MODULE 3 : CARRE LATIN Réponses
Transcription
MODULE 3 : CARRE LATIN Réponses
MODULE 3 : CARRE LATIN Réponses Plan expérimental 1°) Dans un carré latin combien d’essais faut-il réaliser dans un dispositif : - à 3 variantes ? Carré 3x3 = 9 essais (il existe 12 carrés différents !) - à 4 variantes ? Carré 4x4 = 16 essais (il existe 576 carrés différents !) - à 5 variantes ? Carré 5x5 = 25 essais (il existe 161280 carrés différents !) - à 6 variantes ? Carré 6x6 = 36 essais 2°) Construisez un carré latin 4x4 autre que celui de l’exemple. Il y a 576 possibilités ! Vérifier que votre traitement n’apparaît bien qu’une fois par ligne et qu’une fois par colonne ! A1 A2 A3 A4 B1 C2 C1 C3 C4 B2 C3 C2 C4 C1 B3 C1 C4 C2 C3 B4 C4 C3 C1 C2 3°) Identifier le dispositif expérimental, la réponse, le modèle et proposer un plan expérimental plausible relatif à l’étude qui suit, à partir de son résumé. J. Dairy Sci. 86:3229-3236 © American Dairy Science Association, 2003. Dose Response of Milk Fat to Intravenous Administration of the trans-10, cis-12 Isomer of Conjugated Linoleic Acid1 S. Viswanadha, J. G. Giesy, T. W. Hanson and M. A. McGuire Intravenous infusion of conjugated linoleic acid (CLA) was evaluated as a simpler method than abomasal infusion and the feeding of calcium salts to examine milk fat depression. The objectives were to determine the dose-dependent response of milk fat and plasma metabolites to intravenous administration of the trans-10, cis-12 isomer of CLA, an isomer identified to possess an inhibitory effect on milk fat synthesis. Four multiparous Holstein cows averaging 123 ± 30 d in milk were randomly assigned to treatments in a Latin square design. Catheters were inserted into the jugular vein for infusions and blood sampling. Treatments consisted of intravenous infusions of 0, 2, 4, and 6 g/d CLA (>95% trans-10, cis-12 CLA). Infusates contained 72 g/d of a parenteral solution, saline, and CLA to 90 ml. Periods were of 5 d duration with a 7 d wash out. Milk was sampled at each milking and analyzed for fat, protein, and fatty acids. Blood samples were obtained on the last day of each period. Abbreviations: CLA = conjugated linoleic acid B; Bottollier - ISARA 1 On soumet 4 vaches multipares de même race (Holstein) à des stades de lactation comparables (123+/-30 j), à 4 traitements (0, 2, 4 et 6 g/j CLA). On sait aussi que chaque traitement s’étale sur une période de 5 jours suivie de 7 jours sans traitement. On a déjà 2 facteurs à 4 niveau, le 3ème facteur peut être la durée qui couvre l’expérimentation (4 fois 12jours), on le considère comme un facteur contrôlé. On va construire un carré latin 4x4 dans lequel le facteur étudié est le traitement et les facteurs contrôlés sont : les vaches (que l’on peut ordonner selon un critère de V1 à V4) et la durée de l’expérimentation (4 périodes consécutives de P1 à P4) V P T Facteurs Vache Période Traitement Variantes V2 V3 P2 P3 T2 T3 V1 P1 T1 V4 P4 T4 Les réponses étudiées sont les matières grasses du lait et des métabolites sanguins. On peut proposer : V1 V2 V3 V4 P1 T2 T1 T3 T4 P2 T3 T2 T4 T1 P3 T1 T4 T2 T3 P4 T4 T3 T1 T2 Le modèle étant : yijk = µ + V i + P j + T k + eijk. Où Vi est l’effet du facteur vache, Pj est l’effet du facteur période et Tk l’effet du traitement. 