Skip to content
Retour aux résultats

Analyse de la variance (ANOVA)

Introduite par
Ronald A. Fisher
Année
1925
Type
Method
Famille
parametric-hypothesis-testing

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'ANOVA est une méthode statistique paramétrique développée par Ronald A. Fisher en 1925 qui teste si les moyennes diffèrent significativement entre trois groupes indépendants ou plus.

En partitionnant la variance totale en composantes inter-groupes et intra-groupes, l'ANOVA détermine si les différences observées sont susceptibles d'être dues à des effets de traitement ou à une variation aléatoire, ce qui en fait un outil fondamental pour la recherche comparative dans les domaines de la médecine, de la psychologie, de l'agriculture et de l'ingénierie.

L’intuition derrière la méthode

L'ANOVA étend le test t (qui compare deux groupes) à plusieurs groupes en examinant le rapport de la variance expliquée par l'appartenance au groupe à la variance inexpliquée. Si les groupes diffèrent réellement dans leurs moyennes sous-jacentes, la variance inter-groupes sera substantiellement plus grande que la variance intra-groupe (erreur aléatoire). La statistique F quantifie ce rapport : un F élevé suggère de véritables différences entre les groupes, tandis qu'un F faible suggère que les groupes sont similaires. Cette logique sous-tend une grande partie de la conception expérimentale et de la comparaison de groupes observationnelle.

Histoire

Ronald A. Fisher a développé l'ANOVA en 1925 lors de l'analyse d'essais agricoles à la Rothamsted Experimental Station, cherchant à tester si les rendements des cultures différaient selon les traitements fertilisants. Son innovation a partitionné la variance et introduit la distribution F (qui porte son nom), révolutionnant les statistiques comparatives. Kruskal et Wallis (1952) ont développé l'équivalent non paramétrique (test de Kruskal-Wallis). La méthode est devenue standard en psychologie, médecine et sciences sociales au cours du XXe siècle. Les extensions modernes incluent l'ANOVA pour mesures répétées (Mauchly, 1940), l'ANOVA factorielle (Yates, 1937) et des variantes robustes (F de Welch, estimateurs de James-Stein).

Quand l’utiliser

Utilisez l'ANOVA lorsque vous comparez les moyennes de trois groupes indépendants ou plus sur une variable de résultat continue. Scénarios courants : tester l'efficacité de multiples conditions de traitement (éducation, médecine), comparer les résultats entre des catégories démographiques (groupes d'âge, régions géographiques), ou évaluer plusieurs bras d'intervention dans un essai randomisé. L'ANOVA est idéale lorsque les données sont approximativement normalement distribuées et que les variances des groupes sont à peu près égales. Pour des données non normales, considérez Kruskal-Wallis (alternative non paramétrique). Pour des mesures répétées (mêmes sujets mesurés plusieurs fois), utilisez l'ANOVA pour mesures répétées. Pour des données imbriquées (élèves dans des écoles), utilisez la modélisation multiniveaux.

Limites et points d’attention

  • Suppose des résidus normalement distribués ; sensible aux écarts par rapport à la normalité avec de grandes tailles d'effet ou des tailles de groupe inégales.
  • Hypothèse d'homogénéité des variances : des variances inégales entre les groupes gonflent l'erreur de type I. Le F de Welch est une alternative plus robuste.
  • Test omnibus : une p-value significative indique qu'au moins deux moyennes diffèrent, mais ne spécifie pas quelles paires ; les tests post-hoc ajoutent de la complexité et des pénalités pour comparaisons multiples.
  • Sensible aux valeurs aberrantes : quelques observations extrêmes peuvent gonfler la variance intra-groupe et réduire la puissance statistique.
  • Nécessite des observations indépendantes ; viole les hypothèses si les données sont groupées (par exemple, élèves imbriqués dans des classes) sans ajustement approprié.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Puissante pour détecter de véritables différences entre les groupes lorsque les hypothèses sont satisfaites ; maintient un taux d'erreur de type I plus faible que des tests t multiples.
  • Parsimonieuse : teste l'effet global des groupes dans un seul modèle plutôt que de réaliser de nombreuses comparaisons par paires.
  • Fournit une taille d'effet (êta-carré) quantifiant l'ampleur des différences entre les groupes par rapport à la variation globale.
  • Largement disponible dans les logiciels statistiques ; pratique standard dans la recherche à travers les disciplines ; résultats facilement communicables.
  • Extensible : fondement de l'ANOVA factorielle (multiples facteurs), de l'ANOVA multivariée (MANOVA), des plans à mesures répétées et des modèles mixtes.

