Bio2042

Plans d'exprience et pseudorplication

Daniel Borcard
Dpartement de sciences biologiques
Universit de Montral

Plans d'exprience et pseudorplication

1. Rigueur et logique d'un plan d'exprience
Rfrence: Underwood, A.J., 1997. Experiments in Ecology. Cambridge University Press.

Le but d'une exprience scientifique consiste tester formellement si

les donnes sont compatibles avec une hypothse formule a priori
On procde gnralement par le biais de manipulations destines
isoler et faire varier un ou plusieurs facteurs postuls comme
mcanismes agissant sur un systme donn. Afin d'viter des
interprtations quivoques des rsultats, il est important:
- de btir l'hypothse principale (H0) et l'hypothse contraire (H1) du
test de manire logique et cohrente: l'hypothse contraire H1 est
issue du modle conceptuel qui est la base de l'exprimentation.
L'hypothse H0 est construite comme l'affirmation oppose
l'hypothse H1, et le test formel va tenter de falsifier cette
hypothse principale. En effet, la logique veut qu'on ne puisse
prouver une hypothse qu' condition de dmontrer qu'elle est vraie
dans toutes les situations possibles (ce qui n'est gnralement pas
ralisable), alors qu'il suffit de raliser une seule possibilit
incompatible avec une hypothse pour l'avoir falsifie!
- de concevoir et raliser un plan d'exprience qui reflte cette
cohrence et qui permette effectivement de rpondre la question
pose;
- de rduire si possible toute source de variation autre que celle(s)
due(s) au(x) facteur(s) sous investigation, afin de rendre l'exprience
plus sensible au(x) facteur(s) sous tude; on travaille donc souvent
dans un systme simplifi.

Bio2042

Plans d'exprience et pseudorplication

Exemple: dans les Alpes (et ailleurs dans le monde), on observe que
les arbres ne croissent pas au-dessus d'une certaine altitude. Plusieurs
explications ont t avances: stress physiologique, comptition par
d'autres plantes, broutage par les onguls, etc.
Si l'on s'arrte cette dernire explication (broutage), notre modle
prdit que l'exclusion des onguls permettra la croissance des arbres.
On peut donc imaginer une exprience o on place quelques parcelles
de pelouse alpine sous enclos. On ajoute aussi un contrle consistant
en des enclos ouverts, afin de permettre aux onguls d'y accder tout
en provoquant la mme perturbation du paysage (pour exclure que
d'ventuelles diffrences soient dues l'effet des enclos eux-mmes).
L'hypothse H1 du test, issue du modle conceptuel, affirme que les
arbres vont pousser dans les enclos ferms, mais non dans les enclos
ouverts. L'hypothse H0, par consquent, affirme que les arbres ne
pousseront pas davantage dans les zones encloses que dans les zones
ouvertes.
Ainsi construits, les hypothses et le dispositif exprimental ne
permettront qu'une parmi deux issues possibles: soit les arbres
poussent dans les enclos, ce qui conduit au rejet de l'hypothse H0 (qui
a t "falsifie"), soit les arbres n'y poussent pas, ce qui mne au rejet
(falsification) de l'hypothse H1. Remarquons que dans le premier cas
(rejet de H0) l'exprience a permis de valider la thorie du broutage,
alors que dans le deuxime cas (non-rejet de H0) on ne peut pas
encore proposer d'explication l'absence d'arbres, puisque plusieurs
mcanismes autres que le broutage restent explorer.
Notons aussi qu'une telle dmarche n'est valide que pour autant que
l'hypothse H1 (telle que teste dans le cadre du dispositif
exprimental) soit une consquence exclusive du modle tudi (ici:
le broutage), et ne puisse tre en mme temps la consquence d'un
autre modle.
Ajoutons finalement que si cette exprience a t conduite sans avoir
eu recours une simplification outrancire du systme tudi, on
assure une bonne gnralit aux rsultats.