4°) Imaginer un dispositif pour une étude à 4 facteurs, 2 contrôlés (pente et direction N/S) et 2 étudiés (dose et type d’engrais), chaque facteur ayant 4 niveaux, vous disposez pour cela de 16 parcelles. Pour cela vous devez construire 2 carrés latins que vous superposez. Facteur 1 A : niveau 1 B : niveau 2 C : niveau 3 D : niveau 4 B; Bottollier - ISARA Facteur 2 1 : niveau 1 2 : niveau 2 3 : niveau 3 4 : niveau 4 2 1 1 2 3 4 2 3 4 1 1 A D B C B C A D D A C B C B D A 2 3 4 1 1 2 3 4 A1 D3 B2 C4 2 B4 C2 A3 D1 3 D2 A4 C1 B3 4 C3 B1 D4 A2 2 3 4 1 3 2 4 4 2 3 1 2 4 1 3 3 1 4 2 Ce type de dispositif se nomme un carré Greco latin. Le modèle étant : yijkl = µ + α i + β j + γ k + δ l + εijkl. 5°) Vous voulez tester l’influence d’un type d’alimentation à 3 variantes et un type de dose à 2 variantes sur le rendement laitier de vaches. Déterminer les facteurs étudiés. Déterminer les facteurs contrôlés et leur nombre de niveaux. Proposer un dispositif expérimental. Les facteurs étudiés sont au nombre de 2 : • Type d’alimentation (A) à 3 niveaux (A1, A2 et A3) • Dose (D) à 2 niveaux (D1 et D2) Il y a donc 6 combinaisons possibles, si on veut les disposer en carré latin il faut 6 niveaux pour les facteurs contrôlés qui seront par déduction: • L’animal (V1 à V6) • La période expérimentale (P1 à P6) B; Bottollier - ISARA 3 On peut proposer le dispositif suivant : P1 P2 P3 P4 P5 P6 A1 A3 A3 A2 A1 A2 D2 D2 D1 D1 D1 D2 A1 A3 A2 A1 A3 A2 D1 D1 D2 D2 D2 D1 A3 A2 A2 A1 A3 A1 D2 D2 D1 D1 D1 D2 A2 A1 A1 A3 A2 A3 D2 D2 D1 D1 D1 D2 A2 A1 A3 A2 A1 A3 D1 D1 D2 D2 D2 D1 A3 A2 A1 A3 A2 A1 D1 D1 D2 D2 D2 D1 V1 V2 V3 V4 V5 V6 Comme dans l’article précédent de S. Viswanadha, il faudra prévoir des temps de récupération des animaux si on veut réaliser des mesures à la fin de chaque période afin que celles-ci puissent jouer le rôle de répétitions. Combien y a-t-il d’unités expérimentales (ou unités statistiques) ? Qu’est ce qui représente 1 unité statistique ? Il y a 36 unités expérimentales, l’unité étant 1 vache à une période donnée. Normalité des résidus 1°) Quelles sont, d’après vous les hypothèses, nulle et alternative, soumises aux tests sur les coefficients de forme ? Pour le coefficient d’asymétrie : H0 β 1 = 0 H1 β 1 ≠ 0 (distribution non symétrique) Pour le coefficient d’aplatissement : H0 β 2 = 3 H1 β 2 ≠ 3 (distribution non mésocurtique) 2°) Quelle autre méthode connaissez-vous qui permet de vérifier la normalité d’une distribution ? B; Bottollier - ISARA 4 On peut utiliser un test d’adéquation du X² (Chi deux), pour cela on utilise le groupement en classes des résidus, on détermine les effectifs théoriques de chaque classe en supposant la distribution normale, on calcule le critère du X² et on détermine α le risque de se tromper en affirmant que la distribution n’est pas Normale. Cependant pour réaliser ce type de test, il faut un nombre de classes suffisant (autour de 6 classes au moins), il faut donc disposer d’au moins 36 valeurs environ. 