Chapitre 13. Analyse de variance ´ el´ ementaire
551
> require("gmodels")
> cmat <- rbind(" : 2 versus 3"=c(0,1,-1,0,0))
> fit.contrast(mon.aov,traitement,cmat)
Estimate Std. Error
t value
traitement : 2 versus 3 0.6666667 0.8831761 0.7548514
Pr(>|t|)
traitement : 2 versus 3 0.4573908
Remarque
Ce r´ esultat avait ´ et´ e donn´ e par le test individuel de Student dans le
mod` ele 2.
Supposons maintenant que les traitements 2 et 3 sont ` a base de pommade
alors que les traitements 4 et 5 sont des timbres anti-tabac. Afin de comparer ces deux types de rem` edes, on peut utiliser le contraste suivant :
L 2 = λ
T
μ avec λ = (0, −1, −1, 1, 1)
T et effectuer le test H 0 : L 2 = 0 versus
H 1 : L 2 0.
> cmat <- rbind(" : 2 versus 3"=c(0,1,-1,0,0),
+
" : 2 et 3 versus 4 et 5"=c(0,-1,-1,1,1))
> fit.contrast(mon.aov,traitement,cmat)
Estimate Std. Error
traitement : 2 versus 3
0.6666667 0.8831761
traitement : 2 et 3 versus 4 et 5 2.0000000 1.2489996
t value Pr(>|t|)
traitement : 2 versus 3
0.7548514 0.4573908
traitement : 2 et 3 versus 4 et 5 1.6012815 0.1218767
13.1.6 R´ ecapitulatif
Le tableau ci-dessous pr´ esente les principales fonctions ` a utiliser afin d’effectuer une analyse de variance `
a un facteur.
Table 13.1 – Principales fonctions ` a utiliser en ANOVA `
a un facteur.
Instruction R
Description
plot(Y∼factor(X))
inspection graphique
aov(Y∼factor(X))
analyse de la variance
summary(aov(Y∼factor(X))) tableau d’analyse de la variance
anova(lm(Y∼factor(X)))
tableau d’analyse de la variance
pairwise.t.test()
comparaisons deux ` a deux
fit.contrast()
test sur les contrastes (package gmodels)
barlett.test()
test d’hypoth` ese d’homosc´ edasticit´ e
levene.test()
test d’hypoth` ese d’homosc´ edasticit´ e
plot(aov(Y∼factor(X)))
analyse graphique des r´ esidus