4 - 2wayANOVA Cle091f53

Analyse des donnes - Mthodes explicatives (STA102)
Analyse de la variance deux

facteurs : dispositif quilibr
Giorgio Russolillo
Departement IMATH
CNAM
giorgio.russolillo@cnam.fr
Introduction
Giorgio Russolillo STA102 2

Le problme
On dispose dun chantillon de n individus sur

lesquels on a observ 2 variables qualitatives
(facteurs, x1 et x2) et une variable quantitative y .
On veut tudier si les 2 facteurs ont un effet sur
la variabilit de y
facteurs var. quantitative
O :
2me facteur J niveaux

1er facteur I niveaux
Les notations
i cest un des possibles niveaux du 1er facteur,

avec i = 1I
j cest un des possibles niveaux du 2me facteur,

avec j = 1J
(n x 2)
Chaque combinaison (i,j) dfinit un

traitement;
on a I x J traitements
nij = nombre de rptions pour le traitement (i,j)
dans chaque traitement k est lindice de rptition, k = 1nij

Tableau des frquences
Niveaux du 2me facteur
1 j J Tot.
1 n11 n1j n1J n1.
Niveaux di 1er

facteur
i ni1 nij niJ ni.
...
J
ni = nij
I nI1 nIj nIJ nI . j=1
Tot. n.1 n.j n.J n
I nombre total dobservations

n j = nij J I
i=1
n = n j = ni = nij
i, j : nij K
Dispositif quilibr : j=1 i=1 i, j
Les effets des deux facteurs seront

Chaque traitement compltement distinguables, i.e. cest
t reu pour le un dispositif orthogonal
mme nombre de ni n j
rptitions K i, j : nij =
n
(constant)
Les notations des moyennes
Yijk= valeur de la variable Y pour

lindividu k qui a reu le
traitement (i,j)
(n x 1)
n ij
1
Moyenne de la variable Y pour le traitement (i,j) Yij =
n ij
Y ijk
k=1
I nij
1 Moyenne de la variable Y pour le
Y j = ijk
n j i=1 k=1
Y
niveau j du 2me facteur
n
1 J ij
Moyenne de la variable Y pour le
niveau i du 1 facteur
er
Yi =
ni j=1 k=1
Yijk
J I n ij
1
Y = Yijk Moyenne gnrale de la variable Y
n j=1 i=1 k=1
Tableau des moyennes
Niveaux du 2me facteur
1 j J Tot.
1 Y11 Y1j Y1J Y1
Niveaux du 1er

facteur
i Yi1 Yij YiJ Yi
...

Moyenne gnrale de Y
I YI1 YIj YIJ YI pour le niveau i du 1er
Tot. Y1 Yj YJ Y facteur
Moyenne gnrale de Y Moyenne gnrale de Y

pour le niveau j du 2me
facteur
Moyenne de Y pour le
traitement (i,j)

Le modle danalyse de la variance
deux facteur

Le modle danalyse de la variance deux
facteurs (1)
Yijk = ij + ijk
{ijk } i.i.d. N (0, 2 )
Cest une gnralisation du modle de lanalyse de la variance

1 facteur o on fait apparaitre leffet du aux traitements
Dans ce modle on a :
- Une esprance ij spcifique chaque traitement
- Une variance intra-traitement commune tous les traitements
Ce modle ne fait pas apparatre explicitement

les effets des diffrents facteurs
facteurs (2)
1 + I + J + I*J
paramtres
estimer
facteurs var. quantitative
Effet principal du 1er facteur

Terme
constant Effet principal du 2me facteur
Yijk = + i + j + ij + ijk
Variable
alatoire Terme rsiduel
Terme dinteraction, i.e. effet alatoire
spcifique du traitement
{ijk } i.i.d. N (0, 2 )
facteurs (3)
ij {ijk } i.i.d. N (0, 2 )
Les valeurs de Y sont influences par les deux effets

principaux i et j des facteurs et par la prsence du
terme dinteraction ij

Ecriture matricielle du modle
Y [ = X
[n 1] ]
+
n ( I + 1)( J + 1) [n 1]
[( I + 1)(J + 1) 1]
Partie relative leffet
(Exemple avec I=2 et J=3) principale du 2me Partie relative
facteur linteraction
111

!
11K

121
!