3°) Exercice sur les vaches : La réponse étudiée yijk, est le glycérol sanguin en µM que l’on suppose suivre une loi normale. Analyser la normalité des résidus. GLY<-read.table("CLexerciceeleve.csv", header=TRUE, dec=",",sep=";") factligne<-as.factor(GLY$Vache) factcolonne<-as.factor(GLY$Période) factT<-as.factor(GLY$Traitement) gly<-(GLY$Glycerol) lmGLY<-lm(gly~factligne+factcolonne+factT) residusGLY<-lmGLY$residuals;residusGLY par(mfrow=c(2,2)) plot(lmGLY) Q-Q plot : Mis à part les points extrêmes, les points sont alignés sur le modèle de la droite de Henry. H0 L(e) ~N (0 ; σ(ε)) H1 L(e) ≠ N (0 ; σ(ε)) Si on rejette H0, hypothèse de la normalité, on a 17.8% de risque d’erreur. On conserve l’hypothèse de normalité des résidus. Shapiro-Wilk normality test data: residusGLY W = 0.9214, p-value = 0.1776 hist(residusGLY) Difficile de conclure à la normalité des résidus avec l’histogramme. Analyser les résultats suivants : p-value β1 = 0.65, p-value β2 = 0.31 Pour le coefficient d’asymétrie : H0 β 1 = 0 H1 β 1 ≠ 0 (distribution non symétrique) B; Bottollier - ISARA 5 Si on rejette H0 on a 65% de risque d’erreur. Pour le coefficient d’aplatissement : H0 β 2 = 3 H1 β 2 ≠ 3 (distribution non mésocurtique) Si on rejette H0 on a 31% de risque d’erreur. Indépendance des résidus Exercice Vaches : Les résidus sont-ils indépendants ? La répartition des résidus ne présente pas une disposition liée au terrain, on représente donc graphiquement les résidus en fonction des réponses estimées à l’aide du logiciel R. Le modèle d’indépendance semble respecté, on peut admettre l’indépendance des résidus. Homoscédasticité 1°) Exemple cours : Vérifier si 1 des variances résiduelles selon les lignes est supérieure aux autres par le calcul sur Excel. L4 L3 L2 L1 c1 -1,125 1,375 0,625 -0,875 c2 1,125 -0,625 0,375 -0,875 c3 -0,375 -0,125 -0,875 1,375 l1 l2 l3 l4 c1 -1,125 1,375 0,625 -0,875 c2 1,125 -0,625 0,375 -0,875 c3 -0,375 -0,125 -0,875 1,375 c4 0,375 -0,625 -0,125 0,375 SCEi 2,8125 2,6875 1,3125 3,5625 SCE j νj νjlog10σ²j 4,3125 3 0,473 2,5625 3 -0,205 2,8125 3 -0,084 0,6875 3 -1,920 -1,736 B; Bottollier - ISARA 6 c4 0,375 -0,625 -0,125 0,375 νi νilog10σ²i 3 3 3 3 -0,084 -0,143 -1,077 0,224 -1,081 H0 : les variances résiduelles selon le facteur ligne sont homogènes. H1 : au moins une des variances est supérieure à une autre autre. KHI2 calculé = 0.65 p-value = 0.885 Si on rejette H0 on a 88.5% de chance de le faire à tort, on conserve donc H0, on n’a pas pu mettre en évidence que l’hypothèse d’invariance des variances résiduelles selon le facteur ligne n’était pas respectée. 2°) Exemple cours : Pour les colonnes on donne X² calculé = 1,98 Vous déterminerez la p-value exacte avec Excel, et par encadrement en utilisant la table adéquate. Hypothèses et conclusion H0 : les variances résiduelles selon le facteur colonne sont homogènes. H1 : au moins une des variances est supérieure à une autre. KHI2 = 1.98 ddl = 3 PROBA = 0.58 Si on rejette H0 on a 58% de chance de le faire à tort, on conserve donc H0, on n’a pas pu mettre en évidence que l’hypothèse d’invariance des variances résiduelles selon le facteur colonne n’était pas respectée. Si on utilise la table du X², pour un ddl = 3 on trouve dans les 2 cas : X² 0.10(3) < X² calculé < X² 0.50(3) La p-value, risque de se tromper en rejetant H0 est donc comprise entre 0,5 et 0,9. 