Qu'est-ce que la différence la moins significative de Fisher (LSD) pour comparaisons multiples ?

Le méthode LSD de Fisher est utilisée dans le cadre d'une ANOVA pour créer des intervalles de confiance pour toutes les différences deux à deux entre des moyennes de niveau de facteur tout en définissant le taux d'erreur individuel sur le niveau de votre choix. La méthode LSD de Fisher utilise ensuite le taux d'erreur individuel et le nombre de comparaisons pour calculer le niveau de confiance simultané de tous les intervalles de confiance. Ce niveau de confiance simultané correspond à la probabilité selon laquelle tous les intervalles de confiance contiennent la véritable différence. Lorsque vous effectuez des comparaisons multiples, il est important de prendre en considération le taux d'erreur famille car le risque de faire une erreur de 1ère espèce lors d'une série de comparaisons est plus élevé que le taux d'erreur de chacune des comparaisons individuelles.

Exemple pour la méthode LSD de Fisher

Par exemple, vous mesurez les temps de réponse de puces mémoire. Vous prélevez un échantillon de 25 puces auprès de cinq fabricants différents. L'ANOVA donne pour résultat une valeur de p de 0,01, ce qui vous amène à conclure qu'au moins une des moyennes de fabricant est différente des autres.

Vous décidez d'étudier les 10 comparaisons entre les cinq fabricants pour déterminer les moyennes qui sont spécifiquement différentes. En utilisant la méthode LSD de Fisher vous indiquez que chaque comparaison doit avoir un taux d'erreur individuel de 0,05 (ce qui équivaut à un niveau de confiance de 95 %). Minitab crée 10 intervalles de confiance à 95 % et son calcul indique que cet ensemble génère un niveau de confiance simultané de 71,79 %. En tenant compte de ce contexte, vous pouvez ensuite examiner les intervalles de confiance pour vérifier si l'un d'entre eux ne contient pas la valeur zéro, ce qui indiquerait une différence significative.

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