df=2*(n-1),ncp=nu)
+ 1-pt(qt(0.975,df=2*(n-1)),df=2*(n-1),ncp=nu)}
n<-10:60
plot(n,pui,type="l",ylab="Puissance",xlab="taille échantillon n",col="blue")

Figure 2.1 – Puissance du test en fonction de la taille n de l’échantillon

Le graphique (figure(2.1)) de la puissance en fonction de la taille n de l’échantillon montre

qu’une taille n = 56 est nécessaire pour obtenir une puissance de 90% sous les spécifications
proposées.

2.1.2 Variances inégales

Lorsque les variances des deux échantillons ne sont pas égales, et si les effectifs de ces
deux échantillons sont aussi inégaux, la statistique (2.1.8) définie précédemment doit être

Analyse de la variance
c 2015 Michel Carbon
36 CHAPITRE 2. COMPARAISON DE DEUX MOYENNES

modifiée par l’expression suivante :

X 1,• − X 2,•
T0 = r 2 . (2.1.9)
S1 S22
+
n1 n2
Contrairement au test t de Student précédent, le dénominateur n’est pas basé sur une esti-
mation de la variance.
Le calcul du nombre de degré de liberté n1 + n2 − 2 doit être remplacé par une valeur
approchée, définie comme suit :
2
S12 S22

+
n1 n2
ν=
S14 S24
+
n21 (n1 − 1) n22 (n2 − 1)

Cette variante du test t de Student est appelé test de Welch. Le principe de la méthode de
Welch est de tenir compte intégralement du nombre de degrés de liberté de la variance la
plus élevée, et de ne faire internevnir que partiellement le nombre de degrés de liberté de la
variance la plus petite.
On remarquera aussi que, pour des échantillons de même taille, t et t0 sont strictement
équivalents.
Comme dans le test t de Student, on rejette H0 contre H1 : m1 6= m2 au seuil (1 − α) si
0
|T | > t1−α/2 .
On rejette H0 contre H1 : m1 > m2 au seuil (1 − α) si T 0 > t1−α .
On rejette H0 contre H1 : m1 < m2 au seuil (1 − α) si T 0 < t1−α .

Un intervalle de confiance au niveau (1 − α) pour m1 − m2 :

 s s 
2 2 2 2
 X 1,• − X 2,• − t1−α/2 S1 + S2 , X 1,• − X 2,• + t1−α/2 S1 + S2 



n1 n2 n1 n2

Exemple 2.1.3
On s’intéresse à la comparaison de diverses méthodes d’échantillonnage de sols fores-
tiers. Pour cela, on a analysé, d’une part, 20 échantillons de terre prélevés individuellement,
et d’autre part, 10 échantillons moyens obtenus chacun en mélangeant 25 échantillons in-
dividuels. Tous les prélèvements ont été réalisés au hasard et indépendamment les uns des
autres. Les résultats relatifs à la teneur en K2 O exprimée en ppm (parts par million ou, ici,
milligrammes de K2 O par kilogramme de terre sèche)

Analyse de la variance
c 2015 Michel Carbon
2.1. COMPARAISON DES MOYENNES DE DEUX ÉCHANTILLONS
INDÉPENDANTS 37
Échantillons individuels Échantillons moyens
8,0 12,8 9,6
8,4 14,0 10,0
8,8 14,8 10,4
8,8 14,8 10,4
9,2 14,8 10,8
9,2 15,2 10,8
10,0 15,6 10,8
10,4 18,8 11,6
12,0 19,2 12,0
12,4 22,0 12,8
On peut alors aisément calculer les valeurs suivantes :
x1,• = 12, 96 et x2,• = 10, 92

s21 = 15, 9395 et s22 = 0, 9262

On remarque que s21 et s22 sont des estimations respectives des variances pour chaque échan-
tillon, et qu’elles sont visiblement différentes. Le test de Welch s’applique alors :
x1,• − x2,• 12, 96 − 10, 92 2, 04
t0 = r 2 = r = = 2, 1628 ,
s1 s22 15, 9395 0, 9262 0, 9432
+ +
n1 n2 20 10
avec un nombre de degrés de liberté égal à :
 2
15, 9395 0, 926
+
20 10 0, 79134
ν= 2 2 = = 23 .
15, 9395 0, 9262 0, 03343 + 0, 000953
+
7600 900
et P (|T | ≥ 2, 16) = 0, 041 au niveau α = 0, 95 avec 23 degrés de liberté. Au niveau 5%, la
différence est juste significative.

2.1.3 Méthodes non paramétriques

Dans le cas d’échantillons indépendants, sans faire l’hypothèse gaussienne, le test classique
des rangs ou de la somme des rangs, encore appelé test de Mann-Whitney ou test de Wilcoxon.
L’idée est de classer l’ensemble des observations des deux échantillons par ordre croissant,
puis de déterminer les rangs de chacune d’entre elles dans cet ensemble, et enfin de calculer
la somme des rangs relative par exemple au premier échantillon, qui sera noté X1,• .
Pour n1 + n2 ≥ 30, on peut démontrer que :
n1 (n1 + n2 + 1) .p
U = X1,• − n1 n2 (n1 + n2 + 1)/12
2
Analyse de la variance
c 2015 Michel Carbon
38 CHAPITRE 2. COMPARAISON DE DEUX MOYENNES

est approximativement, en valeur absolue, une variable gaussienne centrée réduite.

Pour un test bilatéral au niveau α, on rejettera l’identité des lois des deux échantillons
quand :
P (|U | ≥ uobs ) ≤ α ⇐⇒ uobs ≥ u1−α/2 .
Pour des effectifs plus restreints, X1,• doit être comparé à des valeurs critiques particulières
qu’on peut trouver dans des tables statistiques.
Une correction doit être apportée à chaque fois qu’il y a présence d’ex-æquo communs
aux deux échantillons. Ces ex-æquo sont alors affectés d’un rang égal à la moyenne des rangs
qui reviennent normalement aux différentes valeurs.
D’autres tests existent, comme le test des médianes, qui a pour principe de comparer
entre elles les proportions de valeurs observées des deux échantillons qui sont inférieures ou
supérieures à la médiane de l’ensemble des observations.

2.2 Comparaison des moyennes de deux échantillons non

indépendants
2.2.1 Principe général
D’une manière générale, les tests relatifs aux échantillons gaussiens non indépendants, ou
associés par paires ou couples, sont basées sur le calcul des différences entre les paires ou
couples d’observations.

2.2.2 Le test t par paires

Il s’agit ici encore de tester la même hypothèse nulle :

H0 : m1 = m2 .

Le test t par paires ou par couples est réalisé en calculant les différences :

d1 = x1,1 − x2,1 , · · · , dn = x1,n − x2,n .

n
X
Notons SCEd = (di − d)2 et désignons par tobs la quantité :
i=1

|d| x1,• − x2,•

tobs = r =r
SCEd SCEd
n(n − 1) n(n − 1)
L’hypothèse d’égalité des moyennes doit être rejeté pour un test bilatéral de niveau α lorsque :

P (|t| ≥ tobs ) ≤ α ou tobs ≥ t1−α/2 ,

Analyse de la variance
c 2015 Michel Carbon
2.2. COMPARAISON DES MOYENNES DE DEUX ÉCHANTILLONS NON
INDÉPENDANTS 39
où t suit une loi de Student à n − 1 degrés de liberté.
Cette méthode requiert uniquement que les n couples d’observations constituent un échan-
tillon aléatoire simple et que la population des différences soit gaussienne.
Exemple 2.2.1
Dans une étude relative à l’alimentation du mouton, on a comparé deux méthodes d’ana-
lyse des matières fécales par spectrométrie. Pour cela, on a examiné 30 échantillons de ma-
tières fécales en appliquant sur chacune les deux méthodes d’analyse. Les résultats ci-dessous
sont exprimés en teneurs de lutécium observées.

Table des teneurs en lutécium par deux méthodes d’analyse

Échant. Méth. 1 Méth. 2 Diff. Échant. Méth. 1 Méth. 2 Diff.
1 133 129 4 16 153 150 3
2 131 132 -1 17 125 123 2
3 119 121 -2 18 124 120 4
4 124 124 0 19 127 125 2
5 123 124 -1 20 136 132 4
6 122 122 0 21 131 130 1
7 127 131 -4 22 136 136 0
8 116 116 0 23 123 120 3
9 116 118 -2 24 123 117 6
10 104 101 3 25 122 118 4
11 101 104 -3 26 119 117 2
12 96 97 -1 27 126 120 6
13 96 93 3 28 108 106 2
14 100 97 3 29 124 122 2
15 103 99 4 30 137 136 1

La différence di entre les deux séries d’observations figure également dans le tableau ci-
dessus. Nous comparons les deux méthodes, il y a lieu d’effectuer un test t0 par paires, et non
par un test t standard relatif aux échantillons indépendants.
Les moyennes utilisées sont :
x1,• = 120, 83; x2,• = 119, 33; d = 1, 50
Le test t0 par paires donne les résultats suivants :
1, 50
t0obs = p = 3, 23 et P (|t0 | ≥ 3, 23) = 0, 0031,
187, 5/(30 × 29)
avec 29 degrés de liberté. La différence entre les deux méthodes d’analyse s’avère donc hau-
tement significative, bien que les différences observées di soient relativement petites.
Il était bien entendu hors de question d’appliquer le test classique t des échantillons indé-
pendants car la corrélation entre les deux séries est ici de ρ = 0, 982.

Analyse de la variance
c 2015 Michel Carbon
40 CHAPITRE 2. COMPARAISON DE DEUX MOYENNES

2.2.3 Méthodes non paramétriques

Le test non paramétrique, dans le cas d’échantillons non indépendants, pour des données
continues, est encore ici le test de Wilcoxon, ou test des rangs par paires ou test des rangs
et des signes.
Pour cela, il faut calculer les différences entre les couples d’observations, déterminer les
rangs de ces différences en valeur absolue, et calculer la somme des rangs relatifs aux diffé-
rences négatives ou aux différences positives.
Appelons X− la somme des rangs correspondant aux différences négatives. Pour n ≥ 25,
on peut démontrer que :
n(n − 1) .p
U = X− − n(n + 1)(2n + 1)/24
4
soit une loi normale centrée réduite.
Le rejet de l’hypothèse nulle intervient dans les mêmes conditions que pour les échantillons
indépendants.

Exemple 2.2.2
Reprenons l’exemple des teneurs en lutécium radioactif. La somme des rangs relatifs aux
différences négatives est :
X− = 64
On en déduit que :
p
uobs = |64 − (26 . 27)/4) 26 . 27 . 53/24| = 2, 83

et
P (|U | ≥ 2, 83) = 0, 0047
en considérant que l’effectif est égal à n = 26 après élimination des quatre valeurs nulles.
La différence de moyennes est ici hautement significative, conclusion identique à celle du
test t0 par paires.

2.3 Exemple (traitement informatique de la comparaison

de deux moyennes)
Sous le logiciel R, les étapes seront les suivantes :
1. Importation des données ;
2. Comparaison graphique des deux sous-populations ;
3. Estimation des statistiques de base (moyenne, écart-type, quantiles) par sous-population ;
4. Test de la normalité des données dans chaque population ;

Analyse de la variance
c 2015 Michel Carbon
2.3. EXEMPLE (TRAITEMENT INFORMATIQUE DE LA COMPARAISON
DE DEUX MOYENNES) 41
5. Test de l’égalité des variances ;
6. Test de l’égalité des moyennes.
Nous allons comparer les poids, exprimés en grammes, de poulpes mâles et femelles pêchés
au large des côtes mauritaniennes. On a ici 15 poulpes mâles et 13 poulpes femelles. Le fichier
se nomme "poulpe.cvs".

2.3.1 Importation des données

La ligne de commande d’importation est la suivante :

{\color{blue}don<-read.table("poulpe.csv",header=TRUE,sep=";")}

Le résumé du jeu de données s’obtient via la commande :

summary(don)}

On obtient des statistiques de base :

Poids Sexe
Min. : 300 Femelle:13
1st Qu.:1480 Mâle :15
Median :1800
Mean :2099
3rd Qu.:2750
Max. :5400

On voit que la variable Poids est bien quantitative et que la variable Sexe est bien qualitative.

2.3.2 Comparaison graphique des deux sous-populations

Au départ de toute analyse de ce type, il est toujours intéressant de visualiser les don-
nées. Les boîtes à moustaches permettent de comparer la distribution des Poids dans chaque
modalité de la variable Sexe :

La ligne de commande pour obtenir la boîte à moustaches est :

boxplot(Poids~Sexe,ylab="Poids",xlab="Sexe",data=don, col="lightblue")

La figure (2.2) montre que les mâles sont en général plus lourds que les femelles puisque
médianes et quartiles de poids sont supérieurs chez les mâles.

Analyse de la variance
c 2015 Michel Carbon
42 CHAPITRE 2. COMPARAISON DE DEUX MOYENNES

Figure 2.2 – Boîtes à moustaches pour les deux sous-populations

2.3.3 Estimation des statistiques de base par sous-population

On estime la moyenne, l’écart-type et les quartiles par Sexe.
On remarque ici que l’argument na.rm=TRUE est en fait inutile ici, puisqu’il n’y a pas
de données manquantes :

tapply(don[,"Poids"],don[,"Sexe"],mean,na.rm=TRUE)

Femelle Mâle
1405.385 2700.000

{\color{blue}tapply(don[,"Poids"],don[,"Sexe"],sd,na.rm=TRUE)

Femelle Mâle
621.9943 1158.3547

tapply(don[,"Poids"],don[,"Sexe"],quantile,na.rm=TRUE)

$Femelle
0% 25% 50% 75% 100%
300 900 1500 1800 2400

$Mâle
0% 25% 50% 75% 100%
1150 1800 2700 3300 5400

Analyse de la variance
c 2015 Michel Carbon
2.3. EXEMPLE (TRAITEMENT INFORMATIQUE DE LA COMPARAISON
DE DEUX MOYENNES) 43
2.3.4 Test de la normalité des données dans chaque population
Pour construire le test de comparaison de moyennes, on fait souvent l’hypothèse que
l’estimateur de la moyenne, dans chaque sous-population, suit une loi normale. Cela est
vrai si la distribution des données suit une loi normale, ou si la taille de l’échantillon est
suffisamment grande (en pratique n > 30) grâce au théorème central limite.
Ici les effectifs sont inférieurs à 30. Il faut donc tester la normalité des données dans
chaque sous-population.
On peut utiliser le test de Shapiro-Wilk. Pour tester la normalité des mâles seuls, on
sélectionne les poids des mâles en imposant que la variable Sexe prenne la modalité " Mâle ".
On effectue une sélection des lignes en construisant le vecteur logique select. males. Les
composantes de ce vecteur sont TRUE pour un mâle et FALSE sinon. On construit le test
de Shapiro-Wilk sur les individus de cette sélection :

select.males<-don[,"Sexe"]=="Mâle"}
shapiro.test(don[select.males,"Poids"])}

Shapiro-Wilk normality test

data: don[select.males, "Poids"]

W = 0.935, p-value = 0.3238

La probabilité critique étant supérieure à 5%, on accepte la normalité des poids des mâles.
Pour les femelles, la conclusion est identique.
Quand l’hypothèse de normalité est rejetée, le test d’égalité des moyennes peut être réalisé
avec le test de Wilcoxon (Wilcox.test) ou celui de Kruskal et Wallis (kruskal.test).

2.3.5 Test de l’égalité des variances

Pour comparer les moyennes des deux sous-populations mâle et femelle, il existe deux
types de test : un quand les variances sont inconnues, et l’autre lorsqu’elles sont connues.
Nous devons donc avant tout tester l’égalité des variances :

H0 : σ12 = σ22 contre H1 : σ12 6= σ22 .

La ligne de commandes est la suivante :

var.test(Poids~Sexe,conf.level=0.95,data=don)}

Analyse de la variance
c 2015 Michel Carbon
44 CHAPITRE 2. COMPARAISON DE DEUX MOYENNES

F test to compare two variances

data: Poids by Sexe

F = 0.2883, num df = 12, denom df = 14, p-value = 0.03713
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.09452959 0.92444666
sample estimates:
ratio of variances
0.2883299

La probabilité critique vaut 0, 037. On rejette donc H0 , et on peut considérer les variances
significativement différentes.

2.3.6 Test de l’égalité des moyennes

On utilise pour cela la commande t.test. Comme les variances sont différentes, c’est le
test de Welch qui est ici utilisé. On précise que les variances sont égales grâce à l’argument
var.equal=FALSE.
Si les variances avaient été égales, on aurait utilisé un test de Student avec l’argument
var.equal=TRUE.
Le test construit par défaut est bilatéral (alternative=’two.sided’), mais l’hypothèse al-
ternative H1 pourrait être que les mâles sont plus légers (alternative=’less’) ou plus lourds
(alternative=’greater’).
On considère ici que la modalité de référence est Femelle (première modalité de la variable
Sexe) et on teste l’autre modalité par rapport à celle-ci :

t.test(Poids~Sexe,alternative=’two.sided’,conf.level=0.95,var.equal=FALSE,data=don)

Welch Two Sample t-test

data: Poids by Sexe

t = -3.7496, df = 22.021, p-value = 0.001107
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-2010.624 -578.607
sample estimates:
mean in group Femelle mean in group Mâle
1405.385 2700.000

Analyse de la variance
c 2015 Michel Carbon
2.3. EXEMPLE (TRAITEMENT INFORMATIQUE DE LA COMPARAISON
DE DEUX MOYENNES) 45
La probabilité critique 0, 001 indique que les moyennes sont très significativement différentes.

Exercices
Exercice 1
Deux échantillons indépendants ont été sélectionnés, 130 d’une population 1 et 170 d’une
population 2. Les moyennes calculées sont respectivement : x1,• = 534 et x2,• = 615. Les
écarts-types correspondants sont connus et valent respectivement : σ1 = 25 et σ2 = 30..
1. On suppose dans cette question que : m1 −m2 = −70. Que dire de la loi de X 1,• −X 2,• ?
2. Testez H0 : m1 −m2 = −70 contre H1 : m1 −m2 < −70 au niveau α = 0.01.Interprétez
le résultat de votre test.

Exercice 2
Dans une université, on a mené une étude afin de comparer le nombre moyen d’heures
d’étude passées chaque semaine par des étudiants, en mettant l’accent entre les étudiants
athlètes et les étudiants qui ne le sont pas. Pour cela, un échantillon de 55 étudiants athlètes
a donné une moyenne hebdomadaire d’étude de 20,6 heures et un écart-type de 5,3 heures.
Un second échantillon de 200 non athlètes a, quant à lui, donné une moyenne hebdomadaire
d’étude de 23,5 heures et un écart-type de 4,1 heures.
1. À partir des échantillons observés, peut-on affirmer qu’il y a une différence significative
entre les nombres d’heures d’étude hebdomadaire efectués par les athlètes et ceux qui
ne le sont pas ? (Faites un test au niveau α = 0.01)
2. Construisez un intervalle de confiance à 99% pour m1 − m2 .
3. Est-ce qu’un intervalle de confiance à 95% sera plus étroit ou plus large qu’un intervalle
de confiance à 99% ?

Exercice 3
Un nouveau type de broches a été conçu par un laboratoire dentaire pour les enfants qui
doivent porter des appareils. Les nouvelles broches sont censées être plus confortables, d’un
aspect esthétique amélioré, et censées accélérer le processus de réalignement des dents.
Une expérience a été menée pour comparer les temps nécessaires au bon réalignement des
dents avec les anciennes broches et avec les nouvelles. Une centaine d’enfants a été choisie au
hasard, 50 dans chaque groupe. Un résumé des résultats obtenus est fourni dans le tableau
suivant :

Analyse de la variance
c 2015 Michel Carbon
46 CHAPITRE 2. COMPARAISON DE DEUX MOYENNES

Vieilles broches Nouvelles broches

x̄ 410 jours 380 jours
s 45 jours 60 jours
1. Peut-on conclure, au niveau α = 0, 01, que les vieilles broches doivent être significati-
vement portées plus longtemps que les nouvelles ?
2. Trouvez un intervalle de confiance à 95% pour la différence des temps où les deux types
de broches ont été portés.

Exercice 4
Une chaîne de grands supermarchés s’intéresse à savoir s’il existe une différence de durée
de vie, en jours, entre deux marques de pain : A et B. Deux échantillons de 50 pains de
chaque marque fraîchement cuits ont donné les résultats suivants :
Marque A Marque B
x̄1 =4.1 x̄2 =5,2
s1 =1,2 s2 =1,4
1. Déterminez les hypothèses H0 et H1 nécessaires pour étudier le problème posé.
2. Le test a été mené en utilisant un logiciel statistique. Interprétez les résultats ci-dessous :

z = −4, 218 P − value = 0, 0000

3. Pensez-vous que la vraie probabilité critique ci-dessus est vraiment nulle ?

4. Si m1 et m2 sont les durées de vie des pains de marque respectivement A et B, construi-
sez un intervalle de confiance à 90 % pour m1 − m2 .

Exercice 5
Un fabricant d’amortisseurs d’automobiles s’intéresse à la comparaison de ses amortis-
seurs vis-à-vis de ceux de son plus grand concurrent. Pour cela, chaque fabricant choisit 6
voitures au hasard et des amortisseurs sont montés sur les voitures concernées. Après que
les automobiles aient parcouru 30 000 kms, la résistance aux chocs des amortisseurs a été
mesurée, codée et enregistrée. Les résultats sont les suivants :
Voiture n˚ Fabricant Concurrent
1 8,8 8,4
2 10,5 10,1
3 12,5 12,0
4 9,7 9,3
5 9,6 9,0
6 13,2 13,0

Analyse de la variance
c 2015 Michel Carbon
2.3. EXEMPLE (TRAITEMENT INFORMATIQUE DE LA COMPARAISON
DE DEUX MOYENNES) 47
1. Peut-on conclure à une différence de résistance pour les amortisseurs entre les deux
fabricants après 30 000 kms d’utilisation ? (α = 0, 05)
2. Quelles hypothèses ont été nécessaires pour cette comparaison ?
3. Construire un intervalle de confiance à 95 % de la différence m1 − m2 . Interprétez.

Analyse de la variance
c 2015 Michel Carbon
48 CHAPITRE 2. COMPARAISON DE DEUX MOYENNES

Analyse de la variance
c 2015 Michel Carbon
Chapitre 3

Analyse de la variance à un facteur

3.1 Introduction
3.1.1 Exemple introductif
Un exemple de reproductibilité pour étudier les performances de trois laboratoires relati-
vement à la détermination de la quantité de sodium de lasalocide dans de la nourriture pour
de la volaille.
Une portion de nourriture contenant la dose nominale de 85 mg/kg de sodium de lasalocide
a été envoyée à chacun des laboratoires à qui il a été demandé de procéder à 10 réplications
de l’analyse.
Les mesures de sodium de lasalocide obtenues sont exprimées en mg/kg. Elles sont repro-
duites dans le tableau suivant :

Lab. A Lab. B Lab. C

1 87 88 85
2 88 93 84
3 84 88 79
4 84 89 86
5 87 85 81
6 81 87 86
7 86 86 88
8 84 89 83
9 88 88 83
10 86 93 83

Cette écriture du tableau est dite désempilée., Nous pouvons l’écrire sous forme standard
(empilée), c’est-à-dire avec deux colonnes, une pour la laboratoire et une pour la valeur de
la teneur en sodium de lasalocide mesurée, et trente lignes pour chacune des observations
réalisées.

49
50 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

Essai Laboratoire Lasalocide

1 Laboratoire A 87
2 Laboratoire A 88
3 Laboratoire A 84
4 Laboratoire A 84
5 Laboratoire A 87
6 Laboratoire A 81
7 Laboratoire A 86
8 Laboratoire A 84
9 Laboratoire A 88
10 Laboratoire A 86

Essai Laboratoire Lasalocide

11 Laboratoire B 88
12 Laboratoire B 93
13 Laboratoire B 88
14 Laboratoire B 89
15 Laboratoire B 85
16 Laboratoire B 87
17 Laboratoire B 86
18 Laboratoire B 89
19 Laboratoire B 88
20 Laboratoire B 93

Essai Laboratoire Lasalocide

21 Laboratoire C 85
22 Laboratoire C 84
23 Laboratoire C 79
24 Laboratoire C 86
25 Laboratoire C 81
26 Laboratoire C 86
27 Laboratoire C 88
28 Laboratoire C 83
29 Laboratoire C 83
30 Laboratoire C 83

Remarque 3.1.1 Dans la plupart des logiciels, c’est sous cette dernière forme que sont
saisies et traitées les données. Dans les deux tableaux, nous avons omis les unités de la mesure
réalisée pour abréger l’écriture. Mais en principe, cela doit être indiqué entre parenthèses à
côté de la mesure.

Analyse de la variance
c 2015 Michel Carbon
3.1. INTRODUCTION 51

Remarque 3.1.2 Il va de soi que, lorsque vous rentrez les données dans un logiciel, vous
n’indiquerez pas le mot "Laboratoire" à côté des lettres (A, B, C). Il est juste là pour vous
faciliter la compréhension du tableau.

Définition 3.1.1 Sur chaque essai, on observe deux variables.

1. Le laboratoire. Il est totalement contrôlé. La variable "Laboratoire" est considérée comme
qualitative avec trois modalités bien déterminées : A, B, et C. Nous l’appelons le fac-
teur. Ici, le facteur "Laboratoire" est à effets fixes.
2. La quantité de sodium de lasalocide. La variable "Lasalocide" est considérée comme
quantitative comme généralement tous les résultats obtenus par une mesure. Nous l’ap-
pelons la variable réponse.

La variable mesurée dans un tel schéma expérimental sera notée Y .

Pour les observations, nous utilisons deux indices :
1. le premier indice indique le numéro du groupe dans la population ("Laboratoire") ;
2. le second indice indique le numéro de l’observation dans l’échantillon ("Essai").
Pour le premier indice, nous utiliserons en général l’indice i.
Pour le second indice, nous utiliserons en général l’indice j.
Ainsi, les observations seront notées en général :

yi,j i = 1, · · · , I ; j = 1, · · · , J(I).

Définition 3.1.2 Lorsque les échantillons sont de même taille, à savoir J(i) = I et ce, quel
que soit i, nous disons alors que l’expérience est équilibrée.

Remarque 3.1.3 Si les tailles des échantillons sont différentes, alors elles sont notées par :

ni où i = 1, · · · , I .

Mais ce plan expérimental est à éviter, si possible, parce que les différences qu’il est alors
possible de détecter, sont supérieures à celles du schéma équilibré.

Définition 3.1.3 En se plaçant dans le cas équilibré, nous notons les moyennes de chaque
échantillon par :
J
1X
ȳi,• = yi,j i = 1, · · · , I ,
J j=1
et les variances de chaque échantillon par :
J
1X
s2i (y) = (yi,j − ȳi,• )2 i = 1, · · · , I .
J j=1

Analyse de la variance
c 2015 Michel Carbon
52 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

Remarque 3.1.4 Cette dernière formule exprime la variance non corrigée. Très souvent,
dans les ouvrages ou logiciels, c’est la variance corrigée qui est utilisée : au lieu d’être divisée
par J, la somme est divisée par J − 1.

Après calculs avec le logiciel R, nous avons :

ȳ1,• = 85, 5 ȳ2,• = 88, 6 ȳ3,• = 83, 8

et
s1,c = 2, 224 s2,c = 2, 633 s3,c = 2, 616 .

Le nombre total d’observations est égal à :

n = I × J = 3 × 10 = 30 .

On aimerait savoir, et c’est l’objet de l’analyse de variance, s’il y a une différence pour
les teneurs en sodium de lasalocide entre les trois laboratoires.
Y a-t-il un effet laboratoire sur les teneurs en sodium de lasalocide ?
Voilà la question qui nous intéresse dans ce chapitre, et qui est l’objet principal de l’analyse
de la variance à un facteur.

3.1.2 Objectifs
L’analyse de la variance (ANOVA) est une méthode statistique qui permet d’étudier la
modification de la moyenne µ d’une quantité Y (variable réponse quantitative) selon l’in-
fluence éventuelle d’un ou de plusieurs facteurs d’expérience qualitatifs (traitements ... ).
Dans le cas où la moyenne n’est influencée que par un seul facteur (noté facteur A) , il s’agit
d’une analyse de la variance à un seul facteur ("one way ANOVA"), objet de ce chapitre. Un
facteur A est souvent une variable qualitative présentant un nombre restreint de modalités.
Le nombre de modalités (c’est-à-dire de niveaux) du facteur A sera noté I. On suppose que
Y suit une loi normale N (µi , σ 2 ) sur chaque sous-population i définie par les modalités de
A. L’objectif est ici de tester l’égalité des moyennes de ces populations, à savoir de tester
l’hypothèse nulle :
H0 : µ1 = µ2 = · · · = µI .
contre l’hypothèse alternative :

H1 : ∃ i0 6= i0 tel que µi0 6= µi0 (il existe au moins deux moyennes différentes) .

Pour chaque population i (ou modalité i du facteur A), on dispose d’un échantillon y de
ni observations de la variable réponse Y :

yi,1 , yi,2 , · · · , yi,ni .

Analyse de la variance
c 2015 Michel Carbon
3.1. INTRODUCTION 53

Le modèle s’écrit alors :

Yi,j = µi + εi,j , i = 1, · · · , I , j = 1, · · · , ni ,
où les erreurs εi,j sont des variables aléatoires indépendantes de loi normale N (0, σ 2 ).
On peut également écrire : µi = µ + αi pour tout i = 1, · · · , I. Sous cette forme, µ est
alors appelé effet moyen du facteur A, et αi est appelé effet différentiel de la modalité (ou du
niveau) i du facteur A. Le modèle précédent peut alors s’écrire comme suit :
Yi,j = µ + αi + εi,j , i = 1, · · · , I , j = 1, · · · , ni ,
Ce modèle n’est pas identifiable et il est alors nécessaire d’appliquer une contrainte (linéaire)
pour le rendre identifiable. Par défaut, le logiciel R propose d’imposer α1 = 0. Les comparai-
sons des moyennes sont alors faites par rapport à la moyenne µ1 . La classe de référence est
donc le niveau 1 du facteur A. D’autres contraintes sont envisageables, comme la contrainte :
XI
αi = 0, qui correspond alors à prendre l’effet moyen µ comme référence.
i=1

3.1.3 Un peu de vocabulaire

1. On appelle réponse une variable dont nous cherchons à comprendre le comportement.
Dans ce cours, nous examinerons le cas des réponses quantitatives continues. Une ré-
ponse sera généralement notée Y .
2. On appelle facteur toute variable que nous voulons utiliser pour analyser les variations
de la variable réponse. On notera souvent les différents facteurs par A, B, C, · · · . Dans
le contexte de l’analyse de variance, les facteurs seront considérés comme des variables
qualitatives. Les niveaux ou modalités de chaque facteur seront notés en indexant la
variable correspondante : A1 , · · · , AI si le facteur A possède I modalités.
3. Un modèle statistique est une équation reliant les différentes mesures Yi,j,··· de la variable
réponse Y aux effets des niveaux A1 , · · · , AI , B1 , · · · , BJ , · · · des facteurs A, B, · · · pour
lesquels ont été réalisées ces différentes mesures via une relation fonctionnelle f , et
en modélisant les fluctuations expérimentales à l’aide de variables aléatoires d’erreurs
notées généralement εi,j,··· sur lesquelles on fait un certain nombre d’hypothèses :
Yi,j,··· = f (Ai , Bj , · · · ) + εi,j,···

4. Les modèles associés à l’analyse de variance sont des modèles linéaires. Donc la relation
fonctionnelle f sera tout simplement une somme de termes. Par exemple, si on souhaite
étudier une réponse continue Y à l’aide d’un facteur qualitatif A à effets fixes, avec un
nombre identique J de répétitions effectuées pour chacun des niveaux du facteur. µ est
l’effet moyen sur toute la population du facteur A.
On introduit alors le modèle :
Yi,j = µ + αi + εi,j i = 1, · · · , I ; j = 1, · · · , J.

Analyse de la variance
c 2015 Michel Carbon
54 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

I
X
sous la contrainte αi = 0, où Yi,j est la valeur prise par la variable réponse Y dans
i=1
la condition Ai lors de la j-ème répétition.
Les hypothèses classiques pour les erreurs sont :
(a) εi,j et εk,l sont indépendantes si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I et 1 ≤ j, l ≤ J.
(b) L(εi,j ) = N (0, σ 2 ).
Les µ, α1 , · · · , αI sont les paramètres du modèle. εi,j est parfois appelé terme d’erreur
du modèle. Les hypothèses faites sur les erreurs font partie intégrante de la définition du
modèle. Il faudra donc toujours examiner soigneusement ces conditions, car la validité
des résultats dépend fortement des conditions d’application.

3.1.4 Plans équilibrés - Plans déséquilibrés

Un plan équilibré est un dispositif expérimental comportant au moins un facteur et ayant
un nombre identique de répétitions dans chacune des modalités des facteurs.
Nous conseillons donc, lors de la phase de planification expérimentale, de prévoir d’uti-
liser des plans équilibrés pour l’analyse des effets ou interactions d’un ou plusieurs facteurs
qualitatifs sur une réponse expérimentale modélisée par une variable continue. Ainsi, dans le
cas d’un plan équilibré :
1. Les estimations des paramètres d’un modèle où les facteurs sont à effets fixes seront
aisées à calculer, car on se trouve alors dans une situation dénommée en statistique :
plan d’expérience orthogonal. Cela signifie que, pour estimer l’effet d’un des termes du
modèle, il n’est pas nécessaire d’estimer les effets des autres termes de ce modèle.
2. Lorsqu’on ne dispose d’aucune information a priori sur les résultats possibles de l’ex-
périence, la situation la plus commune consiste à tenter de mettre en évidence une
différence, si elle existe, entre les différents effets.
Il est toujours possible d’utiliser tous les modèles exposés dans ce qui suit dans le contexte
particulier des plans équilibrés lorsqu’en fait le plan est déséquilibré, c’est-à-dire lorsque le
nombre de répétitions varie pour chaque modalité des facteurs.
En aucun cas, il n’est légitime de supprimer des observations pour se ramener à une
situation de plan équilibré.
Deux faits doivent toujours être à l’esprit lorsqu’on se sert de ce type de modèles avec un
plan déséquilibré :
1. L’effet des estimations des différents niveaux des facteurs n’est plus aussi simple que
précédemment, excepté le cas d’un modèle d’analyse de variance à un facteur quand le
plan est dit à effectifs proportionnels. En effet, ces estimations ne sont plus indépen-
dantes.

Analyse de la variance
c 2015 Michel Carbon
3.2. MODÈLE À EFFETS FIXES 55

2. De plus, les lois statistiques des tests que l’on utilise pour tester les différentes hypo-
thèses présentes dans le tableau d’analyse de variance ne sont, dans la plupart des cas,
connues qu’approximativement.

3.1.5 Quelques remarques liminaires

De manière générale, l’analyse de variance (en anglais analysis of variance, ANOVA) a
comme objectif de comparer des ensembles de plus de deux moyennes, en tentant d’identifier
les sources de variation qui peuvent expliquer les différences entre elles.
Pour l’approche inférentielle, l’analyse de variance s’applique dans les mêmes conditions
que le test t de Student, à savoir des populations normales, de même variance, et des échan-
tillons aléatoires simples et indépendants.
On peut également faire les mêmes remarques que pour le test de Student : l’analyse de
variance est en effet assez peu sensible à la non-normalité des populations parents et, pour
des échantillons de mêmes effectifs, à l’inégalité des variances.
Une réserve cependant est à formuler. Si l’analyse de variance est peu sensible à une
éventuelle inégalité des variances dans le cas d’échantillons de mêmes effectifs, il n’en est pas
de même pour le cas d’échantillons n’ayant pas les mêmes effectifs.
On considérera deux types de modèles :
1. Le modèle à effets fixes, qui est le plus classique, a pour objet la comparaison d’un
nombre limité I de populations, pour chacune desquelles peut être prélevé un échan-
tillon.
2. Le modèle à effets aléatoires a trait, à l’inverse, à la comparaison d’une infinité ou
d’un très grand nombre de populations, pour toutes lesquelles il n’est pas possible, en
pratique, de prélever chaque fois un échantillon. Dans ce cas, l’échantillonnage est un
échantillonnage à deux degrés. D’abord, on choisit de façon complètement aléatoire un
nombre réduit I de populations, et ensuite, on choisit un échantillon à l’intérieur de
chacune de ces seules I populations. Bien entendu, on doit être attentif au fait que ces
I populations prises en considération ne sont que l’image de l’ensemble plus vaste de
toutes les populations au sujet desquelles on s’interroge.

3.2 Modèle à effets fixes

Supposons qu’un facteur contrôlé A possède I modalités, chacune d’entre elles étant
notée Ai . Pour chacune des modalités, on effectue J (J ≥ 2) mesures d’une variable réponse
Y supposée continue. Le nombre total de mesures est donc I × J.
On introduit le modèle :

Yi,j = µ + αi + εi,j i = 1, · · · , I ; j = 1, · · · , J , (3.2.1)

Analyse de la variance
c 2015 Michel Carbon
56 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

I
X
sous la contrainte que : αi = 0, où Yi,j est la valeur prise par la variable réponse Y dans
i=1
la condition Ai lors de la j-ème répétition, et où εi,j est le résidu du modèle. Un individu
statistique est donc défini par le couple (i, j). L’analyse de variance revient alors à tester
l’égalité des moyennes dans chaque modalité, c’est-à-dire tester l’égalité des αi à zéro.
On fera les hypothèses importantes suivantes :
1. εi,j et εk,l sont indépendantes si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I et 1 ≤ j, l ≤ J.
2. L(εi,j ) = N (0, σ 2 ).
Nous supposerons que ces conditions d’utilisation sont bien remplies. Nous regroupons les
valeurs que peut prendre la réponse Y dans les conditions Ai lors des J répétitions dans le
tableau suivant :
Facteur A Y
A1 Y1,1 , · · · , Y1,J
.. ..
. .
Ai Yi,1 , · · · , Yi,J
.. ..
. .
AI YI,1 , · · · , YI,J
On notera également µi = µ+αi . Clairement, on a : Yi,j ∼ N (µi , σ 2 ) pour tout i = 1, · · · , I
et j = 1, · · · , J.

3.2.1 Notations
On a observé n = I × J valeurs de la variable Y indexée par deux indices i et j. La
moyenne de ces valeurs par rapport à l’indice i est notée Y•,j . Il s’agit simplement de la
moyenne de valeurs de la j-ème colonne du tableau :
I
1X
Y•,j = Yi,j .
I i=1

La moyenne de ces valeurs par rapport à l’indice j est notée Yi,• . Il s’agit simplement de la
moyenne de valeurs de la i-ème ligne du tableau :
J
1X
Yi,• = Yi,j .
J j=1

La moyenne globale par rapport aux indices i et j est notée Y•,• . Il s’agit simplement de la
moyenne globale du tableau :
I J
1 XX
Y•,• = Yi,j .
I J i=1 j=1

Analyse de la variance
c 2015 Michel Carbon
3.2. MODÈLE À EFFETS FIXES 57

Là aussi, il est aisé d’avoir les lois des éléments ci-dessus. Par exemple : Yi,• ∼ N (µi , σ 2 /J)
et Y•,• ∼ N (µ, σ 2 /n) où n = I × J.

3.2.2 Équation de l’analyse de variance et tests

Alors, la variation totale théorique, ou somme totale des carrés des écarts est égale à :
I X
X J
SCT OT = (Yi,j − Y•,• )2 . (3.2.2)
i=1 j=1

On appelle variation théorique due au facteur A, la quantité :

I
X
SCF = J (Yi,• − Y•,• )2 , (3.2.3)
i=1

et variation résiduelle, la quantité :

I J
!
X X
SCR = (Yi,j − Yi,• )2 (3.2.4)
i=1 j=1

Proposition 3.2.1
On a la décomposition fondamentale de l’analyse de variance suivante :
SCT OT = SCF + SCR . (3.2.5)
Remarquons que : Yi,j − Y•,• = Yi,j − Yi,• + Yi,• − Y•,• . D’où :
I X
X J I X
X J I X
X J
2 2
(Yi,j − Y•,• ) = (Yi,j − Yi,• ) + (Yi,• − Y•,• )2 , (3.2.6)
i=1 j=1 i=1 j=1 i=1 j=1

car le double produit, dans le développement de la somme au carré, vaut zéro. En effet :
I XJ I
" J #
X X X
2 (Yi,j − Yi,• )(Yi,• − Y•,• ) = 2 (Yi,• − Y•,• ) (Yi,j − Yi,• ) .
i=1 j=1 i=1 j=1

J
X
D’autre part, on remarque que : Yi,j = JYi,• par définition de Yi,• . D’où :
j=1

J
X
(Yi,j − Yi,• ) = JYi,• − JYi,• = 0 .
j=1

L’égalité (3.2.6), en utilisant (3.2.2), (3.2.3) et (3.2.4) peut alors s’écrire sous la forme de
la relation fondamentale (3.2.5) de l’ANOVA.

Analyse de la variance
c 2015 Michel Carbon
58 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

Proposition 3.2.2
Sous les hypothèses de normalité et d’égalité des variances, on a :

SCF
∼ χI−1 (δ)
σ2
I
X I
X
avec δ = J (µi − µ)2 = J αi2 .
i=1 i=1

I
X √
Il est facile de voir que SCF = JYi,• 2 −nY•,• 2 . Posons Zi = JYi,• pour i = 1, 2, · · · , I.
i=1
On a alors :
I
√ 2 1 X√
Zi ∼ N ( Jµi , σ ) et Y•,• = JZi .
n i=1

On en déduit que :

I I
X 1 X√
SCF = Zi2
− (√ JZi )2
i=1
n i=1
I √ √
X J 2 X J J
= (1 − )Zi − 2 Zi Zj
i=1
n i<j
n

SCF s’exprime alors comme une forme quadratique en Z = (Z1 , Z2 , · · · , ZI )T .

1
La matrice A associée à cette forme quadratique s’exprime sous la forme A = II − νν T
√ √ √ n
où ν = ( J, J, · · · , J)T .
Calculons A2 . On a ici :

1 T 1
A2 = (II − νν ) × (II − νν T )
n n
1 T 1 T 1
= II − νν − νν + 2 νν T νν T
n n n
I
X √ √
T
On peut remarquer que ν ν = J J = n.
i=1
Donc les deux derniers termes de la partie droite de la dernière équation s’annulent et on
a A2 = A.
D’après un théorème du chapitre 1, SCF /σ 2 suit alors
√ une√loi du khi-deux
√ χ2d (δ) où d est
l’ordre de la matrice A, δ = ξ T Aξ/σ 2 et ξ = E[Z] = ( Jµ1 , Jµ2 , · · · , JµI )T .

Analyse de la variance
c 2015 Michel Carbon
3.2. MODÈLE À EFFETS FIXES 59

L’ordre de la matrice A est égal à I − 1. D’autre part, on a :

1 T T
ξ T Aξ = ξ T ξ − ξ µµ ξ
n
I I
!2
X 1 X
= Jµ2i − Jµi
i=1
n i=1
I
X
= Jµ2i − nµ2
i=1
XI
= J(µi − µ)2
i=1

I
X
D’où δ = J(µi − µ)2 /σ 2 .
i=1

Proposition 3.2.3
Sous les hypothèses usuelles de l’analyse de la variance, on a :
SCR
∼ χ2n−I .
σ2
En effet, posons :
J
1 X
Si2 = (Yi,j − Yi,• )2 .
J − 1 j=1

Pour i = 1, 2, · · · , I, d’après une proposition du chapitre 1, on a (J − 1)Si2 /σ 2 ∼ χ2J−1 . Par

X I X I
2 2 2 2
indépendance des échantillons, SCR /σ = (J −1)Si /σ ∼ χn−I puisque (J −1) = n−I.
i=1 i=1

Proposition 3.2.4
Sous les hypothèses habituelles de l’analyse de la variance, les statistiques SCF et SCR sont
indépendantes et on a :
I
! I
!
SCT X X
2
∼ χ2n−1 J(µi − µ)2 /σ 2 = χ2n−1 J αi2 /σ 2
σ i=1 i=1

Pour i = 1, 2, · · · , I, les statistiques Yi,• et Si2 sont indépendantes d’après une proposition
du chapitre 1. Les statistiques SCF et SCR sont donc indépendantes puisque la première
est une fonction de {Y1,• , Y2,• , · · · , YI,• } et la deuxième est une fonction de {S12 , S22 , !
· · · , SI2 }.
XI
D’après un exercice du chapitre 1 , SCT = SCF + SCR ∼ χn−1 2
J(µi − µ)2 /σ 2 .
i=1

Analyse de la variance
c 2015 Michel Carbon
60 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

Proposition 3.2.5
Sous les hypothèses habituelles de l’analyse de la variance, posons :

SCF /(I − 1)
F = .
SCR /(n − I)
I
!
X
On a alors : F ∼ FI−1,n−I J αi2 /σ 2 .
i=1

Cette dernière proposition est une conséquence directe de la définition d’une loi de Fisher
non centrée. On en déduit alors que
I
X
  I −1+ J(µi − µ)2 /σ 2
SCF /(I − 1) i=1 n−I
E =
SCR /(n − I) I −1 n−I −2

d’après un exercice du chapitre 1.

On peut aussi remarquer que sous l’hypothèse H0 : µ1 = · · · = µI = µ ou, de manière

équivalente H0 : α1 = · · · = αi = 0, on a :
I
X I
X
2 2
J(µi − µ) /σ = J αi2 /σ 2 = 0 .
i=1 i=1

Sous cette hypothèse, les trois statistiques SCT , SCF et SCR suivent des lois du khi-deux
centrées à respectivement n − 1, I − 1 et n − I degrés de liberté.

Test d’égalité des moyennes avec variance connue :

Dans cette section, on élabore le test d’égalité des moyennes

H0 : µ1 = µ2 = · · · = µI

contre
H1 : il existe i 6= j tels que µi 6= µj ,
ce qui est équivalent au test d’hypothèses suivant :

H0 : α1 = α2 = · · · = αI = 0

contre
H1 : Il existe i0 ∈ {1, 2, · · · , I} tel que αi0 6= 0 .

Analyse de la variance
c 2015 Michel Carbon
3.2. MODÈLE À EFFETS FIXES 61

La construction de ce test est basée sur la méthode du rapport des maximums de vraisem-
blance. Lorsque la variance commune σ 2 est connue, la vraisemblance globale s’écrit sous la
forme :
I Y ni
Y 1 (Yij −µi )2
L(µ1 , µ2 , · · · , µI ) = {√ e− 2σ2 }
i=1 j=1 2πσ 2
I ni
2 −N 1 XX
= (2πσ ) 2 exp(− 2 (Yij − µi )2 )
2σ i=1 j=1
L’estimateur du maximum de vraisemblance du vecteur (µ1 , µ2 , · · · , µI ) est (Y1,• , Y2,• , · · · , YI,• ).
Sous H0 , cet estimateur devient (Y•,• , Ȳ•,• , · · · , Y•,• ). Le rapport des vraisemblances s’écrit
alors :
L(Y•,• , Y•,• , · · · , Y•,• )
Λ =
L(Y1,• , Y2,• , · · · , YI,• )
I ni
2 −N 1 XX
(2πσ ) 2 exp(− 2 (Yij − Y•,• )2 )
2σ i=1 j=1
= I ni
−N 1 XX
2
(2πσ ) exp(− 2
2 (Yij − Yi,• )2 )
2σ i=1 j=1
I ni I X ni
1 XX 2
X
= exp{− 2 (Yij − Y•,• ) − (Yij − Yi,• )2 }
2σ i=1 j=1 i=1 j=1
I
1 X
= exp{− 2 ni (Yi,• − Y•,• )2 }
2σ i=1
Le passage de l’avant dernière ligne à la dernière ligne se fait en remarquant que :
X ni
I X X ni
I X I
X
2 2
(Yij − Yi,• ) = (Yij − Y•,• ) − ni (Yi,• − Y•,• )2
i=1 j=1 i=1 j=1 i=1

Cette égalité a été établie lors de la décomposition de SCT en somme SCT = SCF + SCR .
I
1 X
Donc on rejette H0 si le rapport Λ = exp{− 2 ni (Yi,• − Y•,• )2 } est petit, c’est à dire
2σ i=1
I
X
si ni (Yi,• − Y•,• )2 /σ 2 est grand. On reconnaît l’expression de SCF /σ 2 .
i=1

Proposition 3.2.6
Lorsque la variance est connue, on rejette H0 au seuil 1 − α si et seulement si
SCF
> χ2I−1,1−α
σ2
En effet, d’après la section précédente, on a vu que SCF /σ 2 ∼ χ2I−1 sous H0 .

Analyse de la variance
c 2015 Michel Carbon
62 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

Test d’égalité des moyennes avec variance inconnue :

Dans cette section, on élabore le test d’égalité des moyennes
H0 : µ1 = µ2 = · · · = µI
contre
H1 : il existe i 6= j tels que µi 6= µj ,
ce qui est équivalent au test d’hypothèses suivant :
H0 : α1 = α2 = · · · = αI = 0
contre
H1 : Il existe i0 ∈ {1, 2, · · · , I} tel que αi0 6= 0 .
. Sous H0 , la variance est supposée commune à tous les échantillons, mais inconnue. Dans le
paragraphe précédent, si la variance est connue, on a vu qu’on rejette H0 lorsque SCF /σ 2 est
grande . Si σ̂ 2 est un estimateur convenable de σ 2 , il est alors naturel de rejeter H0 lorsque
SCF /σ̂ 2 est grande lorsque la variance est inconnue.
Cherchons alors le "meilleur" estimateur possible pour σ 2 . On sait que pour i = 1, 2, · · · , I,
(ni −1)Si2 ∼ χ2ni −1 et par conséquent E[Si2 ] = σ 2 . Chacun des S12 , S22 , · · · , SI2 est un estimateur
sans biais de σ 2 .
Il est donc naturel de chercher le meilleur estimateur sans biais de σ 2 parmi les combi-
I
X
naisons linéaires de S12 , S22 , · · · , SI2 . Un tel estimateur s’écrit sous la forme σ̃ 2 = ai Si2 . On
i=1
I
X I
X
a alors ; σ 2 = E[σ̃ 2 ] = ai σ 2 . On en déduit que : ai = 1 qu’on peut encore écrire :
i=1 i=1
I−1
X
aI = 1 − (a1 + a2 + · · · + aI−1 ) = 1 − ai .
i=1
I
X
D’autre part var[σ̃ ] =2
a2i var[Si2 ].
i=1
Or, pour i = 1, 2, · · · , I, on a :
Si2
] = var[χ2ni −1 ] = 2(ni − 1).
var[(ni − 1)
σ2
On en déduit que var[Si2 ] = 2σ 4 /(ni − 1) et que :
I
2
X σ4
var[σ̃ ] = 2a2i
i=1
ni − 1
( I−1 )
X a2i (1 − (a1 + a2 + · · · + aI−1 ))2
= 2σ 4 +
i=1
ni − 1 nI − 1

Analyse de la variance
c 2015 Michel Carbon
3.2. MODÈLE À EFFETS FIXES 63

Pour minimiser var[σ̃ 2 ], on la dérive par rapport à (a1 , a2 , · · · , aI−1 ).

Pour i = 1, 2, · · · , I, on a :
 
∂ 2 4 ai 1 − (a1 + a2 + · · · + aI−1 )
var[σ̃ ] = 2σ −
∂ai ni − 1 nI − 1

En égalant cette dérivée à 0 : ∂Var[σ̃ 2 ]/∂ai = 0, on obtient :

a1 a2 aI
= = ··· = .
n1 − 1 n2 − 1 nI − 1
Et comme on doit avoir a1 + a2 + · · · + aI = 1, on en déduit que ai = (ni − 1)/(N − I).
Le meilleur estimateur sans biais s’écrit alors
n
X ni − 1 SCR
σ̃ 2 = Si2 = = SF2 .
i=1
N −I N −I

On rejette alors H0 si SCF /SCR est grand.

Proposition 3.2.7
Lorsque la variance est inconnue, on rejette H0 au seuil 1 − α si et seulement si :
SCF /(I − 1) SF2
F = = 2 > FI−1,n−I,1−α
SCR /(n − I) SR

Ce dernier résultat est une conséquence directe de la proposition 3.2.5.

Les statistiques SF2 et SR2 définies respectivement par SF2 = SCF /(I −1) et SR2 = SCR /(n−
I).
La méthode du rapport de vraisemblances avec variance inconnue donne le même test
que la proposition 3.2.7.

Table de l’analyse de variance :

La relation (3.2.5) s’écrit parfois, de manière équivalente, en utilisant les variances au lieu
des carrés des écarts ; il suffit pour cela de diviser tous les termes par I × J :
I J I J I J
1 XX 2 1 XX 2 1 XX
(Yi,j − Y•,• ) = (Yi,j − Yi,• ) + (Yi,• − Y•,• )2 , (3.2.7)
I × J i=1 j=1 I i=1 j=1 I × J i=1 j=1

qu’on peut noter :

S 2 = SF2 + SR2 , (3.2.8)
appelée formule de l’analyse de la variance, où SF2 représente la variance due au facteur A,
où SR2 représente la variance résiduelle, et S 2 la variance globale.

Analyse de la variance
c 2015 Michel Carbon
64 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

Les diverses quantités (3.2.2), (3.2.3) et (3.2.4) suivent, au facteur multiplicatif σ 2 près,
des lois du khi-deux avec des nombres de degrés de liberté respectifs IJ − 1, I − 1 et IJ − I.
Ceci est résumé dans le tableau suivant :

Source Variations Degrés de liberté Carrés moyens F

SCF SF2
Facteur SCF I −1 SF2 = F =
I −1 SR2
SCR
Résidu SCR IJ − I = I(J − 1) SR2 =
I(J − 1)
2 SCT OT
Total SCT OT IJ − 1 ST =
IJ − 1
On a défini ci-dessus les carrés moyens :
SCF SCR SCT OT
SF2 = ; SR2 = ; ST2 = ,
I −1 I(J − 1) IJ − 1
qui constituent eux aussi des mesures globales de variations.

La liste y des données expérimentales y1,1 , · · · , y1,J , y2,1 , · · · , y2,J , · · · , yI,J permet de construire
une réalisation du tableau précédent :
Facteur A y
A1 y1,1 , · · · , y1,J
.. ..
. .
Ai yi,1 , · · · , yi,J
.. ..
. .
AI yI,1 , · · · , yI,J

La variation due au facteur A observée sur la liste de données y est définie par :
I
X
scF = J (yi,• − y•,• )2 .
i=1

La variation résiduelle observée sur la liste de données y est définie par :

I J
!
X X
scR = (yi,j − yi,• )2
i=1 j=1

Enfin, la variation totale observée sur la liste de données y est égale par :
I X
X J
scT OT = (yi,j − y•,• )2 .
i=1 j=1

Analyse de la variance
c 2015 Michel Carbon
3.2. MODÈLE À EFFETS FIXES 65

La relation fondamentale de l’ANOVA reste valable lorsqu’elle est évaluée sur la liste de
données y :
scT OT = scF + scR .
On peut résumer toutes ces informations dans le tableau d’analyse de variance suivant :

Source Variations Degrés de liberté Carrés moyens F Décision

scF s2F
Facteur scF I −1 s2F = f= H1 ou H1
I −1 s2R
2 scR
Résidu scR n − I = I(J − 1) sR =
n−I
Total scT OT n − 1 = IJ − 1

On souhaite effectuer le test d’hypothèses suivant :

H0 : α1 = α2 = · · · = αI = 0

contre
H1 : Il existe i0 ∈ {1, 2, · · · , I} tel que αi0 6= 0 .
On rappelle que nous sommes dans le cas gaussien et que les variances sont supposées égales.
On montre alors que :
I
J X 2
E (ST2 ) = σ 2 + α
IJ − 1 i=1 i

I
J X 2
E (SF2 ) 2
= σ + α
I − 1 i=1 i

E (SR2 ) = σ 2 .
Clairement, sous H0 , les variables :

SCT OT SCF SCR

χ2T OT = ST2 = ; χ2F = SF2 = ; χ2R = SR2 =
σ2 σ2 σ2
sont des variables aléatoires de lois du khi-deux à respectivement IJ − 1, I − 1 et IJ − I
degrés de liberté, et les deux dernières sont indépendantes.
De plus, le rapport des variables SF2 et SR2 divisées par leur nombre de degrés de liberté
respectifs :

χ2F . χ2R S2
= F2 suit une loi de Fisher-Snedecor F(I − 1, IJ − I) .
I − 1 IJ − I SR

Analyse de la variance
c 2015 Michel Carbon
66 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

SF2
Le test de l’hypothèse nulle nécessite le calcul de la quantité : f = 2 .
SR
Le rejet de l’hypothèse nulle, au niveau α, intervient quand cette dernière quantité est
trop élevée, c’est-à-dire quand :

P (F ≥ f ) ≤ α ou f ≥ F1−α ,

avec une loi de Fischer-Snedecor à I − 1, IJ − I degrés de liberté. Ce test est unilatéral, car
dans tous les cas où H0 est fausse, les valeurs observées f dépassent en moyenne les valeurs
que donnent usuellement les lois F de Fisher-Snedecor.
On concluera donc à l’aide de la probabilité critique, et on rejettera H0 si cette probabilité
est inférieure ou égale au seuil α du test.
Lorsque H0 est rejetée, on peut alors procéder à des comparaisons multiples des différents
effets du niveau du facteur, ce qui sera vu plus loin.

3.2.3 Estimations
Les estimateurs µ̂, α̂1 , · · · , α̂I et σ̂ 2 des paramètres respectifs µ, α1 , · · · , αI et σ 2 du modèle
sont données par :
µ̂ = Y•,• ; α̂i = Yi,• − µ̂ 1≤i≤I

SCR
σ̂ 2 = = SR2 .
IJ − I
Ce sont des estimateurs sans biais. Les estimations obtenues pour une liste de données y,
notées µ̂(y), α̂1 (y),· · · , α̂I (y) et σ̂ 2 (y) des paramètres µ, α1 , · · · , αI et σ 2 du modèle se
déduisent des formules précédentes.
On peut en outre calculer comme suit des intervalles de confiance pour les moyennes des
différentes populations (parmi les I populations) :
s
SR2
Yi,• ± t1−α/2 ,
ni

et aussi pour les différences de moyennes :

s  
1 1
Yi,• − Yi0 ,• ± t1−α/2 SR2 + ,
ni ni0

la variable de Student t étant une variable à n − I degrés de liberté.

Des limites de confiance relatives à la variance σ 2 peuvent également être obtenues selon
les procédures usuelles vues au chapitre précédent, à partir de la somme des carrés résiduels,
ou du carré moyen résiduel, et grâce à la loi du khi-deux à n − I degrés de liberté.

Analyse de la variance
c 2015 Michel Carbon
3.2. MODÈLE À EFFETS FIXES 67

3.2.4 Retour à l’exemple initial

On veut comparer les teneurs en sodium de lasalocide dans la nourriture de volaille, et
ce, pour trois laboratoires.
On cherche à savoir s’il existe ou non, en moyenne, des différences significatives entre
laboratoires.
On suppose que les hypothèses de normalité et d’égalité des variances sont satisfaites.
Il y a 3 modalités, les trois laboratoires.
Après calculs avec le logiciel R, on a déjà calculé les moyennes :

ȳ1,• = 85, 5 ȳ2,• = 88, 6 ȳ3,• = 83, 8 ȳ•,• = 85.97

Appliqué à la première observation du premier laboratoire (y1,1 = 87), le modèle observé

d’analyse de variance s’écrit :

(87 − 85, 97) = (85, 5 − 85, 97) + (87 − 85, 5) ou 1, 03 = −0, 47 + 1, 5 .

L’effet positif de 1,03 entre cette observation particulière et la moyenne générale provient, à
la fois du fait que cette teneur est mesurée dans un certain laboratoire, dont la moyenne est
inférieure de 0,47 par rapport à la moyenne générale, et que cette observation a une teneur
supérieure de 1,5 par rapport à la moyennes de toutes les teneurs observées dans ce même
laboratoire.
Un calcul similaire peut être effectué pour chaque des 30 observations, et en sommant les
carrés des écarts, on aboutit aux trois sommes des carrés des écarts :

SCT OT = (1, 03)2 + · · · , SCF = (−0, 47)2 + · · · , SCR = (1, 5)2 + · · · .

Cela donne le tableau suivant :

On trouvera ci-dessous le tableau d’analyse de variance :

Df Sum Sq Mean Sq F value Pr(>F)

labo 2 118.5 59.23 9.491 0.000756 ***
Residuals 27 168.5 6.24
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Il y a donc une différence significative des moyennes des teneurs en sodium pour les 3 laboratoires.

3.2.5 Généralisation
Pour faire face aux cas pratiques, on peut généraliser au cas où, pour chaque modalité, le nombre
d’observations n’est pas nécessairement le même. On notera ni le nombre d’observations dans la
modalité Ai .

Analyse de la variance
c 2015 Michel Carbon
68 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

Le modèle (3.2.1) reste inchangé, mais, cette fois, sous la contrainte :

I
X
ni αi = 0 ,
i=1

sous les mêmes hypothèses.

On désignera les I moyennes de chaque modalité par :
ni
1 X
Yi,• = Yi,j .
ni
j=1

I
X
En notant n = ni , la moyenne globale est :
i=1

Ii n
1 XX
Y•,• = Yi,j .
n
i=1 j=1

La variation théorique totale ou somme totale des carrés des écarts vaut :
ni
I X
X
SCT OT = (Yi,j − Y•,• )2 . (3.2.9)
i=1 j=1

La variation théorique due au facteur A est :

ni
I X
X
SCF = (Yi,• − Y•,• )2 . (3.2.10)
i=1 j=1

Enfin, la variation résiduelle vaut :

ni
I X
X
SCR = (Yi,j − Yi,• )2 (3.2.11)
i=1 j=1

La relation fondamentale de l’ANOVA est toujours la relation (3.2.5). Les remarques faites dans
le paragraphe 1.2.2 quant aux lois rencontrées, restent valables ici, mutatis mutandis.
Le tableau d’analyse de variance s’écrit alors :

Source Variations Degrés de liberté Carrés moyens F

SCF SF2
Facteur SCF I −1 SF2 = F = 2
I −1 SR
2 SCR
Résidu SCR n−I SR =
n−I
2 SCT OT
Total SCT OT n−1 ST =
n−1

Analyse de la variance
c 2015 Michel Carbon
3.2. MODÈLE À EFFETS FIXES 69

Exemple 3.2.1
On veut comparer des hauteurs moyennes, exprimées en mètres, des arbres de trois types de hê-
traies. On cherche effectivement à savoir s’il existe ou non, en moyenne, des différences significatives
de hauteurs d’arbres entre les trois types de forêts. On suppose que les hypothèses de normalité et
d’égalité des variances sont satisfaites. Les données sont fournies dans le tableau suivant :

Type 1 Type 2 Type 3

23,4 22,5 18,9
24,4 22,9 21,1
24,6 23,7 21,2
24,9 24,0 22,1
25,0 24,4 22,5
26,2 24,5 23,6
26,3 25,3 24,5
26,8 26,0 24,6
26,8 26,2 26,2
26,9 26,4 26,7
27,0 26,7
27,6 26,9
27,7 27,4
28,5

Il y a trois modalités, les trois types de hêtraies. Les valeurs relatives aux 37 endroits où les
mesures de hauteur ont été réalisées, produisent les moyennes respectives :

x1,• = 25, 97 , x2,• = 25, 39 , x3,• = 23, 14 et x•,• = 24, 98 .

Appliqué à la première observation du premier échantillon (x1,1 = 23, 4), le modèle observé
d’analyse de variance s’écrit :

(23, 4 − 24, 98) = (25, 97 − 24, 98) + (23, 4 − 25, 97) ou − 1, 58 = 0, 99 − 2, 57 .

L’effet négatif de 1,58 m entre cette observation particulière et la moyenne générale provient,
à la fois du fait que l’endroit considéré appartient à un certain type de forêt dont la moyenne est
supérieure de 0,99 m par rapport à la moyenne générale, et que cet endroit présente une hauteur
inférieure de 2,57 m, par rapport à la moyenne de toutes les observations relatives à ce même type
de forêt.
Un calcul similaire peut être effectué pour chacun des 36 autres arbres, et, en sommant les carrés
des écarts ainsi obtenus, on aboutit aux trois sommes des carrés des écarts :

SCT OT = (−1, 58)2 + · · · , SCF = (0, 99)2 + · · · , SCR = (−2, 57)2 + · · · .