Applications

  • Essais cliniques : comparaison de l'efficacité de multiples dosages de médicaments ou de traitements concurrents sur les résultats des patients (par exemple, réduction de la douleur entre trois bras de traitement).
  • Recherche en éducation : tester si la réussite des élèves diffère selon la méthode d'enseignement, le type d'école ou le milieu socio-économique.
  • Agriculture et sciences de l'environnement : analyse des rendements des cultures, des taux de croissance ou des niveaux de contaminants selon les conditions de terrain, les types d'engrais ou les régions géographiques.
  • Fabrication et contrôle qualité : évaluation de la variation des métriques de qualité des produits selon la ligne de production, le lot ou le fournisseur.
  • Psychologie et neurosciences : comparaison des performances cognitives, de l'activation neuronale ou des mesures comportementales selon les conditions expérimentales ou les groupes diagnostiques.

Comment ça marche

Comment ça marche

1

Administrez l'ANOVA lorsque vous avez une variable de résultat continue et une ou plusieurs variables de groupement catégorielles (facteurs). La collecte de données nécessite des observations indépendantes de chaque groupe et une taille d'échantillon suffisante (typiquement 5 à 10+ par groupe). Attribuez les participants aux groupes soit expérimentalement (assignation aléatoire), soit observationnellement (groupement naturel). Enregistrez les scores de résultat pour tous les participants. Vérifiez les hypothèses avant de procéder : (1) indépendance des observations (pas de contamination par clustering ou mesures répétées), (2) normalité des résidus au sein de chaque groupe (examinez les graphiques Q-Q ou exécutez le test de Shapiro-Wilk), (3) homogénéité des variances entre les groupes (test de Levene ; p > 0,05 suggère des variances égales).

2

Calculez la statistique F de l'ANOVA en partitionnant la somme totale des carrés (SS_total) en somme des carrés inter-groupes (SS_between) et somme des carrés intra-groupes (SS_within). Calculez : (1) La moyenne générale (moyenne globale de toutes les observations), (2) SS_between = Σ n_i(M_i − M_grand)² où n_i est la taille du groupe et M_i est la moyenne du groupe, (3) SS_within = Σ Σ (x_ij − M_i)² sommée sur les groupes et les observations, (4) Carré moyen inter-groupes (MS_between) = SS_between / (k − 1) où k est le nombre de groupes, (5) Carré moyen intra-groupes (MS_within) = SS_within / (N − k) où N est la taille totale de l'échantillon, (6) Statistique F = MS_between / MS_within. Le F suit une distribution F avec (k−1) et (N−k) degrés de liberté sous l'hypothèse nulle.

3

Comparez le F calculé à la valeur critique des tables de distribution F ou utilisez un logiciel pour obtenir la p-value. Si p < α (typiquement 0,05), rejetez l'hypothèse nulle : au moins deux groupes diffèrent significativement. L'ANOVA n'identifie pas quels groupes diffèrent ; utilisez des tests post-hoc (Tukey HSD, Bonferroni, Scheffé) pour les comparaisons par paires. Rapportez la taille de l'effet (η², omega-squared) pour indiquer la signification pratique : η² = SS_between / SS_total ; environ 0,01=petit, 0,06=moyen, 0,14=grand. L'omega-squared est moins biaisé pour les petits échantillons. Les p-values non significatives indiquent une preuve insuffisante de différences entre les groupes ; ne concluez pas que les groupes sont égaux — l'absence de preuve n'est pas une preuve d'absence.

Pièges courants

  • Réaliser une ANOVA sans vérifier les hypothèses, en particulier la normalité et l'homogénéité des variances ; toujours examiner les graphiques des résidus.
  • Effectuer des tests t par paires multiples au lieu d'une ANOVA puis de tests post-hoc ; gonfle l'erreur familiale de type I et gaspille de la puissance.
  • Mauvaise interprétation d'une ANOVA non significative comme preuve que les groupes sont égaux ; le manque de signification indique seulement une preuve insuffisante pour rejeter l'hypothèse nulle.
  • Utiliser l'ANOVA sur des données de résultat ordinales ou catégorielles (utiliser le chi-carré à la place) ; l'ANOVA nécessite des résultats continus.
  • Oubli de rapporter les tailles d'effet (êta-carré, omega-squared) à côté des p-values ; la signification statistique seule ne communique pas l'importance pratique.
  • Ignorer les tailles d'échantillon inégales dans les comparaisons post-hoc ; certains tests (par exemple, Tukey) supposent des n égaux.

Questions fréquentes

Quelle est la différence entre l'ANOVA à un facteur, à deux facteurs et pour mesures répétées ?

L'ANOVA à un facteur teste une variable indépendante (facteur) avec plusieurs niveaux (par exemple, trois groupes de traitement). L'ANOVA à deux facteurs inclut deux variables indépendantes et teste les effets principaux ainsi que leur interaction (par exemple, effets du traitement et du genre sur le résultat). L'ANOVA pour mesures répétées s'applique aux plans intra-sujets où les mêmes individus sont mesurés plusieurs fois (par exemple, avant, pendant, après le traitement) ; elle tient compte de la corrélation entre les observations répétées. Le choix dépend du plan d'étude et des questions de recherche.

Quand dois-je utiliser des tests post-hoc, et lequel est le meilleur ?

Utilisez des tests post-hoc uniquement après une ANOVA omnibus significative pour identifier quelles paires de groupes diffèrent. Le HSD (Honnêtement Significativement Différent) de Tukey est standard pour des tailles de groupe égales et des comparaisons par paires planifiées, contrôlant l'erreur familiale. Bonferroni est conservateur (plus strict, moins de faux positifs) pour peu de comparaisons. Scheffé est le plus flexible, permettant des contrastes complexes. Le test de Dunnett est le meilleur pour comparer plusieurs groupes de traitement à un seul groupe témoin. Spécifiez toujours les tests post-hoc à l'avance ; la sélection basée sur les données gonfle l'erreur de type I.

Comment gérer les tailles d'échantillon inégales entre les groupes ?

Un n inégal n'est pas une violation si les données manquantes sont complètement aléatoires (MCAR). Le contrôle de l'erreur de type I est robuste sous n inégal. Cependant, les tests post-hoc supposent des tailles de groupe égales ; utilisez des valeurs critiques modifiées ou des tests alternatifs (par exemple, Games-Howell) pour ajuster les variances et les tailles d'échantillon inégales. Rapportez explicitement les tailles de groupe. Si les données manquantes sont liées aux variables d'intérêt, envisagez l'imputation multiple ou les modèles mixtes pour gérer les données manquantes de manière appropriée.

Qu'est-ce que l'êta-carré (η²) et en quoi diffère-t-il de l'omega-carré (ω²) ?

Les deux mesurent la taille de l'effet : la proportion de la variance totale expliquée par l'appartenance au groupe. L'êta-carré (η² = SS_between / SS_total) est plus facile à calculer mais biaisé à la hausse, surtout avec de petits échantillons. L'omega-carré (ω² = (SS_between − (k−1)MS_within) / (SS_total + MS_within)) corrige ce biais et fournit une estimation moins gonflée de la taille de l'effet dans la population. Pour la publication, rapportez l'omega-carré pour plus de précision. Repères approximatifs : 0,01 = petit, 0,06 = moyen, 0,14 = grand effet.

Méthodes associées

Sources

  1. Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver and Boyd.

    Ouvrir la référence de la publication
    Copié.
  2. Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621.

    Ouvrir la référence DOI
    Copié.