Observations relatives aux données pour la fonction MANOVA générale

Pour garantir la validité de vos résultats, vérifiez que les règles suivantes sont respectées lorsque vous collectez des données, effectuez une analyse et interprétez vos résultats.

Les données doivent inclure au moins un facteur de catégorie
Les facteurs de catégorie doivent être des facteurs fixes pouvant être croisés et emboîtés.

Pour plus d'informations sur les facteurs, consultez les rubriques Facteurs et niveaux de facteurs, Que sont les facteurs, les facteurs croisés et les facteurs emboîtés ? et Quelle est la différence entre les facteurs fixes et aléatoires ?.

Les variables de réponse doivent être continues
Si les variables de réponse sont corrélées, le test MANOVA peut détecter des schémas de réponse multivariés et des différences plus petites qu'il n'est possible en effectuant des tests ANOVA séparés. Si la variable de réponse est une variable de catégorie, le modèle est moins susceptible de satisfaire les hypothèses de l'analyse, de décrire précisément vos données ou de permettre des prévisions utiles.
  • Si vous disposez d'une variable de réponse ou de plusieurs variables de réponse non corrélées, vous pouvez utiliser Ajuster le modèle linéaire général pour obtenir des résultats similaires.
  • Si la variable de réponse contient deux catégories, comme Réussite et Echec, utilisez la fonction Ajuster le modèle logistique binaire.
  • Si la variable de réponse contient au moins trois catégories dont l'ordre est naturel, par exemple Absolument pas d'accord, Pas d'accord, Sans opinion, D'accord et Tout à fait d'accord, utilisez la fonction Régression logistique ordinale.
  • Si la variable de réponse contient au moins trois catégories qui n'ont pas d'ordre naturel, par exemple Eraflure, Entaille et Déchirure, utilisez la fonction Régression logistique nominale.
  • Si la variable de réponse dénombre des occurrences, comme le nombre de défauts, utilisez la fonction Ajuster le modèle de Poisson.
Chaque observation doit être indépendante de toutes les autres
Si vos observations ne sont pas indépendantes, les résultats ne seront peut-être pas valides. Tenez compte des points suivants pour déterminer si vos observations sont indépendantes :
  • Si une observation ne fournit aucune information sur la valeur d'une autre observation, cela signifie que les observations sont indépendantes.
  • Si une observation fournit des informations sur la valeur d'une autre observation, cela signifie que les observations sont dépendantes.
Les données d'échantillon doivent être sélectionnées de manière aléatoire

Les échantillons aléatoires permettent de faire des généralisations ou des déductions sur une population. Si les données n'ont pas été collectées de manière aléatoire, les résultats risquent de ne pas être représentatifs de la population.

Suivre les meilleures pratiques pour la collecte des données
Pour garantir la validité de vos résultats, suivez les indications suivantes :
  • Assurez-vous que les données sont représentatives de la population qui vous intéresse.
  • Collectez suffisamment de données pour bénéficier de la précision nécessaire.
  • Mesurez les variables de façon aussi exacte et précise que possible.
  • Enregistrez les données dans leur ordre de collecte.
Le modèle doit être bien ajusté aux données

Si le modèle n'est pas bien ajusté aux données, les résultats risquent d'être trompeurs. Dans les résultats, utilisez les graphiques des valeurs résiduelles, les statistiques de diagnostic pour les observations aberrantes, ainsi que les statistiques récapitulatives du modèle pour déterminer l'ajustement du modèle aux données.

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique