Observations relatives aux données pour la fonction ANOVA à un facteur contrôlé

Pour garantir la validité de vos résultats, prenez en compte les indications suivantes lorsque vous collectez des données, effectuez une analyse et interprétez vos résultats.

Les données doivent inclure une seule variable de catégorie devant être un facteur fixe

• Si vous disposez d'au moins deux facteurs de catégorie fixes, utilisez Ajuster le modèle linéaire général si tous les facteurs sont fixes ou Ajuster le modèle à effets mixtes si certains facteurs sont aléatoires.
• Pour représenter la relation entre un prédicteur (numérique) continu et une réponse continue, utilisez Droite d'ajustement.

Pour plus d'informations sur les facteurs, consultez les rubriques Facteurs et niveaux de facteurs et Facteurs fixes et aléatoires.

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.

Les données échantillons doivent être collectées dans une population normale, ou l'effectif de chaque échantillon doit être supérieur à 15 ou 20

Si l'effectif d'échantillon est supérieur à 15 ou 20, le test fonctionne très bien avec des lois non normales et asymétriques. Si l'effectif d'échantillon est inférieur à 15 ou 20, les résultats peuvent être trompeurs avec des lois non normales.

L'effectif d'échantillon réel dont vous avez besoin dépend du nombre de groupes dans vos données, à savoir :

• Si vous avez entre 2 et 9 groupes, l'effectif d'échantillon de chaque groupe doit être d'au moins 15.
• Si vous avez entre 10 et 12 groupes, l'effectif d'échantillon de chaque groupe doit être d'au moins 20.

Si vous n’êtes pas sûr que les données suivent une loi normale et que vos effectifs d'échantillons ne sont pas conformes aux indications, utilisez Test de Kruskal-Wallis.

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.

En présence d'observations dépendantes, accédez à la rubrique Analyse d'un plan à mesures répétées. Pour plus d'informations sur les échantillons, reportez-vous à la rubrique Que sont des échantillons indépendants ? . 

Suivre les meilleures pratiques pour la collecte des données

Pour garantir la validité de vos résultats, suivez les indications ci-après :

• 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 correctement ajusté aux données

Si le modèle n'est pas correctement 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.