12 K
131

!
13K
=
n1 211

!
21K
221

!
22 K

231
!

23K


Exemple : Les donnes
On dispose dun chantillon de n = 24 effectifs
Pour chaque observation, on a
la variable quantitative y 1
le facteur a (2 niveaux) 2
le le facteur b (3 niveaux) 1
2
3

Exemple : Les donnes
2me facteur fact_b, avec J= 3 niveaux

1er facteur fact_a, avec I=2 niveaux
i = indice du niveau du factor a, i = 1, 2

j = indice du niveau du factor b, j = 1, 2, 3
3x2=6
Traitements
k = indice de rptition dans chaque traitement, k = 1 nij

Exemple : Tableau des frquences
Facteur b
1 2 3 Tot.
Facteur a
1 4 4 4 12
3
2 4 4 4 12 ni = n1 j
j=1
Tot. 8 8 8 24
2
n j = ni1 nombre total dobservations
i=1
3 2 6
n = n j = ni = nij
j=1 i=1 i, j
i, j : nij 4 Dispositif quilibr, donc orthogonal :

Les effets des deux facteurs seront
compltement distinguables !

Exemple : Tableau des donnes
Yijk= kme obs pour le ime niveau
de a et le jme niveau de b
(n x 1)
y111= 1
y114= 6
y234= 17

Exemple : Tableau des moyennes
Tableau des moyennes de y conditionnes aux diffrents

traitements
2me facteur
1 2 3 Tot.
Y11 = Y12 = Y13 = Y1

1
1er facteur
3.5 9.75 17.75 =10.333
Y21= Y22= Y23 Y2 =

2 12.5 Moyenne de y pour le
8.5 =15.25 12.083
niveau 1 du factor a
Y2 = Y3 = Y=
Tot. Y1 = 6
11.125 16.5 11.208
Moyenne de y pour le Moyenne gnrale de y

niveau 2 du facteur b

Exemple : Statistiques lmentaires
Moyennes et carts types des y par traitement
Trait 1
Moyenne pour le
Trait 2 traitement 3, i.e. la
Trait 3
moyenne des y pour les
effectives qui appartient
Trait 4 au group 1 du facteur
Trait 5 a et au group 3 du
facteur b
Trait 6
Les 6 traitements
n12= 4
La variabilit est la mme dans les diffrents groups, mais

on observe des diffrences des moyennes assez fortes
Distributions de Y pour chaque traitement

Linteraction

Graphe de linteraction
Avec interaction Sans interaction

ij = + i + j + ij ij = + i + j
j 1 j 2 j = j 1 j 2 j =
( ) (
= + 1 + j + 1 j + 2 + j + 2 j = ) = ( + 1 + j ) ( + 2 + j ) =
= 1 2 + 1 j 2 j = 1 2
Pour chaque niveau j du 2me Pour chaque niveau j du 2 me
facteur, lcart entre les moyennes de facteur, lcart entre les moyennes de
Y pour les observations qui ont 2 Y pour les observations qui ont 2
modalits diffrentes du 1er facteur modalits diffrentes du 1er facteur
dpende du niveau j du 2me facteur est constant travers les niveaux du
2me facteur.
Graphe de linteraction
Ce graphe peut suggrer un terme dinteraction dans le modle (mais

attention il ne dit pas si il est significatif !!)
Avec interaction Sans interaction

j j ' : 1 j 2 j 1 j ' 2 j ' j j ' 1 j 2 j = 1 j ' 2 j '
28
26
24
moyennes
22
20
18
16
A B C
niveaux du facteur 2
Est-ce quil y a interaction?