Cette façon de procéder n’est pas celle suivie habituellement, car on le fait souvent informatique-
ment, mais est utile d’un point de vue didactique pour bien comprendre le mécanisme de l’analyse
de variance.
Le tableau ci-dessous présente la somme des carrés des écarts obtenue de cette manière :

Analyse de la variance
c 2015 Michel Carbon
70 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

Sources de variation Variations Degrés de liberté Carrés moyens

Différences entre types de hêtraies SCF = 48, 88 2 24,44
Différences intra-type SCR = 116, 65 34 3,431
Total SCT OT = 165, 53 36 4,598
À partir du tableau précédent, on obtient alors :
Fobs = 24, 4/3, 431 = 7, 12 et P (F ≥ 7, 12) = 0, 0026 ,
avec 2 et 34 degrés de liberté. L’hypothèse d’égalité des hauteurs moyennes des arbres dans les trois
types de hêtraies doit donc être rejetée, même au niveau 1% : les différences observées entre les trois
types de hêtraies sont hautement significatives.
Les limites de confiance des différences sont, pour un degré de confiance de 95%, et pour les deux
premiers types de forêts :
s  
1 1
25, 97 − 25, 39 ± 2, 032 3, 431 + = 0, 58 ± 1, 45 = −0, 87 et 2, 03m ,
13 14
pour le premier et troisième type de forêts :
s  
1 1
25, 97 − 23, 14 ± 2, 032 3, 431 + = 2, 83 ± 1, 58 = 1, 25 et 4, 41m ,
13 10
et pour les deux derniers types de forêts :
s  
1 1
25, 39 − 23, 14 ± 2, 032 3, 431 + = 2, 25 ± 1, 56 = 0, 69 et 3, 81m .
14 10
Le fait que le premier intervalle de confiance contienne zéro, indique qu’il n’y a pas de différence
significative entre les deux premiers types d’arbres, ce qui était déjà la conclusion à laquelle nous
avions abouti dans un exemple du chapitre précédent.

On peut aussi réaliser cette étude sous R. Les commandes sont les suivantes :
> hetraie<-rep(1:3,c(13,14,10))
> hauteur<-c(23.4,24.4,24.6,24.9,25.0,26.2,26.3,26.8,26.8,26.9,27.0,27.6,27.7,
+ + 22.5,22.9,23.7,24.0,24.4,24.5,25.3,26.0,26.2,26.4,26.7,26.9,27.4,28.5,
+ + 18.9,21.1,21.2,22.1,22.5,23.6,24.5,24.6,26.2,26.7)
> hetraie<-factor(hetraie)
> arbre<-data.frame(hetraie,hauteur)
> modele1<-aov(hauteur~hetraie,data=arbre)
> summary(modele1)
Le tableau d’analyse de variance fourni est le suivant :
Df Sum Sq Mean Sq F value Pr(>F)
hetraie 2 48.88 24.441 7.124 0.00261 **
Residuals 34 116.65 3.431
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
On conclut bien entendu comme ci-dessus.

Analyse de la variance
c 2015 Michel Carbon
3.3. MODÈLE À EFFETS ALÉATOIRES 71

3.3 Modèle à effets aléatoires

L’étude en détail exposée pour le modèle à effets fixes l’a été volontairement, pour pouvoir aller
un peu plus vite pour le modèle à effets aléatoires, et plus tard, pour l’analyse de variance à deux
et plus de deux facteurs.

Exemple 3.3.1
On s’intéresse au niveau en mathématiques des étudiants des cégéps de la région de Québec. On
prend alors un échantillon de 20 finissants de chaque cégep de la région de Québec. On leur fait
passer une épreuve commune, puis on compare les résultats. C’est une expérience à effets fixes. Les
modalités du facteur étudié sont les cégeps de la région de Québec. Ce facteur est fixe.
Supposons maintenant qu’on veuille répondre à la question suivante : Est ce que le niveau en mathé-
matiques est variable d’un cégep à l’autre dans la province de Québec ? Si tel était le cas, on aimerait
mesurer cette variabilité.
Dans un premier temps, on sélectionne un échantillon de cégeps parmi les cégeps de la province ;
ensuite on procède comme avant et on tire au hasard 20 étudiants de chaque cégep (il s’agit d’un
échantillonnage à deux degrés). On s’intéresse autant aux cégeps échantillonnés qu’à ceux qui ne
l’ont pas été, car on veut étudier la variabilité inter-cégeps des compétences en mathématiques. Dans
ce dernier contexte, le facteur cégep est aléatoire.

Comme nous l’avons signalé plus haut, dans le cas du modèle aléatoire, les populations dans
lesquelles les observations sont réalisées, sont choisies au hasard au sein d’un ensemble très vaste.
On admettra donc que les effets des Ai , à savoir les αi , sont des variables aléatoires de loi normale
2.
centrée de variance σA
Le modèle ne dépend plus, cette fois, que de trois paramètres µ, σ 2 et σA2 . Pour chacune des i

modalités, on effectue ni mesures d’une réponse Y qui est une variable continue. On notera encore
XI
n= ni le nombre total de mesures ayant été effectuées.
i=1
Le modèle est le suivant :

Yi,j = µ + αi + εi,j , i = 1, · · · , I ; j = 1, · · · , ni , (3.3.1)

où Yi,j est la valeur prise par la variable réponse Y dans la condition Ai lors de la j-ème répétition.
On suppose que :
2
L(αi ) = N (0, σA ), ∀i, 1 ≤ i ≤ I ,
ainsi que l’indépendance des effets aléatoires :

αi est indépendant de αk si i 6= k et 1 ≤ i, k ≤ I .

On postule également les hypothèses supplémentaires pour les erreurs :

∀ (i, j), 1 ≤ i ≤ I, 1 ≤ j ≤ ni , L(εi,j ) = N (0, σ 2 ) ,

εi,j est indépendant de εk,l si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I, et 1 ≤ j, k ≤ ni ,

Analyse de la variance
c 2015 Michel Carbon
72 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

ainsi que l’indépendance des effets aléatoires et des erreurs :

αi est indépendant de εj,k si 1 ≤ i, j ≤ I, et 1 ≤ k ≤ ni .

Nous supposons que les conditions d’utilisation de ce modèle sont bien remplies ; l’étude de leur
vérification sera étudiée plus loin.
Avec ce modèle, on a : Yi,j ∼ N (0, σA 2 + σ 2 ). On dit alors que σ 2 et σ 2 sont les composantes de
A
la variance. Une partie de la variabilité de Y est expliquée par la variabilité entre les traitements
(σA2 ), l’autre par la variabilité résiduelle (σ 2 ).

On utilise toujours les mêmes quantités SCF , SCR , SCT OT , scF , scR et scT OT introduites à la
section 1.2. La relation fondamentale de l’ANOVA tient toujours :

SCT OT = SCF + SCR .

Dans l’analyse de la variance à un facteur fixe, on considère l’hypothèse :

H0 : α1 = α2 = · · · = αI = 0 .

Cette dernière n’a plus de sens dans le contexte d’une analyse de la variance à un facteur aléatoire
puisque les modalités sont aléatoires. On cherche à tester si le facteur influence la variabilité de la
variable réponse Y . Donc, on souhaite, cette fois, faire le test d’hypothèses suivant :
2 2
H0 : σA =0 contre H1 : σA 6= 0 .

La nullité de la variance des effets Ai implique l’égalité des moyennes de toutes les populations
considérées, et non pas seulement des moyennes des I populations pour lesquelles on dispose d’ob-
servations.
Bien que les deux scénarios soient très différents (entre effets fixes et effets aléatoires), on utilise
la même règle de décision dans les deux cas.
SF2
On rejettera H0 si 2 > FI−1,n−I,1−α .
SR
Le tableau d’analyse de variance suivant résume les informations nécessaires :

Source Variations Degrés de liberté Carrés moyens F

SCF SF2
Facteur SCF I −1 SF2 = F = 2
I −1 SR
2 SCR
Résidu SCR n−I SR =
n−I
2 SCT OT
Total SCT OT n−1 ST =
n−1

Sous l’hypothèse nulle H0 précédente d’absence d’effet du facteur A, et lorsque les conditions
de validité du modèle sont pleinement respectées, F est une variable aléatoire qui suit une loi de
Fisher-Snedecor à I − 1 et n − I degrés de liberté. Nous pouvons alors conclure, à partir d’une

Analyse de la variance
c 2015 Michel Carbon
3.3. MODÈLE À EFFETS ALÉATOIRES 73

réalisation f de F , à l’aide de la p-valeur. On rejette H0 si f inférieure ou égale au seuil α du test,

ou à l’aide d’une table, on rejette H0 si la valeur f est supérieure ou égale à la valeur critique fournie
par la table.
I
!
X .
On note : n0 = n2 − n2i [n(I − 1)].
i=1
Les estimateurs µ̂, 2 , σ̂ 2
σ̂A 2 , σ 2 du modèle sont fournis par les expressions
des paramètres µ, σA
suivantes :
2 1 SCR
= 0 SF2 − SR2
, σ̂ 2 = 2


µ̂ = Y•,• , σ̂A = SR ,
n n−I
SCF 2 = SCR . Ces estimateurs sont sans biais.
où SF2 = et SR
I −1 n−I
Les estimations obtenues pour la liste de données y, sont notées :
2 (y)= 1 s2 − s2 , σ̂ 2 (y)= scR = s2 .


µ̂(y)= y•,• , σ̂A 0 F R R
n n−I

Exemple 3.3.2
On s’intéresse à l’ensemble des prairies d’une région donnée, et on souhaite identifier l’impor-
tance, absolue ou relative, de la variabilité de la production fourragère, d’une part d’une prairie à
l’autre, et d’autre part, d’un endroit à l’autre à l’intérieur des différentes prairies.
Pour cela, on a choisi au hasard trois prairies dans l’ensemble du territoire considéré, puis au
sein de chacune de ces trois prairies, cinq petites parcelles de 2 m2 . En termes d’échantillonnage,
c’est un échantillonnage à deux degrés : le choix des trois prairies constitue trois unités du premier
degré et les 15 petites parcelles de 2 m2 constituent les 15 unités de second degré.
Dans chacune des 15 parcelles, on a mesuré les rendements en matière sèche de fourrage à une
date donnée. Les valeurs en tonnes par hectare sont les suivantes :

Parcelles Prairie 1 Prairie 2 Prairie 3

1 2,06 1,59 1,92
2 2,99 2,63 1,85
3 1,98 1,98 2,14
4 2,95 2,25 1,33
5 2,70 2,09 1,83

Les résultats de l’analyse de variance sont résumés ci-dessous :

Sources de variations Degrés de liberté Variations Carrés moyens F

Différences entre prairies 2 1,3182 0,6591 4,23
Différences entre parcelles 12 1,8711 0,1559
Totaux 14 3,1893

La probabilité de dépasser la valeur 4,23 est égale à 0,041, pour une variable F de loi de Fisher-
Snedecor à 2 et 12 degrés de liberté. Les différences entre prairies doivent donc être considérées
comme juste significatives.

Analyse de la variance
c 2015 Michel Carbon
74 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

3.4 Méthode non paramétrique

Le test non paramétrique le plus couramment utilisé pour comparer I populations est un test
basé sur les rangs. Il est connu sous le nom de test de Kruskal et Wallis.
Le test nécessite le classement de l’ensemble n de toutes les observations par ordre croissant, la
détermination des rangs des différentes observations, le calcul de la somme des rangs Xi,• relative
aux I échantillons, et enfin la détermination de la quantité :
I
X Xi,•
12
χ2obs = − 3(n + 1) .
n(n + 1) ni
i=1

Quand l’hypothèse H0 est vraie, cette quantité observée est approximativement une valeur observée
d’une variable de loi du khi-deux à I − 1 degrés de liberté.
H0 sera rejetée, au niveau α, si (test unilatéral) :
P (χ2 ≥ χ2obs ) ≤ α et χ2obs ≥ χ21−α .
Exemple 3.4.1
On reprend l’exemple de la hauteur des arbres de trois types de hêtraies. Le tableau ci-dessous
reprend les données et les rangs sont indiqués à droite :
Hauteurs Rangs
Type 1 Type 2 Type 3 Type 1 Type 2 Type 3
23,4 22,5 18,9 8 5,5 1
24,4 22,9 21,1 12,5 7 2
24,6 23,7 21,2 16,5 10 3
24,9 24,0 22,1 18 11 4
25,0 24,4 22,5 19 12,5 5,5
26,2 24,5 23,6 23 14,5 9
26,3 25,3 24,5 25 20 14,5
26,8 26,0 24,6 29,5 21 16,5
26,8 26,2 26,2 29,5 23 23
26,9 26,4 26,7 31,5 26 27,5
27,0 26,7 33 27,5
27,6 26,9 35 31,5
27,7 27,4 36 34
28,5 37
Total 316,5 280,5 106

À partir de la somme des rangs, on obtient :

316, 52 280, 52 1062
 
12
χ2obs = + + − 3 × 38 = 9, 32 ,
37 × 38 13 14 10
avec deux degrés de liberté :
P χ2 ≥ 9, 32) = 0, 0095 .
Comme dans l’analyse de variance, le test de Kruskal et Wallis met donc en évidence des différences
très significatives de hauteurs d’arbres entre les trois types de hêtraies.

Analyse de la variance
c 2015 Michel Carbon
3.4. MÉTHODE NON PARAMÉTRIQUE 75

Exercices
Exercice 1
On cherche à étudier l’effet d’un facteur traitement à 6 modalités sur le rendement de blé. Chaque
traitement a été répété sur 4 petites parcelles de 10 mètres carrés.
1. Complétez le tableau d’analyse de la variance suivant :
Source de Somme des carrés Degrés de Carrés fobs
variabilité des écarts liberté moyens
Facteur 72,25 ··· ··· ···
Résiduelle ··· ··· ···
Totale 125,35 ···
2. Quel pourcentage d’explication sur le rendement du blé est dû au traitement ?

Exercice 2
On considère cinq traitements T1 , · · · , T5 contre les boutons de fièvre, dont un est un placebo
(traitement T1 ). Ces traitements ont été administrés au hasard sur trente patients ( six patients
par groupe de traitement). Le délai, exprimé en jours, entre l’apparition des boutons de fièvre et la
cicatrisation complète a été recueilli chez chacun des trente patients, détaillé ci-dessous :
T1 T2 T3 T4 T5
5 4 6 7 9
8 6 4 4 3
7 6 4 6 5
7 3 5 6 7
10 5 4 3 7
8 6 3 5 6
1. Comparez les moyennes des délais de cicatrisation, délais observés sur cinq échantillons indé-
pendants (groupes de traitement).
2. Estimez les différents paramètres du modèle.

Exercice 3
Quinze veaux ont été répartis au hasard en trois lots, les veaux d’un même lot recevant une
alimentation particulière. Les gains de poids, observés au cours d’une même période et exprimés en
kg, sont présentés ci-dessous, une donnée étant manquante :

Alimentation 1 : 42, 1 ; 37, 7 ; 45, 1 ; 43, 1 ;

Alimentation 2 : 45, 2 ; 54, 2 ; 38, 1 ; 48, 3 ; 55, 1 ;
Alimentation 3 : 48, 3 ; 44, 1 ; 56, 9 ; 42, 2 ; 54, 0 .

Peut-on considérer que les différences de moyennes constatées entre les alimentations des trois
lots sont significatives ?

Analyse de la variance
c 2015 Michel Carbon
76 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

Dans l’affirmative, estimez ces différences de moyennes et déterminez-en les limites de confiance
à 95%.

Exercice 4
Une compagnie emploie un grand nombre de représentants, et cherche à savoir lesquels d’entre
eux vendent le mieux, parmi les différentes catégories de représentants : ceux payés strictement à la
commission, ceux avec un salaire fixe, et ceux qui ont un salaire fixe plus une commission. Une étude
des ventes dans cette compagnie, sur le mois précédent, a donné les résultats suivants (résultats des
ventes obtenus en milliers de dollars par chaque représentant) :

Commissionnés Salaires fixes Commission + salaire

425 420 430
507 448 492
450 437 470
483 432 501
466 444
492

1. Estimez les moyennes et les écarts-types pour les trois catégories. Faites une boîte à moustache
pour une meilleure illustration.
2. Est-ce qu’en moyenne, les ventes diffèrent en fonction des trois différentes catégories ?
3. Déterminez un intervalle à 90% pour les ventes de la catégorie des représentants recevant un
salaire plus une commission.

Exercice 5
On a relevé les salaires dans trois quartiers d’une grande ville. Ces trois quartiers sont en grande
partie occupés par trois communautés A, B et C différentes. Le tableau qui suit résume ces salaires
(en milliers de dollars) :

Communauté A Communauté B Communauté C

43,5 73,5 45,5
49,5 62,0 65.4
38,0 47,5 49.4
66,5 36,5 58.7
57,5 44,5 67.4
32,0 56,0 64.8
67,5 68,0 69.4
71,5 63,5 70.5

1. Y a-t-il une différence significative entre les moyennes des salaires dans les trois communautés ?
2. Donnez un intervalle de confiance à 95 % de la différence des moyennes de salaire entre les
deux premières communautés (α = 0, 05).

Analyse de la variance
c 2015 Michel Carbon
3.4. MÉTHODE NON PARAMÉTRIQUE 77

Exercice 6
Pour une étude de santé globale, on s’intéresse à la quantité de gras contenu dans des pièces de
viandes de boeuf. Pour cela, on a sélectionné au hasard quatre supermarchés. Dans chacun d’eux,
on a choisi aléatoirement 4 pièces de boeuf, d’un même poids d’un kilogramme, pour mesurer le
pourcentage de gras dans chacune. Les résultats sont les suivants :

Supermarché A Supermarché B Supermarché C Supermarché D

22 25 30 18
20 27 20 20
23 24 23 17
25 24 27 17

1. De quel type d’échantillonnage s’agit-il ?

2. Peut-on constater, au niveau 5 % une différence significative de pourcentage moyen de gras
entre au moins deux supermarchés ?

Exercice 7
À l’issue d’un test de dégustation, on a recueilli 8 notes mesurant l’acidité ressentie pour chacune
de 4 bières blanches. Ces notes sont rassemblées dans le tableau suivant :
Bière 1 Bière 2 Bière 3 Bière 4
note 1 5 0 5 0
note 2 5 1 6 0
note 3 5 2 6 1
note 4 6 2 7 1
note 5 7 3 8 2
note 6 7 4 9 3
note 7 8 6 10 4
note 8 10 6 10 4

On pourra remarquer que chaque note est évaluée sur une échelle allant de 0 à 10. Par exemple, la
première note accordée à la bière 4 (note de 0) traduit une absence totale d’acidité pour cette bière
La huitième note de la bière 1 (note de 10) traduit au contraire une acidité extrême. Bien entendu,
chaque bière est évaluée par un jury indépendant des autres jurys.
1. Faites des boîtes à moustaches pour illustrer le lien entre l’acidité et la bière.
2. Quelle méthode semble adaptée pour savoir si les bières diffèrent par leur acidité ?
3. Écrire le modèle correspondant.
4. Dressez le tableau d’analyse de la variance correspondant.
5. Proposez un test pour comparer globalement ces bières (hypothèse nulle, hypothèse alterna-
tive, statistique de test, loi de la statistique sous H0 ). Prenez une décision au seuil de risque
α = 1 %.
6. Quel pourcentage de variabilité de la note est expliqué par le facteur bière ?

Analyse de la variance
c 2015 Michel Carbon
78 CHAPITRE 3. ANALYSE DE LA VARIANCE À UN FACTEUR

Analyse de la variance
c 2015 Michel Carbon
Chapitre 4

Validation des hypothèses d’une ANOVA

à un facteur

Dans le modèle standard d’ANOVA vu au chapitre précédent, on a initialement fait quelques

hypothèses. Pour que les résultats de l’analyse alors effectuée soient fiables, il est nécessaire que ces
diverses hypothèses soient vérifiées. En pratique, il faut valider ces hypothèses à l’aide d’outils statis-
tiques. Dans ce chapitre, nous présentons quelques procédures pratiques pour valider les hypothèses
sous-jacentes d’une analyse de variance, qui sont rappelées ci-dessous :
Les résidus êi,j sont associés, sans en être des réalisations, aux variables erreurs εi,j qui sont
inobservables et satisfont aux 3 conditions suivantes :
1. Elles sont indépendantes ;
2. Elles ont même variance σ 2 inconnue. C’est la condition d’homogénéité ou d’homoscédasticité ;
3. Elles sont de loi gaussienne.

Remarque 4.0.1
Ces trois conditions se transfèrent immédiatement sur les variables aléatoires Yi,j .

Nous étudions les possibilités d’évaluer la validité des trois conditions que nous avons supposées
satisfaites.

4.1 Conditions d’indépendance

Il n’existe pas, dans un contexte général, de test statistique simple permettant d’étudier l’indé-
pendance. Ce sont les conditions de l’expérience qui nous permettront d’affirmer que nous sommes
dans le cas de l’indépendance.
Dans une analyse de variance à un facteur, l’expérience est complètement faite au hasard, au sens
où les unités expérimentales sont réparties au hasard entre les modalités du facteur à l’étude. Souvent
une bonne planification de l’expérience fait en sorte que les hypothèses de base sont respectées.
Dans une expérience qui compare deux diètes pour des rats, on suppose que les 20 rats de
l’expérience sont tous ensemble dans une grande cage. Dix rats recevront la diète 1 et les dix autres
rats la diète 2. Supposons également que l’on dispose de 20 cages individuelles.

79
 CHAPITRE 4. VALIDATION DES HYPOTHÈSES D’UNE ANOVA À UN
80 FACTEUR
Planification 1 : On pourrait prendre les dix premiers rats de la grosse cage du début, et
les mettre dans des cages individuelles pour la diète 1. Les 10 restants seraient alors associés à la
deuxième diète. L’effet diète est donc ici confondu avec l’ordre de sortie de la cage de départ. Ce
sont peut-être les rats les plus actifs qui sont sortis en premier. Ainsi les 2 échantillons ne sont pas
nécessairement identiques au début de l’expérience.
Planification 2 : On utilise un tirage au hasard. Pour ce faire, on permute au hasard dix "1"
et dix "2".
Les instructions R pour faire cela sont :

sample(c(rep(1,10),rep(2,10)),20,replace=FALSE)
[1] 2 1 1 1 1 2 2 1 1 2 2 1 1 1 2 2 1 2 2 2

Le résultat fournit l’assignation de chacun des rats : le premier tiré reçoit la deuxième diète ; ceux
tirés en positions 2 à 5 reçoivent la diète 1 ; les positions 6 et 7 reçoivent la diète 2, etc...
Une bonne planification cherche à faire en sorte que les I échantillons soient le plus semblable
possible. Si une expérience est mal planifiée, l’interprétation d’un résultat significatif peut être
problématique. Il est peut-être causé par une planification déficiente. Dans l’expérience sur les rats,
ceux choisis en premier pourraient être plus en forme. C’est peut-être la raison pour laquelle les deux
échantillons ont des moyennes différentes.
Si on soupçonne qu’un facteur auxiliaire a un impact sur le résultat d’une expérience, on peut
incorporer ce facteur dans la planification pour s’assurer que les échantillons soient bien ”balancés“
pour ce facteur. Ce facteur auxiliaire est appelé bloc. Le schéma expérimental est appelé un schéma
aléatoire avec blocs.
Il faut aussi veiller à ce que les I échantillons soient indépendants les uns des autres.
Dans la plupart des situations, la réponse à cette question dépend de la façon avec laquelle on a ré-
colté les données. L’indépendance des échantillons, appelée aussi indépendance inter-échantillonnale,
est donc une conséquence directe du scénario de l’échantillonnage. Une situation standard dans la-
quelle cette hypothèse est violée, est le cas de données appariées, c’est-à-dire lorsque chaque obser-
vation dans un échantillon est reliée à une observation dans chacun des autres échantillons.

Exemple 4.1.1 Un chercheur en sciences médicales veut comparer deux médicaments pour réduire
le taux de glycémie chez les personnes âgées. Il prend des couples de personnes âgées et administre
à chacun des deux membres du couple un des deux médicaments. Les données ainsi récoltées ne sont
clairement pas indépendantes puisque les données d’un couple sont reliées entre elles. En effet, le
couple partage le quotidien, et il se peut qu’un couple fasse très attention à son alimentation alors
qu’un autre couple non, ou peu d’attention.

Les observations sont-elles identiquement distribuées à l’intérieur de chaque échantillon ?

Ici encore, c’est le plan d’expérience qui permet de répondre à cette question. Une situation
standard pour laquelle cette hypothèse n’est pas vérifiée est par exemple lorsque les données sont
obtenues séquentiellement dans le temps : d’abord Yi1 , puis Yi2 , ensuite Yi3 , etc... Lorsque la loi des Yij
évolue dans le temps, les données ne sont généralement pas identiquement distribuées. Pour détecter
cette situation, on peut effectuer un graphe de {Yi1 , Yi2 , · · · , Yini } en fonction de j = 1, 2, · · · , ni pour

Analyse de la variance
c 2015 Michel Carbon
4.2. CONDITION DE NORMALITÉ 81

i = 1, 2, · · · , I. Si ce graphe montre une tendance quelconque, on peut penser que cette hypothèse
n’est pas vérifiée.

Est-ce que les observations sont indépendantes les unes des autres à l’intérieur de chaque échan-
tillon ?

Encore une fois, c’est le schéma expérimental qui rend cette hypothèse raisonnable. Le cas où les
données sont récoltées séquentiellement soulève un doute concernant la véracité de cette hypothèse.
En effet, il se peut que les données soient autocorrélées, c’est-à-dire que Yij soit corrélée avec Yi(j+1) .
On peut détecter cette situation en traçant le nuage de points (Yij , Yi,j+1 ) pour j = 1, 2, · · · , ni − 1,
ou en calculant les coefficients d’autocorrélation. Pour pouvoir répondre positivement à la question,
le nuage de points ne doit montrer aucune tendance et les autocorrélations ne doivent pas être
significativement différentes de 0.

4.2 Condition de normalité

L’hypothèse de normalité est cruciale pour l’analyse de la variance. En pratique, la validation
de cette hypothèse est une étape importante lors de l’analyse.

Nous ne pouvons pas, en général, la tester pour chaque échantillon. En effet le nombre d’obser-
vations est souvent très limité pour chaque échantillon. Nous allons donc la tester sur l’ensemble
des données. D’où la nécessité de ramener toutes les observations à la même échelle pour avoir une
population homogène sur laquelle on va effectuer les différents tests de normalité.

Notons, pour tout i ∈ I :

µi = µ + α i .

Pour i = 1, 2, · · · , I, on a Yij ∼ N (µi , σ 2 ). D’où :

εi,j = Yi,j − µi ∼ N (0, σ 2 )

Donc la loi des εi,j est identique pour toutes les unités.

Les moyennes µi sont inconnues. On va alors les estimer par les estimateurs :

ni
1 X
Yi,• = Yi,j pour tout i ∈ I .
ni
j=1

Nous obtenons alors les estimations yi,• . On en déduit les résidus, notés êi,j . Les résidus s’expriment
par :
êi,j = yi,j − yi,• i = 1, · · · I ; j = 1, · · · , ni ..

Les résidus peuvent s’interpréter comme des estimations des erreurs de mesure.

Définissons les résidus eij par : Yij − µi . On a alors eij ∼ N (0, σ 2 ), résidus estimés ci-dessus.

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 4. VALIDATION DES HYPOTHÈSES D’UNE ANOVA À UN
82 FACTEUR
4.2.1 Les cœfficients d’asymétrie et d’aplatissement
On peut déjà examiner les coefficients d’asymétrie et d’aplatissement.
Le cœfficient d’asymétrie (skewness) de l’échantillon {X1 , . . . , Xn } est donné par :
n
1X
(Xi − X)3
n
i=1
g1 = !3/2 .
n
1X
(Xi − X)2
n
i=1

Certains logiciels calculent plutôt un estimateur corrigé pour le biais :

p
n (n − 1)
G1 = g1 .
n−2
Le cœfficient d’aplatissement (kurtosis) est donné par :
n
1X
(Xi − X)4
n
i=1
g2 =
n
!2 − 3.
1X
(Xi − X)2
n
i=1

Certains logiciels calculent un estimateur corrigé pour le biais. La valeur théorique de ces deux
statistiques est nulle lorsque les données sont normales.

4.2.2 La droite d’Henry

Ce test purement visuel est basé sur le nuage de n points (Φ−1 (i/(n+1)), X(i) ), où {X(1) , · · · , X(n) }
est l’échantillon de statistiques d’ordre obtenu en ordonnant l’échantillon initial.
En effet, si l’échantillon {X1 , X2 , · · · , Xn } provenait d’une loi normale, on aurait F (·) = Φ(·) et
Φ(X(i) ) ' F̂ (X(i) ) = i/n qu’on peut écrire encore Φ−1 [i/n] ' X(i) .
Le nuage de points sera aligné globalement alors sur une droite. On utilise i/(n + 1) à la place
de i/n pour éviter Φ−1 (0), qui n’existe pas.

4.2.3 Le test de Shapiro et Wilk

Ce test est une approche plus approfondie du test précédent. Supposons que le nuage de points
{X(i) , Φ−1 [i/(n + 1)]} soit aligné sur une droite, alors le cœfficient de corrélation défini par
n
X
(ui − ū)(vi − v̄)
r = v i=1
u n n
uX X
t (ui − ū)2 (vi − v̄)2
i=1 i=1

Analyse de la variance
c 2015 Michel Carbon
4.3. CONDITION D’HOMOGÉNÉITÉ DES VARIANCES 83

où ui = X(i) et vi = Φ−1 [i/(n + 1)], ne sera pas loin de 1.

Ceci équivaut à dire que r2 ne sera pas loin de 1. On rejette alors la normalité si r2 est loin de
1. Il existe des tables pour la distribution de r2 sous H0 . Ces tables nous servent à calculer la valeur
critique à un seuil donné, par exemple à 5% et à calculer la valeur critique (p − value) associée à un
jeu de données.

4.2.4 Le test de Kolmogorov-Smirnov

Le test de Kolmogorov-Smirnov est basé sur une distance entre la fonction de répartition empi-
rique F̂ (·) et la fonction de répartition qu’on veut tester, ici Φ(·).
Si l’échantillon {X1 , X2 , · · · , Xn } provient d’une loi normale, on devrait avoir F̂ (t) ' Φ(t) pour
tout réel t.
En particulier, la statistique D définie par

D = sup |F̂n (t) − Φ(t)|

t∈R

doit être petite.

Le test de Kolmogorov-Smirnov consiste donc à rejeter la normalité si la statistique D est trop
grande. Il existe des tables pour la loi D sous H0 . Ces tables nous servent à calculer la valeur critique
à un seuil donné, par exemple à 5% et à calculer la valeur critique (p − value) associée à un jeu de
données.

4.3 Condition d’homogénéité des variances

La vérification de l’hypothèse d’homogénéité des variances est une étape importante lors de la
réalisation d’une ANOVA. Il existe dans la littérature plusieurs procédures pour effectuer le test
H0 : σ12 = σ22 = · · · = σI2 contre H1 : les variances ne sont pas toutes égales.
Cependant, plusieurs de ces tests requièrent la normalité ou l’égalité des tailles des échantillons
(n1 = n2 = · · · = nI ). Dans ce chapitre, on présente les tests les plus utilisés dans la pratique.

4.3.1 Le test de Levene

Le test de Levene date du début des années soixante. Il a pour principe de calculer séparément
pour les différents échantillons, les écarts par rapport aux moyennes, et de soumettre les valeurs
absolues de ces écarts à l’analyse de la variance à un facteur. L’hypothèse d’égalité des moyennes
des valeurs absolues des écarts, qui est testée par l’analyse de la variance, est alors considérée comme
équivalent à l’hypothèse d’égalité des variances. Cette méthode a l’avantage d’être plus robuste que
les tests de Bartlett et Hartley. Elle n’est toutefois qu’approchée, du fait que, d’une part, les écarts
par rapport aux moyennes ne sont pas indépendants les uns des autres, en particulier, dans le cas de
très petits échantillons, et d’autre part, les valeurs absolues des écarts ne possèdent pas, elles-mêmes,
des lois normales, ce que suppose l’analyse de variance.

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 4. VALIDATION DES HYPOTHÈSES D’UNE ANOVA À UN
84 FACTEUR
On effectue donc une analyse de la variance sur des données transformées. Pour i = 1, 2, · · · , I
et j = 1, 2, · · · , ni , définissons Zi,j par Zi,j = |Yi,j − Yi,• |. Le test de Levene consiste à effectuer une
ANOVA sur les variables transformées Zi,j .
Ainsi, on rejette l’hypothèse d’homogénéité des variances au seuil α si Fobs > Fα,I−1,N −I où Fobs
est défini par :
XI
ni (Zi,• − Z•,• )2 /(I − 1)
i=1
Fobs = I Xni
.
X
2
(Zi,j − Zi,• ) /(n − I)
i=1 j=1

4.3.2 Le test de Brown et Forsythe

Ce test est une variante du test précédent. Ici, on définit les Zi,j par |Yi,j − Ỹi,• | où Ỹi,• est la
médiane de l´’echantillon {Yi1 , Yi2 , · · · , Yini }. Le reste de la procédure demeure inchangée.

4.3.3 Le test de Bartlett

Le test de Bartlett nécessite des calculs relativement longs, mais s’applique indifféremment à des
échantillons d’effectifs égaux ou inégaux. Pour I populations, l’hypothèse nulle s’écrit :

H0 : σ12 = σ22 = · · · = σI2 .

Le test de Bartlett, considéré comme un test de rapport de vraisemblance est basé sur la statistique
L défini par :
n1 −1 n2 −1 nI −1
(S12 ) n−I (S22 ) n−I · · · (SI2 ) n−I
L= .
n1 − 1 2 n2 − 1 2 nI − 1 2
S1 + S2 + · · · + SI
n−I n−I n−I
Le dénominateur et le numérateur de la statistique L définis par l’équation ci-dessus sont les
moyennes arithmétiques et géométriques respectives de {S12 , S22 , · · · , SI2 } pondérées par w1 = (n1 −
1)/(n−I), w2 = (n2 −1)/(n−I), · · · , wI = (nI −1)/(n−I). Ces poids vérifient : w1 +w2 +· · ·+wI = 1.
On rejette l’hypothèse d’homogénéité des variances si L est trop grand. Il existe des tables pour
la distribution exacte de L. Néanmoins, en pratique, on utilise l’approximation qui suit. Posons :
−(n − I) log(L)
B=
c
avec
PI 1 1
( i=1 )−
ni − 1 n−I
c=1+ .
3(I − 1)
Sous H0 , lorsque les tailles des échantillons n1 , n2 , ·, nI tendent vers l’infini, on obtient asymptoti-
quement :
B ∼ χ2I−1 .
On rejette donc H0 si B > χ2I−1,α .

Analyse de la variance
c 2015 Michel Carbon
4.4. RÉSUMÉ ET COMMENTAIRES 85

4.4 Résumé et commentaires

Il y a donc trois hypothèses à vérifier :
1. L’indépendance intra et inter échantillons ;
2. La normalité des erreurs ;
3. L’égalité des variances.

Pour la première hypothèse on cherche à vérifier la bonne planification de l’expérience. S’agit-il

d’une expérience complètement aléatoire ? Quelles sont les unités expérimentales ? Peut-être que
l’ordre dans lequel les données ont été récoltées est associé à leur valeur.
L’hypothèse de normalité n’est pas cruciale pour la validité du test F d’homogénéité des moyennes.
Si les tailles d’échantillons ni sont grandes, la loi de la statistique F de la table ANOVA est approxi-
mativement une loi de Fisher-Snedecor FI−1,P ni , même si les données ne sont pas normales. La non
normalité des données compromet cependant la puissance du test.
Si cette hypothèse de normalité est violée, le test non paramétrique de Kruskal-Wallis, basé
sur les rangs, est souvent plus puissant que le test F de la table ANOVA. C’est le cas lorsque
les données contiennent des valeurs extrêmes (outliers). On peut d’ailleurs s’assurer que quelques
valeurs extrêmes n’ont pas une influence sur les résultats en refaisant les analyses après avoir exclu
ces données.
L’égalité des variances non plus n’est pas vraiment cruciale pour la validité du test F d’homo-
généité. Si l’expérience est à peu près balancée et si les tailles d’échantillons sont grandes, on peut
montrer que le test F est valide même si les variances sont inégales. Comme on l’a vu, le test de
Welch tient compte des variances inégales.
Dans une analyse de variance, la variabilité des données ne doit pas être associée à leurs valeurs
moyennes. Par exemple, si les données sont des dénombrements avec une loi de Poisson, alors la
variance est à peu près égale à la moyenne. Ainsi, il y a un lien moyenne-variance, et les hypothèses
sous-jacentes à l’ANOVA sont violées. Dans ce cas, deux solutions sont possibles. On peut faire une
transformation pour chercher à stabiliser la variance et traiter les données avec une ANOVA (pour
la loi de Poisson, la transformation racine carrée s’avère utile).
On peut également utiliser un modèle linéaire généralisé construit spécifiquement pour la loi de
Poisson.
Le mode de variation de certaines variables, que l’on décrit en termes relatifs plutôt qu’en termes
absolus, peut aussi suggérer une transformation. Un modèle ANOVA postule des variations absolues
additives. Des variations relatives sont en fait multiplicatives. Une transformation logarithmique peut
alors s’imposer pour que les hypothèses du modèles ANOVA soient vérifiées. Mais une transformation
complique l’analyse, car c’est souvent sur l’échelle originale que les résultats doivent être interprétés.

4.5 Un exemple détaillé

On considère le fichier de données "ozone" disponible sur le site web du cours. Il s’agit de la
pollution de l’air. De nombreuses études épidémiologiques ont mis en évidence l’influence sur la

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 4. VALIDATION DES HYPOTHÈSES D’UNE ANOVA À UN
86 FACTEUR
santé de certains composants chimiques, comme le dioxyde soufre (SO2 ), le dioxyde d’azote (N O2 ),
l’ozone(O3 ) et quelques autres particules flottant dans l’air.
Des stations de surveillance enregistrent les conditions météorologiques comme la température,
la nébulosité, le vent, etc... Nous allons analyser la relation existant entre le maximum journalier
de la concentration en ozone (en µg/m3 ) et la direction du vent (classée en quatre secteurs : Nord,
Sud, Est, Ouest). La variable vent possède donc 4 modalités. Pour cette étude, le fichier "ozone"
dispose de 112 données relevées durant l’été 2001 à Rennes en France. On utilise le logiciel R.
Les différentes étapes sont les suivantes :
1. Importation des données :
On importe le jeu de données et on va résumer les variables d’intérêts :
ozone<-read.table("ozone.txt",header=T)
attach(ozone)
summary(ozone[,c("maxO3","vent")])
maxO3 vent
Min. : 42.00 Est :10
1st Qu.: 70.75 Nord :31
Median : 81.50 Ouest:50
Mean : 90.30 Sud :21
3rd Qu.:106.00
Max. :166.00

Pendant l’été, le vent dominant est le vent d’Ouest, et il y a peu de journées avec un vent
d’Est.

2. Représentation des données : On va tracer ci-dessous les boîtes à moustaches pour chacune des
modalités de la variable qualitative, c’est-à-dire qu’on représente la dispersion de la variable
maxO3 en fonction de la direction du vent :
plot(maxO3 vent, data=ozone, pch=15,cex=0.5,col="green")
En examinant le graphique ci-dessus, il semble bien qu’il y ait un effet vent.

3. Analyse de l’homogénéité :
On cherche à tester l’égalité des variances, à savoir :
H0 : σ12 = σ22 = σ32 = σ42 contre H1 : il existe au moins deux variances non égales.
Le test de Levene consiste à réaliser une analyse de variance sur les valeurs absolues des
résidus :
model<-aov(maxO3~vent)

summary(aov(abs(model$res) ~ vent))

Df Sum Sq Mean Sq F value Pr(>F)

vent 3 671 223.6 0.705 0.551
Residuals 108 34231 317.0

Analyse de la variance
c 2015 Michel Carbon
4.5. UN EXEMPLE DÉTAILLÉ 87

Figure 4.1 – Boîtes à moustaches de maxO3 selon les modalités de la variable vent

On ne rejette donc pas l’hypothèse de l’égalité des variances, et on conclut significativement

à l’homogénéité des variances.
On peut aussi utiliser le test de Bartlett :
bartlett.test(model$res ~ vent)

Bartlett test of homogeneity of variances

data: model$res by vent

Bartlett’s K-squared = 0.9981, df = 3, p-value = 0.8017
On conclut là aussi à l’homogénéité significative des variances.
4. Analyse de la normalité :
On peut tester la normalité de chaque sous-population grâce au test de Shapiro-Wilk. On
l’illustre ici sur la sous-population de "vent=Est" :
select.est <-ozone[,"vent"]=="Est"

shapiro.test(ozone[select.est,"maxO3"])

Shapiro-Wilk normality test

data: ozone[select.est, "maxO3"]

W = 0.9184, p-value = 0.344
La probabilité critique étant supérieure à 5%, on accepte l’hypothèse de normalité de la sous-
population du taux d’ozone par vent d’Est.

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 4. VALIDATION DES HYPOTHÈSES D’UNE ANOVA À UN
88 FACTEUR
5. Analyse de la variance :
On peut lancer l’analyse de la variance pour tester la significativité du facteur vent :
ozone.aov <- aov(maxO3~vent)

summary(ozone.aov)

Df Sum Sq Mean Sq F value Pr(>F)

vent 3 7586 2528.7 3.388 0.0207 *
Residuals 108 80606 746.3
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
La première colonne fournit les degrés de liberté associés au facteur, la seconde, la somme
des carrés, la troisième, le carré moyen (qui est la somme des carrés divisée par les degrés de
liberté). La quatrième colonne indique la valeur observée de la statistique de test. La cinquième
colonne donne la probabilité critique, c’est-à-dire la probabilité pour la statistique de test sous
H0 de dépasser la valeur estimée.
Ici, la probabilité critique vaut 0,0207 qui est inférieure à 5%, et donc, on rejette l’hypothèse
nulle d’égalité des moyennes, c’est-à-dire qu’on rejette H0 . On conclut donc à la significativité
du facteur vent au niveau 5% pour expliquer le taux d’ozone. Il existe donc au moins une
direction de vent pour laquelle le maximum d’ozone est significativement différent des autres.
6. Analyse des résidus :
Les résidus sont disponibles en sortie de la fonction aov, mais ces derniers ne sont pas de
même variance. Nous allons donc les studentiser :
res.ozone <- rstudent(ozone.aov)
Pour tracer les graphes des résidus selon les quatre modalités de la variable vent, on utilise
le package lattice :
>library(lattice)
> monpanel <- function (...)
+ panel.xyplot(...)
+ panel.abline(h=c(-2,0,2),lty=c(3,2,3),...)
> trellis.par.set(list(fontsize=list(point=5,text=8)))
> xyplot(res.ozone I(1 :112)|vent,data=ozone,pch="+",ylim=c(-3,3),panel=monpanel, ylab="Résidus",
xlab="")
Théoriquement, 95% des résidus studentisés se trouvent dans l’intervalle [−2, 2]. Ici, neuf
résidus se situent à l’extérieur de l’intervalle, soit environ 8% du total, ce qui est acceptable.
7. Interprétation des coefficients :
Pour aller plus loin encore, après avoir constaté qu’il y a un effet du vent sur la quantité
d’ozone, on aimerait préciser comment la direction du vent influe sur le maximum d’ozone.
Nous utilisons cette fois la fonction lm :
summary(lm(maxO3~C(vent,sum),data=ozone))

Analyse de la variance
c 2015 Michel Carbon
4.5. UN EXEMPLE DÉTAILLÉ 89

Figure 4.2 – Représentation des résidus selon les modalités de la variable vent

Call:
lm(formula = maxO3 ~ C(vent, sum), data = ozone)

Residuals:
Min 1Q Median 3Q Max
-60.600 -16.807 -7.365 11.478 81.300

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 94.738 3.053 31.027 <2e-16 ***
C(vent, sum)1 10.862 6.829 1.590 0.1147
C(vent, sum)2 -8.609 4.622 -1.863 0.0652 .
C(vent, sum)3 -10.038 4.097 -2.450 0.0159 *
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 27.32 on 108 degrees of freedom

Multiple R-squared: 0.08602, Adjusted R-squared: 0.06063

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 4. VALIDATION DES HYPOTHÈSES D’UNE ANOVA À UN
90 FACTEUR
F-statistic: 3.388 on 3 and 108 DF, p-value: 0.02074
Le logiciel R nous fournit les valeurs de µ̂, α̂1 , α̂2 et α̂3 (les vents sont numérotés suivant l’ordre
X 4
alphabétique). Or, comme αi = 0, pour trouver le coefficient α̂4 , le coefficient associé au
i=1
vent Sud, il faut calculer :
α̂4 = −α̂1 − α̂2 − α̂3 = 7, 785 .
La valeur de µ̂, notée ici Intercept, est la moyenne globale de la concentration en maxO3.
Les autres valeurs sont les écarts à cette moyenne pour la modalité de vent considéré. Le vent
d’ouest est significativement différent de la moyenne globale. C’est donc à cause de lui qu’on
a une différence significative entre les taux d’ozone suivant la direction du vent.

Exercices
Exercice 1
Validez les hypothèses du modèle dans l’exercice 2 du chapitre 3.

Exercice 2
Validez les hypothèses du modèle dans l’exercice 3 du chapitre 3.

Exercice 3
Validez les hypothèses du modèle dans l’exercice 4 du chapitre 3.

Exercice 4
Validez les hypothèses du modèle dans l’exercice 5 du chapitre 3.

Exercice 5
Validez les hypothèses du modèle dans l’exercice 6 du chapitre 3.

Exercice 6
Validez les hypothèses du modèle dans l’exercice 7 du chapitre 3.

Exercice 7
Nous voulons tester quatre types de carburateurs : A1, A2, A3 et A4. Pour chaque type de
carburateur, nous disposons de six pièces qui sont montées successivement en parallèle sur quatre
voitures que nous supposons avoir des caractéristiques parfaitement identiques. Le tableau ci-dessous
indique pour chacun des essais la valeur d’un paramètre lié à la consommation :

Analyse de la variance
c 2015 Michel Carbon
4.5. UN EXEMPLE DÉTAILLÉ 91

Essai A1 A2 A3 A4
1 21 23 18 20
2 24 23 19 21
3 25 32 28 25
4 20 23 19 15
5 34 32 24 29
6 17 15 14 9

1. Faites une boîte à moustaches de la consommation par carburateurs.

2. Proposez une méthode statistique permettant d’étudier l’influence des modalités du facteur
carburateur sur la consommation. Énoncez le modèle et les hypothèses nécessaires au modèle
que vous projetez d’utiliser. Ce modèle comporte-t-il des répétitions ?
3. Validez les hypothèses du modèle.
4. Y a-t-il des différences entre les carburateurs ? Quelles sont les estimations des coefficients du
modèle ? Si nécessaire, comparez les différents niveaux du facteur carburateur.

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 4. VALIDATION DES HYPOTHÈSES D’UNE ANOVA À UN
92 FACTEUR

Analyse de la variance
c 2015 Michel Carbon
Chapitre 5

Comparaisons multiples

Si, après avoir effectué une analyse de variance, on rejette l’hypothèse d’égalité des moyennes
relatives à un facteur A à I modalités, une question intéressante est de savoir quelles sont les
moyennes qui diffèrent significativement des autres.
Reprenons l’exercice 1 du chapitre 3 sur les boutons de fièvre. On aimerait savoir quel est le
traitement le plus efficace, à savoir celui qui permet d’obtenir une cicatrisation la plus rapide.
Le test individuel de Student dans le modèle linéaire est parfaitement valide pour comparer deux
traitements choisis a priori. Par contre, il n’est pas du tout utilisable pour comparer par exemple le
traitement qui donne en apparence les résultats les meilleurs avec celui qui donne en apparence les
résultats les plus mauvais. Cela revient en effet à comparer tous les traitements deux à deux. Chaque
test a alors une probabilité α (niveau du test) de déclarer présente une différence qui n’existe pas.
Au total, sur les I(I − 1)/2 comparaisons possibles, la probabilité d’en déclarer une significative "par
hasard" devient importante. Pour contrôler un risque global sur les I(I − 1)/2 comparaisons deux à
deux, il existe diverses méthodes.

5.1 Contrastes
5.1.1 Définition
Pour introduire la notion de contraste, on considère le cas d’un modèle d’analyse de la variance
pour un facteur A à effets fixes. Nous noterons Ai , pour i = 1, · · · , I, les modalités contrôlées du
facteur A, et αi les effets de ces différentes modalités.
Reprenons le modèle :

Yi,j = µ + αi + εi,j , i = 1, · · · , I ; j = 1, · · · , J ,

I
X
avec la contrainte supplémentaire : αi = 0 ,
i=1
où Yi,j est la valeur prise par la variable réponse Y dans la condition Ai lors de la j-ème répétition.
Nous postulerons les hypothèses classiques suivantes pour les erreurs :

93
94 CHAPITRE 5. COMPARAISONS MULTIPLES

1. εi,j et εk,l sont indépendantes si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I et 1 ≤ j, l ≤ J.

2. ∀ (i, j), 1 ≤ i ≤ I, 1 ≤ j ≤ J, L(εi,j ) = N (0, σ 2 ).

Définition 5.1.1
Nous appelons contraste L des I moyennes µ1 , · · · , µI la quantité :

L = l1 µ1 + l2 µ2 + · · · , +lI µI ,
I
X
où l1 , · · · , lI sont I nombres réels tels que : li = 0 et µ1 = µ + α1 , · · · , µI = µ + αI sont tels que :
i=1
α1 , · · · , αI sont les I différents effets des I niveaux du facteur A.

Les expressions suivantes sont des exemples de contrastes :

µ1 − µ3 est un contraste qui permettra par exemple de comparer µ1 et µ3 .
µ1 − 2µ2 + µ3 est un contraste qui permettra par exemple de comparer µ1 + µ3 et 2µ2 .

5.1.2 Orthogonalité
Considérons deux contrastes L1 et L2 définis par :

L1 = l1 µ1 + l2 µ2 + · · · , +lI µI ,

et
L2 = l10 µ1 + l20 µ2 + · · · , +lI0 µI ,
I
X I
X
Nous avons bien entendu : li = 0 et li0 = 0 et µ1 = µ + α1 , · · · , µI = µ + αI sont tels que :
i=1 i=1
α1 , · · · , αI sont les I différents effets des I niveaux du facteur A.

Définition 5.1.2
L1 et L2 sont des contrastes dits orthogonaux si et seulement si la relation suivante est vérifiée :

ll l10 + l2 l20 + · · · + lI lI0 = 0 .

Par exemple les deux contrastes suivants sont des contrastes orthogonaux :

L1 = µ1 − µ2 et L2 = µ 1 + µ2 − µ3 − µ4 .

5.1.3 Estimation
Soit L un contraste. Un estimateur sans biais L̂ de ce contraste L est obtenu de la manière
suivante :
L̂ = l1 µ̂1 + l2 µ̂2 + · · · , +lI µ̂I ,
+ αi = µ̂ + α̂i , avec 1 ≤ i ≤ I.
où µ̂i = µ\

Analyse de la variance
c 2015 Michel Carbon
5.1. CONTRASTES 95

La somme des carrés associés à l’estimateur L̂ du contraste L est définie par :

I
!2
X
li µ̂i
i=1
SCL̂ = J I
.
X
li2
i=1

Si le nombre de répétitions diffère d’un niveau Ai du facteur A à l’autre, en notant ni le nombre

de répétitions pour la modalité Ai , on obtient la formule modifiée suivante :

I
!2
X
li µ̂i
i=1
SCL̂ = I
.
X li2
ni
i=1

5.1.4 Test d’une hypothèse impliquant un contraste

Pour le modèle d’analyse de la variance à un facteur, les estimateurs Yi,• des µi sont indépendants,
même si le plan n’est pas équilibré. Donc, la variance de l’estimateur L̂ du contraste L vaut :

I I
h i X
2 X li2
var L̂ = li2 var [Yi,• ] = σ 2 .
ni
i=1 i=1

Un estimateur sans biais de cette variance est donc :

I
\ h i X li2
var L̂ = s2R .
ni
i=1

Les hypothèses du modèle utilisé impliquent alors que, puisque L̂ est une combinaison linéaire de
variables aléatoires indépendantes qui suivent une loi normale, l’estimateur L̂ suit aussi une loi
normale. Donc :
L̂ − L
h i ∼ tn−I ,
r
\
var L̂

où tn−I est la loi de Student à n − I degrés de liberté.

Remarque 5.1.1
L̂ − L
Le résultat sur la loi de r
\ h i permet de déterminer un intervalle de confiance de niveau 100(1−
var L̂
α)% pour la valeur du contraste L.

Analyse de la variance
c 2015 Michel Carbon
96 CHAPITRE 5. COMPARAISONS MULTIPLES

Donnons-nous désormais un réel L0 . Nous désirons tester l’hypothèse :

H0 : L = L0

contre l’hypothèse alternative :

H1 : L 6= L0 .

Sous H0 , et les hypothèses du modèle,

L̂(y) − L0
l= v
u I
u X
ts2 li2
R
ni
i=1

est une réalisation d’une variable aléatoire suivant une loi de Student à n − I degrés de liberté. En
comparant la valeur l calculée à partir d’un échantillon à la valeur critique au seuil α pour une loi
de Student à n − I degrés de liberté, nous pouvons décider de la significativité du test. Certains
logiciels fournissent directement la probabilité critique associée au test d’un contraste, ce qui permet
aussi de conclure quant à la significativité du test.

5.2 Comparaisons multiples sous l’hypothèse d’homoscé-

dasticité
Dans le premier paragraphe, nous avons étudié le test d’une seule hypothèse concernant les effets
des niveaux du facteur A. Le contexte des tests de comparaisons multiples est totalement différent
car on cherche alors à comparer tous les effets des niveaux Ai du facteur A entre eux ou avec un
niveau de référence dit de contrôle.

On doit donc réaliser I(I −1)/2 comparaisons dans la première situation ou I −1 dans la seconde
situation où nous comparons les effets à un niveau de contrôle fixé a priori.

Tester l’égalité des effets de deux niveaux Ai et Aj , pour i 6= j, d’un facteur A revient à tester
la nullité du contraste L = µi − µj . Nous allons détailler dans ce qui suit les procédures de tests
simultanés de plusieurs contrastes en gardant à l’esprit que nous appliquerons principalement les
résultats dans le cas où ces contrastes sont des différences de moyennes.

On rappelle cependant que nous n’utiliserons l’un des tests de comparaisons multiples que si le
facteur étudié est à effets fixes et quand nous avons rejeté l’hypothèse nulle d’absence d’effet de ce
facteur sur la réponse Y .

Nous détaillons ici la théorie des comparaisons multiples pour le cas d’un modèle à un facteur
à effets fixes. Plus généralement, il est possible de comparer les effets des différents niveaux d’un
facteur si ceux-ci sont à effets fixes. À noter qu’il n’est généralement intéressant de comparer les
effets des différents niveaux d’un facteur que si aucun des termes d’interaction mettant en jeu ce
facteur n’a un effet significatif au seuil α.

Analyse de la variance
c 2015 Michel Carbon
5.2. COMPARAISONS MULTIPLES SOUS L’HYPOTHÈSE
D’HOMOSCÉDASTICITÉ 97
5.2.1 La méthode de Tukey
Cette méthode n’est valable que si le nombre de répétitions Ji d’une modalité à l’autre du facteur
A est constant. Ce nombre commun de répétitions est alors noté J. Pour une version de la méthode
de Tukey adaptée au cas où le plan n’est pas équilibré, on pourrait voir le paragraphe suivant sur la
méthode de Tukey-Kramer.
Soit L un contraste dont un estimateur est L̂. Un intervalle de confiance de niveau simultané
100(1 − α) % pour tous les contrastes considérés est donné par la formule :
I I
r ! r !
s2R 1 X s2R 1 X
L̂(y) − T |li | < L < L̂(y) + T |li | ,
J 2 J 2
i=1 i=1

où T = q(I, I(J − 1); 1 − α) est le 100(1 − α) quantile de la loi de l’étendue studentisée à I et

I(J − 1) degrés de liberté. Si l’intervalle de confiance obtenu contient la valeur 0, nous décidons
que le contraste n’est pas significativement différent de 0 au seuil α. A contrario, si l’intervalle de
confiance ne contient pas 0, alors on décide que le contraste est significativement différent de 0 au
seuil α.
L’intérêt de ce procédé est que, si nous fixons un seuil α, les intervalles définis ci-dessus sont
valables simultanément pour tous les contrastes qu’il est possible de construire !
Nous désirons tester l’hypothèse :
H0 : L = 0
contre l’hypothèse alternative :
H0 : L 6= 0 .
Le test est significatif au seuil α et alors nous décidons de rejeter l’hypothèse nulle H0 en faveur de
l’hypothèse alternative H1 si :
 
L̂(y)
 
 
r I
! ≥ q(I, I(J − 1); 1 − α) .
s2R 1 X
T |li |
J 2
i=1

Le test n’est pas significatif au seuil α et alors nous décidons de conserver par défaut l’hypothèse
nulle H0 si :  
L̂(y)
 
r I
! < q(I, I(J − 1); 1 − α) .
s2R 1 X
T |li |
J 2
i=1

Appliqué au contexte des comparaisons multiples ( procédure souvent appelée "Tukey’HSD" pour
"Tukey’s Honestly Significance Difference"), l’intervalle de confiance ci-dessus se transforme de la
manière suivante puisque les contrastes étudiés sont du type : L = µi − µj avec i 6= j :
I
1X 1 1
|li | = (|1| + | − 1|) = (1 + 1) = 1 .
2 2 2
i=1

Analyse de la variance
c 2015 Michel Carbon
98 CHAPITRE 5. COMPARAISONS MULTIPLES

Les intervalles de confiance se simplifient alors en :

r r
s2R s2R
µ̂i (y) − µ̂i0 (y) − T < µi − µi0 < µ̂i (y) − µ̂i0 (y) + T .
J J
Les hypothèses et les statistiques des tests se transforment, quant à elles, en :

H0 : µi = µi0

contre l’hypothèse alternative :

H0 : µi 6= µi0 .
Rappelons que ces hypothèses sont équivalentes aux suivantes :

H0 : α i = α i0

contre l’hypothèse alternative :

H1 : αi 6= αi0 .
Le test est significatif au seuil α et on décide de rejeter l’hypothèse nulle H0 en faveur de l’hypothèse
alternative H1 si :
|µ̂i (y) − µ̂i0 (y)|
r ≥ q(I, I(J − 1); 1 − α) .
s2R
J
Le test n’est pas significatif au seuil α et on décide de conserver par défaut l’hypothèse nulle H0 en
faveur de l’hypothèse alternative H1 si :

|µ̂i (y) − µ̂i0 (y)|

r < q(I, I(J − 1); 1 − α) .
s2R
J
En utilisant ces intervalles de confiance pour décider simultanément de la significativité des I(I −1)/2
différences entre les effets des modalités du facteur A, nous sommes assurés que la probabilité
qu’aucune des différences n’est significative est exactement de valeur 1 − α.

5.2.2 La méthode de Tukey-Kramer

On rappelle tout d’abord que la moyenne harmonique de deux réels x et y est :
1
Harm(x, y) =  
1 1 1
+
2 x y

Il s’agit d’une adaptation de la méthode de Tukey au cas où le plan expérimental n’est pas équilibré.
Nous désirons comparer deux moyennes µi et µi0 , et nous remplaçons alors simplement la valeur J
correspondant au nombre total constant d’essais réalisés dans les conditions des modalités Ai du
facteur A par la moyenne harmonique du nombre de répétitions effectuées dans la modalité Ai et
dans la modalité Ai0 .

Analyse de la variance
c 2015 Michel Carbon
5.2. COMPARAISONS MULTIPLES SOUS L’HYPOTHÈSE
D’HOMOSCÉDASTICITÉ 99
Les intervalles de confiance précédents se modifient en conséquence :
s  s 
s2R 1 s2R 1
 
1 1
µ̂i (y) − µ̂i0 (y) − T + < µi − µi0 < µ̂i (y) − µ̂i0 (y) + T + ,
2 n i n i0 2 n i n i0

où T = q(I, n − I; 1 − α) est le 100(1 − α) quantile de la loi de l’étendue studentisée à I et n − I

degrés de liberté.
Les hypothèses sont toujours : Les hypothèses et les statistiques des tests se transforment, quant
à elles, en :
H0 : µi = µi0
contre l’hypothèse alternative :
H0 : µi 6= µi0 .
Rappelons que ces hypothèses sont équivalentes aux suivantes :

H0 : α i = α i0

contre l’hypothèse alternative :

H1 : αi 6= αi0 .
Le test est significatif au seuil α et on décide de rejeter l’hypothèse nulle H0 en faveur de l’hypothèse
alternative H1 si :
|µ̂ (y) − µ̂i0 (y)|
si   ≥ q(I, n − I; 1 − α) .
s2R 1 1
+
2 n i n i0
Le test n’est pas significatif au seuil α et on décide de conserver par défaut l’hypothèse nulle H0 en
faveur de l’hypothèse alternative H1 si :

|µ̂ (y) − µ̂i0 (y)|

si   < q(I, n − I; 1 − α) .
s2R 1 1
+
2 n i n i0

5.2.3 La méthode de Scheffé

Contrairement à la méthode de Tukey, la méthode de Scheffé est valide même si le plan est
déséquilibré. Notons ni le nombre de répétitions effectuées pour la modalité Ai du facteur A.
Si L est un contraste quelconque, estimé par L̂, un intervalle de confiance au niveau 100(1 − α) %
est donné par :
v v
I I
u ! u !
u X l 2 u X l 2
i i
L̂(y) − S t(I − 1)s2R < L < L̂(y) + S t(I − 1)s2R ,
ni ni
i=1 i=1

où S 2 = F(I − 1, n − I; 1 − α) est le 100(1 − α) quantile de la loi de Fisher- Snedecor à I − 1 et

n − I degrés de liberté.

Analyse de la variance
c 2015 Michel Carbon
100 CHAPITRE 5. COMPARAISONS MULTIPLES

Si l’intervalle de confiance obtenu contient la valeur 0, on décide que le contraste n’est pas
significativement différent de 0 au seuil α. A contrario, si l’intervalle de confiance ne contient pas 0,
alors on décide que le contraste est significativement différent de 0 au seuil α.
Nous désirons tester l’hypothèse :
H0 : L = 0
contre l’hypothèse alternative :
H0 : L 6= 0 .
Le test est significatif au seuil α et alors nous décidons de rejeter l’hypothèse nulle H0 en faveur de
l’hypothèse alternative H1 si :
 
L̂(y)
 
p
v ≥ F(I − 1, n − I; 1 − α) .
I
u !
u
t(I − 1)s2
X li2
R
ni
i=1

Le test n’est pas significatif au seuil α et on décide de conserver par défaut l’hypothèse nulle H0 en
faveur de l’hypothèse alternative H1 si :
 
L̂(y)
 
p
v < F(I − 1, n − I; 1 − α) .
I
u !
u
t(I − 1)s2
X li2
R
ni
i=1

Appliqué au contexte des comparaisons multiples, l’intervalle de confiance ci-dessus se transforme

de la manière suivante, puisque les contrastes étudiés sont du type : L = µi − µj , avec i 6= j :

I
X li2 1 (−1)2 1 1
= + = + .
ni ni n i0 n i n i0
i=1

Donc, dans le cas des comparaisons multiples, les intervalles de confiance ci-dessus se simplifient en :
s   s  
2 1 1 1 1
µ̂i (y) − µ̂i0 (y) − S (I − 1)sR + < µi − µi0 < µ̂i (y) − µ̂i0 (y) + S (I − 1s2R + .
n i n i0 n i n i0

Les hypothèses et les tests statistiques se transforment, quant à eux, en :

H0 : µi = µi0

contre l’hypothèse alternative :

H0 : µi 6= µi0 .
Rappelons que ces hypothèses sont équivalentes aux suivantes :

H0 : α i = α i0

Analyse de la variance
c 2015 Michel Carbon
5.2. COMPARAISONS MULTIPLES SOUS L’HYPOTHÈSE
D’HOMOSCÉDASTICITÉ 101
contre l’hypothèse alternative :
H1 : αi 6= αi0 .
Le test est significatif au seuil α et alors nous décidons de rejeter l’hypothèse nulle H0 en faveur de
l’hypothèse alternative H1 si :

|µ̂i (y) − µ̂i0 (y)| p

s   ≥ F(I − 1, n − I; 1 − α) .
2 1 1
(I − 1)sR +
ni ni 0

Le test n’est pas significatif au seuil α et on décide de conserver par défaut l’hypothèse nulle H0 en
faveur de l’hypothèse alternative H1 si :

|µ̂i (y) − µ̂i0 (y)| p

s   < F(I − 1, n − I; 1 − α) .
1 1
(I − 1)s2R +
ni ni 0

En utilisant ces intervalles de confiance pour décider simultanément de la significativité des I(I −1)/2
différences entre les effets des modalités du facteur A, nous sommes assurés que la probabilité
qu’aucune des différences n’est significative est exactement de valeur 1 − α.
Dans le cas où le plan est équilibré, on obtient l’intervalle de confiance de niveau 100(1 − α)
suivant :
r r
2(I − 1)s2R 2(I − 1)s2R
µ̂i (y) − µ̂i0 (y) − S < µi − µi0 < µ̂i (y) − µ̂i0 (y) + S .
J J

5.2.4 La méthode de Bonferroni

On suppose que nous souhaitons réaliser k comparaisons de moyennes ou k tests de contrastes
et prendre une décision conjointe au risque de première espèce α.
Soit Ei l’événement associé au rejet de l’absence de différence significative au seuil αind lors de la
i-ème comparaison du i-ème contraste. La méthode de Bonferroni est basée sur l’inégalité suivante :

α = P [E1 ∪ E2 ∪ · · · ∪ Ek ]
≤ P [E1 ] + P [E2 ] + · · · + P [Ek ]
≤ k × αind .

Donc, si nous voulons être sûr que le risque de première espèce α associé globalement à la prise
simultanée de toutes les décisions lors des k comparaisons ou des k tests de contrastes est plus petit
qu’une valeur α0 fixée à l’avance, il suffit de choisir :

αind ≤ α0 /k .

Nous pouvons alors procéder à des comparaisons des moyennes deux à deux avec un test t de
Student de seuil α0 /k ou à un test de chacun des contrastes exposés précédemment au seuil α0 /k.
Cette procédure s’applique que le plan soit équilibré ou pas.

Analyse de la variance
c 2015 Michel Carbon
102 CHAPITRE 5. COMPARAISONS MULTIPLES

Les intervalles de confiance pour k comparaisons de deux moyennes µi et µi0 de deux groupes
d’effectifs respectifs ni et ni0 sont :
s   s  
2 1 1 2 1 1
µ̂i (y) − µ̂i0 (y) − tB sR + < µi − µi0 < µ̂i (y) − µ̂i0 (y) + tB sR + ,
n i n i0 n i n i0
 α  α
où tB = t n − I; 1 − est le 100 1 − quantile de la loi de Student à n − I degrés de liberté.
2k 2k

Remarque 5.2.1
On pourra retenir les conseils suivants pour utiliser la méthode de Bonferroni :
1. Le nombre de comparaisons k n’est pas très élevé. La procédure est trop conservatrice si k est
élevé.
2. On préfère la méthode de Bonferroni à celle de Scheffé si le nombre de comparaisons est
strictement inférieur à I 2 .
3. On préfère la méthode de Bonferroni à celle de Tukey si le nombre de comparaisons est stric-
tement inférieur à I(I − 1)/2 ou si on souhaite tester en plus un petit nombre de comparaisons
autres que celles des effets pricipaux des modalités Ai du facteur A.

5.2.5 La méthode de rejet séquentiel de Bonferroni et Holm

C’est une méthode dérivée de la méthode de Bonferroni exposée précédemment. Elle a été intro-
duite pour augmenter la puissance de la méthode de Bonferroni. Elle consiste simplement à modifier
le seuil des tests de comparaisons de la manière suivante : si l’un des tests de comparaison est signi-
ficatif au seuil αind = α/k, alors nous effectuons le test suivant au niveau αind = α/(k − 1), et ainsi
de suite ...
Les conseils d’utilisation sont identiques à ceux exposés dans la remarque précédente et on peut
utiliser cette méthode aussi bien pour des plans équilibrés que pour des plans déséquilibrés.

5.3 Un exemple détaillé

On reprend l’exercice 1 du chapitre 3, où on a essayé 5 traitements contre les boutons de fièvre,
le traitement 1 étant un placebo. Ces traitements ont été administrés au hasard sur trente patients (
six patients par groupe de traitement). Le délai, exprimé en jours, entre l’apparition des boutons de
fièvre et la cicatrisation complète a été recueilli chez chacun des trente patients, détaillé ci-dessous :
T1 T2 T3 T4 T5
5 4 6 7 9
8 6 4 4 3
7 6 4 6 5
7 3 5 6 7
10 5 4 3 7
8 6 3 5 6
Il faut d’abord entrer les données :

Analyse de la variance
c 2015 Michel Carbon
5.3. UN EXEMPLE DÉTAILLÉ 103

> X<-data.frame(T1=c(5,8,7,7,10,8),T2=c(4,6,6,3,5,6),
+ T3=c(6,4,4,5,4,3),T4=c(7,4,6,6,3,5),T5=c(9,3,5,7,7,6))
> delai <- stack(X)$values

On peut tracer des boîtes à moustaches (voir dessin ci-dessous) pour examiner, traitement par
traitement des délais de cicatrisation pour chaque traitement, grâce à la commande :
> plot(delai traitement,col="green")

Figure 5.1 – Boîte à moustaches des délais de cicatrisation pour chaque traitement

On remarque aisément que la moyenne du traitement 1 (le placebo) est différente des autres. La
table d’ANOVA est appelée via la commande :

> mon.aov(delai~traitement)
>summary(mon.aov)

La table d’analyse de variance est la suivante, après les commandes suivantes :

> mon.aov <- aov(delai~traitement)

> summary(mon.aov)

Df Sum Sq Mean Sq F value Pr(>F)

traitement 4 36.47 9.117 3.896 0.01359 *
Residuals 25 58.50 2.340
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Comme l’ANOVA est un modèle linéaire, il est possible d’effectuer une analyse de variance du modèle
linéaire sous-jacent :

Analyse de la variance
c 2015 Michel Carbon
104 CHAPITRE 5. COMPARAISONS MULTIPLES

> modele <- lm(delai~traitement)

> anova(modele)
Analysis of Variance Table
Response: delai
Response: delai
Df Sum Sq Mean Sq F value Pr(>F)
traitement 4 36.467 9.1167 3.896 0.01359 *
Residuals 25 58.500 2.3400
Signif . codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’’ 1

La valeur de la probabilité critique vaut 0,01359, et permet donc de conclure que les effets d’au
moins deux traitements diffèrent. Les estimations sont fournies grâce à la fonction summary pour le
modèle :

> modele <- lm(delai~traitement)

> summary(modele)

Rappelons ici encore que la contrainte imposée par R est : α1 = 0.

Call:
lm(formula = delai ~ traitement)

Residuals:
Min 1Q Median 3Q Max
-3.1667 -0.8750 -0.0833 0.8333 2.8333

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.5000 0.6245 12.010 7.06e-12 ***
traitementT2 -2.5000 0.8832 -2.831 0.00903 **
traitementT3 -3.1667 0.8832 -3.586 0.00142 **
traitementT4 -2.3333 0.8832 -2.642 0.01401 *
traitementT5 -1.3333 0.8832 -1.510 0.14366
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 1.53 on 25 degrees of freedom

Multiple R-squared: 0.384, Adjusted R-squared: 0.2854
F-statistic: 3.896 on 4 and 25 DF, p-value: 0.01359

L’intercept correspond ici à l’estimation du délai moyen du placebo (le traitement 1 est pris comme
référence). L’estimation associée à la variable T2 correspond à l’effet différentiel entre le placebo et
le traitement T2 . Les tests bilatéraux effectués dans ce modèle sont résumés ci-dessous :

Analyse de la variance
c 2015 Michel Carbon
5.3. UN EXEMPLE DÉTAILLÉ 105

H1
Intercept µ1 6= 0
Traitement T2 α2 6= 0 ⇔ µ1 6= µ2
Traitement T3 α3 6= 0 ⇔ µ1 6= µ3
Traitement T4 α4 6= 0 ⇔ µ1 6= µ4
Traitement T5 α5 6= 0 ⇔ µ1 6= µ5
Les résultats fournis par R nous indiquent qu’il existe une différence significative entre le placebo et
les traitements 2, 3 et 4. Dans ce cas de comparaison vis-à-vis du placebo, il était logique de prendre
le placebo comme référence.
Il est possible de choisir une autre référence ou une autre contrainte linéaire au moyen de l’ins-
truction C() comme le montre l’exemple ci-dessous :

> summary(lm(delai~C(traitement,base=2)))

Call:
lm(formula = delai ~ C(traitement, base = 2))

Residuals:
Min 1Q Median 3Q Max
-3.1667 -0.8750 -0.0833 0.8333 2.8333

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 5.0000 0.6245 8.006 2.32e-08 ***
C(traitement, base = 2)1 2.5000 0.8832 2.831 0.00903 **
C(traitement, base = 2)3 -0.6667 0.8832 -0.755 0.45739
C(traitement, base = 2)4 0.1667 0.8832 0.189 0.85184
C(traitement, base = 2)5 1.1667 0.8832 1.321 0.19847
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 1.53 on 25 degrees of freedom

Multiple R-squared: 0.384, Adjusted R-squared: 0.2854
F-statistic: 3.896 on 4 and 25 DF, p-value: 0.01359

Les estimations et les tests de Student diffèrent des précédents. Les résultats montrent que le traite-
ment 2 ne diffère pas des traitements 3, 4 et 5, mais on retrouve que le test de Student est significatif
pour la comparaison de traitement 2 vis-à-vis du placebo.
I
X
À noter que pour obtenir la contrainte : αi = 0, il faut utiliser la commande : C(traitement,sum).
i=1
Supposons que nous voulions comparer les traitements 2 et 3. Il convient alors d’utiliser le
contraste : L1 = λt µ avec λ = (0, 1, −1, 0, 0)t et µ = (µ1 , · · · , µ5 )t , et d’effectuer le test H0 : L1 = 0
contre H1 : L1 6= 0. Pour cela, on peut utiliser la fonction fit.contrast( ) disponible dans le package
gregmisc :

Analyse de la variance
c 2015 Michel Carbon
106 CHAPITRE 5. COMPARAISONS MULTIPLES

> require(gregmisc)
> cmat <- rbind(" : 2 versus 3"=c(0,1,-1,0,0))
> fit.contrast(mon.aov,traitement,cmat)

Estimate Std. Error t value Pr(>|t|)

traitement : 2 versus 3 0.6666667 0.8831761 0.7548514 0.4573908

Il n’y a pas de différence significative entre les traitements 2 et 3.

La fonction pairwise.t.test() permet d’effectuer toutes les comparaisons deux à deux en proposant
plusieurs méthodes de correction du risque afin de tenir compte du problème de la multiplicité des
tests.
> pairwise.t.test(delai,traitement,p.adjust="bonf")

Pairwise comparisons using t tests with pooled SD

data: delai and traitement

Placebo T2 T3 T4
T2 0.090 - - -
T3 0.014 1.000 - -
T4 0.140 1.000 1.000 -
T5 1.000 1.000 0.483 1.000

P value adjustment method: bonferroni

Le logiciel R donne les valeurs ajustées suivant la correction de Bonferroni, c’est-à-dire que les
valeurs corrigées sont obtenues en multipliant les valeurs des tests de Student par le nombre de
tests effectués. Au vu des résultats ci-dessus, on trouve une valeur de probabilité critique de 0,014
entre le traitement 1 (placebo) et le traitement 3. Il existe donc une différence significative entre le
traitement 1 (placebo) et le traitement 3 au risque de 5 %.
On peut remarquer que la comparaison entre le traitement 1 et le traitement 3 avait déjà été
effectué auparavant. La valeur de la probabilité critique pour ce test individuel était de 0,0014.
Comme dix comparaisons ont été effectuées, cette dernière valeur a été multipliée par 10 par la
méthode de Bonferroni.
Comme cela a été détaillé ci-dessus, beaucoup d’autres méthodes sont possibles. Cependant,
dans le cas d’une analyse de variance à un facteur avec le même nombre d’observations par groupe,
la méthode de Tukey est la plus précise. Elle fournit des intervalles de confiance simultanés pour les
différences entre les paramètres µi − µj où 1 ≤ i < j ≤ I.

> mon.aov <- aov(delai~traitement)

> TukeyHSD(mon.aov)

Tukey multiple comparisons of means

95% family-wise confidence level

Fit: aov(formula = delai ~ traitement)

Analyse de la variance
c 2015 Michel Carbon
5.3. UN EXEMPLE DÉTAILLÉ 107

$traitement
diff lwr upr p adj
T2-Placebo -2.5000000 -5.0937744 0.09377442 0.0627671
T3-Placebo -3.1666667 -5.7604411 -0.57289224 0.0113209
T4-Placebo -2.3333333 -4.9271078 0.26044109 0.0927171
T5-Placebo -1.3333333 -3.9271078 1.26044109 0.5660002
T3-T2 -0.6666667 -3.2604411 1.92710776 0.9410027
T4-T2 0.1666667 -2.4271078 2.76044109 0.9996956
T5-T2 1.1666667 -1.4271078 3.76044109 0.6811222
T4-T3 0.8333333 -1.7604411 3.42710776 0.8770466
T5-T3 1.8333333 -0.7604411 4.42710776 0.2614661
T5-T4 1.0000000 -1.5937744 3.59377442 0.7881333

On peut illustrer cela sur le graphique ci-dessous :

> par(las=l) # Écriture horizontale des étiquettes.

> plot(TukeyHSD(mon.aov))

Figure 5.2 – Intervalles de confiance des différences de moyennes

La méthode de Tukey va dans le même sens que les résultats obtenus via la méthode de Bon-
ferroni. En effet, seul l’intervalle de confiance ne contenant pas la valeur 0 est celui concernant la
différence entre le traitement 3 et le traitement 1 (placebo). Ainsi, le délai de cicatrisation étant plus
court pour le traitement 3, nous proposons d’utiliser ce traitement.

Analyse de la variance
c 2015 Michel Carbon
108 CHAPITRE 5. COMPARAISONS MULTIPLES

Exercices
Exercice 1
On reprend l’exercice 3 du chapitre 3.
1. Y a-t-il une différence significative entre la prise de poids des veaux par l’alimentation 1 et la
prise de poids des veaux par chacune des deux autres alimentations ?
2. Utilisez la méthode de Bonferroni pour effectuer toutes les comparaisons deux à deux des
prises de poids selon les alimentations.
3. Reprendre ces comparaisons en utilisant la méthode de Tukey.
4. Le fabricant d’alimentation 3 profère que son alimentation permet d’augmenter de 50 % la prise
de poids des veaux par rapport à l’alimentation 1. Que pensez-vous de cette affirmation ?

Exercice 2
On reprend l’exercice 7 du chapitre 3 sur l’acidité des bières.
1. Les acidités des bières 1 et 3 sont-elles 2 fois supérieures à celles des bières 2 et 4 ?
2. Comparez, en utilisant la méthode de Bonferroni, deux à deux les quatre bières quant à leur
acidité moyenne.
3. Utilisez la méthode de Tukey pour poursuivre cette comparaison.

Exercice 3
On veut comparer la perception de la saveur amère de 30 cidres bruts et de 30 cidres mi-secs.
Une note d’amertume variant entre 0 et 10 a été affectée pour chaque cidre par un jury de 20 experts.
Les résultats de cette étude se trouvent dans le fichier chap5.ex3.csv fourni.
Dans la suite, on notera Yb et Ym les variables amertume des cidres bruts et des cidres mi-secs
respectivement. On supposera que les notes d’amertume pour un même type de cidre (brut ou mi-
sec) suivent une loi normale. On supposera que la variance des notes est la même pour les cidres
bruts et les cidres mi-secs. On peut donc écrire : Yb ∼ N (µb , σ 2 ) et Ym ∼ N (µm , σ 2 ) avec µb , µm et
σ 2 des paramètres inconnus.
On souhaite dans un premier temps tester l’égalité des paramètres µb et µm .
1. Avant toute chose, testez d’abord l’égalité des variances, et testez la normalité des deux va-
riables Yb et Ym . Donnez aussi une estimation de σ 2 .
2. En vue de ce que l’on veut faire, quelle est l’hypothèse que l’on cherche à tester ? Quelle est
l’hypothèse alternative ? Quelles méthodes statistiques permettent de tester cette hypothèse ?
3. À partir de la question précédente, proposez deux stratégies de test de comparaison des deux
populations (cidres bruts et cidres demi-secs). Quelle est la région critique associé au risque
α de première espèce ?
4. Que décidez-vous de faire ici en effectuant ces deux tests ? Interprétez.
5. Quel lien existe-t-il entre les valeurs des deux statistiques de test utilisées dans ces deux tests ?

Analyse de la variance
c 2015 Michel Carbon
5.3. UN EXEMPLE DÉTAILLÉ 109

6. Démontrez que, dans le cas d’un facteur à deux modalités, la statistique de test calculée par
l’analyse de la variance est toujours égale au carré de la statistique de test pour le test de
Student correspondant.
7. Si on voulait comparer l’amertume de trois types de cidres (brut,demi-sec et doux), laquelle
des deux stratégies pourrait-on utiliser ?
8. Dans toute la suite, on s’intéresse à la puissance du test de comparaison de deux moyennes dans
le cas où la variance σ 2 est supposée connue et égale à 1,83. Proposez une nouvelle stratégie
de décision pour tester l’égalité des paramètres µb et µm , tenant compte de la connaissance
de σ 2 . Construisez ce test.
9. Montrez que, sous H1 , la loi de la statistique de test ne dépend que de l’écart entre les deux
moyennes (noté δ) : δ = µb − µm .
10. Dans le cas où l’échantillon contient autant de cidres bruts que de cidres demi-secs (nb =
nm = n), calculez la puissance du test en fonction de δ et n.
11. Calculez la taille de l’échantillon minimale pour détecter une différence entre µb et µm de
l’ordre de 0,5 point avec une probabilité valant 0,9 lorsque le test est construit avec un niveau
de confiance de 95 %.
12. Tracez, pour une taille d’échantillon de nb = nm = 30, la courbe de puissance du test, c’est-
à-dire tracez, en fonction de l’écart δ, la puissance du test d’égalité des paramètres µb et
µm .

Analyse de la variance
c 2015 Michel Carbon
110 CHAPITRE 5. COMPARAISONS MULTIPLES

Analyse de la variance
c 2015 Michel Carbon
Chapitre 6

Analyse de la variance à deux facteurs

L’analyse de variance à deux facteurs peut être considérée comme une généralisation de l’analyse
de variance à un facteur, permettant de tenir compte simultanément de deux facteurs. Les deux
facteurs peuvent être placés soit sur un pied d’égalité, soit subordonnés l’un à l’autre. Dans le
premier cas, les modèles d’analyse de variance sont dits croisés, et, dans le second cas, ils sont
appelés hiérarchisés ou multi-niveaux.
Là encore, on distinguera entre modèles fixes, modèles aléatoires et modèles mixtes. Une dis-
tinction importante sera faite entre le cas des effectifs égaux, souvent qualifié de plan équilibré ou
orthogonal, et le cas des effectifs inégaux, souvent qualifié de plan non équilibré ou non orthogonal.
Globalement, les conditions d’application de l’analyse de variance à deux facteurs sont de la
même nature que pour un seul facteur : populations normales, de même variance, et échantillons
simples et indépendants.
Nous irons plus rapidement dans la description de ce modèle, renvoyant au chapitre 3 pour les
démonstrations. Par exemple, la décomposition de la variation totale se fait de la même façon dans
le cas de l’analyse de la variance à un facteur.

6.1 Modèles à effets fixes

6.1.1 Modèles sans répétition
On suppose qu’un facteur contrôlé A possède I modalités, chacune d’elle étant notée Ai . De
même, on suppose qu’un facteur contrôlé B possède J modalités, chacune d’elle étant notée Bj . Pour
chaque couple de modalités (Ai , Bj ), nous effectuons une seule mesure de la variable réponse Y ,
toujours supposée continue, ce qui est assez fréquemment le cas. Nous noterons n le nombre total
de mesures effectuées : n = I × J.
Pour cela, on introduit le modèle :

Yi,j = µ + αi + βj + εi,j , i = 1, · · · , I ; j = 1, · · · , J .
I
X J
X
avec les contraintes supplémentaires : αi = 0 et βj = 0.
i=1 j=1

111
112 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

Yi,j est la valeur prise par la variable réponse Y dans les conditions (Ai , Bj ). On supposera
toujours réalisées les hypothèses standards suivantes :
1. εi,j et εk,l sont indépendantes si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I et 1 ≤ j, l ≤ J.
2. ∀ (i, j), i = 1, · · · , I ; j = 1, · · · , J , L(εi,j ) = N (0, σ 2 ).
L’étude de la vérification des hypothèses ci-dessus a été faite dans le précédent chapitre.
Nous regroupons les valeurs prises par la variable réponse Y dans les conditions (Ai , Bj ) dans le
tableau ci-dessous :

Facteur A Facteur B
B1 · · · Bj ··· BJ
A1 Y1,1 · · · Y1,j ··· Y1,J
.. .. .. .. .. ..
. . . . . .
Ai Yi,1 · Yi,j ··· Yi,J
.. .. .. .. .. ..
. . . . . .
AI YI,1 ··· YI,j ··· YI,J

Table 6.1 – Tableau des valeurs de la variable réponse Y

La variation théorique totale est définie par :

I X
X J
SCT OT = (Yi,j − Y•,• )2 . (6.1.1)
i=1 j=1

On appelle variation théorique due au facteur A, la quantité :

I
X
SCA = J (Yi,• − Y•,• )2 . (6.1.2)
i=1

De la même façon, la variation théorique due au facteur B est :

J
X
SCB = I (Y•,j − Y•,• )2 . (6.1.3)
j=1

La variance résiduelle est définie par :

I X
X J
SCR = (Yi,j − Yi,• − Y•,j + Y•,• )2 . (6.1.4)
i=1 j=1

On montre alors aisément la relation fondamentale de l’analyse de variance à deux facteurs sans
répétition :
SCT OT = SCA + SCB + SCR . (6.1.5)

Analyse de la variance
c 2015 Michel Carbon
6.1. MODÈLES À EFFETS FIXES 113

Source Degrés de liberté

Facteur A nA = I − 1
Facteur B nB = J − 1
Résiduelle nR = (I − 1)(J − 1)
Totale nT OT = IJ − 1

Table 6.2 – Table des degrés de liberté

Aux différentes sommes des carrés des écarts peuvent être associés des nombres de degrés de
liberté :
On notera, comme dans le chapitre d’analyse de variance à un facteur, les carrés moyens théo-
riques par :
2 SCA 2 SCB 2 SCR SCT OT
SA = ; SB = ; SR = ; ST2 = ,
nA nB nR nT OT
qui constituent eux aussi des mesures globales de variations.

Notons y des données expérimentales y1,1 , · · · , y1,J , y2,1 , · · · , j2,J , · · · , yI,J permettant une réali-
sation du tableau précédent (6.1) :

Facteur A Facteur B
B1 · · · Bj ··· BJ
A1 y1,1 · · · y1,j ··· y1,J
.. .. .. .. .. ..
. . . . . .
Ai yi,1 · yi,j ··· yi,J
.. .. .. .. .. ..
. . . . . .
AI yI,1 ··· yI,j ··· yI,J

Table 6.3 – Tableau des données expérimentales (yi,j ) de la variable réponse

La variation totale observée sur la liste y de données expérimentales est définie par :

I X
X J
scT OT = (yi,j − y•,• )2 . (6.1.6)
i=1 j=1

La variation due au facteur A observée sur la liste y de données expérimentales est définie par :

I
X
scA = J (yi,• − y•,• )2 . (6.1.7)
i=1

Analyse de la variance
c 2015 Michel Carbon
114 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

La variation due au facteur B observée sur la liste y de données expérimentales est définie par :
J
X
scB = I (y•,j − y•,• )2 . (6.1.8)
j=1

La variation résiduelle observée sur la liste y de données expérimentales est quant à elle égale
à:
I X
X J
scR = (yi,j − yi,• − y•,j + y•,• )2 . (6.1.9)
i=1 j=1

La relation fondamentale de l’analyse de variance reste valable lorsqu’elle est évaluée sur la liste
y de données expérimentales :
scT OT = scA + scB + scR . (6.1.10)

On désire faire les tests d’hypothèses suivantes :

H00 ; α1 = α2 = · · · = αI = 0

contre
H10 : Il existe i0 ∈ {1, 2, · · · , I} tel que αi0 6= 0 .
On notera, comme dans le chapitre d’analyse de variance à un facteur, les carrés moyens observés
par :
scA scB scR scT OT
s2A = ; s2B = ; s2R = ; s2T = ,
nA nB nR nT OT
qui constituent eux aussi des mesures globales de variations.
Sous l’hypothèse nulle H00 d’absence d’effet du facteur A et lorsque les conditions de validité
2 /S 2 qui suit une loi de
du modèle sont respectées, fA est la réalisation de la variable aléatoire SA R
Fisher-Snedecor à nA = I − 1 et nR = (I − 1)(J − 1) degrés de liberté.
On peut alors conclure grâce à la valeur critique, et on rejette l’hypothèse nulle si elle est
inférieure ou égale au seuil α du test, ou à l’aide d’une table. Il y a rejet si fA est supérieure ou
égale à la valeur critique issue de la table. Si l’hypothèse H00 est rejetée, on pourra procéder à des
comparaisons multiples des différents effets des niveaux du facteur, ce qui sera vu dans un chapitre
ultérieur dédié.
Nous pouvons répéter tout ce qui précède pour le facteur B. On peut souhaiter tester les hypho-
thèses :

H000 ; β1 = β2 = · · · = βI = 0
contre
H100 : Il existe j0 ∈ {1, 2, · · · , J} tel que βj0 6= 0 .
Sous l’hypothèse nulle H000 d’absence d’effet du facteur B et lorsque les conditions de validité
2 /S 2 qui suit une loi de
du modèle sont respectées, fB est la réalisation de la variable aléatoire SB R
Fisher-Snedecor à nB = J − 1 et nR = (I − 1)(J − 1) degrés de liberté.

Analyse de la variance
c 2015 Michel Carbon
6.1. MODÈLES À EFFETS FIXES 115

On peut alors conclure grâce à la valeur critique, et on rejette l’hypothèse nulle si elle est
inférieure ou égale au seuil α du test, ou à l’aide d’une table. Il y a rejet si fB est supérieure ou
égale à la valeur critique issue de la table. Si l’hypothèse H000 est rejetée, on pourra procéder à des
comparaisons multiples des différents effets des niveaux du facteur, ce qui sera vu dans un chapitre
ultérieur dédié.
Le tableau d’analyse de la variance à deux facteurs résume les choses ci-dessous :

Source Variations d.d.l. Carrés moyens F Décision

scA s2A
Facteur A scA nA s2A = fA = H00 ou H10
nA s2R

scB s2B
Facteur B scB nB s2B = fB = H000 ou H100
nB s2R

scR
Résiduelle scR nR s2R =
nR

Totale scT OT nT OT

Table 6.4 – Tableau de l’analyse de variance à deux facteurs

Les estimateurs µ̂, α̂1 , · · · , α̂I , β̂1 , · · · , β̂J et σ̂ 2 des paramètres respectifs µ, α1 , · · · , αI , β1 , · · · , βJ
et σ 2 du modèle sont données par :

µ̂ = Y•,• ; α̂i = Yi,• − µ̂ 1≤i≤I ; β̂j = Y•,j − µ̂ 1≤j≤J

SCR 2
σ̂ 2 = = SR .
(I − 1)(J − 1)
Ce sont des estimateurs sans biais. Les estimations obtenues pour une liste de données expérimen-
tales y, notées µ̂(y), α̂1 (y),· · · , α̂I (y), β̂1 (y),· · · , β̂J (y) et σ̂ 2 (y) des paramètres µ, α1 , · · · , αI , β1 , · · · , βJ
et σ 2 du modèle se déduisent mutatis mutandis des formules précédentes.

Exemple 6.1.1
L’influence d’un traitement grossissant, à base de vitamines, est étudiée sur des animaux de races
différentes. Pour cela nous disposons d’animaux de trois races, notées Ri , pour i = 1, 2, 3, et nous
avons effectué trois traitements, notés Dj , pour j = 1, 23, utilisant respectivement 5, 10 et 15µg de
vitamines B12 par cm3. Le gain moyen de poids par jour est mesuré, à l’issue d’un traitement de 50
jours dans chaque cas. Un seul animal est utilisé pour chaque couple « race-traitement ».

Analyse de la variance
c 2015 Michel Carbon
116 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

Race
R1 R2 R3
Traitement
D1 1,26 1,21 1,19
D2 1,29 1,23 1,23
D3 1,38 1,27 1,22

L’objectif est d’effectuer une analyse de la variance à deux facteurs sans répétition (il y a en effet
une seule observation par « case »). Les facteurs, contrôlés, à effets fixes, sont la race et la dose,
tous les deux à 3 modalités. La réponse est le gain moyen de poids.
Nous désirons tester les hypothèses suivantes :
 R
 H0 : Les races n’ont pas d’effet sur la prise de poids
contre
 R
H1 : Les races ont un effet sur la prise de poids

puis
 D
 H0 : Les doses n’ont pas d’effet sur la prise de poids
contre
 D
H1 : Les doses ont un effet sur la prise de poids

Le tableau d’analyse de la variance correspondant est :

Df Sum Sq Mean Sq F value Pr(>F)

races 2 0.015267 0.007633 9.745 0.0290 *
doses 2 0.007400 0.003700 4.723 0.0885 .
Residuals 4 0.003133 0.000783
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Nous décidons alors que :

1. H1R est vraie : il y a un effet de la race sur le gain de poids (p = 0, 0290)
2. H0D est vraie, il n’y a pas d’effet de la dose sur le gain de poids (p = 0, 0885)

Nous avons bien sûr supposé l’indépendance des observations.

Pour vérifier l’hypothèse de normalité des résidus, nous pouvons effectuer un test de Shapiro-
Wilk :

Shapiro-Wilk normality test

data: mod$res
W = 0.9798, p-value = 0.9632

Analyse de la variance
c 2015 Michel Carbon
6.1. MODÈLES À EFFETS FIXES 117

Nous décidons donc que l’hypothèse de normalité est vérifiée, c’est-à-dire que nous décidons que la
normalité de l’erreur théorique est acceptée.
Il ne nous reste plus qu’à vérifier l’égalité des variances des résidus, encore appelé l’homogénéité
des variances. Remarquons tout d’abord que nous ne pouvons pas tester l’égalité des variances : en
effet, nous n’avons qu’une observation par « case ».
Cependant, à titre indicatif, nous pouvons tester : l’égalité des variances des gains selon les races,
c’est-à-dire : 
H0 : les variances des races sont égales
H1 : les variances des races ne sont pas égales
Nous effectuons pour cela le test de Bartlett, qui donne :

Bartlett test of homogeneity of variances

data: mod$res by races

Bartlett’s K-squared = 3.2583, df = 2, p-value = 0.1961

Nous décidons donc que l’hypothèse d’homogénéité est vérifiée, c’est-à-dire que nous décidons que
les variances théoriques des gains des trois races sont égales.
Nous pouvons tester aussi l’égalité des variances des gains selon les doses, c’est-à-dire :

H0 : les variances des doses sont égales
H1 : les variances des doses ne sont pas égales

Le test de Bartlett donne alors :

Bartlett test of homogeneity of variances

data: mod$res by doses

Bartlett’s K-squared = 1.0819, df = 2, p-value = 0.5822

Nous décidons donc que l’hypothèse d’homogénéité est vérifiée,c’est-à-dire que nous décidons que les
variances théoriques des gains de poids selon les trois doses sont égales.

6.1.2 Modèles avec répétition

On suppose qu’un facteur contrôlé A possède I modalités, chacune d’elle étant notée Ai . De
même, on suppose qu’un facteur contrôlé B possède J modalités, chacune d’elle étant notée Bj .
Pour chaque couple de modalités (Ai , Bj ), nous effectuons K ≥ 2 mesures d’une variable réponse Y
qui est supposée être une variable continue. Nous noterons n le nombre total de mesures effectuées :
n = I × J × K.
Pour cela, on introduit le modèle :

Yi,j,k = µ + αi + βj + γi,j + εi,j,k , i = 1, · · · , I ; j = 1, · · · , J ; k = 1, · · · , K .

Analyse de la variance
c 2015 Michel Carbon
118 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

I
X J
X
avec les contraintes supplémentaires : αi = 0 et βj = 0
i=1 j=1

I
X J
X
γi,j = 0 , ∀ j ∈ {1, · · · , J} et γi,j = 0 , ∀ i ∈ {1, · · · , I} .
i=1 j=1

On a introduit ici un terme d’interaction γi,j qui représente l’interaction entre les deux facteurs.
Yi,j,k est la valeur prise par la variable réponse Y dans les conditions (Ai , Bj ) lors du k-ième essai.
On supposera toujours réalisées les hypothèses standards suivantes :

1. εi,j,k et εl,m,n sont indépendantes si (i, j, k) 6= (l, m, n) avec 1 ≤ i, l ≤ I , 1 ≤ j, m ≤ J et

1 ≤ k, n ≤ K.

2. ∀ (i, j, k), i = 1, · · · , I ; j = 1, · · · , J ; k = 1, · · · , K ; L(εi,j,k ) = N (0, σ 2 ).

L’étude de la vérification des hypothèses ci-dessus a été faite dans le précédent chapitre.