Bio2042

Plans d'exprience et pseudorplication

2. L'unit d'exprimentation
Dans l'exemple ci-dessus, il tait question d'enclos rpartir dans le
terrain. Imaginons trois situations:
Situation 1: le dispositif exprimental consiste en deux grands
enclos, l'un ouvert et l'autre ferm. 15 quadrats sont rpartis
alatoirement dans chacun des enclos, et les relevs de vgtation
y sont pris.
Situation 2: le dispositif exprimental consiste en 30 enclos
rpartis alatoirement dans la rgion tudie. La distribution de la
caractristique "enclos ouvert" ou "enclos ferm" est alatoire
(avec toutefois un nombre prtabli d'enclos ouverts et ferms: 15
de chaque). Dans chaque enclos, on dfinit 1 quadrat dans lequel
les relevs de vgtation sont pris.
Situation 3: le dispositif exprimental consiste en 10 enclos
rpartis alatoirement dans la rgion tudie. La distribution de la
caractristique "enclos ouvert" ou "enclos ferm" est alatoire (5
de chaque). Dans chaque enclos, on choisit alatoirement 3
quadrats dans lesquels les relevs de vgtation sont pris.
Quelle est l'unit d'exprimentation dans chacune des trois situations?
La rponse peut surprendre: dans les trois cas, l'unit
d'exprimentation est ________, car c'est lui que le traitement est
appliqu. Les _______ sont des lments d'observation. Les trois
situations ci-dessus varient selon le degr de rptition (on utilise
souvent l'anglicisme "rplication") des traitements ou des mesures
lmentaires:
- situation 1: pas de rptition des traitements, mais rptition des
mesures;
- situation 2: rptition des traitements, pas de rptition des mesures;
- situation 3: rptition des traitements, et rptition des mesures pour
chaque rptition de traitement.
La distinction entre unit d'exprimentation et lment
d'observation est essentielle dans la construction d'un plan
d'exprience. Voir l'article de Hurlbert (1984) sur la pseudorplication
(discut plus bas; extrait disponible sur la page web du cours).

Bio2042

Plan 1

Plans d'exprience et pseudorplication

Quadrat
Enclos ferm
Enclos ouvert

Plan 2

Plan 3

Bio2042

Plans d'exprience et pseudorplication

3. Conception d'un plan d'exprience

Rfrence: Scherrer, B., 2007. Biostatistique. Gatan Morin. Chapitre 2

3.1 Deux mthodes opposes

Historiquement, deux approches principales ont t proposs pour
dceler des relations de causalit:
- mthode des constances: observation des points communs entre
diverses situations produisant le mme effet. Exemple: une personne
cherche la cause de son brit. Le premier soir elle boit du scotch et
de l'eau, le deuxime soir du cognac et de l'eau, le troisime soir de la
vodka et de l'eau. L'eau tant l'lment commun aux trois situations,
la personne en dduit que l'eau est responsable de son brit! Donc:
la mthode des constances est viter, car difficilement applicable et
peu fiable...
- mthode des diffrences: au contraire de la prcdente, cette
approche consiste observer les diffrences apparaissant dans un
phnomne Y (exemple: le broutage expos plus haut) dans une srie
de situations o l'on permet (traitement) ou non (contrle)
l'intervention d'un ou plusieurs facteurs Xi poss par hypothse. Cette
mthode est universellement accepte, mais ne fonctionne que si la
variance due aux traitements surpasse la variabilit intrinsque des
diffrentes units exprimentales. De plus, bien que a ne soit pas
strictement indispensable (voir Hurlbert, 1984), on cherche en gnral
rendre les units exprimentales aussi semblables que possible ou
minimiser les effets des diffrences non dues aux facteurs tudis.
3.2 Groupes comparables et facteurs de confusion
Afin de mieux distinguer les effets des facteurs tudis de ceux
d'autres sources (facteurs de confusion), on peut procder de deux
manires: (1) liminer des facteurs de confusion ou les rendre
constants, ou (2) attribuer les units exprimentales aux divers niveaux
des facteurs tudis en tenant compte de leurs caractristiques propres
pouvant agir comme facteurs de confusion. Ces lments sont aussi
repris la section "Allocation des traitements et pseudorlication").

Bio2042

Plans d'exprience et pseudorplication

3.2.1 liminer ou rendre constants des facteurs de confusion

potentiels
- liminer des facteurs (lorsque c'est possible; exemple: expriences
en aquarium: l'eau est filtre pour en liminer le chlore; elle est
garde une temprature identique dans tous les bassins; etc...); la
limite de cette approche est due au fait qu'une simplification trop
pousse d'un systme limite la porte des rsultats;
- s'assurer que leur niveau est constant d'une unit l'autre
(exemple: dans une exprience portant sur des poissons en
aquariums, masquage des vitres des aquariums pour empcher tout
contact visuel avec l'extrieur); ici encore, un contrle excessif peut
rendre le systme trs artificiel.
3.2.2 Allocation optimale des traitements
D'une manire gnrale, cette approche consiste distribuer
traitements et contrles sur l'ensemble du dispositif exprimental de
manire optimiser la sensibilit des analyses tout en minimisant le
risque d'intrusion de facteurs de confusion.
- une mthode courante pour atteindre ce but est l'allocation
alatoire des traitements (on entend souvent l'anglicisme
"randomisation"). Cette mthode consiste distribuer alatoirement
les units exprimentales dans les divers groupes correspondant
chacune des situations (combinaisons de niveaux des facteurs
tudis). Les effets de la multitude de facteurs externes qui peuvent
agir sur le phnomne tudi se trouvent ainsi rpartis de manire
homogne sur l'ensemble des groupes constitus; p.ex., si on tudie
les effets de trois dites sur des poissons, on ne regroupera pas tous
les aquariums de la dite 1 du mme ct de la salle, et ceux des
autres dites dans deux autres endroits, on attribuera plutt
alatoirement les aquariums aux dites;
- toute recherche de constance pour les variables propres (celles qui
caractrisent l'lment proprement dit) aboutit la restriction de la
porte des rsultats: on change la population statistique; par
exemple, les rsultats d'une tude de trois dites sur l'omble de
fontaine ralise avec des individus mles d'ge gal ne pourront tre
appliqus que sur les ombles mles du mme ge. Pour viter de

Bio2042

Plans d'exprience et pseudorplication

telles restrictions, tout en contrlant les sources de variabilit que

sont le sexe et l'ge, on cre des blocs (groupes d'units) contenant
des units de mmes caractristiques (p.ex. 1 bloc de juvniles
mles, 1 bloc de juvniles femelles, 1 bloc de mles de 1-2 ans, etc.),
on slectionne alatoirement des individus dans chaque bloc, et on
s'arrange pour que tous les niveaux des traitements soient
reprsents dans chaque bloc (on s'assure que les trois dites sont
reprsentes dans le bloc des mles juvniles, des femelles juvniles,
etc.). Lors de l'analyse statistique, le facteur "bloc" doit tre pris en
considration (comme facteur alatoire en ANOVA);
- la dernire faon d'amliorer l'quivalence des situations est
l'appariement ("matching"), qui consiste rpartir dans les divers
groupes des lments qui ont au moins un point commun entre eux.
Ex.: les divers membres d'une mme famille seront rpartis chacun
dans un groupe; l'extrme, le mme individu peut appartenir
deux groupes, s'il est observ avant, puis aprs un traitement. On
doit tenir compte de l'appariement dans les analyses statistiques.
Remarquons enfin qu'il est illusoire d'imaginer que les diverses units
d'exprimentation peuvent tre rendues parfaitement identiques, et ce,
mme en laboratoire. Cette croyance serait d'autant plus dangereuse si
elle menait l'ide qu'on peut se passer de rpter les traitements.
L'homognisation des situations permet de rduire les variations
alatoires des donnes, et donc d'amliorer la sensibilit de
l'exprience, mais n'en affecte pas la validit gnrale.
4. Allocation des traitements et pseudorplication
Rfrence: Hurlbert, S. H. 1984. Pseudoreplication and the design of ecological field
experiments. Ecological Monographs 54: 187-211.