Est-ce que lhypothse de paralllit est rejete?
Exemple : Graphes de linteraction

0 A
20
20
15
15
10
10
Y
Y
5
5
0
0
b1 b2 b3 b1 b2 b3
B B
B I
20
20
15
15
10
10
Y
Y
5
5
0
b1 b2 b3
B B

AB AI
20
20
15
15
10
10
Y
Y
5
5
0
0
b1 b2 b3 b1 b2 b3
B B
BI ABI
20
20
15
15
10
10
Y
Y
5
5
0
b1 b2 b3 b1 b2 b3
B B

0 0
10.1
20
10.0
15
9.9
10
Y
Y
9.8
5
9.7
b1 b2 b3 b1 b2 b3
B B

Dcomposition de la variabilit totale

SCT = SCM + SCR
(Y ) = (Y ) (
Y nij + i j k Yijk Yij )
2 2 2
i j k ijk Y i j ij
SCT = (Y Y )
2
i j k ijk
SCM = (Yij Y ) n ij = (Y Y )
2 2
i j i j k ij
SCR = (Y Yij )
2
i j k ijk

Tableau danalyse de la variance (nij = K pour tous les i et j)
= n 1
Avec les rsultats en cette table on ne peut pas dcomposer

leffet du traitement en effet respectifs des deux facteurs et de
leur interaction
On peut dcomposer la SCM en somme des carrs
due aux effets principaux et somme des carrs due
linteraction
Dcomposition de la somme des carrs
expliqus

Dcomposition de la SCM
Si le dispositif est orthogonal on peut dcomposer la

SCM de faon unique
A cest le 1er facteur
B cest le 2me facteur
I cest linteraction
SCM = SCA + SCB + SCI
(Y Y ) n =
2
i j ij ij
(Y Y ) n + (Y ) (
n j + i j Yij Yi Y j + Y )
2 2 2
i i i j j Y nij
SCB = Somme des SCI = Somme des

SCA = Somme des carrs due au facteur carrs due
carrs due au facteur b linteraction
a
Test de la signification du modle

Test de la signification du modle
On veux tester lhypothse H0 = {le traitement na pas

deffet sur le Y, i.e. les moyennes sont les mmes pour les
diffrents traitements } contre lhypothse H1 = {il existe un
effet du traitement sur le Y}
Dans un modle de ANOVA deux facteurs, ce test scrit :
H 0 = {Yijk = + ikj } contre H 1 = {Yijk = + i + j + ij + ijk }
quivalent :
H 0 = {i : i = 0,j : j = 0,(i, j ) : ij = 0} contre

H1 = {(i, j ) : i 0 ou j 0 ou ij 0 }

Lois des sommes des carrs sous H0
SCM ~ 2 2
( IJ 1)
H0
SCR ~ 2 (2nIJ )
H0

Test de la signification du modle (1)
Ce test se fait au moyen de la statistique de test de Fischer :

Variance explique par les
SCM ( IJ 1) traitements
F=
SCR ( n IJ ) Variance rsiduelle
La statistique de test F suit sous H0 une loi de Fisher IJ-1 et n-

IJ degrs de libert : F ~ FIJ 1,n IJ
H0
Ce test nous montre que lanalyse de la variance deux facteurs est

quivalent une analyse de la variance un facteur avec IJ niveaux
Test de la signification du modle (2)
SCM ( IJ 1)
Statistique de test F=
SCR ( n IJ )
Pr ( FIJ-1,n-IJ > fobs )

Probabilit critique
(p-value)
Rgle de dcision
On rejette lhypothse H0 au niveau si
p value < ou fobs > fIJ 1,nIJ,(1 )