3°) Exercice Vaches : A l’aide du logiciel R vérifier l’homoscédasticité des variances résiduelles (graphiquement + test). Hypothèses et conclusions > bartlett.test(residusGLY~factligne) Bartlett test of homogeneity of variances data: residusGLY by factligne Bartlett's K-squared = 0.7196, df = 3, p-value = 0.8686 > bartlett.test(residusGLY~factcolonne) Bartlett test of homogeneity of variances data: residusGLY by factcolonne Bartlett's K-squared = 0.6282, df = 3, p-value = 0.89 > bartlett.test(residusGLY~factT) Bartlett test of homogeneity of variances data: residusGLY by factT Bartlett's K-squared = 2.4356, df = 3, p-value = 0.487 B; Bottollier - ISARA 7 Pour chaque test : H0 : les variances résiduelles selon le facteur vache (ou période) (ou traitement) sont homogènes. H1 : au moins une des variances résiduelles est supérieure à une autre. Si on rejette H0 on a p-value > 0.05 de risque de le faire à tort, on conserve donc H0, on n’a pas pu mettre en évidence que l’hypothèse d’invariance des variances résiduelles selon le facteur vache (ou période) (ou traitement) n’était pas respectée. boxplot(residusGLY~factligne, main="Facteur Vache") boxplot(residusGLY~factcolonne, main="Facteur période") boxplot(residusGLY~factT, main="Facteur Traitement") Les Box Plots vont également dans le sens de l’homogénéité des variances résiduelles selon le facteur vache (ou période) (ou traitement). Analyse de la variance 1°) Dans l’exemple du cours donner la valeur du F théorique pour un risque d’erreur de 5%. Le test F est un test unilatéral donc pour α = 0.05 : F0.95 (3 ;6) = 4.76 lu dans la table. Le F théorique est le même pour les 3 tests, F calculé FA = 1.67 FB = 2.16 FC = 105.39 B; Bottollier - ISARA F théorique < 4.76 < 4.76 > 4.76 8 On a pu mettre en évidence qu’un effet du facteur C avec moins de 5% de risque d’erreur. 2°) Quelles hypothèses sont à vérifier avant de réaliser l’analyse de la variance ? La loi de distribution de la variable de réponse est une loi normale. Hypothèses: • de la normalité des résidus, • d’invariance des variances résiduelles, • d’indépendance des résidus. 3°) Exercice Vaches La réponse étudiée Yijk, est le glycérol sanguin en µM que l’on suppose suivre une loi normale. Réaliser l’analyse de la variance des données yijk, poser les hypothèses soumises aux tests et formuler la conclusion. Les calculs : µ 1137,625 Y 18202 C 20707050 vache 1 2 3 4 moyenne 1127,25 1200 1133 1090,25 somme 4509 4800 4532 4361 5134756 4754580 produit période moyenne 1106,75 1144 1110 1189,75 somme 4427 4576 4440 4759 produit traitement moyenne SC 5082770 5760000 4899582 5234944 4928400 5662020 830,5 1113,75 1070,5 1535,75 somme 3322 4455 4282 6143 produit 2758921 4961756 4583881 9434112 21936702 B; Bottollier - ISARA 9 total 20732106,50 20724946,50 21738670,50 H0: CMV / CMe = 1 H1: CMV / CMe > 1 H’0: CMP / CMe = 1 H’1: CMP / CMe > 1 H’’0: CMT / CMe = 1 H’’1: CMT / CMe > 1 Source de variation SCE ddl CM F calculé proba Vache 25056,25 3 8352,08 0,32 (NS) 0,8090 Période 17896,25 3 5965,42 0,23 (NS) 0,8718 Traitement 