Parmi les tapes dterminantes pour la qualit d'une exprimentation

figurent la dfinition de l'unit d'exprimentation, la manire dont les
traitements sont allous ces units, et la conduite proprement dite de
l'exprience.

Bio2042

Plans d'exprience et pseudorplication

Une mauvaise dfinition de l'unit d'exprimentation peut conduire

des interprtations statistiques errones (par exemple pseudorplication).
Une mauvaise allocation des traitements risque d'aboutir au test d'une
hypothse autre que celle prvue.
Une mauvaise conduite de l'exprience peut introduire des biais
systmatiques dans les rsultats.
Les paragraphes ci-dessous reprennent quelques points importants de
l'article de Hurlbert.
1. Description des objectifs d'une exprience: devrait comprendre la
nature de l'unit exprimentale, le nombre et le type de traitements (y
compris les contrles), et les proprits ou rponses des units
exprimentales qui seront mesures.
Ex.: dans la situation 3 de l'exprience d'exclusion voque plus
haut, l'unit exprimentale est un enclos carr de 10x10m, le type
de traitement est "enclos ouvert" (contrle) et "enclos ferm" (il y
a donc deux traitements), la variable rponse mesure dans chaque
unit est la moyenne sur 3 quadrats du nombre de jeunes arbres
par quadrat aprs (par exemple!) 5 ans d'exprience.
2. Mode d'assignation des traitements aux units exprimentales,
nombre de rptitions ( = units exprimentales recevant le mme
traitement), et arrangement physique (spatial et temporel) des
units. Parfois aussi squence temporelle d'application des
traitements.
Ex.: dans le cas 3 repris ci-dessus, on a slectionn alatoirement
les enclos qui seront ouverts et ceux qui seront ferms, il y a 5
units par traitement, et les enclos ont t distribus alatoirement
dans les 5 hectares de la pelouse alpine tudie.
C'est ici que menace le spectre de la pseudorplication. On peut
essayer de rsumer le problme ainsi:

Bio2042

Plans d'exprience et pseudorplication

- lorsque les traitements ne sont pas rpts sur plusieurs units

d'exprimentation (et non seulement sur plusieurs lments
l'intrieur d'une seule unit!); ou
- si les units d'exprimentation ne sont pas statistiquement
indpendantes (autocorrlation spatiale ou temporelle);
- et qu'on applique nanmoins des statistiques infrentielles sur les
units non-indpendantes ou sur les lments d'une seule unit comme
si ces objets taient eux-mmes des units indpendantes, il y a
pseudorplication.
La pseudorplication rsulte donc d'une confusion des sources de
variation du plan exprimental.
Les deux manires fondamentales d'viter la confusion des sources
de variation dans une exprience sont l'usage de contrles et
l'allocation judicieuse des traitements.
L'avantage d'une exprience par manipulations sur une exprience
par mesures (mensurative experiment) est la possibilit d'allouer
alatoirement ou disperser les traitements sur les rptitions selon
les besoins. Par contraste, lorsque le plan requiert l'examen d'objets
naturels dont la caractristique d'intrt (qui forme le "traitement" de
l'exprience par mesures) ne peut tre choisie par l'usager (exemple:
une espce d'arbre par rapport une autre dans une fort), on doit
choisir les objets en fonction d'une caractristique prexistante (on ne
peut pas faire une carte de tous les arbres et dcider ensuite quelle
espce les attribuer!). Le choix ne peut donc pas tre alatoire.
Le tableau 1 de Hurlbert donne un aperu des sources possibles de
confusion et des mthodes appliquer pour les viter ou en minimiser
les effets. En rsum:
- les contrles servent viter la confusion entre facteurs observs et
changements temporels dans le systme, ou encore effets propres du
dispositif exprimental (ex.: l'effet "enclos");
- l'allocation optimale des traitements aux units exprimentales
prmunit des biais et fluctuations alatoires dus l'exprimentateur, de
la variabilit intrinsque au systme observ, et de l'occurrence

