Menu

Analyse de variance unifactorielle

L'analyse de variance unifactorielle teste s'il existe une différence entre les moyennes de plusieurs groupes indépendants, le plus souvent trois ou plus. L'ANOVA unifactorielle est ainsi l'extension du test t pour échantillons indépendants à plus de deux groupes.

Analyse de variance à un facteur et Test t

Exemple d'ANOVA à un facteur

Un cas classique d'utilisation de l'analyse de variance est la recherche thérapeutique. Par exemple, vous pourriez vous intéresser à la question de savoir si différentes thérapies entraînent des succès thérapeutiques différents après une hernie discale. Pour cela, vous pourriez tester trois thérapies différentes.

D'une part, vous pourriez simplement discuter avec le patient des mouvements qui sont bons et de ceux qui sont mauvais pour le disque, puis vous pourriez traiter un groupe avec des médicaments et avec le dernier groupe vous pourriez faire des étirements et des exercices de musculation.

Exemple d'analyse de variance à un facteur

À la fin de la thérapie, vous pourriez alors mesurer le succès et utiliser une analyse de variance pour calculer s'il existe une différence significative entre les trois types de thérapie. Bien entendu, des conditions doivent être remplies pour pouvoir calculer une ANOVA, nous y reviendrons plus tard.

Hypothèses de l'analyse de variance à un facteur

Nous voulons savoir si les groupes de la variable indépendante ont une influence sur la variable dépendante.

La question à laquelle on peut répondre avec une analyse de variance à un facteur est la suivante : y a-t-il une différence dans la population entre les différents groupes de la variable indépendante par rapport à la variable dépendante ?

Dans l'exemple ci-dessus, les groupes de la variable indépendante sont les différents types de thérapie et la variable dépendante est la perception de la douleur après la thérapie respective.

Pourquoi voulons-nous tester s'il existe une différence dans la population ? En fait, nous voulons tirer une conclusion sur la population, mais il n'est malheureusement pas possible, dans la plupart des cas, d'interroger l'ensemble de la population : nous ne pouvons prélever qu'un échantillon aléatoire.

L'objectif est de tirer une conclusion sur la population à partir de cet échantillon à l'aide de l'analyse de la variance.

Bien sûr, nous n'avons pas étudié le succès de la thérapie chez toutes les personnes souffrant d'une hernie discale, mais seulement sur un échantillon aléatoire ; nous aimerions néanmoins généraliser la conclusion à la population.

On définit l'hypothèse nulle et l'hypothèse alternative :

Hypothèse nulle H0 Hypothèse alternative H1
Dans la population, les moyennes de tous les groupes sont égales. Dans la population, au moins une moyenne de groupe diffère des autres.

L'hypothèse nulle indique donc que toutes les moyennes de groupe sont égales. L'hypothèse alternative indique qu'au moins une moyenne diffère des autres, sans préciser lesquelles.

Conditions de l'analyse de variance à un facteur

Pour qu'une ANOVA à un facteur puisse être calculée, les conditions suivantes doivent être remplies :

1. Niveau d'échelle

Le niveau d'échelle de la variable dépendante doit être métrique, celui de la variable indépendante à échelle nominale.

2. Indépendance

Les mesures doivent être indépendantes les unes des autres, c'est-à-dire que la valeur mesurée chez une personne ne doit pas influencer celle d'une autre personne.

3. Homogénéité

Les variances dans chaque groupe doivent être approximativement égales. Ceci peut être vérifié avec le test de Levene.

4. Distribution normale

Les données au sein des groupes doivent suivre approximativement une distribution normale.

Que se passe-t-il si les conditions préalables ne sont pas remplies ? Si les variances des groupes sont nettement différentes, l'ANOVA de Welch est une alternative appropriée. Si la variable dépendante n'est pas métrique ou si les données ne sont pas distribuées normalement, le test de Kruskal-Wallis peut être utilisé. Si les données sont un échantillon dépendant, alors l'analyse de la variance avec mesures répétées doit être utilisée.

Calculer l'analyse de variance à un seul facteur

Pour calculer une analyse de variance, il faut d'abord calculer les moyennes des groupes individuels et la moyenne générale. Ensuite, les différentes sommes des carrés (notées QS dans le graphique) peuvent être calculées : la somme des carrés totale se décompose en somme des carrés entre les groupes et somme des carrés au sein des groupes.

Calculer l'analyse de variance à un seul facteur

Les carrés moyens peuvent ensuite être calculés à partir des sommes des carrés, puis la valeur F : celle-ci est le rapport entre le carré moyen entre les groupes et le carré moyen au sein des groupes. La valeur p est enfin obtenue à partir de la valeur F et des degrés de liberté à l'aide de la distribution F. Avec k groupes et N observations, ces degrés de liberté valent k − 1 et N − k.

En général, cependant, la valeur p est simplement calculée à l'aide d'un logiciel statistique tel que numiqo, voir ci-dessous.

Taille de l'effet dans une ANOVA unifactorielle

Dans une analyse de variance à un facteur, la taille de l'effet peut être calculée de différentes manières. Les mesures les plus courantes sont l'Eta au carré, l'Eta au carré partiel et la taille de l'effet f selon Cohen.

Eta au carré et Eta au carré partiel

L'Eta au carré η2 indique la proportion de la variance totale de la variable dépendante qui peut être expliquée par la variable indépendante.

Analyse de variance à un seul facteur Eta-carré et Eta-carré partiel

Dans le cas d'une analyse de la variance à un seul facteur sans mesures répétées, l'Eta au carré correspond à l'Eta au carré partiel.

Taille de l'effet f selon Cohen

Après avoir calculé l'Eta au carré partiel, la taille de l'effet f selon Cohen est donnée par :

Taille de l'effet f selon Cohen

Ici, la classification de Cohen (1988) peut servir de repère :

f Classification selon Cohen (1988)
0,1 effet faible
0,25 effet modéré
0,4 effet fort

Calculer une analyse de variance à un facteur avec numiqo

Calculer l'exemple directement avec numiqo gratuitement :

Charger un ensemble de données ANOVA

Si vous voulez calculer une analyse de variance à un facteur avec numiqo, cliquez simplement sur la Calculatrice de statistiques et ensuite sur l'onglet Tests d'hypothèse.

Calculer l'analyse de variance à un seul facteur en ligne

Si vous sélectionnez maintenant une variable métrique et une variable nominale avec plus de deux modalités, une analyse de variance sera calculée automatiquement.

Vous obtenez d'abord les hypothèses et les statistiques descriptives. Ensuite, vous pouvez lire graphiquement la dispersion des groupes individuels dans un boxplot.

Hypothèses d'une analyse de variance à un facteur

Enfin, vous obtenez le test d'égalité des variances de Levene. Le test de Levene donne une valeur p de 0,184, ce qui est supérieur au niveau de signification de 0,05. On ne rejette donc pas l'hypothèse nulle selon laquelle les variances des différents groupes sont égales. Cela ne prouve pas que les variances sont identiques, mais rien ne s'oppose à l'hypothèse d'homogénéité.

ANOVA à un facteur sur la calculatrice

Dans le tableau "ANOVA", vous pouvez lire la valeur p calculée de l'analyse de la variance. Si cette valeur est supérieure au seuil de signification, qui est généralement fixé à 0,05, on ne rejette pas l'hypothèse nulle. Dans cet exemple, la valeur p est de 0,072, donc supérieure au seuil de signification de 0,05 : les données ne permettent pas de conclure à une différence de temps de réaction entre les trois groupes. Cela ne prouve pas pour autant que les moyennes sont égales.

Si vous ne savez pas exactement comment interpréter les résultats de vos propres données, vous pouvez simplement cliquer sur Résumé en mots.

Tests post-hoc de Bonferroni

Enfin, vous disposez de tests post-hoc, tels que le test post-hoc de Bonferroni.

ANOVA à un facteur Tests post-hoc de Bonferroni

Si la valeur p de l'analyse de la variance est inférieure à 0,05, on peut supposer qu'au moins deux groupes diffèrent quant à leur moyenne. À l'aide du test post-hoc de Bonferroni, on peut alors vérifier quels groupes diffèrent entre eux.

Par conséquent, dans cet exemple, il n'est pas utile de calculer un test post-hoc, car la valeur p de l'analyse de la variance est supérieure à 0,05 et aucune différence significative entre les groupes n'a été mise en évidence.

Si la valeur p de l'ANOVA était inférieure à 0,05, il suffirait de regarder les lignes individuelles du tableau pour voir quelles valeurs p ajustées sont inférieures à 0,05. On peut alors supposer que les groupes concernés présentent une différence significative.

Cité numiqo: numiqo Team (2026). numiqo: Online Statistics Calculator. numiqo e.U. Graz, Austria. URL https://numiqo.com