1031620,25 3 343873,42 13,30 (**) 0,0046 résiduelle 155079,00 6 totale 1229651,75 15 25846,50 Seul un effet très significatif du facteur étudié T a pu être mis en évidence avec 0.46% de risque d’erreur. > anova(lm(gly~factligne+factcolonne+factT)) Analysis of Variance Table Response: gly Df Sum Sq Mean Sq F value Pr(>F) factligne 3 25056 8352 0.3231 0.809039 factcolonne 3 17896 5965 0.2308 0.871814 factT 3 1031620 343873 13.3044 0.004636 ** Residuals 6 155079 25847 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Comparaison des moyennes Exercice Vaches : La réponse étudiée yijk, est le glycérol sanguin en µM que l’on suppose suivre une loi normale. Le dispositif expérimental utilisé est un carré latin, les résultats analysés autorisent l’analyse de la variance qui elle-même conclue à un effet traitement uniquement. A partir des résultats proposés ci-dessous, regrouper les moyennes des traitements (ppas et TUKEY) pour un risque de 5%. Conclusion. traitement 1 2 3 4 moyenne 830,5 1113,75 1070,5 1535,75 L’analyse de la variance a donné CMe = 25846,50 H0: les µj appartiennent à un même groupe H1: les µj n’appartiennent pas à un même groupe B; Bottollier - ISARA 10 σ(m) 80,384 q0,95 = 4,34 ppas(3) 348,868 j/j' ∆µ q0,95 = 4,9 ppas(4) 393,883 j/j' ∆µ µ4/µ1 Les Les Les Les moyennes moyennes moyennes moyennes 705,25 q0,95 = 3,46 ppas(2) 278,129 j/j' ∆µ µ4/µ3 465,25 µ3/µ1 240 µ2/µ1 283,25 µ2/µ3 43,25 µ4/µ2 422 4 et 1 n’appartiennent pas au même groupe. 4 et 2 n’appartiennent pas au même groupe. 4 et 3 n’appartiennent pas au même groupe. 1,3 et 2 appartiennent au même groupe. On a 2 groupes de moyennes : traitement T4 T2 T3 T1 MOYENNES 1535,75 1113,75 1070,5 830,5 GROUPES A B B B Les doses 0, 2, et 4 g/j CLA sont équivalentes sur le taux de glycérol sanguin, par contre la dose 6 g/j CLA donne un taux différent avec 5 % de risque d’erreur. Conclusion, pour maximiser le taux de glycérol sanguin on utilisera le traitement 4, pour le minimiser le traitement 1 ou 2 ou 3. > TukeyHSD(aov(gly~factligne+factcolonne+factT)) Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = gly ~ factligne + factcolonne + factT) Compte tenu de l’ANOVA on ne retient que l’effet traitement: $factT 2-1 3-1 4-1 3-2 4-2 4-3 diff lwr upr p adj 283.25 -110.27899 676.779 0.1587332 240.00 -153.52899 633.529 0.2502363 705.25 311.72101 1098.779 0.0032896** -43.25 -436.77899 350.279 0.9795610 422.00 28.47101 815.529 0.0375795* 465.25 71.72101 858.779 0.0246941* Le Traitement 4 est différent du traitement 1, du traitement 2 et du traitement 3. Les traitements 1, 2 et 3 ne diffèrent pas entre eux. On retrouve donc le même tableau de regroupement que précédemment donc la même conclusion. B; Bottollier - ISARA 11 « Entraînez-vous ! » Soit un essai de chauffage au sol sur la croissance de Ficus elastica (Gérard M,, 1977,Influence du chauffage du sol sur la croissance de Ficus elastica, Mémoire de fin d'études, Gembloux, Fac, Sci, Agro,,130p,) On dispose de : • 144 plants en pots de Ficus, (chaque plan est constitué d’une tige), • 2 petites serres A et B, de 2.5m x 6.5m, la serre A est au nord de la serre B. On sait que chaque tige doit être espacée d’environ 30 cm, en tout sens, d’une autre tige, Les températures du sol à étudier sont 15, 20,25 et 30°C, à 12cm de profondeur. Sur chaque unité expérimentale on mesure l’accroissement total en hauteur des plants après 8 mois d’expérimentation. 