Bio2042

Plans d'exprience et pseudorplication

10

d'vnements stochastiques durant une exprience ("nondemonic

intrusion").
Par "allocation optimale", on doit comprendre en gnral une
allocation qui disperse les traitements sur toutes les units
disponibles sans gard leurs proprits intrinsques (afin d'viter
d'introduire une corrlation entre niveau de traitement et
caractristiques propres du systme). Par exemple, en agronomie,
diviser un champ en deux, mme aprs avoir plac les units
exprimentales au hasard dans le champ, pour ensuite attribuer tous les
contrles une moiti du champ et tous les autres traitements l'autre
n'est pas optimal, car cette mthode se base sur une caractristique
propre du champ sans lien avec l'exprience (p. ex. l'est et l'ouest du
champ) et introduit une confusion entre l'effet des traitements et l'effet
d'une possible diffrence prexistante entre les deux moitis du
champ.
Les moyens de parvenir une allocation optimale font encore l'objet
de dbats entre:
- les tenants de l'alatoire "pur et dur", pour lesquels une allocation
alatoire des traitements aux units est la seule manire valide
d'obtenir le seuil dsir d'erreur de type I;
- ceux qui estiment qu'une allocation strictement alatoire peut parfois
aboutir une agrgation des traitements nuisible (surtout lorsque le
nombre de rptitions est faible).
L'argument des premiers est que sur une "population d'expriences"
suffisamment nombreuse, l'allocation strictement alatoire des
traitements est la seule technique qui garantit la probabilit
asymptotique d'erreur de type I dsire (p. ex. 0.05). L'argument des
seconds est que le but vis par l'exprimentateur est d'obtenir le seuil
vis (ou ventuellement un risque infrieur, mais pas suprieur) pour
l'exprience qu'il ralise, parce qu'il sait qu'il ne la ralisera qu'une
fois!
Le concept de dispersion des traitements est donc plus important que
celui d'allocation alatoire, qui n'est qu'un moyen d'obtenir cette
dispersion. La figure 1 de Hurlbert donne quelques exemples de plans
acceptables ou non.

Bio2042

Plans d'exprience et pseudorplication

11

5. Quelques plans d'exprience courants

Les trois plans considrs comme acceptables par Hurlbert sont les
suivants:
5.1. Randomisation totale (completely randomized design)
Ce plan prvoit une allocation totalement alatoire des traitements aux
units exprimentales. Comme dit plus haut, bien que thoriquement
excellent, il implique le risque d'obtenir des distributions de traitements
plus agrges qu'il n'est souhaitable, surtout lorsque le nombre
d'units et de rptitions est faible (ce qui est frquent en cologie).
5.2. Randomisation par blocs (randomized block design)
Avant l'allocation des traitements, l'ensemble des units d'exprience
est divis en blocs selon le critre intrinsque qui risque le plus
d'introduire de la confusion dans les rsultats (trs souvent l'espace).
Une fois les blocs dfinis, on alloue alatoirement les traitements
l'intrieur de chaque bloc. On s'assure ainsi que tous les niveaux de
traitement sont reprsents sur l'ensemble de l'espace occup par les
units exprimentales, tout en permettant une allocation alatoire une
chelle plus fine. Ce plan est trs commun en cologie, o il offre
souvent le meilleur compromis entre les risques d'une randomisation
complte (avec peu d'units) et ceux d'une allocation strictement
rgulire. Les blocs constituent un facteur alatoire dans une anova.
5.3. Plan d'allocation systmatique (systematic design)
Les niveaux de traitement sont distribus en alternance rgulire aux
units. Ce plan fournit une excellente distribution des traitements et est
commode appliquer, mais fait courir le risque que la priodicit de
l'attribution des traitements concide avec celle d'une proprit
intrinsque du terrain exprimental (dans la pratique, le risque est
toutefois assez faible).