Exemple : Tableau danalyse de la variance
Nombre de traitements Modle ANOVA 2 facteurs
IxJ=6: avec interaction (modle
6-1 = 5 complte )
Probabilit critique < 0.05,

on rejette lhypothse H0 :
le facteur a , le facteur
n-1 = 24-1 = 23 b ou leur effet conjoint
ont un effet significatif sur y
n - IJ = 24 6 = 18

Rductions

Sommes des carrs et rductions
Dans un dispositif orthogonal la somme des carrs associs

chaque effet peut sexprimer en termes de rduction de la
variabilit rsiduelle, puisque elle mesure la diminution des
rsidus lorsquon introduit leffet dans le modle
De faon gnrale, R(M2|M1) mesure la diminution de la SCR

lorsque on passe du modle plus simple (embot) au modle
plus complexe (avec plus de paramtres)
Exemple : Modles embots : deux
modles sont dits embots
Modle 1 Yijk = + i + ijk si lun peut tre considr
comme un cas particulier de
Modle 2 Yijk = + i + j + ijk lautre. Cela revient
comparer un modle de
R(|,) = SCR1-SCR2 rfrence un modle rduit
ou contraint

On peut rcrire les sommes des carrs dues aux facteurs ainsi
que la somme des carrs due linteraction en termes de
rductions de la SCR en utilisant comme modle de rfrence le
modle 0 : Yijk = + ijk
Somme des carrs de type I (Type I SS) :
modle 0 Yijk = + ijk

SCA = R( | ) modle A Yijk = + i + ijk
modle A Yijk = + i + ijk

SCB = R( | , ) modle AB Yijk = + i + j + ijk
modle AB Yijk = + i + j + ijk

SCI = R( | , , ) modle C Yijk = + i + j + ij + ijk
Modle complet
Type I SS :
SCA = R( | )
modle 0 Yijk = + ijk SCRM 0 = SCT

SCA = R( | ) = SCT SCRM A

Type I SS :
SCB = R( | , )

SCB = R( | , ) = SCRM A SCRM AB
Dans un dispositif quilibr : SCB = R ( | , ) = R ( | )
Les squences AB et BA donnent les mmes

sommes des carrs
SCB = R ( | , ) = R ( | ) : Dmonstration
R ( | ) = SCRM 0 SCRM B = SCT SCRM B
R ( | , ) = SCRM A SCRM AB
mais SCRM AB = SCT SCM M AB
mais si le dispositif est quilibr SCM M AB = SCM M A + SCM M B
(
SCRM AB = SCT SCM M A + SCM M B )
(
R ( | , ) = SCRM A SCT + SCM M A + SCM M B )
mais SCM M A + SCM M B = SCT SCRM A + SCT SCRM B
R ( | , ) = SCRM A SCT + SCT SCRM A + SCT SCRM B
= SCT SCRM B = R ( | )

Type I SS :
SCI = R( | , , )

modle C Yijk = + i + j + ij + ijk SCRM C = SCR
SCI = R( | , , ) = SCRM AB SCR

Tests des effets des facteurs

Loi des sommes des carrs des effets
Cas dun dispositif orthogonal
Sous lhypothse 1 = = I = 0 SCA ~ 2 (2I 1)

(Pas deffet du facteur A)
Sous lhypothse 1 = = J = 0 SCB ~ 2 (2J 1)

(Pas deffet du facteur B)
Sous lhypothse 11 = = IJ = 0 SCI ~ 2 (2I 1)( J 1)

(Pas dinteraction)

Tests des effets
On veux tester de faon spcifique leffet de chacun

des facteurs (nij = K pour toutes les i et j) :
1er
facteur
2me
facteur
Interaction
En moyenne sur lensemble des Il nexiste pas

niveaux du 2me facteur, le valeur dinteraction entre
moyenne de Y ne varie pas entre les les deux facteurs
diffrents niveaux du 1er facteur, i.e.
Y1.. =Y2.. = =YI.. SCA = R( | )

Exemple : Test des
Effet des diffrents facteurs dans un modle de ANOVA 2
facteurs avec interaction (modle complet )
SCIC
Effet de linteraction : la p-valeur est > 0.05 donc leffet de linteraction nest
pas significatif au niveau 5% et on peut accepter un modle sans
interaction.
Effet du facteur b : la p-value est < 0.001 donc leffet du facteur b
est significatif.
Effet du facteur a : la p-value est > 0.05 donc leffet du facteur a nest
pas significatif au niveau 5%, mais on ne peux pas le supprimer ce stade.