1°) Proposer un dispositif expérimental, Définissez l’unité expérimentale. Les températures du sol étudiées sont 15, 20,25 et 30°C, à 12cm de profondeur, toutes les autres conditions de culture devront être uniformes. Si on veut utiliser ce facteur d’étude à 4 modalités on peut imaginer un carré latin 4x4, il faut donc 16 unités expérimentales. On peut considérer que l’étude portera sur 9 plants pour une unité (9 x 16 = 144). Les unités expérimentales pourront donc être des « parcelles » de 9 plantes, cultivées en pots enfoncés en terre. L’espacement des tiges est de 30 cm minimum en tout sens, donc chaque parcelle aura une étendue de 1m² environ selon le schéma B. L’ensemble de l’expérience est réalisé dans 2 petites serres, de 2.5m x 6.5m, des sentiers de 0.5m de large peuvent être prévus pour effectuer les mesures et assurer un effet tampon entre les parcelles selon le schéma A d’un dispositif en carré latin 4x4 étalé sur les 2 serres: Schéma A : Un dispositif expérimental possible Ensoleillement B; Bottollier - ISARA 12 serre A N 20°C 30°C 15°C 25°C 15°C 25°C 20°C 30°C serre B 30°C 20°C 25°C 15°C 25°C 15°C 30°C 20°C Schéma B : L’unité expérimentale 2°) Le dispositif retenu est celui proposé dans le corrigé de la question précédente. Les mesures de croissance (hauteur) ont donné : B; Bottollier - ISARA 13 T° 15 15 15 15 20 20 20 20 25 25 25 25 30 30 30 30 LIGNE 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 COLONNE 2 4 1 3 4 2 3 1 1 3 2 4 3 1 4 2 PARCELLE 402 304 201 103 404 302 203 101 401 303 202 104 403 301 204 102 hauteur 174 154 117 177 205 200 209 185 218 222 229 214 247 200 238 242 a) Proposez un modèle mathématique et établissez la liste des résidus, Le modèle : yijk = µ + α i + β j + γ k + eijk. yijk : hauteur d’une unité, réponse observée pour l’essai LiCjTk µ : niveau moyen de la hauteur α i : effet du facteur ligne (L) au niveau i ; i = 1…...p β j : effet du facteur colonne (C) au niveau j ; j = 1…...p γ k : effet du facteur température (T) au niveau k ; k = 1…...p eijk.: résidu = yijk − yˆijk = yijk + 2 µ - y i.. - y. j . - y..k moyennes 1 2 3 4 y i.. 211 194 198,25 204,5 y. j . 180 211,25 213,75 202,75 y..k 155,5 199,75 220,75 231,75 µ = 201.938 B; Bottollier - ISARA 14 T° 15 15 15 15 20 20 20 20 25 25 25 25 30 30 30 30 LIGNE 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 COLONNE 2 4 1 3 4 2 3 1 1 3 2 4 3 1 4 2 PARCELLE 402 304 201 103 404 302 203 101 401 303 202 104 403 301 204 102 hauteur 174 154 117 177 205 200 209 185 218 222 229 214 247 200 238 242 eijk 0,125 5,625 -12,875 7,125 -4,625 -1,125 1,125 4,625 10,125 -2,625 2,625 -10,125 -5,625 -1,875 9,125 -1,625 b) Vérifiez la normalité des résidus en utilisant le logiciel R (graphes + tests) et en interprétant les résultats suivants donnés par le logiciel Statbox : SYMETRIE PROBA : .64897 APLATISSEMENT PROBA : .60422 Pour le coefficient d’asymétrie de Pearson β1 : H0 β 1 = 0 H1 β 1 ≠ 0 (distribution