Nous regroupons les valeurs prises par la variable réponse Y dans les conditions (Ai , Bj ) lors des
K répétitions dans le tableau ci-dessous :

Facteur A Facteur B
B1 ··· Bj ··· BJ
A1 Y1,1,1 · · · Y1,1,K ··· Y1,j,1 · · · Y1,j,K ··· Y1,J,1 · · · Y1,J,K
.. .. .. .. .. ..
. . . . . .
Ai Yi,1,1 · · · Yi,1,K · Yi,j,1 · · · Yi,j,K ··· Yi,J,1 · · · Yi,J,K
.. .. .. .. .. ..
. . . . . .
AI YI,1,1 · · · YI,1,K ··· YI,j,1 · · · YI,j,K ··· YI,J,1 · · · YI,J,K

Table 6.5 – Tableau des valeurs de la variable réponse Y

Il y a donc I × J × K variables aléatoires Yi,j,k . On peut, comme au chapitre 3, définir les

Analyse de la variance
c 2015 Michel Carbon
6.1. MODÈLES À EFFETS FIXES 119

différentes moyennes suivantes :

I
1X
Y•,j,k = Yi,j,k
I
i=1
J
1X
Yi,•,k = Yi,j,k
J
j=1
K
1 X
Yi,j,• = Yi,j,k
K
k=1
I J
1 XX
Y•,•,k = Yi,j,k
I ×J
i=1 j=1
I XK
1 X
Y•,j,• = Yi,j,k
I ×K
i=1 k=1
J X K
1 X
Yi,•,• = Yi,j,k
J ×K
j=1 k=1
I X J X K
1 X
Y•,•,• = Yi,j,k
I ×J ×K
i=1 j=1 k=1

Comme dans le chapitre 3, la variation théorique due au facteur A est définie par :
I
X
SCA = JK (Yi,•,• − Y•,•,• )2 .
i=1

De même la variation théorique due au facteur B est définie par :

J
X
SCB = IK (Y•,j,• − Y•,•,• )2 .
j=1

La variation théorique due à l’interaction des facteurs A et B est définie par :

I X
X J
SCAB = K (Yi,j,• − Yi,•,• − Y•,j,• + Y•,•,• )2 .
i=1 j=1

La variation résiduelle théorique, quant à elle, est définie par :

I X
X J X
K
SCR = (Yi,j,k − Yi,j,• )2 .
i=1 j=1 k=1

Enfin, la variation totale théorique est égale à :

I X
X J X
K
SCT OT = (Yi,j,k − Y•,•,• )2 .
i=1 j=1 k=1

Analyse de la variance
c 2015 Michel Carbon
120 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

On peut subdiviser les écarts par rapport à la moyenne générale Y•,•,• en deux, puis quatre
composantes :

Yi,j,k − Y•,•,• = (Yi,j,• − Y•,•,• ) + (Yi,j,k − Yi,j,• )

= (Yi,•,• − Y•,•,• ) + (Y•,j,•) − Y•,•,• ) + (Yi,j,• − Yi,•,• − Y•,j,• + Y•,•,• ) + (Yi,j,k − Yi,j,• ) .

La première décomposition est identique à celle réalisée pour l’analyse de la variance à un facteur.
La seconde décomposition fait, quant à elle, apparaître deux termes de variations des facteurs, relatifs
à l’un et à l’autre des facteurs, un terme dit d’interaction, et un terme de variation résiduelle.
Par élévation au carré et sommation pour les I × J × K observations, on obtient l’équation
d’analyse de la variance à deux facteurs :

I X
X J X
K I
X J
X
2 2
(Yi,j,k − Y•,•,• ) = JK (Yi,•,• − Y•,•,• ) + IK (Y•,j,• )2
i=1 j=1 k=1 i=1 j=1
I
X I X
X J X
K
J 2
+K j=1 (Yi,j,• − Yi,•,• − Y•,j,• + Y•,•,• ) + (Yi,j,k − Yi,j,• )2 .
i=1 i=1 j=1 k=1

Les deux premiers facteurs sont des sommes de carrés dûs au deux facteurs, la troisième est une
somme de carrés liés à l’interaction, et la quatrième est une somme de carrés d’écarts résiduelle.
En utilisant les définitions ci-dessus, l’équation de l’analyse de variance à deux facteurs peut encore
s’écrire sous la forme :
SCT OT = SCA + SCB + SCAB + SCR .

Aux différentes sommes des carrés des écarts peuvent ici encore être asssociés des nombres de
degrés de liberté vérifiant la relation :

IJK = (I − 1) + (J − 1) + (I − 1)(J − 1) + IJ(K − 1) .

Il s’agit de IJK −1 degrés de liberté pour la somme totale, puisqu’elle fait intervenir globalement
IJK observations individuelles, I − 1 et J − 1 degrés de liberté pour les deux sommes de chacun des
deux facteurs, car elles sont calculées respectivement à partir de I et J moyennes, IJ(K − 1) degrés
de liberté pour la somme résiduelle puisqu’elle fait intervenir IJ échantillons de K observations, et,
par différence, (I − 1)(J − 1) degrés de liberté pour la somme des carrés des écarts de l’interaction.

Comme dans le cas de l’analyse de variance à un facteur, en divisant les différentes sommes des
2 , S 2 ,S 2 , S 2 et S 2 .
carrés des écarts, on obtient les carrés moyens : SA B AB R T

L’ensemble de ces résultats peut alors être présenté sous la forme d’un tableau de l’analyse de
variance :

Analyse de la variance
c 2015 Michel Carbon
6.1. MODÈLES À EFFETS FIXES 121

Sources Degrés Variations Carrés

de variation de liberté moyens

2 = SCA
Facteur A nA = I − 1 SCA SA
I −1

2 = SCB
Facteur B nB = J − 1 SCB SB
J −1

2 = SCAB
Interaction nAB = (I − 1)(J − 1) SCAB SAB
(I − 1)(J − 1)

2 = SCR
Résidus nR = IJ(K − 1) SCR SR
IJ(K − 1)

SCT OT
Total nT OT = IJK − 1 SCT OT ST2 =
IJK − 1

L’interaction Yi,j,• − Yi,•,• − Y•,j,• + Y•,•,• apparaît naturellement dans le modèle d’analyse de
variance à deux facteurs lorsqu’on veut équilibrer le modèle après y avoir fait figurer les deux termes
dus aux deux facteurs : Yi,•,• − Y•,•,• , Y•,j,• − Y•,•,• et le terme résiduel : Yi,j,k − Yi,j,• .
Ces termes d’interaction sont nuls quand les différences liées à l’action d’un des deux facteurs
ne dépendent pas de l’autre facteur, c’est-à-dire quand, par exemple, les écarts Yi,j,• − Y•,j• relatifs
au premier facteur sont indépendants des modalités j du second facteur.
En effet, quand ces écarts ne dépendent pas de j, ils sont tous égaux entre eux, pour chaque
valeur de i, et donc égaux aussi à leur moyenne :

Yi,1,• − Y•,1,• = · · · = Yi,j,• − Y•,j,• = · · · = Yi,J,• − Y•,J,• = Yi,•,• − Y•,•,• .

On a alors, pour tout i et tout j :

Yi,j,• − Yi,•,• − Y•,j,• + Y•,•,• = 0 .

De même, les termes d’interaction sont nuls quand les écarts Yi,j• −Yi,•,• relatifs au second facteur
sont indépendants de i, c’est-à-dire du premier facteur. De plus, ces deux conditions de nullité des
termes d’interaction sont strictement équivalentes.

Notons y des données expérimentales y1,1,1 , · · · , y1,1,K , y1,2,1 , · · · , j1,2,K , · · · , yI,J,K permettant
une réalisation du tableau précédent (6.5) :

Analyse de la variance
c 2015 Michel Carbon
122 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

Facteur A Facteur B
B1 ··· Bj ··· BJ
A1 y1,1,1 · · · y1,1,K ··· y1,j,1 · · · y1,j,K ··· y1,J,1 · · · y1,J,K
.. .. .. .. .. ..
. . . . . .
Ai yi,1,1 · · · yi,1,K · yi,j,1 · · · yi,j,K ··· yi,J,1 · · · yi,J,K
.. .. .. .. .. ..
. . . . . .
AI yI,1,1 · · · yI,1,K ··· yI,j,1 · · · yI,j,K ··· yI,J,1 · · · yI,J,K

Table 6.6 – Tableau des valeurs de la variable réponse Y

La variation due au facteur A observée sur la liste y de données expérimentales est définie par :
I
X
scA = JK (yi,•,• − y•,•,• )2 .
i=1

La variation due au facteur B observée sur la liste y de données expérimentales est définie par :
J
X
scB = IK (y•,j,• − y•,•,• )2 .
j=1

La variation due à l’interaction des facteurs A et B, observée sur la liste y de données expéri-
mentales est définie par :
I X
X J
scAB =K (yi,j,• − yi,•,• − y•,j,• + y•,•,• )2 .
i=1 j=1

La variation résiduelle observée sur la liste y de données expérimentales est définie par :
I X
X J X
K
scR = (yi,j,k − yi,j,• )2 .
i=1 j=1 k=1

Enfin, la variation totale observée sur la liste y de données expérimentales est égale par :
I X
X J X
K
scT OT = (yi,j,k − y•,•,• )2 .
i=1 j=1 k=1

La relation fondamentale de l’analyse de variance reste valable lorsqu’elle est évaluée sur la liste
y de données expérimentales :

scT OT = scA + scB + scAB + scR .

On désire faire les tests d’hypothèses suivantes :

H00 ; α1 = α2 = · · · = αI = 0

Analyse de la variance
c 2015 Michel Carbon
6.1. MODÈLES À EFFETS FIXES 123

contre
H10 : Il existe i0 ∈ {1, 2, · · · , I} tel que αi0 6= 0 .

Sous l’hypothèse nulle H00 d’absence d’effet du facteur A et lorsque les conditions de validité
2 /S 2 qui suit une loi de
du modèle sont respectées, fA est la réalisation de la variable aléatoire SA R
Fisher-Snedecor à nA = I − 1 et nR = IJ(K − 1) degrés de liberté.
On peut alors conclure grâce à la valeur critique, et on rejette l’hypothèse nulle si elle est
inférieure ou égale au seuil α du test, ou à l’aide d’une table. Il y a rejet si fA est supérieure ou
égale à la valeur critique issue de la table. Si l’hypothèse H00 est rejetée, on pourra procéder à des
comparaisons multiples des différents effets des niveaux du facteur, ce qui sera vu dans un chapitre
ultérieur dédié.
Nous pouvons répéter tout ce qui précède pour le facteur B. On peut souhaiter tester les hypho-
thèses :

H000 ; β1 = β2 = · · · = βI = 0

contre
H100 : Il existe j0 ∈ {1, 2, · · · , J} tel que βj0 6= 0 .

Sous l’hypothèse nulle H000 d’absence d’effet du facteur B et lorsque les conditions de validité
2 /S 2 qui suit une loi de
du modèle sont respectées, fB est la réalisation de la variable aléatoire SB R
Fisher-Snedecor à nB = J − 1 et nR = IJ(K − 1) degrés de liberté.
On peut alors conclure grâce à la valeur critique, et on rejette l’hypothèse nulle si elle est
inférieure ou égale au seuil α du test, ou à l’aide d’une table. Il y a rejet si fB est supérieure ou
égale à la valeur critique issue de la table. Si l’hypothèse H000 est rejetée, on pourra procéder à des
comparaisons multiples des différents effets des niveaux du facteur, ce qui sera vu dans un chapitre
ultérieur dédié.
Nous pouvons également faire des tests d’hypothèses sur l’absence ou la présence d’interaction
entre les facteurs A et B :

H0000 ; γ1,1 = γ1,2 = · · · = γ1,J = γ2,1 = · · · = γI,J = 0

contre
H1000 : Il existe (i0 , j0 ) ∈ {1, 2, · · · , I} × {1, 2, · · · , J} tel que γi0 ,j0 6= 0 .

Sous l’hypothèse nulle H0000 d’absence d’effet de l’interaction des facteurs A et B et lorsque
les conditions de validité du modèle sont respectées, fAB est la réalisation de la variable aléatoire
2 /S 2 qui suit une loi de Fisher-Snedecor à nAB (I − 1)(J − 1) et n = IJ(K − 1) degrés de
SAB R = R
liberté.
On peut alors conclure grâce à la valeur critique, et on rejette l’hypothèse nulle si elle est inférieure
ou égale au seuil α du test, ou à l’aide d’une table. Il y a rejet si fAB est supérieure ou égale à la
valeur critique issue de la table.
On résume toutes ces informations dans le tableau d’analyse de variance suivant :

Analyse de la variance
c 2015 Michel Carbon
124 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

Sources Degrés Variations Carrés Statistique Décision

de variation de liberté moyens F

scA s2A
Facteur A nA = I − 1 scA s2A = fA = H00 ou H10
nA s2R

scB s2B
Facteur B nB = J − 1 scB s2B = fB = H000 ou H100
nB s2R

scAB s2AB
Interaction nAB = (I − 1)(J − 1) scAB s2AB = fAB = H0000 ou H1000
nAB s2R

scR
Résidus nR = IJ(K − 1) scR s2R =
nR

scT OT
Total nT OT = IJK-1 scT OT s2T =
nT OT

Les estimateurs µ̂, α̂1 , · · · , α̂I , β̂1 , · · · , β̂J , γ̂1,1 ,γ̂1,2 , · · · , γ̂1,J , γ̂2,1 , · · · , γ̂I,J et σ̂ 2 des paramètres
respectifs µ, α1 , · · · , αI , β1 , · · · , βJ , γ1,1 , · · · , γI,J et σ 2 du modèle sont donnés par :

µ̂ = Y•,•,• ; α̂i = Yi,•,• − µ̂ 1≤i≤I ; β̂j = Y•,j,• − µ̂ 1≤j≤J

γ̂i,j = Yi,j,• − Yi,•,• − Y•,j,• + Y•,•,•

SCR 2
σ̂ 2 = = SR .
IJ(K − 1)

Ce sont des estimateurs sans biais.

Les estimations obtenues pour une liste de données expérimentales y, notées µ̂(y), α̂1 (y),· · · , α̂I (y),
β̂1 (y),· · · , β̂J (y), γ̂1,1 (y),· · · , γ̂I,J (y) et σ̂ 2 (y) des paramètres µ, α1 , · · · , αI , β1 , · · · , βJ , γ1,1 , · · · , γI,J
et σ 2 du modèle se déduisent, mutatis mutandis, des formules précédentes.

Exemple 6.1.2
Nous nous proposons d’analyser l’influence du temps et de trois espèces ligneuses d’arbres sur
la décomposition de la masse d’une litière constituée de feuilles de lierre. Pour ce faire, 24 sachets
d’une masse identique de feuilles de lierre ont été constitués, sachets permettant une décomposition
naturelle. Puis une première série de 8 sachets, choisis au hasard, a été déposée sous un chêne,
une deuxième sous un peuplier, et la dernière série sous un frêne. Après 2, 7, 10 et 16 semaines

Analyse de la variance
c 2015 Michel Carbon
6.1. MODÈLES À EFFETS FIXES 125

respectivement, deux sachets sont prélevés au hasard sous chaque arbre et la masse résiduelle est
déterminée pour chacun d’eux. Cette masse est exprimée en pourcentage de la masse initiale.
Les valeurs observées sont les suivantes :

Semaine Chêne Peuplier Frêne

85,10 85,20 84,30
2
87,60 84,90 85,75
75,90 73,00 72,80
7
72,85 75,70 70,80
71,60 74,15 67,10
10
66,95 71,85 64,95
62,10 67,25 58,75
16
64,30 60,25 59,00

Nous observons trois variables :

1. Deux d’entre elles sont des variables contrôlées, l’espèce d’arbre, qualitative à trois modalités,
et la semaine qui peut être considérée comme qualitative à quatre modalités.
2. La troisième variable est une réponse quantitative.
Donc l’analyse de la variance à deux facteurs (semaine et espèce d’arbre) croisés, avec interaction,
peut convenir, entre autres méthodes d’analyse de ces données.
Le résultat de l’analyse de variance à deux facteurs donne les résultats ci-dessous :

Analysis of Variance Table

Response: masse
Df Sum Sq Mean Sq F value Pr(>F)
semaine 3 1741.31 580.44 121.6927 3.004e-09 ***
espece 2 58.08 29.04 6.0881 0.01495 *
semaine:espece 6 30.22 5.04 1.0559 0.43853
Residuals 12 57.24 4.77
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

La probabilité critique (0, 43853) est supérieure à 5%, donc on accepte H0 , et on conclut à la
non-significativité de l’interaction. On peut tracer un graphe d’interaction :
Le parallélisme des courbes indique là aussi un manque d’interaction.
On va donc estimer à nouveau le modèle sans interaction. Cela donne :

Analysis of Variance Table

Response: masse
Df Sum Sq Mean Sq F value Pr(>F)
semaine 3 1741.31 580.44 119.4657 4.509e-12 ***
espece 2 58.08 29.04 5.9767 0.01022 *

Analyse de la variance
c 2015 Michel Carbon
126 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

Figure 6.1 – Représentation des masses moyennes observées en fonction des deux facteurs
considérés

Residuals 18 87.45 4.86

---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Les deux facteurs sont significatifs ; il y a donc un effet semaine et un effet espèce sur la masse
résiduelle de lierre.
Nous pouvons estimer les différents coefficients αi et βj .

Call:
lm(formula = masse ~ C(semaine, sum) + C(espece, sum), data = don)

Residuals:
Min 1Q Median 3Q Max
-3.1937 -1.4573 -0.3625 1.4516 3.8604

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 72.5896 0.4499 161.333 < 2e-16 ***
C(semaine, sum)1 12.8854 0.7793 16.534 2.5e-12 ***
C(semaine, sum)2 0.9188 0.7793 1.179 0.253777
C(semaine, sum)3 -3.1562 0.7793 -4.050 0.000751 ***
C(espece, sum)1 0.7104 0.6363 1.116 0.278902
C(espece, sum)2 -2.1583 0.6363 -3.392 0.003249 **
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 2.204 on 18 degrees of freedom

Multiple R-squared: 0.9537, Adjusted R-squared: 0.9408
F-statistic: 74.07 on 5 and 18 DF, p-value: 2.285e-11

Analyse de la variance
c 2015 Michel Carbon
6.2. MODÈLES À EFFETS ALÉATOIRES 127

On obtient une matrice de "Coefficients" qui comporte pour chaque paramètre (chaque ligne) 4
colonnes : son estimation, son écart-type estimé ("Std.Error"), la valeur observée de la statistique de
test considérée ; enfin, la probabilité critique (P r(> |t|)) donne pour la statistique de test sous H0 ,
la probabilité de dépasser la valeur estimée.
La valeur de µ, notée ici "Intercept" correspond à l’effet moyen. L’effet de la semaine 16 n’est
pas donné dans le listing de sortie, mais comme la somme des αi est nulle, on estime α4 par :
α4 = −α1 − α2 − α3 = −12, 8854 − 0, 9188 + 3, 1562 = −10, 648. De la même façon, on estime β3
par : β3 = −β1 − β2 = −0, 7104 + 2, 1583 = 1, 4479.

6.2 Modèles à effets aléatoires

Il se peut que les effets d’un facteur ne puissent être modélisés par des effets fixes. Dans certains
cas, en particulier quand les modalités sont choisies au hasard, le fait de supposer que les effets
sont fixes n’est pas adapté. Par conséquent, nous pouvons être confrontés à deux autres types de
modèles, modèles avec deux facteurs à effets aléatoires, avec ou sans répétitions. Ces deux modèles
sont appelés modèles à effets aléatoires.

6.2.1 Modèles à effets aléatoires sans répétition

Les termes Ai représentent un échantillon de taille I prélevé dans une population importante.
Nous admettrons que les effets des Ai sont distribués suivant une loi normale centrée de variance
2.
σA
Les termes Bj représentent un échantillon de taille J prélevé dans une population importante.
Nous admettrons que les effets des Bj sont distribués suivant une loi normale centrée de variance
2.
σB
Pour chacun des couples de modalités (Ai ; Bj ), nous effectuons une mesure d’une réponse Y qui
est une variable continue. Nous notons n = I × J le nombre total de mesures ayant été effectuées.
Nous introduisons alors le modèle suivant :

Yi,j = µ + αi + βj + εi,j , i = 1, · · · , I , j = 1, · · · , J ,

où Yi,j est la valeur prise par la variable réponse Y dans les conditions (Ai , Bj ). Nous supposons
aussi que :
L(αi ) = N (0, σA 2) ∀ i = 1, · · · , I
2
L(βi ) = N (0, σB ) ∀ j = 1, · · · , J
ainsi que l’indépendance des effets aléatoires :

αi indépendante de αk si i 6= k et 1 ≤ i, k ≤ I
βj indépendante de βk si j =6 k et 1 ≤ j, k ≤ J
αi indépendante de βj si 1 ≤ i ≤ I et 1 ≤ j ≤ J .

Nous postulons les hypothèses classiques suivantes :

∀ (i, j), 1 ≤ i ≤ I, 1 ≤ j ≤ J, L(εi,j ) = N (0, σ 2 ) ,

εi,j indépendante de εk,l si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I et 1 ≤ j, l ≤ J ,

Analyse de la variance
c 2015 Michel Carbon
128 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

ainsi que l’indépendance des effets aléatoires et des erreurs :

αi indépendante de εj,k si 1 ≤ i, j ≤ I et 1 ≤ k ≤ J ,
βj indépendante de εl,k si 1 ≤ l ≤ I et 1 ≤ j, k ≤ J .

Nous supposons que les conditions d’application de ce modèle sont bien remplies. Nous utilisons
ici les quantités SCA , SCB , SCR , SCT OT , scA , scB , scR , scT OT introduites à la section 5.1.1.
La relation fondamentale de l’analyse de variance tient toujours :

SCT OT = SCA + SCB + SCR .

On introduit une fois encore le nombre de degrés de liberté associés à chaque ligne du tableau
de l’analyse de variance :

Source Degrés de liberté

Facteur A nA = I − 1
Facteur B nB = J − 1
Résiduelle nR = (I − 1)(J − 1)
Totale nT OT = IJ − 1

Nous pouvons résumer toutes ces informations dans le tableau d’analyse de variance suivant :

Source Variations d.d.l. Carrés moyens F Décision

scA s2A
Facteur A scA nA s2A = fA = H00 ou H10
nA s2R

scB s2B
Facteur B scB nB s2B = fB = H000 ou H100
nB s2R

scR
Résiduelle scR nR s2R =
nR

Totale scT OT nT OT

Table 6.7 – Tableau de l’analyse de variance à deux facteurs

Analyse de la variance
c 2015 Michel Carbon
6.2. MODÈLES À EFFETS ALÉATOIRES 129

L’analyse de la variance à deux facteurs aléatoires sans répétition permet deux tests de Fisher.
Le premier test concernant le facteur A est le suivant :

H00 : σA
2
=0
contre
H10 : σA
2
6= 0 .
Sous l’hypothèse nulle (H00 ) précédente, d’absence d’effet du facteur A, et lorsque les conditions
de validité du modèle sont respectées, fA est la réalisation d’une variable aléatoire qui suit une loi
de Fisher à I − 1 et (I − 1)(J − 1) degrés de liberté.
Le second test concernant le second facteur B est le suivant :

H000 : σB
2
=0
contre
H100 : σB
2
6= 0 .
0 rime
Sous l’hypothèse nulle (H0p ) précédente, d’absence d’effet du facteur B, et lorsque les condi-
tions de validité du modèle sont respectées, fB est la réalisation d’une variable aléatoire qui suit une
loi de Fisher à J − 1 et (I − 1)(J − 1) degrés de liberté.
2 , σ̂ 2 , σ̂ 2 des paramètres µ, σ 2 , σ 2 et σ 2 du modèle sont donnés par les
Les estimateurs µ̂, σ̂A B A B
formules suivantes :
µ̂ = Y•,• ,

2 1 2 2

2 1 2 2


σ̂A = SA − SR ; σ̂B = SB − SR ,
J I
SCR 2
σ̂ 2 = = SR ,
(I − 1)(J − 1)
2 = SCA 2 SCB 2 = SCR . Ces estimateurs sont non biaisés.
où SA , SB = et SR
nA nB nR
2 (y), σ̂ 2 (y),
Les estimations, obtenues pour une liste de données expérimentales y, notées µ̂(y), σ̂A B
2 2 2 2
σ̂ (y) des paramètres µ, σA , σB et σ du modèle, se déduisent immédiatement des formules ci-dessus :

µ̂(y) = y•,• ,

1 2 1 2
2 (y) = sA − s2R 2
sB − s2R ,



σ̂A ; σ̂B (y) =
J I
scR
σ̂ 2 (y) = = s2R .
(I − 1)(J − 1)

Exemple 6.2.1
Nous étudions la dissolution du principe actif contenu dans un type donné de comprimé issu
de lots de production distincts. Pour cela, six lots ont été sélectionnés au hasard parmi toute la
production et la dissolution de quatre comprimés pris au hasard dans chacun des lots est observée.
Après 15, 30, 45 et 60 minutes, un comprimé de chaque lot est sélectionné et le pourcentage de
principe actif dissous, par rapport à la valeur titre, est déterminé. Ces valeurs sont données dans le

Analyse de la variance
c 2015 Michel Carbon
130 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

tableau qui va suivre. Il est à noter que les temps d’observation à savoir, 15, 30, 45 et 60 minutes sont
des temps qui ont été choisis aléatoirement par l’expérimentateur qui n’avait pas de connaissance a
priori sur ces 24 comprimés.

Temps
15 min. 30 min. 45 min. 60 min.
Lots
Lot 1 66 87 93 90
Lot 2 60 91 99 98
Lot 3 69 91 93 92
Lot 4 61 97 97 101
Lot 5 61 84 106 103
Lot 6 57 88 94 99

L’expérimentateur se demande à partir de quel instant peut-on admettre qu’un comprimé est
entièrement dissous ?
Le tableau d’analyse de variance est le suivant :
Analysis of Variance Table

Response: principe
Df Sum Sq Mean Sq F value Pr(>F)
temps 3 4908.5 1636.15 66.6382 6.694e-09 ***
lots 5 83.2 16.64 0.6778 0.647
Residuals 15 368.3 24.55
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
Pour le second test, la valeur critique "P-value" = 0,647, nous décidons donc de ne pas refuser
l’hypothèse nulle (H0 ). Par conséquent, nous n’avons pas réussi à mettre en évidence d’effet du
facteur aléatoire « Lot ». Le risque associé à cette décision est un risque de deuxième espèce. Pour
l’évaluer, il resterait à calculer la puissance de ce test.
Pour le premier test, la valeur critique "P-value" = 6.694e-09 , nous décidons donc de refuser
l’hypothèse nulle (H0 ). Par conséquent, nous pouvons dire, au seuil 5%, qu’il y a un effet significatif
du facteur aléatoire « Temps ».
Nous ne sommes pas capables de répondre à la question de l’expérimentateur, à savoir : « à partir
de quel instant pouvons-nous admettre qu’un comprimé est entièrement dissous ? », puisque nous ne
pouvons pas faire de tests de comparaisons multiples, étant donné que le facteur « Temps » est à
effets aléatoires.
Bien sûr, nous ne pouvons faire cette analyse des résultats, qu’en supposant avoir auparavant
vérifié que les conditions du modèle soient bien remplies.

6.2.2 Modèles à effets aléatoires avec répétition

Les termes Ai représentent un échantillon de taille I prélevé dans une population importante.
Nous admettrons que les effets des Ai sont distribués suivant une loi normale centrée de variance
2.
σA

Analyse de la variance
c 2015 Michel Carbon
6.2. MODÈLES À EFFETS ALÉATOIRES 131

Les termes Bj représentent un échantillon de taille J prélevé dans une population importante.
Nous admettrons que les effets des Bj sont distribués suivant une loi normale centrée de variance
2.
σB
Pour chacun des couples de modalités (Ai ; Bj ), nous effectuons K ≥ 2 d’une réponse Y qui est
une variable continue. Nous notons n = I × J × K le nombre total de mesures ayant été effectuées.
Nous introduisons alors le modèle suivant :

Yi,j,k = µ + αi + βj + γi,j + εi,j,k , i = 1, · · · , I , j = 1, · · · , J , k = 1, · · · , K ,

où Yi,j,k est la valeur prise par la variable réponse Y dans les conditions (Ai , Bj ) lors du k-ième
essai. Nous supposons aussi que :

L(αi ) = N (0, σA 2) ∀ i = 1, · · · , I ,
L(βi ) = N (0, σB )2 ∀ j = 1, · · · , J ,
2 )
L(γi,j ) = N (0, σAB ∀ i = 1, · · · , I j = 1, · · · , J ,

ainsi que l’indépendance des effets aléatoires :

αi indépendante de αk si i 6= k et 1 ≤ i, k ≤ I ,
βj indépendante de βk si j 6= k et 1 ≤ j, k ≤ J ,
γi,j indépendante de γk,l si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I et 1 ≤ j, l ≤ J ,
αi indépendante de βj si 1 ≤ i ≤ I et 1 ≤ j ≤ J ,
αi indépendante de γj,k si 1 ≤ i, j ≤ I et 1 ≤ k ≤ J ,
βi indépendante de γj,k si 1 ≤ j ≤ I et 1 ≤ i, k ≤ J .

Nous postulons aussi les hypothèses classiques suivantes pour les erreurs :

∀ (i, j, k), 1 ≤ i ≤ I, 1 ≤ j ≤ J, 1 ≤ k ≤ K L(εi,j,k ) = N (0, σ 2 ) ,

εi,j,k indépendante de εl,m,n si (i, j, k) 6= (l, m, n) avec 1 ≤ i, l ≤ I , 1 ≤ j, m ≤ J et 1 ≤ k, n ≤ K ,

ainsi que l’indépendance des effets aléatoires et des erreurs :

αi indépendante de εj,k,l si 1 ≤ i, j ≤ I , 1 ≤ k ≤ J , et 1 ≤ l ≤ K ,
βj indépendante de εj,k,l si 1 ≤ j ≤ I , 1 ≤ i, k ≤ J et 1 ≤ l ≤ K ,
γi,j indépendante de εk,l,m si 1 ≤ i, k ≤ I , 1 ≤ j, l ≤ J et 1 ≤ m ≤ K .

Nous supposons que les conditions d’utilisation de ce modèle sont satisfaites. Une fois encore, nous
utilisons les quantités SCA , SCB , SCAB , SCR , SCT OT , scA , scB , scAB , scR et scT OT introduites
dans la section 6.1.2.
La relation fondamentale de l’analyse de variance s’écrit ici aussi :

SCT OT = SCA + SCB + SCAB + SCR .

Nous avons les degrés de liberté suivants, associés à chaque ligne du tableau de l’analyse de
variance :
Nous résumons toutes ces informations dans le tableau de l’analyse de variance suivant :

Analyse de la variance
c 2015 Michel Carbon
132 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

Source Degrés de liberté

Facteur A nA = I − 1
Facteur B nB = J − 1
Interaction AB nAB = (I − 1)(J − 1)
Résiduelle nR = IJ(K − 1)
Totale nT OT = IJK − 1

L’analyse de la variance à deux facteurs aléatoires avec répétitions permet trois tests de Fisher.
Le premier test concernant le facteur A est le suivant :

H00 : σA
2
=0

contre
H10 : σA
2
6= 0 .

Sous l’hypothèse nulle (H00 ) précédente, d’absence d’effet du facteur A, et lorsque les conditions
de validité du modèle sont respectées, fA est la réalisation d’une variable aléatoire qui suit une loi
de Fisher à I − 1 et (I − 1)(J − 1) degrés de liberté.
Le second test concernant le second facteur B est le suivant :

H000 : σB
2
=0

contre
H100 : σB
2
6= 0 .

Sous l’hypothèse nulle (H000 ) précédente, d’absence d’effet du facteur B, et lorsque les conditions
de validité du modèle sont respectées, fB est la réalisation d’une variable aléatoire qui suit une loi
de Fisher à J − 1 et (I − 1)(J − 1) degrés de liberté.
Enfin, le troisième test concernant l’interaction entre les facteurs A et B

H0000 : σAB
2
=0

contre
H1000 : σAB
2
6= 0 .

