Statistique théorique et appliquée - Tome 2
Utilisation de R pour l'exemple 9.3.3
par Emmanuel Nowak
On souhaite étudier la variablité du rendement fourrager entre les prairies d'une une région donnée, ceci à partir du choix aléatoire de trois d'entre elles. Il s'agit donc d'un modèle aléatoire d'analyse de la variance à un facteur. Après avoir importé les données fournies dans le fichier 's2e09033.txt', il faut diviser les rendements par 100 pour obtenir des valeurs en tonnes par hectare. Il convient également de déclarer la variable prairie comme facteur :
| s2e09033 <- read.table("C:/Dagnelie/st2donn/txt.2/s2e09033.txt",sep="\t",header=T) s2e09033$Rend <- s2e09033$Rend/100 s2e09033$Prair <- factor(s2e09033$Prair) summary(s2e09033) |
Prair Rend
1:5 Min. :1.330
2:5 1st Qu.:1.885
3:5 Median :2.060
Mean :2.153
3rd Qu.:2.440
Max. :2.990
|
Lorsqu'il n'y a qu'un facteur, le tableau d'analyse de la variance est identique à celui obtenu à partir d'un modèle fixe, y compris pour le calcul de la statistique de test F dont le dénominateur est dans tous les cas le carré moyen résiduel :
| attach(s2e09033) model <- aov(Rend~Prair) summary(model) |
Df Sum Sq Mean Sq F value Pr(>F) Prair 2 1.31817 0.65909 4.2269 0.04078 * Residuals 12 1.87112 0.15593 |
L'estimation des composantes de la variance doit se faire à la main, à moins d'utiliser réellement un modèle aléatoire :
| library(nlme) model.lme <- lme(Rend~1, random=~1|Prair) summary(model.lme) |
Linear mixed-effects model fit by REML
Data: NULL
AIC BIC logLik
25.30410 27.22127 -9.652048
Random effects:
Formula: ~1 | Prair
(Intercept) Residual
StdDev: 0.3172276 0.3948752
Fixed effects: Rend ~ 1
Value Std.Error DF t-value p-value
(Intercept) 2.152667 0.2096176 12 10.26949 0
|
Avant de traiter d'autres exemples, ne pas oublier de détacher le fichier de travail :
| detach(s2e09033) |
| Haut de la page |
| Autres illustrations avec R |
Dernière mise à jour : septembre 2006