Exemple du paragraphe 5.4 : compléments

 


5.4.3 Importance de la randomisation

    2° Résultats

Après avoir introduit les différentes dérives, il faut réaliser les analyses de la variance pour chacune de ces dérives.

Pour la dérive linéaire -0,01 :

attach(exp054d)
model5 <- aov(Neg.01~as.factor(Dimen)*as.factor(Humid))
model5$df.residual <- 23
summary(model5)
 
                                  Df Sum Sq Mean Sq F value   Pr(>F)   
as.factor(Dimen)                   2 2.9593  1.4796  6.3254 0.006473 **
as.factor(Humid)                   3 0.3963  0.1321  0.5647 0.643799   
as.factor(Dimen):as.factor(Humid)  6 0.1978  0.0330  0.1409 0.989108   
Residuals                         23 5.3802  0.2339


Pour la dérive linéaire -0,005 :

model6 <- aov(Neg.005~as.factor(Dimen)*as.factor(Humid))
model6$df.residual <- 23
summary(model6)
 
                                  Df Sum Sq Mean Sq F value  Pr(>F)  
as.factor(Dimen)                   2 2.0404  1.0202  4.3267 0.02541 *
as.factor(Humid)                   3 0.4060  0.1353  0.5739 0.63791  
as.factor(Dimen):as.factor(Humid)  6 0.1963  0.0327  0.1387 0.98955  
Residuals                         23 5.4233  0.2358


Pour la dérive linéaire +0,005 :

model7 <- aov(Pos.005~as.factor(Dimen)*as.factor(Humid))
model7$df.residual <- 23
summary(model7)
 
                                  Df Sum Sq Mean Sq F value Pr(>F)
as.factor(Dimen)                   2 0.7157  0.3578  1.4929 0.2457
as.factor(Humid)                   3 0.4882  0.1627  0.6790 0.5738
as.factor(Dimen):as.factor(Humid)  6 0.1932  0.0322  0.1344 0.9904
Residuals                         23 5.5129  0.2397


Pour la dérive linéaire +0,01 :

model8 <- aov(Pos.01~as.factor(Dimen)*as.factor(Humid))
model8$df.residual <- 23
summary(model8)
 
                                  Df Sum Sq Mean Sq F value Pr(>F)
as.factor(Dimen)                   2 0.3098  0.1549  0.6409 0.5360
as.factor(Humid)                   3 0.5608  0.1869  0.7733 0.5208
as.factor(Dimen):as.factor(Humid)  6 0.1918  0.0320  0.1322 0.9908
Residuals                         23 5.5594  0.2417

 

Enfin, si l'on veut calculer les degrés de signification p relatifs à la composante linéaire du facteur dimension, il faut tout d'abord déterminer la somme des carrés des écarts relative à la relation linéaire entre le rendement (avec dérive) et la dimension. Ensuite, il reste à calculer la valeur de F correspondante en divisant par le carré moyen résiduel, pour finalement déterminer p.

Pour la dérive linéaire -0,01 :

anova(lm(Neg.01~Dimen))
 
Analysis of Variance Table

Response: Rend.neg.01
          Df Sum Sq Mean Sq F value    Pr(>F)    
Dimen      1 2.7857  2.7857  15.406 0.0004012 ***
Residuals 34 6.1478  0.1808
 
pf(2.7857/0.2339,df1=1,df2=23,lower.tail=F)
 
[1] 0.002171997


Pour la dérive linéaire –0,005 :

anova(lm(Neg.005~Dimen))
 
Analysis of Variance Table

Response: Rend.neg.005
          Df Sum Sq Mean Sq F value   Pr(>F)   
Dimen      1 1.9092  1.9092  10.543 0.002623 **
Residuals 34 6.1567  0.1811  
pf(1.9092/0.2358,df1=1,df2=23,lower.tail=F)
 
[1] 0.009158687


Pour la dérive linéaire +0,005 :

anova(lm(Pos.005~Dimen))
 
Analysis of Variance Table

Response: Rend.pos.005
          Df Sum Sq Mean Sq F value  Pr(>F)  
Dimen      1 0.6515  0.6515   3.539 0.06853 .
Residuals 34 6.2586  0.1841  
pf(0.6515/0.2397,df1=1,df2=23,lower.tail=F)
 
[1] 0.1128175


Pour la dérive linéaire +0,01 :

anova(lm(Pos.01~Dimen))
 
Analysis of Variance Table

Response: Rend.pos.01
          Df Sum Sq Mean Sq F value Pr(>F)
Dimen      1 0.2702  0.2702  1.4465 0.2374
Residuals 34 6.3516  0.1868
 
pf(0.2702/0.2417,df1=1,df2=23,lower.tail=F)
detach(exp054d)
 
[1] 0.3013472

Fermer cette page

Dernière mise à jour : janvier 2005