QCM : ANOVA à un et deux facteurs — 15 questions

Questions et réponses du QCM

1. Quel est l’objectif principal d’une ANOVA ?

Comparer plusieurs moyennes et évaluer l’effet de facteurs qualitatifs sur une réponse quantitative
Comparer deux fréquences et mesurer l’effet d’une réponse quantitative sur un facteur qualitatif
Évaluer la relation linéaire entre plusieurs variables quantitatives sans comparer leurs moyennes
Décrire la dispersion d’une variable quantitative sans prendre en compte de variable explicative

Comparer plusieurs moyennes et évaluer l’effet de facteurs qualitatifs sur une réponse quantitative

Explication

L’ANOVA compare plus de deux moyennes et étudie l’effet d’une ou plusieurs variables indépendantes qualitatives sur une variable dépendante quantitative. Une simple description de la dispersion ne permet pas d’évaluer l’effet d’un facteur.

2. Dans une ANOVA, comment caractérise-t-on un facteur ?

C’est une variable réponse quantitative mesurée pour chaque observation expérimentale
C’est une probabilité utilisée pour décider si l’hypothèse nulle est conservée
C’est une variable explicative qualitative dont les catégories constituent les niveaux étudiés
C’est une mesure résiduelle représentant l’écart de chaque observation à sa moyenne

C’est une variable explicative qualitative dont les catégories constituent les niveaux étudiés

Explication

Un facteur est une variable explicative qualitative, et ses catégories sont appelées niveaux, traitements ou modalités. La variable réponse de l’ANOVA est au contraire quantitative et mesurée pour les observations.

3. Que conclut-on généralement lorsqu’une p-value est supérieure à 0,05 ?

H0 est démontrée avec certitude et toute variation observée est expliquée par le modèle
Le risque d’erreur alpha devient nul et la comparaison statistique perd sa validité
Le test est considéré comme non significatif, H0 est conservée et H1 est rejetée
Le test est considéré comme significatif, H0 est rejetée et H1 est conservée

Le test est considéré comme non significatif, H0 est conservée et H1 est rejetée

Explication

Une p-value supérieure à 0,05 ne fournit pas de justification suffisante pour rejeter H0, si bien que le test est considéré comme non significatif. Elle ne prouve toutefois pas H0 avec certitude, contrairement à ce que suggère une proposition plausible.

4. Quelle succession décrit correctement la logique générale d’un test statistique ?

Calculer une moyenne observée, supprimer les valeurs atypiques, puis conclure sans référence à H0
Comparer des quantités, calculer une variable de test sous H0, puis comparer la probabilité au risque alpha
Mesurer l’erreur résiduelle, modifier les observations, puis fixer alpha selon le résultat obtenu
Choisir une p-value, formuler les données, puis comparer la variable réponse à une moyenne générale

Comparer des quantités, calculer une variable de test sous H0, puis comparer la probabilité au risque alpha

Explication

Un test statistique compare d’abord des quantités, construit ensuite une variable de test dont la distribution sous H0 est connue, puis confronte la probabilité obtenue au risque alpha. La p-value est donc calculée à partir du test, et non choisie avant l’analyse.

5. Dans le modèle d’une ANOVA à un facteur, quelles sont les caractéristiques de Y et de A ?

Y est l’effet d’une modalité, tandis qu'A correspond à la moyenne générale de toutes les observations
Y est qualitative et définit les groupes, tandis qu'A est une mesure quantitative observée dans chaque groupe
Y est quantitative et mesurée pour chaque observation, tandis qu'A est un facteur qualitatif explicatif
Y est une probabilité associée à H0, tandis qu'A représente l’écart résiduel de chaque observation

Y est quantitative et mesurée pour chaque observation, tandis qu'A est un facteur qualitatif explicatif

Explication

La variable réponse Y est quantitative et observée pour chaque unité, tandis que le facteur A est qualitatif et sert à expliquer les différences entre groupes. Confondre Y avec une variable qualitative inverse les rôles des deux éléments du modèle.

6. Dans le modèle Yij=μ+αi+εijY_{ij}=\mu+\alpha_i+\varepsilon_{ij}, que représente εij\varepsilon_{ij} ?

L’écart de l’observation j à la moyenne de son groupe
La mesure j observée dans le traitement i avant toute décomposition
La moyenne générale calculée sur l’ensemble des groupes
L’écart entre la moyenne du groupe i et la moyenne générale

L’écart de l’observation j à la moyenne de son groupe

Explication

Dans ce modèle, εij\varepsilon_{ij} représente l’écart résiduel de l’observation j par rapport à la moyenne de son groupe. L’effet αi\alpha_i décrit plutôt l’écart de la moyenne de la modalité i à la moyenne générale.