Exemple : Le modle sans interaction (1)
Rsultat pour le modle : Yijk = + i + j + ijk
SCMAB = SCMC SCIC =
= 518.70833 - 59.25
SCTAB=SCTC
SCRAB= SCRC + SCIC=

209.25 + 59.25
Modle complte :

Exemple : Le modle sans interaction (2)
Rsultat pour le modle sans intration : Yijk = + i + j + ijk
SCAAB = SCAc mais:
- La SCR augmente
- Ses DL augmentent
Effet du facteur a : la P-value est >0.05 donc leffet du facteur a

nest pas significatif au niveau 5%
Modle complte :

Ex : Analyses spares pour les deux facteurs
Pour connaitre leffet de chacun deux facteurs sur y, on peux tre

tent deffectuer une analyse de la variance spare pour chacun
des deux facteurs
Effet facteur a :
Y
Modle A ijk = + i + ijk avec { ijk } i.i.d. N ( 0, 2
A )
Effet facteur b :
Modle B Yijk = + j + ijk avec { ijk } i.i.d. N ( 0, B )
2
Cette hypothse na videmment de sens que si dans chacun des ces

deux modle le facteur pas considr na pas deffet, autrement les
j*k rptitions du premier modle et les les i*k rptitions du second
modle ne sont pas vraiment des rptitions !

Ex : Le modle A
Rsultat pour le modle ANOVA un facteur ( a ) :
Yijk = + i + ijk SCMA = SCAAB , mais :
- La SCR augmente
- Ses DL augmentent
Probabilit critique >> 0.05, on ne

rejette pas lhypothse H0 : le facteur
a nas pas deffet significatif sur les y
Modle AB :

Ex: Le modle B
Rsultat pour le modle ANOVA un facteur ( b ) :
Yijk = + j + ijk SCMB = SCB mais :
- La SCR augmente
- Les DL augmentent
Probabilit critique < 0.05, on

rejette lhypothse H0 : le facteur
b a un effet significatif sur y
Modle AB :

Comparaison des moyennes
On peut vouloir tester lhypothse H0 = {deux moyennes

sont les mmes} contre lhypothse H1 = {les deux
moyennes sont diffrentes}
Ce test ce peut faire :
Au niveau facteur, on veut tester si deux moyennes sont les

mmes pour deux niveaux diffrents du mme facteur, i.e.
Y1..=Y2..
Au niveau traitement, on veut tester si deux moyennes sont les
mmes pour deux traitements diffrents, i.e. Yij.= Yij.
Dans tous les cas il faut considrer quon fait des

comparaisons multiples !

Ex: Comparaison des moyennes pour le 1er facteur
Modle A :
Yijk = + i + ijk
Rappel: Les d.d.l.

sont gales n-2
(o 2 est le
nombre de
paramtres
estimer: et 1)
La difference entre les deux niveaux du facteur a nest pas significative, ce

qui est cohrent avec labsence deffet principal du facteur

Ex : Comparaison des moyennes pour le 2me facteur
Modle B :
Rappel: Les d.d.l.
Yijk = + j + ijk sont gales n-3 (o
3 est le nombre de
paramtres estimer:
, 1 et 2)
t critique : |tddl, /2| o

ddl=21,
/2 = (*/2)/l = 0.025/3
et * = 0.05
Le facteur b a un effet significative car toutes les diffrences entre les

moyennes des trois niveaux sont significatives.

