Chapitre 13. Analyse de variance ´ el´ ementaire
559
> par(mfrow=c(2,2))
> plot(modele,col.smooth="red")
4.5
5.5
6.5
7.5
−3 −1 1
3
Fitted values
Residuals
●
●
● ●
●
●
●
● ●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
Residuals vs Fitted
26
25
5
●
●
●
●
●
●
●
● ●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
−2
−1
0
1
2
−2
0 1 2
Theoretical Quantiles
Standardized residuals
Normal Q−Q
26
25
5
4.5
5.5
6.5
7.5
0.0 0.5 1.0 1.5
Fitted values
Standardized residuals
●
● ● ●
●
●
● ● ●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
Scale−Location
26
25
5
−2
0 1 2
Factor Level Combinations
Standardized residuals
Placebo
T3 T4 T5
traitement :
●
●
● ●
●
●
●
● ●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
Constant Leverage:
Residuals vs Factor Levels
26
25
1
Figure 13.4 – Analyser les r´ esidus dans une ANOVA ` a deux facteurs.
Cependant, si le nombre de donn´ ees par croisement des deux facteurs est
assez important, il sera pr´ ef´ erable d’inspecter la normalit´ e dans chaque
sous-population ainsi que l’hypoth` ese d’homosc´ edasticit´ e.
13.2.5 Contrastes
M´ ethode des contrastes : Nous renvoyons le lecteur `
a la d´ efinition des
contrastes pr´ esent´ ee ` a l’analyse de la variance ` a un facteur.
Par exemple, supposons que l’on souhaite savoir s’il existe une diff´ erence