7. Quelle distinction décrit correctement les variances intergroupe et intragroupe dans une ANOVA ?

La variance intergroupe concerne les différences entre moyennes de groupes, tandis que la variance intragroupe concerne la dispersion autour de chaque moyenne de groupe.
La variance intergroupe concerne la dispersion individuelle dans chaque groupe, tandis que la variance intragroupe concerne les différences entre moyennes de groupes.
La variance intergroupe mesure l’erreur résiduelle, tandis que la variance intragroupe mesure l’effet attribuable au facteur étudié.
La variance intergroupe et la variance intragroupe décrivent toutes deux la dispersion des observations autour de la moyenne générale.

La variance intergroupe concerne les différences entre moyennes de groupes, tandis que la variance intragroupe concerne la dispersion autour de chaque moyenne de groupe.

Explication

La variance intergroupe décrit les écarts entre les moyennes des groupes, alors que la variance intragroupe décrit les écarts des observations autour de leur propre moyenne de groupe. La deuxième proposition inverse précisément ces deux rôles.

8. Quelle relation exprime la décomposition de la somme des carrés des écarts en ANOVA ?

SCEinter=SCEtotal×SCEintraSCE_{inter}=SCE_{total}\times SCE_{intra}, avec les composantes combinées par multiplication.
SCEtotal=SCEinter−SCEintraSCE_{total}=SCE_{inter}-SCE_{intra}, avec une part expliquée corrigée par l’erreur.
SCEtotal=SCEinter+SCEintraSCE_{total}=SCE_{inter}+SCE_{intra}, avec une part expliquée par le facteur et une part résiduelle.
SCEintra=SCEtotal+SCEinterSCE_{intra}=SCE_{total}+SCE_{inter}, avec l’erreur regroupant les deux variabilités.

$$SCE_{total}=SCE_{inter}+SCE_{intra}$$, avec une part expliquée par le facteur et une part résiduelle.

Explication

La variabilité totale se décompose en une composante intergroupe expliquée par le facteur et une composante intragroupe correspondant à l’erreur résiduelle. La soustraction proposée ne représente pas cette partition additive des sommes de carrés.

9. Une ANOVA compare des carrés moyens intergroupe et intragroupe : quelle expression donne la statistique F ?

F=CMinter−CMintraF=CM_{inter}-CM_{intra}, en mesurant l’écart absolu entre les deux estimations.
F=CMinterCMintraF=\frac{CM_{inter}}{CM_{intra}}, en comparant l’effet entre groupes à la dispersion résiduelle.
F=CMinter+CMintraF=CM_{inter}+CM_{intra}, en additionnant les deux estimations de variance.
F=CMintraCMinterF=\frac{CM_{intra}}{CM_{inter}}, en comparant la dispersion résiduelle à l’effet entre groupes.

$$F=\frac{CM_{inter}}{CM_{intra}}$$, en comparant l’effet entre groupes à la dispersion résiduelle.

Explication

La statistique F est le rapport du carré moyen intergroupe au carré moyen intragroupe, ce qui compare la variabilité expliquée à la variabilité résiduelle. Inverser le rapport conduirait à une statistique différente de celle utilisée par l’ANOVA.

10. Que prévoit l’hypothèse nulle d’une ANOVA concernant la statistique F ?

Toutes les moyennes sont égales, l’effet des modalités est nul et F vaut en espérance 1.
Au moins une moyenne diffère, l’effet des modalités est présent et F vaut en espérance 0.
Toutes les observations sont identiques, les résidus sont nuls et F vaut exactement 1.
Les variances entre groupes sont supérieures, l’effet est confirmé et F dépasse en espérance 1.

Toutes les moyennes sont égales, l’effet des modalités est nul et F vaut en espérance 1.

Explication

Sous l’hypothèse nulle, les moyennes des groupes sont supposées égales et la statistique F a une espérance égale à 1. La deuxième proposition décrit plutôt une situation compatible avec un effet du facteur, pas avec l’hypothèse nulle.

11. Dans quelle situation l’hypothèse nulle de l’ANOVA est-elle rejetée ?

Lorsque la variance intragroupe dépasse la variance intergroupe, indépendamment de la valeur seuil.
Lorsque la valeur de F est égale à 1, avec p−1p-1 et n−pn-p degrés de liberté associés.
Lorsque F calculé est inférieur à la valeur seuil de Fisher-Snedecor au risque α\alpha, avec pp et nn degrés de liberté.
Lorsque F calculé dépasse la valeur seuil de Fisher-Snedecor au risque α\alpha, avec p−1p-1 et n−pn-p degrés de liberté.