Ex : Comparaison des traitements (Modle complet)
t critique : |tddl,/2|=3.380362
o ddl = 18,
/2 = (*/2)/l = 0.025/15 et *=0.05
tobs
Dans ce cas on rejet H0 car

|tobs | > |tddl,/2 |, c..d. p*<*
p*= P(t18>5.910625) x 30

Ex : Comparaison des traitements (Modle complet)

Estimation des paramtres du modle

Estimation des paramtres du modle
( )
E Yijk = ij = + i + j + ij { } i.i.d. N ( 0, )
ijk
2
Ce modle nest pas identifiable donc on a besoin dintroduire

des contraintes sur les paramtres
1 + I + J + I*J I*J colonnes
paramtres indpendants dans
estimer la matrice X
On doit introduire 1+I+J contraintes indpendantes sur les

paramtres :
(a) Contraintes naturelles
(b) Contraintes de SAS
Les diffrentes contraintes
(a) Contraintes naturelles

Avec cette contrainte on impose la somme des paramtres
associes chaque effet dtre nul, i.e. :
I J J I
i =0 j =0 i : ij =0 j : ij =0
i=1 j=1 j=1 i=1
1 contrainte 1 contrainte
I+J-1 contraintes
Do les estimateurs :
= Y j = Y j Y
i = Yi Y ij = Yij Yi Y j + Y
Tous ces estimateurs sinterprtent comme des carts entre moyennes

Les diffrentes contraintes
(b) Contraintes de SAS

Avec cette contrainte tous les paramtres associes au dernier
niveau de chaque facteur sannulent :
I = 0 J = 0 i : iJ = 0 j : Ij = 0
1 contrainte 1 contrainte
I+J-1 contraintes
Do les estimateurs :
= YIJ j = YIj YIJ

i = YiJ YIJ ij = Yij YiJ YIj + YIJ
Le traitement (I,J) joue le rle de rfrence

Prdiction
La forme des estimateurs dpend des contraintes quon

applique
ATTENTION LINTERPRETATION DES
ESTIMATIONS DES PARAMETRES
Toutefois la prdiction ne dpend pas des contraintes,

elles est dans tous les cas :
E (Yijk ) = Yijk = + i + j + ij = Yij Moyenne du

traitement (i,j)
On a donc que I*J valeurs prdites possibles, une pour

chaque traitement

Ex: Estimation des paramtres
YIJ .
Cest la diffrence entre les moyennes des

traitements a2b1 et a2b3

Estimateur de la variance des erreurs
(Y )
2
SCR ijk Yij
S2
= = i j k
n IJ n IJ
nIJ
Valeur prdite
Yijk = Yij
Nombre de
paramtres estimer
une fois pos les
contraintes

Test sur les paramtres

Tests sur les paramtres
On veut tester lhypothse H0 = {le paramtre est gal 0}

contre lhypothse H1 = {le paramtre est diffrent de 0}
On a IJ tests sur les paramtres :
i I H 0 : { i = 0} contre H1 : { i 0}
j J H 0 : { j = 0} contre H1 : { j 0}
(i, j ) ( I,J ) (I, j) ( i,J) H 0 : { ij = 0} contre H1 : { ij 0}
Chacun de ces tests se effectue travers

un test de STUDENT

Tests sur les paramtres
Il faut interprter le test associ chacun des paramtres en

fonction des contraintes choisies par SAS
Dans le cas de la contrainte (b) les estimateurs taient :
= YIJ j = YIj YIJ

i = YiJ YIJ ij = Yij YiJ YIj + YIJ
Le test H0 = {j=0} contre lhypothse H1 = {j0}

sinterprte comme : Est-ce que la moyenne obtenue pour le
niveau j du 2me facteur est la mme de celle obtenue pour le
niveau J du 2me facteur lorsque le niveau I du 1er facteur est
fix?, i.e. YIj.=YIJ?.