non symétrique) On a 64.90% de risque de se tromper en rejetant l’hypothèse de symétrie des résidus. Ce risque est trop fort, on n’a pas mis en évidence que la distribution n’était pas symétrique. Pour le coefficient d’aplatissement de Pearson β2 : H0 β 2 = 3 H1 β 2 ≠ 3 (distribution non mésocurtique) On a 60.42% de risque de se tromper en rejetant l’hypothèse de mésocurtie des résidus. Ce risque est trop fort, on n’a pas mis en évidence que la distribution n’était pas mésocurtique. B; Bottollier - ISARA 15 Shapiro-Wilk normality test data: residusfic W = 0.9753, p-value = 0.9159 On a 91% de risque de se tromper en rejetant l’hypothèse de normalité des résidus. Ce risque est trop fort, on n’a pas mis en évidence que la distribution n’était pas Gaussienne. Q-Q plot : Les points forment une droite, les résidus suivent une loi normale. Hist(residusfic) L’histogramme ne permet pas de conclure sur la normalité des résidus En conclusion, on conserve l’hypothèse de normalité des résidus. c) Vérifiez l’indépendance des résidus en proposant une cartographie à 4 modalités. On peut proposer : eijk < - 4,4 -4,4 < eijk < 0 0 < eijk < 4,4 eijk > 4,4 B; Bottollier - ISARA 16 La cartographie ne montre pas de zones particulières, les résidus semblent indépendants d’une parcelle à l’autre. Les conditions de culture dans les 2 serres semblent homogènes. d) Vérifiez l’homoscédasticité des variances résiduelles (méthode de votre choix). Hypothèses et conclusions à formuler par écrit. Les variances résiduelles semblent homogène (c’est moins évident pour le facteur colonne). On va vérifier à l’aide des tests du X² de Bartlett. H0 : les variances résiduelles selon le facteur ligne sont homogènes. H1 : au moins une des variances est supérieure aux autres. B; Bottollier - ISARA 17 ECARTS-TYPES LIGNES 1 (L1) 7,2 = LIGNES 2 (L2) 3,8 3 (L3) 9,26 KHI2 = 1.89 4 (L4) 7,69 PROBA =.60052 Si on rejette H0 on a 60% de chance de le faire à tort, on conserve donc H0, on n’a pas pu mettre en évidence que l’hypothèse d’invariance des variances résiduelles selon le facteur ligne n’était pas respectée. H0 : les variances résiduelles selon le facteur colonne sont homogènes. H1 : au moins une des variances est supérieure aux autres. ECARTS-TYPES COLONNES 1 (C1) 9,89 = COLONNES 2 (C2) 1,9 3 (C3) 5,49 KHI2 = 5.84 4 (C4) 8,92 PROBA =.11804 Si on rejette H0 on a 11.8% de chance de le faire à tort, on conserve donc H0, on n’a pas pu mettre en évidence que l’hypothèse d’invariance des variances résiduelles selon le facteur colonne n’était pas respectée. H0 : les variances résiduelles selon le facteur température sont homogènes. H1 : au moins une des variances est supérieure aux autres. ECARTS-TYPES FACTEUR 1 1 (15) 9,1 = T° 2 (20) 3,89 3 (25) 8,54 KHI2 = 1.97 4 (30) 6,35 PROBA =.58317 Si on rejette H0 on a 58.3% de chance de le faire à tort, on conserve donc H0, on n’a pas pu mettre en évidence que l’hypothèse d’invariance des variances résiduelles selon le facteur température n’était pas respectée. L’hypothèse d’homoscédasticité est conservée pour les 3 facteurs. e) Pouvez-vous mettre en évidence un effet du facteur température ? Les hypothèses de