Observations relatives aux données pour la fonction ANOVA totalement emboîtée

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 uniquement des facteurs de catégorie aléatoires et emboîtés

Si votre plan contient des covariables, des facteurs fixes ou des facteurs croisés, utilisez Ajuster le modèle linéaire général.

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 ?.

Le plan doit être totalement emboîté

Minitab ajuste un modèle totalement emboîté hiérarchique, l'emboîtement étant effectué en suivant l'ordre des facteurs entrés dans la zone Facteurs. Si vous entrez les facteurs A B C, les termes du modèle seront :

A
B emboîté dans A
C emboîté dans B, emboîté dans A

Il n'est pas nécessaire de spécifier l'emboîtement comme cela se fait pour une ANOVA équilibrée ou un MLG.

Il n'est pas nécessaire que l'emboîtement soit équilibré. Un facteur emboîté doit avoir au moins 2 niveaux à un certain niveau du facteur d'emboîtement. Si le facteur B est emboîté dans le facteur A, il peut y avoir un nombre inégal de niveaux de B dans chaque niveau de A. En outre, les indices utilisés pour identifier les niveaux de B peuvent être différents dans chacun des niveaux de A. Cependant, si votre plan totalement emboîté n'est pas équilibré, Minitab ne peut pas calculer les valeurs de F et de p.

Minitab utilise les sommes des carrés séquentielles (Type I) pour tous les calculs dans ANOVA totalement emboîtée. Si vous voulez utiliser les sommes des carrés ajustées, utilisez Ajuster le modèle linéaire général.

Si le plan n'est pas totalement emboîté, utilisez Ajuster le modèle linéaire général.

La variable de réponse doit être continue

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 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 pour déterminer l'ajustement du modèle aux données.