Bio2042

Plans d'exprience et pseudorplication

12

Les autres plans montrs par Hurlbert (sgrgation simple et agrge)

font courir un grand risque d'erreur de type I parce que des diffrences
inhrentes aux sites (et non dues aux traitements) existent avant
l'exprimentation ou apparaissent pendant la dure de l'exprience. La
sgrgation par isolation (p. ex. dans des chambres atmosphre
contrle) prsente tous les dangers de la sgrgation simple, mais de
faon plus aigu.
A-1
A-2
A-3
B-1
B-2
B-3

B-4
B-5
Reprsentation schmatique de 3 plans d'exprience acceptables au niveau de la dispersion
des traitements (A) et de plusieurs faons de faire violant le principe de dispersion (B). Les
botes reprsentent les units d'exprimentation, les couleurs (noir, blanc) deux traitements.
A-1: allocation compltement alatoire; A-2: blocs randomiss; A-3: systmatique; B-1:
sgrgation simple; B-2: sgrgation agrge; B-3: sgrgation isolative; B-4: allocation
alatoire mais avec rptitions non-indpendantes; B-5: pas de rptition. D'aprs Hurlbert
(1984).

Bio2042

Plans d'exprience et pseudorplication

13

Certains plans ont t proposs pour contrer certaines proprits

connues mais indsirables du terrain d'exprimentation. Sokal & Rohlf
(1981, 1995) et Scherrer (2007 p. 81) citent un exemple de carr
latin, un plan dans lequel on distribue les traitements de manire
n'avoir qu'une seule rptition de chaque niveau par ligne ou colonne.
Le but est de distribuer les traitements de manire gale sur deux
gradients orthogonaux connus d'avance dans le terrain.

Exemple de carr latin. 4 traitements, comportant chacun 4

rplications, sont arrrangs de manire contrler deux gradients, un
sur chaque axe du carr (p.ex. un gradient d'humidit de gauche
droite et un gradient de contenu en azote de haut en bas). Modif
d'aprs Sokal & Rohlf (1991, p.394).

Bio2042

Plans d'exprience et pseudorplication

14

6. Plans d'analyse de variance

Rfrences: Scherrer (1984) paragraphes 13.4, 19.1, 19.2; Scherrer (2007) chap. 14; Sokal
& Rohlf (1981, 1995) chap. 8-13; Zar, J. H. (1999): Biostatistical analysis. Prentice Hall,
chap. 10, 12, 14, 15, 16. Underwood, A. J. (1997) Experiments in ecology. Their logical
design and interpretation using analysis of variance. Cambridge University Press.

Le cadre formel de l'analyse de variance est la fois suffisamment

large, polyvalent et rigoureux pour aider concevoir et raliser des
expriences simples ou complexes, et en analyser les rsultats en
accord avec les rgles nonces ci-dessus. Quelques plans d'analyse
importants seront abords ici, mais leur discussion mathmatique
dpasse le cadre de cette introduction.
6.1. Facteurs alatoires et contrls
Avant de passer en revue quelques plans d'anova, une dfinition
s'impose, difficile trouver sous une forme claire dans la littrature. En
exprimentation, il faut faire la distinction entre un facteur contrl
(fixed factor) et un facteur alatoire (random factor).
Un facteur contrl est un facteur pour lequel tous les niveaux
intressants dans le cadre de l'exprience y ont t inclus (ex.: 4 types
d'engrais, 3 doses de mdicament). Autre exemple: je pose une
hypothse selon laquelle: "H1: la richesse spcifique de la communaut
animale que j'tudie est diffrente au moins dans une saison par
rapport aux trois autres". Je vais donc faire mes prlvements pour
rpondre spcifiquement cette question, ce qui m'oblige
chantillonner au printemps, en t, en automne et en hiver. Le facteur
"saison" est contrl: j'y inclus tous les niveaux qui m'intressent.
Un facteur alatoire est un facteur dont les niveaux inclus
l'exprience sont un sous-ensemble alatoire d'une population plus
vaste de niveaux possibles. Par exemple, si je connais assez mal
l'cologie de la communaut animale que j'tudie, je pourrais noncer
une hypothse trs gnrale, disant: "H1: la richesse spcifique de la
communaut varie en fonction du temps". Pour tester cette hypothse
(ou plutt l'hypothse nulle correspondante!), je peux dcider de faire
des prlvements divers moments de l'anne ou de la saison