normalité, d’indépendance et d’homoscédasticité des résidus étant conservées, on va pouvoir réaliser une analyse de la variance qui consiste à vérifier l’existence de l’effet du facteur température sur la réponse mesurée.. B; Bottollier - ISARA 18 1 2 3 4 moyenne 211 194 198,25 204,5 somme 844 776 793 818 produit 178084 150544 157212,3 167281 moyenne 180 211,25 213,75 202,75 somme 720 845 855 811 produit 129600 moyenne 155,5 199,75 220,75 231,75 somme 622 799 883 927 produit 96721 ligne colonne traitement µ Y 201,9375 C 652460,06 SC 670203 178506,3 182756,3 164430,3 159600,3 194922,3 214832,3 3231 Les hypothèses nulles soumises aux tests sont : H0: CML / CMe = 1 H’0: CMC / CMe = 1 H’1: CMC / CMe > 1 H1: CML / CMe > 1 Source de H’’0: CMT / CMe = 1 H’’1: CMT / CMe > 1 variation Ligne S.C.E ddl C.M. TEST F PROBA 661,19 3 220,4 2,09 0,203 Colonne 2832,69 3 944,23 8,94 0,013 température 13615,69 3 4538,56 42,99 0,000 résiduelle 633,38 6 105,56 totale 17742,94 15 1182,86 Un effet hautement significatif du facteur T a pu être mis en évidence avec moins de 0.1% de risque d’erreur. Un effet significatif du facteur colonne a pu être mis en évidence avec 1.3% de risque d’erreur. On n’a pas pu mettre en évidence d’effet du facteur ligne. En réalité les facteurs ligne et colonne sont liés à l’exposition des serres, on aurait donc un effet d’exposition Est-Ouest sur la croissance des plants. Il faudra prendre en considération ce facteur en plus de celui de la température en sachant que l’on postule l’absence d’interaction entre les facteurs. B; Bottollier - ISARA 19 f) Quelles sont les températures qui présentent des effets différents sur la croissance, Que proposeriez-vous comme température pour maximiser la croissance des plants ? On va réaliser un test de Newman-Keuls (ppas) et test de TUKEY pour un risque de 5% pour classer les effets des variantes du facteur étudié. H0: les µj appartiennent à un même groupe H1: les µj n’appartiennent pas à un même groupe Newman Keuls: σ(m) = (105.56/4)1/2 = 5.137 traitement 1 2 3 4 moyenne 155,5 199,75 220,75 231,75 ppas(4) 25,172 ppas(3) 22,295 ppas(2) 17,775 j/j' ∆µ j/j' ∆µ j/j' ∆µ µ4/µ1 76,25 µ4/µ2 32 µ2/µ1 44,25 µ3/µ1 65,25 µ3/µ2 21 µ4/µ3 11 GROUPES MOYENNES T4 231,75 A T3 220,75 A T2 199,75 T1 155,5 B C On a pu mettre en évidence, avec 5% de risque de se tromper, que la température T1 a un effet différent sur la croissance que les autres températures, de même pour T2, de même pour T3 et T4 qui par contre ne présentent pas d’effets différents entre elles deux sur la hauteur. Conclusion : Pour une hauteur maximale on peut proposer un chauffage à 25°C ou 30°C, le choix définitif dépendra des coûts d’installation et d’entretien. Tukey multiple comparisons of means $factT T2-T1 T3-T1 T4-T1 T3-T2 T4-T2 T4-T3 diff lwr upr p adj 44.25 19.100423 69.39958 0.0036188** 65.25 40.100423 90.39958 0.0004436*** 76.25 51.100423 101.39958 0.0001842*** 21.00 -4.149577 46.14958 0.0980882 32.00 6.850423 57.14958 0.0177319* 11.00 -14.149577 36.14958 0.4849921 T4 T3 T2 T1 A A B B C Le groupement diffère un peu, on conseillera donc pour une hauteur maximale un chauffage à 30°C de la serre. B; Bottollier - ISARA 20