Sous l’hypothèse nulle (H0000 ) précédente, d’absence d’effet de l’interaction entre les facteurs A
et B, et lorsque les conditions de validité du modèle sont respectées, fAB est la réalisation d’une
variable aléatoire qui suit une loi de Fisher à (I − 1)(J − 1) et IJ(K − 1) degrés de liberté.
2 , σ̂ 2 , σ̂ 2
Les estimateurs µ̂, σ̂A 2 2 2 2 2
B AB et σ̂ des paramètres µ, σA , σB , σAB et σ du modèle sont

Analyse de la variance
c 2015 Michel Carbon
6.2. MODÈLES À EFFETS ALÉATOIRES 133

Source Variations d.d.l. Carrés moyens F Décision

scA s2A
Facteur A scA nA s2A = fA = H00 ou H10
nA s2AB

scB s2B
Facteur B scB nB s2B = fB = 2 H000 ou H100
nB sAB

scAB s2AB
Interaction scAB nAB s2AB = fAB = H0000 ou H1000
nAB s2R

scR
Résiduelle scR nR s2R =
nR

Totale scT OT nT OT

donnés par les formules suivantes :

µ̂ = Y•,•,• ,

2 1 2 2

2 1 2 2


σ̂A = SA − SAB ; σ̂B = SB − SAB ,
JK IK

2 1 2 2


σAB = SAB − SR
K
SCR 2
σ̂ 2 = = SR ,
(I − 1)(J − 1)

2 = SCA 2 SCB 2 SCAB 2 = SCR . Ces estimateurs sont non biaisés.

où SA , SB = , SAB = et SR
nA nB nAB nR

2 (y), σ̂ 2 (y),
Les estimations, obtenues pour une liste de données expérimentales y, notées µ̂(y), σ̂A B
2 (y),
σ̂AB 2 2 2 2 2
σ̂ (y) des paramètres µ, σA , σB , σAB et σ du modèle, se déduisent immédiatement des

Analyse de la variance
c 2015 Michel Carbon
134 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

formules ci-dessus :
µ̂(y) = y•,•,• ,

1 1
2 (y) = s2A − s2AB 2
s2B − s2AB ,



σ̂A ; σ̂B (y) =
JK IK
1 2
2 (y) = sAB − s2R


σ̂AB
K
scR
σ̂ 2 (y) = = s2R .
(I − 1)(J − 1)
Exemple 6.2.2
Les responsables d’un laboratoire d’analyse chimique par spectrométrie dans le proche infrarouge
se sont intéressés à la variabilité des résultats qu’ils obtenaient pour les mesures des teneurs en
protéines du blé. En particulier, ils se sont interrogés sur l’importance des différences qui pouvaient
découler des étapes successives de préparation des matières à analyser. Nous considérons ici le pro-
blème du broyage, en examinant les résultats obtenus à l’aide de trois moulins différents.
Cinq échantillons de grains de blé ont été prélevés au hasard dans un arrivage relativement impor-
tant et divisés chacun en trois sous-échantillons. Pour chacun des échantillons, les sous-échantillons
ont ensuite été affectés au hasard pour trois moulins choisis au hasard dans une production de mou-
lins et deux analyses chimiques ont été effectuées dans chaque cas.Le tableau ci-dessous présente les
teneurs en protéines, exprimées en pourcentages de la matière sèche :
Échantillons
Ech. 1 Ech. 2 Ech. 3 Ech. 4 Ech. 5
Moulins
13,33 13,62 13,53 13,60 13,97
Moul. 1
13,43 13,33 13,75 13,44 13,32
13,04 13,26 13,49 13,05 13,28
Moul. 2
13,34 13,49 13,59 13,44 13,67
13,24 13,33 13,07 13,47 13,46
Moul. 3
13,25 13,46 13,33 13,04 13,32
On cherche à analyser l’homogénéité des moulins, au sens où ils donnent les mêmes teneurs en
protéines après broyage.
Il s’agit bien, dans ce cas de figure, d’une analyse de la variance à deux facteurs aléatoires avec
répétitions.
Nous supposons que les conditions du modèle sont bien remplies.
L’étude de la variabilité des résultats en spectrométrie infrarouge est donnée ci-dessous dans le
tableau d’analyse de la variance associé :
Source Variations D.l.l. Carré moyen F Proba critique
Moulin 0,29246 2 0,14623 8,70 0,010
Echant 0,20731 4 0,05183 3,08 0,082
Moul*Echant 0,13451 8 0,01681 0,38 0,917
Erreur 0,66840 15 0,04456
Total 1,30268 29

Analyse de la variance
c 2015 Michel Carbon
6.3. MODÈLES À EFFETS MIXTES 135

Pour le premier test, P = 0, 010,et nous décidons donc, au seuil α = 0, 05, de refuser l’hypothèse
nulle H00 . Par conséquent, nous pouvons affirmer qu’il y a un effet significatif du facteur aléatoire
"moulin".
Pour le second test, P = 0, 082, et nous décidons au seuil α = 0, 05, de ne pas refuser l’hypothèse
nulle H000 . Par conséquent, nous n’avons pas réussi à mettre en évidence d’effet du facteur aléatoire
"échantillon".
Pour le troisième test, P = 0, 917, et nous décidons au seuil α = 0, 05, de ne pas refuser
l’hypothèse nulle H0000 . Par conséquent, nous n’avons pas réussi à mettre en évidence d’effet du facteur
aléatoire "interaction".

6.3 Modèles à effets mixtes

6.3.1 Modèles à effets mixtes sans répétition
Un facteur contrôlé A, donc à effets fixes, se présente sous la forme de I modalités, chacune
d’elles étant notée Ai . Nous admettrons que les effets des Bj , les βj , représentent un échantillon
de taille J prélevé dans une population importante, et que les βj ont une loi normale centrée de
variance σB2.

Pour chacun des couples de modalités (Ai , Bj ), on effectue une unique mesure d’une réponse Y
qui est une variable continue. Nous noterons, là encore, n = I × J le nombre total de mesures ayant
été effectuées.
On introduit le modèle suivant :

Yi,j = µ + αi + βj + εi,j , i = 1, · · · , I ; j = 1, · · · , J ,
I
X
avec la contrainte supplémentaire : αi = 0, où Yi,j est la valeur prise par la variable réponse
i=1
Y dans les conditions (Ai , Bj ).
On suppose aussi également que :
2
L(βj ) = N (0, σB ), ∀j : 1 ≤ j ≤ J ,

ainsi que l’indépendance des effets aléatoires :

βi indépendant de βj si i 6= j et 1 ≤ i, j ≤ J .

Nous postulons les hypothèses classiques suivantes pour les erreurs :

∀ (i, j) , 1 ≤ i ≤ I, 1 ≤ j ≤ J, L(εi,j ) = N (0, σ 2 ) ,

εi,j indépendant de εk,l si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I et 1 ≤ j, l ≤ J

ainsi que l’indépendance des effets aléatoires et des erreurs :

βi indépendant de εj,k si 1 ≤ j ≤ I et 1 ≤ i, k ≤ J .

Analyse de la variance
c 2015 Michel Carbon
136 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

Nous supposons que les conditions d’utilisation de ce modèle sont satisfaites. Une fois encore, nous
utilisons les quantités SCA , SCB , SCR , SCT OT , scA , scB , scR et scT OT introduites dans la section
6.1.2.
La relation fondamentale de l’analyse de variance s’écrit ici aussi :

SCT OT = SCA + SCB + SCR .

Nous avons les degrés de liberté suivants, associés à chaque ligne du tableau de l’analyse de
variance :

Source Degrés de liberté

Facteur A nA = I − 1
Facteur B nB = J − 1
Résiduelle nR = (I − 1)(J − 1)
Totale nT OT = IJ − 1

Nous résumons toutes ces informations dans le tableau de l’analyse de variance ci-dessous.

Source Variations d.d.l. Carrés moyens F Décision

scA s2A
Facteur A scA nA s2A = fA = H00 ou H10
nA s2R

scB s2B
Facteur B scB nB s2B = fB = H000 ou H100
nB s2R

scR
Résiduelle scR nR s2R =
nR

Totale scT OT nT OT

L’analyse de la variance d’un modèle à effets mixtes facteurs aléatoires sans répétition permet
deux tests de Fisher. Le premier test concernant le facteur fixe A est le suivant :

H00 : α1 = α2 = · · · = αI = 0

Analyse de la variance
c 2015 Michel Carbon
6.3. MODÈLES À EFFETS MIXTES 137

contre
H10 : Il existe i0 ∈ {1, 2, · · · , I} tel que αi0 6= 0.
Sous l’hypothèse nulle (H00 ) précédente, d’absence d’effet du facteur fixe A, et lorsque les condi-
tions de validité du modèle sont respectées, fA est la réalisation d’une variable aléatoire qui suit
une loi de Fisher à I − 1 et (I − 1)(J − 1) degrés de liberté. Nous concluons alors à l’aide de la
valeur critique ("p-value"), et on rejette si elle est inférieure au seuil α du test. Lorsque l’hypothèse
nulle (H00 ) est rejetée, on peut alors procéder à des comparaisons multiples des différents effets des
niveaux du facteur.
Le second test concernant le second facteur aléatoire B est le suivant :

H000 : σB
2
=0
contre
H100 : σB
2
6= 0 .
Sous l’hypothèse nulle (H000 ) précédente, d’absence d’effet du facteur B, et lorsque les conditions
de validité du modèle sont respectées, fB est la réalisation d’une variable aléatoire qui suit une loi
de Fisher à J − 1 et (I − 1)(J − 1) degrés de liberté.
2 , σ̂ 2 des paramètres µ, α , · · · , α , σ 2 , et σ 2 du modèle sont
Les estimateurs µ̂, α̂1 , · · · , α̂I , σ̂B 1 I B
donnés par les formules suivantes :

µ̂ = Y•,•,• ,

α̂i = Yi,•,• − µ̂ , 1 ≤ i ≤ I ,

2 = 1 2 2


σ̂B SB − SR ,
I
SCR 2
σ̂ 2 = = SR ,
(I − 1)(J − 1)

2 = SCB 2 = SCR . Ces estimateurs sont non biaisés.

où SB et SR
nB nR
Les estimations, obtenues pour une liste de données expérimentales y, notées µ̂(y), α̂1 (y),· · · ,
2 (y) et σ̂ 2 (y) des paramètres µ, α , · · · , α , σ 2 et σ 2 du modèle, se déduisent immédiatement
α̂I (y), σ̂B 1 I B
des formules ci-dessus :

µ̂(y) = y•,•,• , α̂i = yi,•,• − µ̂(y) 1 ≤ i ≤ I ,

1 2
2 (y) = sB − s2R ,


σ̂B
I
scR
σ̂ 2 (y) = = s2R .
(I − 1)(J − 1)

Exemple 6.3.1

Analyse de la variance
c 2015 Michel Carbon
138 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

Nous reprenons les données de l’exemple 6.2.1 que nous avions étudié dans le cas de l’analyse à
deux facteurs aléatoires sans répétition. Mais cette fois-ci, nous allons considérer le facteur « Temps
» comme un facteur fixe. Par contre le facteur « Comprimé » reste toujours un facteur aléatoire.
Le modèle statistique s’écrit de la façon suivante :

Y i,j = µ + αi + B j + εi,j

I
X
où i = 1, · · · , I et j = 1, · · · , J, avec la contrainte supplémentaire : = αi = 0,
i=1
où Y i,j est la valeur prise par la réponse Y dans les conditions (αi , B i ).
Notons n = I × J le nombre total de mesures ayant été effectuées.
Le tableau d’analyse de la variance pour Principe actif dissous est le suivant :

Source D.l.l. Variations Carré moyen F Proba critique

Comprimé 5 83,21 16,64 0,68 0,647
Temps 3 4908,46 1636,15 66,6 0,000
Erreur 15 368,29 24,55
Total 23 5359,96

Pour le premier test, la probabilité critique vaut 0,647, et nous décidons de ne pas refuser l’hy-
pothèse nulle (H0 ). Par conséquent, nous n’avons pas réussi à mettre en évidence d’effet du facteur
aléatoire « Comprimé ».
Pour le deuxième test, la probabilité critique vaut 0,000, nous décidons de refuser l’hypothèse
nulle (H0 ). Par conséquent, nous pouvons dire, au seuil α = 5%, qu’il y a un effet significatif du
facteur fixe « Temps ».

6.3.2 Modèles à effets mixtes avec répétitions

Un facteur contrôlé A, donc à effets fixes, se présente sous la forme de I modalités, chacune
d’elles étant notée Ai . Nous admettrons que les effets des Bj , les βj , représentent un échantillon
de taille J prélevé dans une population importante, et que les βj ont une loi normale centrée de
variance σB2.

Pour chacun des couples de modalités (Ai , Bj ), on effectue K mesures d’une réponse Y qui est
une variable continue. Nous noterons n = I × J × K le nombre total de mesures ayant été effectuées.

On introduit le modèle, dit restreint :

Yi,j,k = µ + αi + βj + (αβ)i,j + εi,j,k i = 1, · · · , I , j = 1, · · · , J , k = 1, · · · , K ,

I
X I
X
avec les contraintes supplémentaires : αi = 0, et (αβ)i,j = 0 , ∀ j ∈ {1, · · · , J},
i=1 i=1

Analyse de la variance
c 2015 Michel Carbon
6.3. MODÈLES À EFFETS MIXTES 139

où Yi,j,k est la valeur prise par la réponse Y dans les conditions (Ai , Bj ) lors du k-ième essai. Nous
supposerons de plus que :

L(βj ) = N (0, σB2 ), ∀j ,1 ≤ j ≤ J ,

2
L((αβ)i,j ) = N (0, σAB ) , ∀ (i, j) , 1 ≤ i ≤ I , 1 ≤ j ≤ J ,

ainsi que l’indépendance des effets aléatoires :

βi indépendant de βj si i 6= j et 1 ≤ i, j ≤ J ,
βi indépendant de (αβ)j,k si 1 ≤ j ≤ I et 1 ≤ i, k ≤ J .

On postule les hypothèses classiques suivantes pour les erreurs :

∀ (i, j, k) , 1 ≤ i ≤ I , 1 ≤ j ≤ J , 1 ≤ k ≤ K , L(εi,j,k ) = N (0, σ 2 ) ,

et εi,j,k indépendant de εl,m,n si (i, j, k) 6= (l, m, n) avec
1 ≤ i, l ≤ I , 1 ≤ j, m ≤ J et 1 ≤ k, n ≤ K ,

ainsi que l’indépendance des effets aléatoires et des erreurs :

βi indépendant de εj,k,l , 1 ≤ j ≤ I , 1 ≤ i, k ≤ J et 1 ≤ l ≤ K ,
(αβ)i,j indépendant de εk,l,m si 1 ≤ i, k ≤ I , 1 ≤ j, l ≤ J et ≤ m ≤ K .

Dans un modèle mixte restreint, les effets aléatoires croisant des facteurs à effets fixes et à effets
aléatoires, ici les (αβ)i,j , ne sont pas mutuellement indépendants à cause des contraintes portant sur
XI
leur somme : (αβ)i,j = 0 , ∀ j ∈ {1, · · · , J}. Par contre, ils le sont dès qu’on ne les considère pas
i=1
tous en même temps.
Nous introduisons aussi le modèle, dit non restreint, suivant :

Yi,j,k = µ + αi + βj + (αβ)i,j + εi,j,k i = 1, · · · , I , j = 1, · · · , J , k = 1, · · · , K ,

I
X
avec la contrainte supplémentaire : αi = 0,
i=1
où Yi,j,k est la valeur prise par la réponse Y dans les conditions (Ai , Bj ) lors du k-ième essai. Nous
supposerons de plus que :

L(βj ) = N (0, σB2 ), ∀j ,1 ≤ j ≤ J ,

2
L((αβ)i,j ) = N (0, σAB ) , ∀ (i, j) , 1 ≤ i ≤ I , 1 ≤ j ≤ J ,

ainsi que l’indépendance des effets aléatoires :

βi indépendant de βj si i 6= j et 1 ≤ i, j ≤ J ,
(αβ)i,j indépendant de (αβ)k,l si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I et 1 ≤ j, l ≤ J ,
βi indépendant de (αβ)j,k si 1 ≤ j ≤ I et 1 ≤ i, k ≤ J .

Nous postulons là aussi les hypothèses classiques suivantes pour les erreurs :

∀ (i, j, k) , 1 ≤ i ≤ I , 1 ≤ j ≤ J , 1 ≤ k ≤ K , L(εi,j,k ) = N (0, σ 2 ) ,

et εi,j,k indépendant de εl,m,n si (i, j, k) 6= (l, m, n) avec
1 ≤ i, l ≤ I , 1 ≤ j, m ≤ J et 1 ≤ k, n ≤ K ,

Analyse de la variance
c 2015 Michel Carbon
140 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

ainsi que l’indépendance des effets aléatoires et des erreurs :

βi indépendant de εj,k,l , 1 ≤ j ≤ I , 1 ≤ i, k ≤ J et 1 ≤ l ≤ K ,
(αβ)i,j indépendant de εk,l,m si 1 ≤ i, k ≤ I , 1 ≤ j, l ≤ J et ≤ m ≤ K .

Dans un modèle mixte non restreint, les effets aléatoires croisant des facteurs à effets fixes et à
effets aléatoires, ici les (αβ)i,j , sont mutuellement indépendants. Il n’existe aucun consensus sur une
raison statistique quelconque qui permettrait de privilégier l’une ou l’autre de ces approches. Nous
utiliserons plutôt des modèles restreints.

Nous supposons que les conditions d’utilisation de ce modèle sont satisfaites. Une fois encore, nous
utilisons les quantités SCA , SCB , SCAB , SCR , SCT OT , scA , scB , scAB , scR et scT OT introduites
dans la section 6.1.2.

La relation fondamentale de l’analyse de variance s’écrit ici aussi :

SCT OT = SCA + SCB + SCAB + SCR .

On introduit une fois encore le nombre de degrés de liberté associés à chaque ligne du tableau de
l’analyse de variance (voir tableau ci-dessous) Nous résumons enfin ces informations dans le tableau

Source Degrés de liberté

Facteur A nA = I − 1
Facteur B nB = J − 1
Interaction AB nAB = (I − 1)(J − 1)
Résiduelle nR = IJ(K − 1)
Totale nT OT = IJK − 1

d’analyse de variance ci-dessus.

Analyse de la variance
c 2015 Michel Carbon
6.3. MODÈLES À EFFETS MIXTES 141

Sources Degrés Variations Carrés Statistique Décision

de variation de liberté moyens F

scA s2A
Facteur A nA = I − 1 scA s2A = fA = H00 ou H10
nA s2R

scB s2B
Facteur B nB = J − 1 scB s2B = fB = H000 ou H100
nB s2AB

scAB s2AB
Interaction nAB = (I − 1)(J − 1) scAB s2AB = fAB = H0000 ou H1000
nAB s2R

scR
Résidus nR = IJ(K − 1) scR s2R =
nR

scT OT
Total nT OT = IJK − 1 scT OT s2T =
nT OT

Nous désirons faire les trois tests d’hypothèse suivants :

H00 : α1 = α2 = · · · = αI = 0
contre
H10 : Il existe i0 ∈ {1, 2, · · · , I} tel que αi0 6= 0.
Sous l’hypothèse nulle (H00 ) précédente, d’absence d’effet du facteur fixe A, et lorsque les condi-
tions de validité du modèle sont respectées, fA est la réalisation d’une variable aléatoire qui suit
une loi de Fisher à I − 1 et IJ(K − 1) degrés de liberté. Nous concluons alors à l’aide de la valeur
critique ("p-value"), et on rejette si elle est inférieure au seuil α du test. Lorsque l’hypothèse nulle
(H00 ) est rejetée, on peut alors procéder à des comparaisons multiples des différents effets des niveaux
du facteur.
Le second test concernant le second facteur aléatoire B est le suivant :

H000 : σB
2
=0
contre
H100 : σB
2
6= 0 .
Sous l’hypothèse nulle (H000 ) précédente, d’absence d’effet du facteur B, et lorsque les conditions
de validité du modèle sont respectées, fB est la réalisation d’une variable aléatoire qui suit une loi
de Fisher à J − 1 et (I − 1)(J − 1) degrés de liberté.

Analyse de la variance
c 2015 Michel Carbon
142 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

Le troisième test concerne l’interaction entre les facteurs A et B :

H0000 : σAB
2
=0

contre
H1000 : σAB
2
6= 0 .
Sous l’hypothèse nulle (H0000 ) précédente, d’absence d’effet de l’interaction entre les facteurs A
et B, et lorsque les conditions de validité du modèle sont respectées, fAB est la réalisation d’une
variable aléatoire qui suit une loi de Fisher à (I − 1)(J − 1) et IJ(K − 1) degrés de liberté.

Exemple 6.3.2
Eysenck (1974) a mené une étude consacrée à la rétention de matériel verbal en fonction du
niveau de traitement. Elle faisait varier aussi bien l’âge que la condition de rétention. Le modèle de
la mémorisation proposé par Craik et Lockhart (1972) stipule que le degré auquel un sujet se rappelle
un matériel verbal est fonction du degré auquel ce matériel a été traité lors de sa présentation initiale.
Ainsi, si l’on essaie de mémoriser une liste de mots, répéter simplement un mot pour soi-même (un
niveau de traitement très bas) ne permet pas de le mémoriser aussi bien que si l’on y réfléchit en
tentant de former des associations entre ce mot et un autre. Eysenck (1974) voulait tester ce modèle
et, plus important encore, examiner s’il pouvait contribuer à expliquer certaines différences relevées
entre des sujets jeunes et âgés concernant leur aptitude à se rappeler du matériel verbal. Eysenck
a réparti aléatoirement 50 sujets âgés de 55 à 65 ans dans cinq groupes ; les quatre premiers im-
pliquaient un apprentissage involontaire et le dernier un apprentissage intentionnel (l’apprentissage
involontaire se caractérisait par le fait que le sujet ne savait pas qu’il devrait plus tard se rappeler le
matériel appris).
Le premier groupe (addition) devait lire une liste de mots et se contenter de compter le nombre
de lettres de chacun d’eux. Il s’agissait du niveau de traitement le plus bas, puisqu’il n’était pas
nécessaire de mémoriser chaque mot autrement que comme une suite de lettres.
Le deuxième groupe (rimes) devait lire chaque mot et lui trouver une rime. Cette tâche impliquait
de considérer la consonance de chaque mot, mais pas sa signification.
Le troisième groupe (adjectifs) devait donner un adjectif qui aurait pu être utilisé pour modifier
chaque mot de la liste.
Le quatrième groupe (images) devait essayer de se former une image précise de chaque mot.
Cette dernière tâche était supposée nécessiter le niveau de traitement le plus élevé parmi les quatre
groupes d’apprentissage involontaire.
Aucun de ces groupes ne savait qu’il faudrait se rappeler les mots ultérieurement.
Enfin, le groupe d’apprentissage intentionnel devait lire la liste et mémoriser tous les mots. Après
avoir passé trois fois en revue la liste de 27 mots, les sujets devaient retranscrire tous les mots dont
ils se souvenaient.
Si l’apprentissage n’impliquait rien de plus qu’une exposition au matériel (soit la façon dont la
plupart d’entre nous lisent le journal ou, pis encore, un devoir), les cinq groupes devaient obtenir
des résultats identiques ; après tout, ils avaient tous vu tous les mots. Si le niveau de traitement était
important, on devait constater des différences sensibles entre les moyennes des groupes.

Analyse de la variance
c 2015 Michel Carbon
6.3. MODÈLES À EFFETS MIXTES 143

L’étude incluait 50 participants dont l’âge se situait entre 18 et 30 ans, ainsi que 50 participants
compris dans la tranche d’âge 55-65 ans. Pour plus de facilité, nous avons regroupé les 50 participants
dont l’âge se situait entre 18 et 30 ans dans une classe que nous appellerons « sujets jeunes » et les
50 participants dont l’âge se situait entre 55 et 65 ans dans une classe que nous allons appeler «
sujets âgés ».
Les données sont présentées dans le tableau suivant :

Addition Rimes Adjectifs Images Intentionnel

8 10 14 20 21
6 7 11 16 19
4 8 18 16 17
6 10 14 15 15
7 4 13 18 22
6 7 22 16 16
5 10 17 20 22
7 6 16 22 22
9 7 12 14 18
7 7 11 19 21
9 7 11 12 10
8 9 13 11 19
6 6 8 16 14
8 6 6 11 5
10 6 14 9 10
4 11 11 23 11
6 6 13 12 14
5 3 13 10 15
7 8 10 19 11
7 7 11 11 11

Les résultats de l’analyse de la variance se trouvent dans le tableau ci-dessous.

Source D.l.l. Variations Carré moyen F Proba critique

Âge 1 240,25 240,25 5,05 0,027
Méthode 4 1541,94 378,73 7,96 1,53e-05
Âge * Méthode 4 190,30 47,57 5,93 0,000
Erreur 90 722,30 8,03
Total 99 2667,79

Analysons les résultats :

1. Pour le premier test, la probabilité critique vaut 0,027, nous décidons de refuser l’hypothèse
nulle (H0 ). Par conséquent, nous avons réussi à mettre en évidence un effet du facteur aléatoire
« Âge ». Le risque associé à cette décision est un risque de deuxième espèce. Pour l’évaluer, il
resterait à calculer la puissance de ce test.

Analyse de la variance
c 2015 Michel Carbon
144 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

2. Pour le deuxième test, la probabilité critique vaut 0,001, nous décidons de refuser l’hypothèse
nulle (H0 ). Par conséquent, nous pouvons dire, au seuil α = 5%, qu’il y a un effet significatif
du facteur fixe « Méthode ».
3. Pour le troisième test, la probabilité critique vaut 0,000, nous décidons de refuser l’hypothèse
nulle (H0 ). Par conséquent, nous pouvons dire, au seuil α = 5%, qu’il y a un effet significatif
du facteur aléatoire « Interaction ».

Exercices
Exercice 1
Trois cafés ont été dégustés par 6 juges. Le tableau ci-dessous fournit les notes d’acidité accordées
par les 6 juges aux différents cafés :

Juges Café 1 Café 2 Café 3

Juge 1 0 3 4
Juge 2 2 3 6
Juge 3 3 5 7
Juge 4 3 6 7
Juge 5 5 6 8
Juge 6 6 8 10

Les notes sont attribuées sur la base d’une échelle allant de 0 (café très peu acide) à 10 (café très
acide).
1. On se pose la question de savoir si, en moyenne, certains cafés sont perçus plus acides que
d’autres. Dans cette perspective, on réalise dans un premier temps une analyse de variance à
un facteur, le facteur café (à trois modalités). Écrire le modèle correspondant et complétez le
tableau d’analyse de variance suivant :
Variabilité Variations D.l.l. Carrés moyens F
due au type de café 44,111 ··· ··· ···
due au résidu 61,667 ··· ···
totale ··· ···
2. Testez l’hypothèse selon laquelle les 3 cafés présentent en moyenne une acidité identique.
Donnez vos conclusions au risque 5 % (puis 1 %).
3. Quelle interprétation concrète donner à l’effet juge ? Est-il vraiment intéressant, lorsqu’on
s’intéresse seulement à l’effet café, de prendre en compte l’effet juge dans le modèle d’analyse
de variance ci-dessus ?

Analyse de la variance
c 2015 Michel Carbon
6.3. MODÈLES À EFFETS MIXTES 145

4. Écrire le modèle d’analyse de la variance comportant juste les deux effets café et juge, et
concluez.
5. Commentez les façons de noter des juges 1 et 3. Quel café achèteriez-vous si vous préférez les
cafés peu acides ?

Exercice 2
Lors d’une évaluation sensorielle, 31 personnes ont jugé 6 compotes de pomme sur la base de
critères relatifs à l’odeur, l’aspect, la texture et la saveur. À l’issue du test, chacun attribue à chaque
produit une note, dite note hédonique, allant de 0 (je n’aime pas du tout) à 10 (j’aime énormément).
Les données se trouvent dans le fichier "chap6_ex2.csv" contenant 31 × 6 = 186 données.
1. Tracez les boîtes à moustaches en fonction de chaque compote.
2. Proposez une méthode statistique permettant d’étudier l’influence de la compote sur la note
hédonique.
3. Faites une analyse de variance à un facteur en fonction du seul facteur compote. Quel modèle
utilisez-vous ? Y a-t-il des différences entre compotes ? Quelle compote est la plus appréciée ?
4. Reprendre l’étude en intégrant en plus l’effet juge. Qu’en conclure ?

Exercice 3
On fait une étude sur l’évolution de la viscosité de crème liquide dans le temps. On mesure la
viscosité à J + 5 (5 jours après la date de fabrication) et à J + 30. Plus la valeur de la mesure est
élevée et plus la crème est visqueuse. Les crèmes sont des crèmes UHT, et donc la viscosité ne doit
pas trop évoluer dans le temps. On suppose que la variance des viscosités est la même aux deux
dates.
Pour cette étude, on réalise une expérience dans laquelle on mesure la viscosité de 22 crèmes à
J + 5 et de 22 autres à J + 30. Les données se trouvent dans le fichier "chap6_ex3.csv".
1. Quel test d’hypothèse formalise la question suivante : "y a-t-il une différence de viscosité des
crèmes entre les deux dates ?"
2. Décrire complètement la procédure de test pour conclure éventuellement à l’existence d’une
différence ou non. Commentez les résultats obtenus. Quelle décision prendre sur cette base ?
3. À partir de maintenant, on suggère qu’il serait plus judicieux de comparer les viscosités à
J + 5 et à J + 30 à partir de crèmes provenant d’un même lot, car les crèmes d’un même
lot sont homogènes. On décide alors de faire une nouvelle expérience en choisissant 22 lots de
production et en effectuant, pour chaque lot, une mesure à J + 5 et une à J + 30. On est donc
confronté à un problème de comparaison de moyennes dites appariées.
Quels facteurs peut-on prendre en compte avec cette nouvelle structure des données ? Rappeler
l’équation qui décompose la variabilité de la viscosité en fonction de ces deux facteurs. En
déduire des procédures de test de ces deux facteurs. Quel est, a priori, l’intérêt de cette
nouvelle procédure par rapport à la précédente ?
4. Quelle conclusion tirez-vous à l’issue du test ?

Analyse de la variance
c 2015 Michel Carbon
146 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

5. Comparez les résultats obtenus vis-à-vis des résultats obtenus à la question 2.

6. Cette procédure peut-elle être facilement étendue au cas de la comparaison entre plus de deux
dates ?

Exercice 4
On évalue l’efficacité d’un nouveau traitement ayant pour objet d’améliorer le développement
global des enfants atteints de trisomie 21. Pour cela, une étude a été menée auprès de 12 enfants
trisomiques. Six d’entre eux ont reçu un produit actif alors que les six autres ont reçu un placebo, et
ce durant 6 mois. Un indice de développement global de chaque enfant a été calculé avant et après le
début de l’étude par un même psychologue. Cet indice de développement global résume l’ensemble
des capacités en terme de coordination, posture, langage et sociabilité. La nature du traitement
donné n’est connu ni de la famille du patient, ni du psychologue. Deux psychologues ont participé à
l’étude. Les données se trouvent dans le fichier "chap6_ex4.csv".
1. Proposez un modèle permettant de mettre en évidence un éventuel effet traitement.
2. Peut-on considérer que le nouveau traitement est efficace ?

Analyse de la variance
c 2015 Michel Carbon
6.3. MODÈLES À EFFETS MIXTES 147

Exercice 5
Le tableau ci-dessous présente le rendement de deux variétés de plantes lorsque trois types de
fongicides ont été appliqués.

Fongicide 1 Fongicide 2 Fongicide 3 ȳi,•,•

Variété 1 1 1 2 2
3 1 4
Variété 2 2 4 4 4
2 6 6
ȳ•,j,• 2 3 4 3

1. Ecrire le modèle permettant d’étudier l’influence de la variété, du fongicide et de leurs inter-

actions sur le traitement.
2. Après avoir noté que le plan d’expérience est complet et équirépété, donnez une estimation
des paramètres du modèle.
3. Donnez les 12 valeurs du rendement prédites par le modèle. En déduire une estimation de σ 2 .

Exercice 6
Pour étudier les facteurs influençant le rendement en blé, on a comparé trois variétés (L, N
et NF) de blé et deux apports d’engrais azotés ( un apport "normal", la dose 1, et un apport
"intensif", la dose 2). Trois répétitions pour chaque couple(variété, dose d’engrais) ont été effectuées
et le rendement (en quintal par hectare) a été mesuré. On s’intéresse principalement aux différences
qui pourraient exister d’une variété à l’autre, et aux interactions éventuelles des variétés avec les
apports azotés. Les données se trouvent dans le fichier "chap6_ex6.csv".
1. Écrivez le modèle relatif à cette étude.
2. La personne en charge de cette étude hésite entre les deux méthodes suivantes :
(a) Méthode 1 : conserver toutes les données ;
(b) Méthode 2 : substituer aux trois valeurs observées pour un même couple (variété, dose
d’engrais) leur valeur moyenne.
Pour chacune des deux méthodes, donnez les degrés de liberté des différentes sources de va-
riabilité présentes dans la table d’analyse de la variance. Quelle méthode utiliseriez-vous ?
Pourquoi ?
3. Faites les calculs et déterminez les effets significatifs, en prenant soin de construire les tests en
posant bien les hypothèses que vous voulez tester, la statistique de test sous H0 et la décision
que vous prenez. Quel modèle retenez-vous ?
4. Quelle variété et quelle dose d’azote conseilleriez-vous ?