Bio2042

Plans d'exprience et pseudorplication

15

considre, puis de faire une ANOVA avec le temps pour critre de

classification (niveaux: temps 1, temps 2, etc.). Ici, le moment prcis
o j'ai fait mes prlvements importe peu, ce qui conpte, c'est d'avoir
un chantillonnage qui me permettre de vrifier si la richesse spcifique
varie avec le temps. Le temps est donc un facteur alatoire: j'ai choisi
quelques priodes pour chantillonner, mais j'aurais pu en choisir
d'autres.
Cette distinction est importante car elle affecte la manire dont les
analyses de variance plus d'un critre de classification sont conues
et calcules. Lorsqu'un facteur est contrl (anova de modle I), on
considre que d'ventuelles diffrences entre les moyennes des
groupes (un groupe est l'ensemble des rptitions du mme traitement)
sont dues au traitement appliqu par l'exprimentateur. Le but de
l'anova est d'estimer la vraie diffrence entre les moyennes des
groupes. Lorsque le facteur est alatoire, l'effet n'est pas le mme
d'une unit l'autre. Il est donc futile de vouloir en estimer la
magnitude pour un groupe donn, mais on peut en estimer l'effet qui
se manifeste par l'ajout de variance entre les groupes.
Les plans d'analyse de variance suivants sont abords dans d'autres
documents de ce cours ou au cours Bio2041:
6.2. Une seule variable explicative (critre de classification)
6.2.1. Anova un critre de classification (one-way anova)
6.2.2. Anova hirarchique (nested anova)
6.3. Deux critres de classification
6.3.1 Anova deux critres de classification croiss sans rptitions
(two-way anova without replication)
6.3.2. Anova factorielle deux critres de classification avec
rptitions, modes I, II et mixte.

Bio2042

Plans d'exprience et pseudorplication

16

6.4. Autres plans

Le plan d'anova factorielle deux critres de classification peut tre
tendu plus de deux facteurs. Par exemple, pour 3 facteurs contrls
avec rplication de toutes les combinaisons, la structure de variance
est:
Yijkl =

+(

)ij + (a )ik + (

) jk + (

)ijk +

ijkl

o i, i et i sont les effets contrls des trois traitements; ()ij..etc.

sont les interactions de premier ordre au niveau des sous-groupes
reprsents par les combinaisons du i-ime groupe du facteur A, j-ime
groupe du facteur B, et k-ime groupe du facteur C; (
)ijk est
l'interaction du second ordre dans le sous-groupe reprsentant le iime, j-ime et k-ime groupe des facteurs A, B et C, et ijkl est le
terme d'erreur du l-ime lment du sous-groupe ijk.
Il est impossible d'tre complet dans un expos si rsum. Pour
conclure, mentionnons encore trois plans utiles (et parfois complexes):
- anova avec mesures rptes (plusieurs mesures sur les mmes
sujets; voir Zar (1999: p.255);
- anova traitant plusieurs variables dpendantes simultanment:
analyse de variance multivariable (multivariate anova) ou MANOVA;
- ancova, analysant simultanment l'effet d'un ou de plusieurs critres
de classification et d'une variable indpendante quantitative sur la
variable dpendante.
Des lments cruciaux de l'analyse de variance n'ont pas t voqus
dans ce document. Le premier d'entre eux est l'allocation des degrs
de libert aux diffrentes composantes de la variance. Les ouvrages de
statistiques cits (Sokal & Rohlf, Zar, Scherrer) traitent de ce point de
la manire classique, en montrant une slection de plans et en les
dveloppant avec toutes leurs caractristiques, alors qu'Underwood
(1997) propose une mthode permettant de crer ses plans d'analyse
de variance et d'en calculer toutes les composantes.