Ex :Test sur les paramtres (Modle Complet)
Rappel: Les d.d.l. de t
sont gales n-6 (le
nombre de paramtres
estimer)
La diffrence entre les

moyennes des traitements
a2b1 et a2b3 est significative
N.B.: Les p-valeurs ne

sont pas corriges
On retrouve les mmes valeurs dans la

table des comparaisons des traitements

This presentation is made available through a Creative Commons Attribution-
Noncommercial license. Details of the license and permitted uses are available at
http://creativecommons.org/licenses/by-nc/3.0/
2017 G. Russolillo Analyse de la variance deux facteurs : Dispositif quilibr
Title: Analyse de la variance deux facteurs : Dispositif quilibr UE STA102

Attribution: . G. Russolillo, CNAM L. Trinchera, NEOMA Business School
Giorgio Russolillo - STA102 70

4 - 2wayANOVA Cle091f53

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

4 - 2wayANOVA Cle091f53

Uploaded by

Copyright:

Available Formats

Analyse des donnes - Mthodes explicatives (STA102)

Analyse de la variance deux

Giorgio Russolillo STA102 2

On dispose dun chantillon de n individus sur

facteurs var. quantitative

2me facteur J niveaux

i cest un des possibles niveaux du 1er facteur,

j cest un des possibles niveaux du 2me facteur,

Chaque combinaison (i,j) dfinit un

nij = nombre de rptions pour le traitement (i,j)

dans chaque traitement k est lindice de rptition, k = 1nij

Giorgio Russolillo STA102 4

i ni1 nij niJ ni.

Tot. n.1 n.j n.J n

I nombre total dobservations

Les effets des deux facteurs seront

Yijk= valeur de la variable Y pour

i Yi1 Yij YiJ Yi

Moyenne gnrale de Y Moyenne gnrale de Y

Giorgio Russolillo STA102 7

Giorgio Russolillo STA102 8

Cest une gnralisation du modle de lanalyse de la variance

Ce modle ne fait pas apparatre explicitement

facteurs var. quantitative

Effet principal du 1er facteur

ij {ijk } i.i.d. N (0, 2 )

Les valeurs de Y sont influences par les deux effets

Giorgio Russolillo STA102 11

Giorgio Russolillo STA102 12

Giorgio Russolillo STA102 13

2me facteur fact_b, avec J= 3 niveaux

i = indice du niveau du factor a, i = 1, 2

Giorgio Russolillo STA102 14

i, j : nij 4 Dispositif quilibr, donc orthogonal :

Giorgio Russolillo STA102 15

Giorgio Russolillo STA102 16

Tableau des moyennes de y conditionnes aux diffrents

Y11 = Y12 = Y13 = Y1

3.5 9.75 17.75 =10.333

Y21= Y22= Y23 Y2 =

Moyenne de y pour le Moyenne gnrale de y

Giorgio Russolillo STA102 17

Moyennes et carts types des y par traitement

La variabilit est la mme dans les diffrents groups, mais

Giorgio Russolillo STA102 19

Giorgio Russolillo STA102 20

Avec interaction Sans interaction

Ce graphe peut suggrer un terme dinteraction dans le modle (mais

Avec interaction Sans interaction

Est-ce quil y a interaction?

Giorgio Russolillo STA102 23

Giorgio Russolillo STA102 24

Giorgio Russolillo STA102 25

Giorgio Russolillo STA102 26

Giorgio Russolillo STA102 27

SCT = SCM + SCR

Giorgio Russolillo STA102 28

Tableau danalyse de la variance (nij = K pour tous les i et j)

Avec les rsultats en cette table on ne peut pas dcomposer

Giorgio Russolillo STA102 30

Si le dispositif est orthogonal on peut dcomposer la

SCM = SCA + SCB + SCI

SCB = Somme des SCI = Somme des