Exercice 7
Lors d’un test hédonique, on s’intéresse à l’appréciation globale de trois chocolats. Pour cela, 45
juges ont participé à cette évaluation qui a eu lieu durant 2 jours (on dispose de 15 échantillons par

Analyse de la variance
c 2015 Michel Carbon
148 CHAPITRE 6. ANALYSE DE LA VARIANCE À DEUX FACTEURS

chocolat). Chaque juge n’a évalué qu’un chocolat. Comme chacun choisit son jour de dégustation et
le chocolat qu’il évalue, le nombre de données et la répartition des chocolats évalués ne sont pas les
mêmes d’un jour à l’autre.
On souhaite d’une part vérifier qu’il y a bien un effet chocolat, s’il y a un effet jour (les chocolats
pouvant être plus ou moins appréciés lors du premier ou du second jour), et un effet interaction
entre chocolat et jour.

Chocolat 1 Chocolat 2 Chocolat 3 ȳi,•,•

5,2 6 5,4 4,2 5,2 5 4,6 5,6 5,2
Jour 1 5,2 6,6 4,4 5,4 4,8 4,8 5,8 6,4 5,36
4,4 5,6 6 5 6,2 5,2
5,4 6,4
3,2 4 3,6 3,2 3,6 4,2 3 3,8 3,4
Jour 2 4,2 3,8 4,2 3,4 4 3,6 4,4 3,83
4 4,4 4,6
4
4,56 4,47 5,01

1. Écrivez le modèle permettant de répondre à la problématique. Que signifie l’interaction entre

les facteurs chocolat et jour ?
2. Quelles sont les estimations des différents paramètres de ce modèle ?
3. Y a-t-il un effet jour, un effet chocolat et un effet de l’interaction ?
4. Refaites un modèle d’analyse de la variance sans interaction. Commentez ce nouveau tableau
d’analyse de variance et expliquez les résultats. Comparez les différences par rapport aux
résultats obtenus ci-dessus.
5. Par chocolat, calculez la moyenne des notes et comparez la à la moyenne ajustée (µ̂ + α̂i ) que
l’on peut calculer à l’aide des résultats du tableau de la question 4. Qu’en pensez-vous ? Quel
est le chocolat préféré ?
6. Testez l’hypothèse H0 : l’effet du chocolat 1 est nul (précisez les hypothèses du test, la
statistique de test sous H0 , et la décision).

Analyse de la variance
c 2015 Michel Carbon
Chapitre 7

Analyse de la variance à deux facteurs

emboîtés

Les modèles emboîtés d’analyse de la variance à deux facteurs correspondent à des situations où
un des critères est subordonné à l’autre.
Ainsi, par exemple, quand on compare les productions laitières d’une même race bovine dans deux
ou plusieurs régions, en choisissant au hasard et indépendamment plusieurs exploitations agricoles
dans chaque région, et en mesurant dans chacune d’elles les productions laitières de plusieurs bêtes,
elles aussi choisies au hasard et indépendamment les unes des autres, le facteur exploitation est
alors subordonné au facteur région, puisque le choix des exploitations est réalisé à l’intérieur de
chacune des régions, sans qu’il n’y ait aucune correspondance entre les différentes exploitations des
différentes régions.
Dans ces conditions, il ne se justifie pas de calculer x̄•,1,• qui serait relative aux premières
exploitations des différentes régions. Par contre, il se justifie toujours de calculer les moyennes
relatives à l’intérieur de chaque région, c’est-à-dire les moyennes x̄i,•,• relatives au premier critère
de classification.
Un point très important est que nous ne pourrons nous servir de modèles où les facteurs sont
emboîtés que si nous disposons de répétitions. Dans le cas contraire où les mesures ne seraient pas
répétées, le modèle que nous devrons alors utiliser pour analyser les données sera l’un de ceux déjà
exposés au chapitre 6.

7.1 Modèles à effets fixes

On suppose qu’un facteur contrôlé A possède I modalités, chacune d’elle étant notée Ai . De
même, on suppose qu’un facteur contrôlé B possède J modalités, chacune d’elle dépendant du
niveau Ai du facteur A, et étant notée Bj(i) . Pour chaque couple de modalités (Ai , Bj(i) ), nous
effectuons K ≥ 2 mesures d’une variable réponse Y qui est supposée être une variable continue.
Nous noterons n le nombre total de mesures effectuées : n = I × J × K.
Pour cela, on introduit le modèle :
Yi,j,k = µ + αi + βj(i) + εi,j,k , i = 1, · · · , I ; j = 1, · · · , J ; k = 1, · · · , K .

149
 CHAPITRE 7. ANALYSE DE LA VARIANCE À DEUX FACTEURS
150 EMBOÎTÉS
I
X J
X
avec les contraintes supplémentaires : αi = 0 et βj(i) = 0 , ∀ i ∈ {1, · · · , I} , où Yi,j,k est la
i=1 j=1
valeur prise par la réponse Y dans les conditions (Ai , Bj(i) ) lors de la k-ème mesure.
On supposera toujours réalisées les hypothèses standards suivantes :
1. εi,j,k et εl,m,n sont indépendantes si (i, j, k) 6= (l, m, n) avec 1 ≤ i, l ≤ I , 1 ≤ j, m ≤ J et
1 ≤ k, n ≤ K.
2. ∀ (i, j, k), i = 1, · · · , I ; j = 1, · · · , J ; k = 1, · · · , K ; L(εi,j,k ) = N (0, σ 2 ).
Nous supposerons que les conditions d’utilisation de ce modèle sont bien remplies.
Nous regroupons les valeurs prises par la variable réponse Y dans les conditions (Ai , Bj ) lors des
K répétitions dans le tableau ci-dessous :

A1 ··· AI
B1(1) ··· BJ(1) ··· ··· ··· B1(I) ··· BJ(1)
Y1,1,1 ··· Y1,J,1 ··· ··· ··· YI,1,1 ··· YI,J,1
.. .. .. .. .. ..
. . . ··· ··· ··· . . .
Y1,1,K ··· Y1,J,K ··· ··· ··· YI,1,K ··· YI,J,K

Il y a donc I × J × K variables aléatoires Yi,j,k . On peut, comme au chapitre 6, définir les

différentes moyennes suivantes :
I
1X
Y•,j,k = Yi,j,k
I
i=1
J
1 X
Yi,•,k = Yi,j,k
J
j=1
K
1 X
Yi,j,• = Yi,j,k
K
k=1
I J
1 XX
Y•,•,k = Yi,j,k
I ×J
i=1 j=1
I K
1 XX
Y•,j,• = Yi,j,k
I ×K
i=1 k=1
J K
1 XX
Yi,•,• = Yi,j,k
J ×K
j=1 k=1
I XJ X
K
1 X
Y•,•,• = Yi,j,k
I ×J ×K
i=1 j=1 k=1

Nous rappelons que la variation théorique due au facteur A est définie par :
I
X
SCA = JK (Yi,•,• − Y•,•,• )2 .
i=1

Analyse de la variance
c 2015 Michel Carbon
7.1. MODÈLES À EFFETS FIXES 151

La variation théorique du facteur B dans le facteur A est définie par :

I X
X J
SCB|A = K (Yi,j,• − Yi,•,• )2 .
i=1 j=1

La variation résiduelle théorique est quant à elle définie par :

I X
X J X
SCR = K(Yi,j,k − Yi,j,• )2 .
i=1 j=1 k=1

Enfin, la variation totale est égale à :

I X
X J X
K
SCT OT = (Yi,j,k − Y•,•,• )2 .
i=1 j=1 k=1

Nous rappelons la relation fondamentale de l’ANOVA :

SCT OT = SCA + SCB|A + SCR .

La liste y des données expérimentales y1,1,1 , · · · , y1,1,K , y1,2,1 , · · · , j1,2,K , · · · , yI,J,K permet de
construire une réalisation du tableau précédent :

A1 ··· AI
B1(1) ··· BJ(1) ··· ··· ··· B1(I) ··· BJ(1)
y1,1,1 ··· y1,J,1 ··· ··· ··· yI,1,1 ··· yI,J,1
.. .. .. .. .. ..
. . . ··· ··· ··· . . .
y1,1,K ··· y1,J,K ··· ··· ··· yI,1,K ··· yI,J,K

La variation due au facteur A observée sur la liste y de données expérimentales est définie par :
I
X
scA = JK (yi,•,• − y•,•,• )2 .
i=1

La variation due au facteur B dans le facteur A observée sur la liste y de données expérimentales
est définie par :
XI XJ
scB|A = K (yi,j,• − yi,•,• )2 .
i=1 j=1

La variation résiduelle observée sur la liste y de données expérimentales est définie par :
I X
X J X
K
scR = (yi,j,k − yi,j,• )2 .
i=1 j=1 k=1

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 7. ANALYSE DE LA VARIANCE À DEUX FACTEURS
152 EMBOÎTÉS
Enfin, la variation totale observée sur la liste y de données expérimentales est égale par :
I X
X J X
K
scT OT = (yi,j,k − y•,•,• )2 .
i=1 j=1 k=1

La relation fondamentale de l’analyse de variance reste valable lorsqu’elle est évaluée sur la liste
y de données expérimentales :
scT OT = scA + scB|A + scR .
On reconnaît parmi les quantités définies ci-dessus des quantités similaires à celles introduites
dans les chapitres 3 et 6.
Nous remarquons que les nouvelles quantités : SCB|A et scB|A sont liées aux relations précédentes
par les relations :
SCB|A = SCB + SCAB

scB|A = scB + scAB

On introduit les degrés de liberté associés à chaque ligne du tableau de l’ANOVA :

Source de variations de d.d.l.

Facteur A nA = I − 1
Facteur B dans A nB|A = I(J − 1)
Résiduelle nR = IJ(K − 1)
Totale nT OT = IJK − 1

Nous résumons toutes ces informations dans le tableau d’ANOVA ci-dessous :

Sources Degrés Variations Carrés Statistique Décision

de variation de liberté moyens F

scA s2A
Facteur A nA = I − 1 scA s2A = fA = H00 ou H10
nA s2R

scB|A s2B|A
Facteur B dans facteur A nB|A = I(J − 1) scB|A s2B|A = fB|A = H000 ou H100
nB|A s2R

scR
Résiduelle nR = IJ(K − 1) scR s2R =
nR

scT OT
Total nT OT = IJK-1 scT OT s2T =
nT OT

Analyse de la variance
c 2015 Michel Carbon
7.1. MODÈLES À EFFETS FIXES 153

Nous souhaitons faire les tests d’hypothèses suivants :

H00 ; α1 = α2 = · · · = αI = 0

contre
H10 : Il existe i0 ∈ {1, 2, · · · , I} tel que αi0 6= 0 .
Sous l’hypothèse nulle H00 d’absence d’effet du facteur A et lorsque les conditions de validité du
2 /S 2 qui suit une loi de
modèle sont respectées, fA est la réalisation de la variable aléatoire SA R
Fisher-Snedecor à nA = I − 1 et nR = IJ(K − 1) degrés de liberté.
On peut alors conclure grâce à la valeur critique, et on rejette l’hypothèse nulle si elle est
inférieure ou égale au seuil α du test, ou à l’aide d’une table. Il y a rejet si fA est supérieure ou
égale à la valeur critique issue de la table. Si l’hypothèse H00 est rejetée, on pourra procéder à des
comparaisons multiples des différents effets des niveaux du facteur.
Nous pouvons répéter ce qui précède pour le facteur B :

H000 ; β1(1) = β2(1) = · · · = βJ(1) = · · · = βJ(I) = 0

contre
H100 : Il existe (i0 , j0 ) ∈ {1, 2, · · · , I} × {1, 2, · · · , J} tel que βj0 (io ) 6= 0 .
Sous l’hypothèse nulle H000 d’absence d’effet du facteur B dans le facteur A et lorsque les condi-
2 /S 2
tions de validité du modèle sont respectées, fB|A est la réalisation de la variable aléatoire SB|A R
qui suit une loi de Fisher-Snedecor à nB = I(J − 1) et nR = IJ(K − 1) degrés de liberté.
On peut alors conclure grâce à la valeur critique, et on rejette l’hypothèse nulle si elle est
inférieure ou égale au seuil α du test, ou à l’aide d’une table. Il y a rejet si fB est supérieure ou
égale à la valeur critique issue de la table. Si l’hypothèse H000 est rejetée, on pourra procéder à des
comparaisons multiples des différents effets des niveaux du facteur.
Les estimateurs µ̂, α̂1 , · · · , α̂I , β̂1(1) , β̂2(1) , · · · , β̂J(1) , · · · , β̂J(I) , et σ̂ 2 des paramètres respectifs µ,
α1 , · · · , αI , β1(1) , β2(1) , · · · , βJ(1) , · · · , βJ(I) et σ 2 du modèle sont donnés par :

µ̂ = Y•,•,• ; α̂i = Yi,•,• − µ̂, 1≤i≤I

β̂j(i) = Yi,j,• − Yi,•,• 1 ≤ i ≤ I, 1≤j≤J

SCR 2
σ̂ 2 = = SR .
IJ(K − 1)
Ce sont des estimateurs sans biais.
Les estimations obtenues pour une liste de données expérimentales y, notées µ̂(y), α̂1 (y),· · · ,
α̂I (y), β̂1(1) ,(y),β̂2(1) ,(y),· · · , β̂J(1) (y), · · · ,β̂J(I) (y) et σ̂ 2 (y) des paramètres µ, α1 , · · · , αI , β1(1) ,
β2(1) , · · · , βJ(1) , · · · ,βJ(I) et σ 2 du modèle se déduisent, mutatis mutandis, des formules précédentes.

Exemple 7.1.1
L’expérience consiste à évaluer le gain de masse, en grammes, entre la dixième et la vingtième
semaine, de poulets soumis à quatre régimes alimentaires obtenus en combinant des niveaux faibles

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 7. ANALYSE DE LA VARIANCE À DEUX FACTEURS
154 EMBOÎTÉS
ou élevés de calcium et de lysine. Deux enclos de six poulets ont été utilisés pour chacun des quatre
traitements.
Les deux facteurs, régime et enclos, sont contrôlés par l’expérimentateur.
Les données sont fournies dans le tableau ci-dessous :

Régime
LoCaLoL LoCaHiL HiCaLoL HiCaHiL
Enclos 1 2 1 2 1 2 1 2
573 1041 618 943 731 416 518 416
Gain 636 814 926 640 845 729 782 729
de 883 498 717 373 866 590 938 590
masse 550 890 677 907 729 552 755 552
en g. 613 636 659 734 770 776 672 776
901 685 817 1050 787 657 576 657

La signification des sigles ci-dessus est la suivante : par exemple, "LoCaLoL" signifie faible dose
en calcium et faible dose en lysine, "HiCaLoL" signifie haute dose en calcium et faible dose en lysine,
etc.
Le tableau de l’analyse de variance est le suivant :
Analysis of Variance Table

Response: masse
Df Sum Sq Mean Sq F value Pr(>F)
regime 3 53943 17981 0.7319 0.5391
regime:enclos 4 125688 31422 1.2791 0.2943
Residuals 40 982654 24566
Nous supposons bien sûr que les conditions du modèle sont bien remplies.
Analysons les résultats :
1. Pour le premier test, la valeur critique vaut 0,5391 et nous décidons de ne pas refuser l’hypo-
thèse nulle H0 . Par conséquent, nous n’avons pas réussi à mettre en évidence d’effet du facteur
à effets fixes régime. Le risque associé à cette décision est un risque de seconde espèce, et
pour l’évaluer, il resterait à calculer la puissance de ce test.
2. Pour le second test, la valeur critique vaut 0,2943 et nous décidons de ne pas refuser l’hypothèse
nulle H0 . Par conséquent, nous n’avons pas réussi à mettre en évidence d’effet du facteur à
effets fixes enclos dans le facteur régime. Le risque associé à cette décision est un risque de
seconde espèce, et pour l’évaluer, il resterait à calculer la puissance de ce test.

7.2 Modèles à effets aléatoires

Cette fois, les deux facteurs sont considérés aléatoires. Les termes Ai représentent un échantillon
de taille I prélevé dans une population importante. Nous admettrons que les effets des Ai sont de
loi normale centrée de variance σA 2.

Analyse de la variance
c 2015 Michel Carbon
7.2. MODÈLES À EFFETS ALÉATOIRES 155

Les termes Bj(i) représentent un échantillon de taille J prélevé dans une population importante
dépendant du niveau Ai du facteur A. Nous admettrons que les effets des Bj(i) sont de loi normale
2 .
centrée de variance σB|A
Pour chacun des couples (Ai , Bj(i) ), nous effectuons K ≥ 2 mesures d’une réponse Y qui est une
variable continue. Nous noterons n = I × J × K le nombre total de mesures ayant été effectuées.
On introduit le modèle :

Yi,j,k = µ + αi + βj(i) + εi,j,k , i = 1, · · · , I ; j = 1, · · · , J ; k = 1, · · · , K ,

où Yi,j,k est la valeur prise par la réponse Y dans les conditions (Ai , Bj(i) ) lors de la k-ème mesure.
Nous supposons que :

L(αi ) 2 ),
= N (0, σA ∀i,1 ≤ i ≤ I ,

2 ),
L(βj(i) ) = N (0, σB|A ∀ (i, j) , 1 ≤ i ≤ I, 1 ≤ j ≤ J ,

ainsi que l’indépendance des effets aléatoires :

αi et αj sont indépendants si i 6= j et 1 ≤ i, j ≤ I,

βj(i) et βl(k) sont indépendants si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I et 1 ≤ j, l ≤ J,

αi et βk(j) sont indépendants si 1 ≤ i, j ≤ I et 1 ≤ k ≤ J.

On supposera toujours réalisées les hypothèses standards suivantes :

1. εi,j,k et εl,m,n sont indépendantes si (i, j, k) 6= (l, m, n) avec 1 ≤ i, l ≤ I , 1 ≤ j, m ≤ J et
1 ≤ k, n ≤ K.
2. ∀ (i, j, k), i = 1, · · · , I ; j = 1, · · · , J ; k = 1, · · · , K ; L(εi,j,k ) = N (0, σ 2 ).
Nous supposerons que les conditions d’utilisation de ce modèle sont bien remplies.
Nous utilisons les quantités SCA , SCB|A , SCR , SCT OT ,scA , scB|A , scR et scT OT introduites à
la section précédente.
Nous rappelons la relation fondamentale de l’ANOVA :

SCT OT = SCA + SCB|A + SCR .

On introduit les degrés de liberté correspondant à chaque ligne du tableau de l’ANOVA :

Source Nombre de d.d.l.

Facteur A nA = I − 1
Facteur B dans A nB|A = I(J − 1)
Résiduelle nR = IJ(K − 1)
Totale nT OT = IJK − 1

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 7. ANALYSE DE LA VARIANCE À DEUX FACTEURS
156 EMBOÎTÉS
On peut résumer toutes ces informations dans le tableau de l’ANOVA ci-dessous :

Sources Degrés Variations Carrés Statistique Décision

de variation de liberté moyens F

scA s2A
Facteur A nA = I − 1 scA s2A = fA = H00 ou H10
nA s2B|A

scB|A s2B|A
Facteur B dans facteur A nB|A = I(J − 1) scB|A s2B|A = fB|A = H000 ou H100
nB|A s2R

scR
Résiduelle nR = IJ(K − 1) scR s2R =
nR

scT OT
Total nT OT = IJK-1 scT OT s2T =
nT OT

L’analyse de variance à deux facteurs emboîtés permet deux tests de Fisher.

Le premier test concernant le facteur A est le suivant :

H00 : σA
2
=0

contre
H10 : σA
2
6= 0 .

Sous l’hypothèse nulle (H00 ) précédente, d’absence d’effet du facteur A, et lorsque les conditions
de validité du modèle sont respectées, fA est la réalisation d’une variable aléatoire qui suit une loi
de Fisher à I − 1 et (I − 1)(J − 1) degrés de liberté.

Le second test concernant le second facteur B est le suivant :

H000 : σB|A
2
=0

contre
H100 : σB|A
2
6= 0 .

Sous l’hypothèse nulle (H000 ) précédente, d’absence d’effet du facteur B dans le facteur A, et
lorsque les conditions de validité du modèle sont respectées, fB|A est la réalisation d’une variable
aléatoire qui suit une loi de Fisher à I(J − 1) et IJ(K − 1) degrés de liberté.

Analyse de la variance
c 2015 Michel Carbon
7.2. MODÈLES À EFFETS ALÉATOIRES 157

2 , σ̂ 2 , σ̂ 2 des paramètres µ, σ 2 , σ 2
Les estimateurs µ̂, σ̂A 2
B|A A B|A et σ du modèle sont donnés par les
formules suivantes :
µ̂ = Y•,•,• ,

2 1  2 2

2 1  2 2

σ̂A = SA − SB|A ; σ̂B|A = SB|A − SR ,
JK K
SCR 2
σ̂ 2 = = SR ,
(I − 1)(J − 1)
2 = SCA 2 SCB|A 2 = SCR . Ces estimateurs sont non biaisés.
où SA , SB|A = et SR
nA nB|A nR
Les estimations obtenues pour une liste de données expérimentales y, notées µ̂(y), σ̂A 2 (y),
2 (y), σ̂ 2 (y) des paramètres µ, σ 2 , σ 2
σ̂B|A 2
A B|A et σ du modèle, se déduisent immédiatement des for-
mules ci-dessus :
µ̂(y) = y•,•,• ,

1  2  1  2 
2 (y) =
σ̂A sA − s2B|A ; 2
σ̂B|A (y) = sB|A − s2R ,
JK K
scR
σ̂ 2 (y) = = s2R .
(I − 1)(J − 1)

Exemple 7.2.1
On a récolté des données d’une expérience conçue pour estimer la moisissure contenue dans une
pâte de piment produite par une entreprise agro-alimentaire. Pour cela, quinze lots de pots de pâte
de piment ont été sélectionnés au hasard dans la production de l’entreprise et dans chacun de ces
lots, deux pots de pâte ont été à nouveau sélectionnés au hasard. Deux prélèvements distincts de pâte
ont été analysés pour chacun de ces pots.
Remarquons que les deux facteurs, lot et échantillon, sont tous les deux considérés comme des
facteurs à effets aléatoires.
Les données sont fournies dans le tableau ci-dessous :
Lot 1 2 3 4 5
Échant. 1 2 1 2 1 2 1 2 1 2
Analyses 40 30 26 25 29 14 30 24 19 17
39 30 28 26 28 15 31 24 20 17
Lot 6 7 8 9 10
Échant. 1 2 1 2 1 2 1 2 1 2
Analyses 33 26 23 32 34 29 27 31 13 27
32 24 24 33 34 29 27 31 16 24
Lot 11 12 13 14 15
Échant. 1 2 1 2 1 2 1 2 1 2
Analyses 25 25 29 31 19 29 23 25 39 26
23 27 29 32 20 30 24 25 37 28

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 7. ANALYSE DE LA VARIANCE À DEUX FACTEURS
158 EMBOÎTÉS
Nous supposons les conditions du modèle bien remplies. Le tableau d’analyse de variance est alors le
suivant :
Analysis of Variance Table

Response: mesure
Df Sum Sq Mean Sq F value Pr(>F)
lot 14 1210.93 86.495 1.4917 0.2256179
lot:echant 15 869.75 57.983 63.255 < 2.2e-16 ***
Residuals 30 27.50 0.917
Analysons les résultats :
1. Pour le premier test, la probabilité critique vaut 0.2256179 et nous décidons de ne pas refuser
l’hypothèse nulle H0 . Par conséquent, nous n’avons pas réussi à mettre en évidence d’effet
du facteur à effets aléatoires lot. Le risque associé à cette décision est un risque de seconde
espèce, et pour l’évaluer, il resterait à calculer la puissance de ce test.
2. Pour le second test, la probabilité critique vaut quasiment zéro, et nous décidons, au seuil
α = 5 %, de refuser l’hypothèse nulle H0 . Par conséquent, nous pouvons dire qu’il y a un effet
significatif du facteur à effets aléatoires échantillon dans le facteur à effets aléatoires lot. Le
risque associé à cette décision est un risque de première espèce qui vaut 5 %.

7.3 Modèles à effets mixtes

Pour la majorité des auteurs sur l’analyse de la variance à ce sujet, un facteur emboîté dans un
facteur aléatoire doit être considéré comme aléatoire. Ainsi, le seul modèle mixte possible est le cas
où le facteur A est fixe et le facteur que nous emboîtons dans A, le facteur B, est aléatoire.
Un facteur contrôlé A se présente sous I modalités, chacune d’elle étant notée Ai .
Les termes Bj(i) représentent un échantillon de taille J prélevé dans une population importante
dépendant du niveau Ai du facteur A. Nous admettrons que les effets des Bj(i) sont de loi normale
2 .
centrée de variance σB|A
Pour chacun des couples (Ai , Bj(i) ), nous effectuons K ≥ 2 mesures d’une réponse Y qui est une
variable continue. Nous noterons n = I × J × K le nombre total de mesures ayant été effectuées.
On introduit le modèle :
Yi,j,k = µ + αi + βj(i) + εi,j,k , i = 1, · · · , I ; j = 1, · · · , J ; k = 1, · · · , K .
I
X
avec les contraintes supplémentaires αi = 0 ,
i=1
où Yi,j,k est la valeur prise par la réponse Y dans les conditions (Ai , Bj(i) ) lors de la k-ème me-
sure.Nous supposons que :
2
L(βj(i) ) = N (0, σB|A ), ∀ (i, j) , 1 ≤ i ≤ I, 1 ≤ j ≤ J ,
ainsi que l’indépendance des effets aléatoires :

Analyse de la variance
c 2015 Michel Carbon
7.3. MODÈLES À EFFETS MIXTES 159

βj(i) et βl(k) sont indépendants si (i, j) 6= (k, l) avec 1 ≤ i, k ≤ I et 1 ≤ j, l ≤ J,

On supposera toujours réalisées les hypothèses standards suivantes :
1. εi,j,k et εl,m,n sont indépendantes si (i, j, k) 6= (l, m, n) avec 1 ≤ i, l ≤ I , 1 ≤ j, m ≤ J et
1 ≤ k, n ≤ K.
2. ∀ (i, j, k), i = 1, · · · , I ; j = 1, · · · , J ; k = 1, · · · , K ; L(εi,j,k ) = N (0, σ 2 ).
ainsi que l’indépendance des effets aléatoires et des erreurs :

βj(i) est indépendant de εk,l,m si 1 ≤ i, k ≤ I ; 1 ≤ j, l ≤ J ; 1 ≤ m ≤ K .

Nous supposons que les conditions d’utilisation de ce modèle sont bien remplies.
Nous utilisons les quantités SCA , SCB|A , SCR , SCT OT , scA , scB|A , scR et scT OT introduites à
la première section .
Nous rappelons la relation fondamentale de l’ANOVA :

SCT OT = SCA + SCB|A + SCR .

On introduit les degrés de liberté correspondant à chaque ligne du tableau de l’ANOVA :

Source Nombre de d.d.l.

Facteur A nA = I − 1
Facteur B dans A nB|A = I(J − 1)
Résiduelle nR = IJ(K − 1)
Totale nT OT = IJK − 1

On peut résumer toutes ces informations dans le tableau de l’ANOVA ci-dessous :

Sources Degrés Variations Carrés Statistique Décision

de variation de liberté moyens F

scA s2A
Facteur A nA = I − 1 scA s2A = fA = H00 ou H10
nA s2B|A

scB|A s2B|A
Facteur B dans facteur A nB|A = I(J − 1) scB|A s2B|A = fB|A = H000 ou H100
nB|A s2R

scR
Résiduelle nR = IJ(K − 1) scR s2R =
nR

scT OT
Total nT OT = IJK-1 scT OT s2T =
nT OT

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 7. ANALYSE DE LA VARIANCE À DEUX FACTEURS
160 EMBOÎTÉS
Nous souhaitons faire les tests d’hypothèses suivants :

H00 ; α1 = α2 = · · · = αI = 0

contre
H10 : Il existe i0 ∈ {1, 2, · · · , I} tel que αi0 6= 0 .

Sous l’hypothèse nulle H00 d’absence d’effet du facteur A et lorsque les conditions de validité du
modèle sont respectées, fA est la réalisation de la variable aléatoire SA 2 /S 2
B|A qui suit une loi de
Fisher-Snedecor à nA = I − 1 et nB|A = I(J − 1) degrés de liberté.

On peut alors conclure grâce à la valeur critique, et on rejette l’hypothèse nulle si elle est
inférieure ou égale au seuil α du test, ou à l’aide d’une table. Il y a rejet si fA est supérieure ou
égale à la valeur critique issue de la table. Si l’hypothèse H00 est rejetée, on pourra procéder à des
comparaisons multiples des différents effets des niveaux du facteur.
Le second test concernant le second facteur B est le suivant :

H000 : σB|A
2
=0

contre
H100 : σB|A
2
6= 0 .

Sous l’hypothèse nulle (H000 ) précédente, d’absence d’effet du facteur B dans le facteur A, et
lorsque les conditions de validité du modèle sont respectées, fB|A est la réalisation d’une variable
aléatoire qui suit une loi de Fisher à I(J − 1) et IJ(K − 1) degrés de liberté.
2 , σ̂ 2 des paramètres µ, α , α , · · · , α , σ 2
Les estimateurs µ̂, α̂1 , α̂2 , · · · , α̂I , σ̂B|A 2
1 2 I B|A et σ du
modèle sont donnés par les formules suivantes :

µ̂ = Y•,•,• ,

α̂i = Yi,•,• − µ̂, 1≤i≤I,

2 1  2 2

σ̂B|A = SB|A − SR ,
K
SCR 2
σ̂ 2 = = SR ,
(I − 1)(J − 1)

2
SCB|A 2 = SCR . Ces estimateurs sont non biaisés.
où SB|A = et SR
nB|A nR

Les estimations obtenues pour une liste de données expérimentales y, notées µ̂(y), α̂1 (y), · · · ,
2 (y), σ̂ 2 (y) des paramètres µ, α , · · · , α , σ 2
α̂I (y), σ̂B|A 2
1 I B|A et σ du modèle, se déduisent immédia-

Analyse de la variance
c 2015 Michel Carbon
7.3. MODÈLES À EFFETS MIXTES 161

tement des formules précédentes :

µ̂(y) = y•,•,• ,

α̂i (y) = yi,•,• − µ̂(y), 1≤i≤I,

1  2 
2 (y) =
σ̂B|A sB|A − s2R ,
K
scR
σ̂ 2 (y) = = s2R .
(I − 1)(J − 1)

Exemple 7.3.1
L’expérience porte sur la prise de poids quotidienne de jeunes cochons au cours de leur phase de
croissance. L’objectif de l’expérience est de déterminer l’influence du patrimoine génétique de cinq
pères sur leurs descendants. Pour cela, ces cinq mâles ont eu une portée avec deux mères différentes
et choisies au hasard. Dans chacune de ces portées, deux animaux ont été sélectionnés et leur masse
mesurée en grammes.
On peut remarquer que le facteur père est considéré comme un facteur à effets fixes et le facteur
mère comme un facteur à effets aléatoires.
Les données sont consignées ci-dessous :

Père 1 2 3
Mère 1 2 1 2 1 2
Gain de 2,77 2,58 2,28 3,01 2,36 2,72
masse 2,38 2,94 2,22 2,61 2,71 2,74
Père 4 5
Mère 1 2 1 2
Gain de 2,87 2,31 2,74 2,50
masse 2,46 2,24 2,56 2,48

Nous supposons les conditions du modèle bien remplies. Le tableau d’analyse de variance est alors le
suivant :

Analysis of Variance Table

Response: poids
Df Sum Sq Mean Sq F value Pr(>F)
pere 4 0.09973 0.024932 0.2212 0.91553
pere:mere 5 0.56355 0.112710 2.9124 0.07067 .
Residuals 10 0.38700 0.038700

Analysons les résultats :

Analyse de la variance
c 2015 Michel Carbon
 CHAPITRE 7. ANALYSE DE LA VARIANCE À DEUX FACTEURS
162 EMBOÎTÉS
1. Pour le premier test, la probabilité critique vaut 0,91553 et nous décidons donc de ne pas refuser
l’hypothèse nulle H0 . Par conséquent, nous n’avons pas réussi à mettre en évidence d’effet du
facteur à effets fixes père. Le risque associé à cette décision est un risque de seconde espèce.
Pour l’évaluer, il resterait à calculer la puissance de ce test.
2. Pour le second test, la probabilité critique est 0,07067 et nous décidons de ne pas refuser
l’hypothèse nulle H0 . Par conséquent, nous n’avons pas réussi à mettre en évidence d’effet du
facteur à effets aléatoires mère dans le facteur à effets fixes père. Le risque associé à cette
décision est un risque de seconde espèce. Pour l’évaluer, il resterait à calculer la puissance de
ce test.

Analyse de la variance
c 2015 Michel Carbon