Lorsque F calculé dépasse la valeur seuil de Fisher-Snedecor au risque $$\alpha$$, avec $$p-1$$ et $$n-p$$ degrés de liberté.

Explication

Le rejet intervient lorsque la statistique F observée dépasse le quantile critique de la loi de Fisher-Snedecor, dont les degrés de liberté sont p−1p-1 et n−pn-p. Une simple comparaison entre les deux variances ne suffit pas sans tenir compte de la valeur seuil et des degrés de liberté.

12. Quelles conditions doivent être réunies pour appliquer correctement une ANOVA ?

Les résidus doivent être normalement distribués, leurs variances égales entre traitements et leurs observations indépendantes.
Les moyennes doivent être normalement distribuées, les effectifs égaux entre traitements et les groupes parfaitement homogènes.
Les résidus doivent avoir une moyenne non nulle, des variances différentes entre traitements et une dépendance contrôlée.
Les observations doivent être identiques dans chaque groupe, avec des résidus uniformes et des traitements de même taille.

Les résidus doivent être normalement distribués, leurs variances égales entre traitements et leurs observations indépendantes.

Explication

Les conditions portent sur les résidus : normalité, égalité des variances entre traitements et indépendance. La deuxième proposition déplace à tort la normalité vers les moyennes et remplace l’indépendance par une condition d’effectifs égaux.

13. Quelle démarche permet de vérifier les conditions d’application d’une ANOVA ?

Réaliser d’abord l’analyse pour obtenir les résidus, puis examiner leur normalité, leur homoscédasticité et leur indépendance.
Tester d’abord les moyennes brutes, puis réaliser l’analyse sans examiner les résidus obtenus.
Calculer d’abord la statistique F, puis conclure sur les conditions sans analyser les propriétés des résidus.
Vérifier d’abord l’égalité des traitements, puis remplacer les résidus par les moyennes de chaque groupe.

Réaliser d’abord l’analyse pour obtenir les résidus, puis examiner leur normalité, leur homoscédasticité et leur indépendance.

Explication

Les résidus sont disponibles après la réalisation de l’analyse et servent ensuite à évaluer la normalité, l’homoscédasticité et l’indépendance. Examiner les moyennes brutes ne permet pas de contrôler directement ces conditions.

14. Après une ANOVA significative comparant plusieurs groupes, quelle analyse permet d’identifier précisément les paires de moyennes qui diffèrent ?

Un test descriptif résumant les moyennes observées
Une ANCOVA ajoutant une covariable quantitative
Un test post hoc réalisé après l’ANOVA
Une ANOVA à deux facteurs intégrant un second facteur

Un test post hoc réalisé après l’ANOVA

Explication

Le test post hoc intervient après une ANOVA significative pour déterminer quelles moyennes diffèrent entre elles. L’ANOVA établit seulement qu’au moins une moyenne est différente, sans localiser précisément cette différence.

15. Un chercheur veut étudier simultanément l’effet du traitement et du sexe, deux facteurs qualitatifs, sur une mesure quantitative : quelle méthode est appropriée ?

Une ANCOVA avec une covariable quantitative
Une ANOVA à deux facteurs
Un test post hoc sans analyse globale préalable
Une ANOVA à un facteur

Une ANOVA à deux facteurs

Explication

L’ANOVA à deux facteurs évalue simultanément l’effet de deux facteurs qualitatifs sur une variable réponse quantitative. Une ANOVA à un facteur ne prend en compte qu’un seul facteur, tandis qu’une ANCOVA ajoute une covariable quantitative.

Révisez avec les flashcards

Mémorisez les réponses avec 40 flashcards sur ANOVA à un et deux facteurs.

Qu'est-ce que l'ANOVA compare dans une étude statistique ?

Plus de deux moyennes.

Qu'évalue l'ANOVA concernant les variables indépendantes ?

L'effet d'une ou plusieurs variables indépendantes qualitatives.

Comment appelle-t-on les variables indépendantes qualitatives en ANOVA ?

Des facteurs.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur ANOVA à un et deux facteurs.

Voir la fiche →

Cours similaires

Son, musique et numérisation

Physique

Organisation cellulaire du vivant

SVT

Fonctions des objets techniques

Organisation des organismes pluricellulaires

SVT

Sciences sociales et méthodes

Cellules, membranes et tissus

SVT

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM