Chapitre II.
__
Matériel et méthodes d’étude
22
• Ho: α1 = α2 = α3 = αa rejetée; on conclut qu'il y a des différences significatives entre les
niveaux d’une variable A ;
• Ho: β1 = β2 = β3 = βb rejetée; on conclut qu'il y a des différences significatives entre les
niveaux d’une variable B ;
• Ho: (αβ) ij = 0 rejetée; on doit conclure qu'il y a une interaction entre les facteurs A et B
c’est à dire que les différentes combinaisons de niveaux des deux facteurs produisent des
effets différents.
Il reste à déterminer les combinaisons de ces niveaux qui sont significativement différents : c'est
donc, la décision qui doit être prise. Dans le cas de notre étude les centroïdes des formes de la
face dorsale du neurocrâne et le cleithra gauche différentes espèces capturées dans différentes
régions ont été comparées, a posteriori par le test de Scheffé (Statsoft, 1997).
4.2. Analyse factoriel discriminante (AFD)
L’analyse discriminante dite "décisionnelle" a pour objet de définir une règle permettant de
classer un individu dans un groupe particulier, parmi les groupes possibles. Cette affectation à un
groupe donné se fait sur la base des caractéristiques (variables) observées sur cet individu.
Elle permet aussi de mettre en évidence les liaisons existantes entre un caractère qualitatif à
expliquer (à discriminer) et un ensemble de caractères explicatifs quantitatifs (discriminants).
En analyse discriminante, on distingue a priori deux ou plusieurs groupes d’individus sur
lesquels on mesure un ensemble de caractères communs. L’analyse va alors chercher à mettre en
évidence ce qui différencie ces groupes. Elle rechercher quels sont les caractères qui permettent
de séparer le mieux possible les classes (groupes) d'individus et donner des représentations
graphiques qui rendent compte au mieux de cette séparation. La combinaison des méthodes GM
avec des procédures statistiques multivariées représente un outil très puissant pour tester et
afficher graphiquement les déférences de forme.
Les scores de la validation croisé (cross-validation) des différents individus affectés à posteriori
dans différents groupes ont été projeté pour vérifier le chevauchement entre les nouveaux
groupes d’individus formés après validation. L’analyse a été effectué sur xlstat.
4.3. Analyse Canonique des Variances (ACV)
Cette analyse a été réalisée sur les coordonnées des points homologues. L’ACV est une méthode
d’analyse multidimensionnelle qui présente des analogies à la fois avec l’analyse en
composantes principales (ACP) et avec la régression linéaire.
__
Matériel et méthodes d’étude
22
• Ho: α1 = α2 = α3 = αa rejetée; on conclut qu'il y a des différences significatives entre les
niveaux d’une variable A ;
• Ho: β1 = β2 = β3 = βb rejetée; on conclut qu'il y a des différences significatives entre les
niveaux d’une variable B ;
• Ho: (αβ) ij = 0 rejetée; on doit conclure qu'il y a une interaction entre les facteurs A et B
c’est à dire que les différentes combinaisons de niveaux des deux facteurs produisent des
effets différents.
Il reste à déterminer les combinaisons de ces niveaux qui sont significativement différents : c'est
donc, la décision qui doit être prise. Dans le cas de notre étude les centroïdes des formes de la
face dorsale du neurocrâne et le cleithra gauche différentes espèces capturées dans différentes
régions ont été comparées, a posteriori par le test de Scheffé (Statsoft, 1997).
4.2. Analyse factoriel discriminante (AFD)
L’analyse discriminante dite "décisionnelle" a pour objet de définir une règle permettant de
classer un individu dans un groupe particulier, parmi les groupes possibles. Cette affectation à un
groupe donné se fait sur la base des caractéristiques (variables) observées sur cet individu.
Elle permet aussi de mettre en évidence les liaisons existantes entre un caractère qualitatif à
expliquer (à discriminer) et un ensemble de caractères explicatifs quantitatifs (discriminants).
En analyse discriminante, on distingue a priori deux ou plusieurs groupes d’individus sur
lesquels on mesure un ensemble de caractères communs. L’analyse va alors chercher à mettre en
évidence ce qui différencie ces groupes. Elle rechercher quels sont les caractères qui permettent
de séparer le mieux possible les classes (groupes) d'individus et donner des représentations
graphiques qui rendent compte au mieux de cette séparation. La combinaison des méthodes GM
avec des procédures statistiques multivariées représente un outil très puissant pour tester et
afficher graphiquement les déférences de forme.
Les scores de la validation croisé (cross-validation) des différents individus affectés à posteriori
dans différents groupes ont été projeté pour vérifier le chevauchement entre les nouveaux
groupes d’individus formés après validation. L’analyse a été effectué sur xlstat.
4.3. Analyse Canonique des Variances (ACV)
Cette analyse a été réalisée sur les coordonnées des points homologues. L’ACV est une méthode
d’analyse multidimensionnelle qui présente des analogies à la fois avec l’analyse en
composantes principales (ACP) et avec la régression linéaire.