QCM : ANOVA et introduction à l’ANCOVA (28 questions)

Questions et réponses du QCM

1. Concernant la décomposition de la variance en ANOVA, quelle(s) proposition(s) est(sont) exacte(s) ?

La variance intragroupe correspond au bruit résiduel entre les observations.
La variance totale exclut la variabilité observée à l’intérieur des groupes.
La variance intergroupe mesure la part expliquée par le facteur étudié.
La variance intragroupe représente la variabilité expliquée par les traitements.
La variance intergroupe décrit la dispersion résiduelle propre à chaque groupe.

La variance intragroupe correspond au bruit résiduel entre les observations. · La variance intergroupe mesure la part expliquée par le facteur étudié.

Explication

La variance totale se décompose en variance intergroupe expliquée par le facteur et en variance intragroupe correspondant au bruit résiduel. La variance intragroupe n’est donc pas expliquée par les traitements, la variance totale inclut la variabilité interne et la variance intergroupe ne décrit pas le bruit résiduel.

2. À propos de la statistique utilisée dans une ANOVA :

La statistique F additionne les carrés moyens intergroupe et intragroupe.
La statistique F correspond au rapport entre les variances intragroupe et intergroupe.
La statistique F utilise les moyennes brutes des différents traitements.
La statistique F compare un carré moyen intergroupe à un carré moyen intragroupe.
La statistique F s’écrit F=CMintergroupeCMintragroupeF=\frac{CM_{\text{intergroupe}}}{CM_{\text{intragroupe}}}.

La statistique F compare un carré moyen intergroupe à un carré moyen intragroupe. · La statistique F s’écrit $$F=\frac{CM_{\text{intergroupe}}}{CM_{\text{intragroupe}}}$$.

Explication

La statistique d’ANOVA est le rapport du carré moyen intergroupe au carré moyen intragroupe, selon F=CMintergroupeCMintragroupeF=\frac{CM_{\text{intergroupe}}}{CM_{\text{intragroupe}}}. Elle n’est ni l’inverse de ce rapport, ni fondée sur les moyennes brutes ou sur une addition des carrés moyens.

3. Une équipe obtient un résultat d’ANOVA et souhaite l’interpréter : cochez la (les) proposition(s) exacte(s) :

L’interprétation précède la vérification des conditions concernant les résidus.
La vérification des conditions contribue à déterminer si le résultat est interprétable.
Une ANOVA peut être interprétée sans examiner les conditions d’application.
Les carrés moyens doivent estimer correctement les quantités étudiées pour soutenir l’interprétation.
Les conditions d’application doivent être vérifiées avant l’interprétation des résultats.

La vérification des conditions contribue à déterminer si le résultat est interprétable. · Les carrés moyens doivent estimer correctement les quantités étudiées pour soutenir l’interprétation. · Les conditions d’application doivent être vérifiées avant l’interprétation des résultats.

Explication

Les conditions d’application doivent être vérifiées avant d’interpréter l’ANOVA, notamment pour garantir une estimation correcte par les carrés moyens. Une analyse sans cette vérification ne fournit pas nécessairement un résultat interprétable, et la vérification ne vient pas après l’interprétation.

4. Concernant les conditions que doivent respecter les résidus, quelle(s) proposition(s) est(sont) exacte(s) ?

Les résidus doivent être indépendants les uns des autres.
Les résidus doivent suivre approximativement une loi normale.
L’indépendance des résidus signifie l’égalité de leurs variances.
La normalité des résidus décrit une absence d’influence entre observations.
Les variances des résidus doivent être comparables entre les traitements.

Les résidus doivent être indépendants les uns des autres. · Les résidus doivent suivre approximativement une loi normale. · Les variances des résidus doivent être comparables entre les traitements.

Explication

Les résidus doivent être approximativement normaux, présenter des variances égales entre traitements et être indépendants. L’égalité des variances correspond à l’homoscédasticité, tandis que l’absence d’influence entre observations définit l’indépendance, et non la normalité.

5. Pour examiner la normalité des résidus, quelles démarches sont adaptées ?

Un test de Bartlett évalue directement la normalité des résidus.
Un histogramme peut être utilisé pour examiner la forme des résidus.
Un diagramme en secteurs compare les quantiles observés aux quantiles théoriques.
Un Q-Q plot compare les variances des traitements entre elles.
Une ANOVA suffit à diagnostiquer graphiquement la normalité des résidus.

Un histogramme peut être utilisé pour examiner la forme des résidus.

Explication

La normalité peut être examinée à l’aide d’un histogramme, d’un Q-Q plot puis d’un test statistique. Le diagramme en secteurs, le test de Bartlett et l’ANOVA ne correspondent pas à ces étapes de vérification de la normalité.

6. Concernant la vérification de l’homoscédasticité, cochez la (les) proposition(s) exacte(s) :

L’homoscédasticité décrit la forme normale de la distribution des résidus.
Un Q-Q plot constitue le test statistique dédié à l’homoscédasticité.
L’homoscédasticité se vérifie en comparant les moyennes des traitements.
Un test de Bartlett peut contribuer à vérifier l’homoscédasticité.
L’homoscédasticité correspond à une dispersion similaire des résidus entre groupes.

Un test de Bartlett peut contribuer à vérifier l’homoscédasticité. · L’homoscédasticité correspond à une dispersion similaire des résidus entre groupes.

Explication

L’homoscédasticité concerne l’égalité des dispersions des résidus entre les groupes et peut être examinée graphiquement ou avec le test de Bartlett. Elle ne décrit pas la forme d’une distribution, ne compare pas les moyennes et n’est pas spécifiquement évaluée par un Q-Q plot.

7. Une ANOVA présente une violation de ses conditions. Quelles mesures peuvent être envisagées ?

Une transformation par racine carrée peut être utilisée dans certains cas.
Le test non paramétrique de Kruskal-Wallis constitue une alternative possible.
Toute valeur extrême doit être supprimée avant de poursuivre l’analyse.
Une transformation logarithmique des données peut être envisagée.
Une valeur extrême peut être retirée si elle est aberrante et si la décision est justifiée.

Une transformation par racine carrée peut être utilisée dans certains cas. · Le test non paramétrique de Kruskal-Wallis constitue une alternative possible. · Une transformation logarithmique des données peut être envisagée. · Une valeur extrême peut être retirée si elle est aberrante et si la décision est justifiée.

Explication

En cas de violation, une transformation logarithmique ou par racine carrée peut être envisagée, ainsi que le test de Kruskal-Wallis. Le retrait d’une valeur extrême n’est acceptable que si elle est aberrante et si cette décision est justifiée ; sa suppression systématique n’est pas appropriée.

8. Quelles affirmations décrivent correctement la robustesse de l’ANOVA aux violations des conditions ?

La robustesse à la non-normalité est élevée lorsque l’effectif est grand.
La robustesse aux résidus non normaux reste faible avec un grand effectif.
La robustesse à l’indépendance est faible face à sa violation.
La robustesse à l’homoscédasticité diminue particulièrement avec un petit effectif.
La robustesse à l’homoscédasticité reste élevée sauf avec un petit effectif.

La robustesse à la non-normalité est élevée lorsque l’effectif est grand. · La robustesse à l’indépendance est faible face à sa violation. · La robustesse à l’homoscédasticité diminue particulièrement avec un petit effectif. · La robustesse à l’homoscédasticité reste élevée sauf avec un petit effectif.

Explication

L’ANOVA est robuste aux résidus non normaux lorsque l’effectif est grand et à l’homoscédasticité, sauf avec un petit effectif. En revanche, sa robustesse aux résidus dépendants est faible, même lorsque l’effectif est grand.

9. Parmi les propositions suivantes concernant les tests multiples, la(les)quelle(s) est(sont) exacte(s) ?

La répétition de comparaisons indépendantes laisse inchangée l’erreur globale.
Plusieurs tests de Student augmentent la probabilité globale d’une conclusion fausse.
Une procédure adaptée peut contrôler la probabilité globale d’erreur.
Une succession de tests de Student diminue l’erreur globale de décision.
Les tests multiples peuvent conduire à déclarer significative une différence inexistante.

Plusieurs tests de Student augmentent la probabilité globale d’une conclusion fausse. · Une procédure adaptée peut contrôler la probabilité globale d’erreur. · Les tests multiples peuvent conduire à déclarer significative une différence inexistante.

Explication

Réaliser plusieurs tests de Student augmente la probabilité globale de conclure à tort à une différence significative. Les procédures de comparaison multiple sont utilisées pour contrôler cette probabilité ; la répétition des tests ne la laisse donc pas inchangée.

10. Une correction de Bonferroni est appliquée à trois comparaisons avec un risque de 5 % :

Le seuil corrigé de significativité vaut 0,015.
Pour trois comparaisons, le seuil corrigé atteint environ 0, quinze.
Le dénominateur de la formule correspond au nombre de comparaisons.
Le seuil corrigé est obtenu en multipliant 0,05 par trois.
La correction utilise la relation αcorrigeˊ=αk\alpha_{corrigé}=\frac{\alpha}{k}.

Le seuil corrigé de significativité vaut 0,015. · Le dénominateur de la formule correspond au nombre de comparaisons. · La correction utilise la relation $$\alpha_{corrigé}=\frac{\alpha}{k}$$.

Explication

La correction de Bonferroni divise le seuil initial par le nombre de comparaisons. Ainsi, 0,05/3≈0,0150,05/3\approx0,015 ; le nombre de comparaisons figure au dénominateur et non comme facteur multiplicatif.

11. Concernant les variables d’une ANOVA multifactorielle :

La variable réponse et les facteurs sont tous quantitatifs.
La variable réponse est qualitative et les facteurs sont quantitatifs.
La variable réponse est qualitative tandis que les facteurs sont qualitatifs.
La variable réponse est quantitative et les facteurs sont qualitatifs.
La variable réponse est quantitative et les facteurs sont aussi quantitatifs.

La variable réponse est quantitative et les facteurs sont qualitatifs.

Explication

Une ANOVA utilise une variable réponse quantitative et une ou plusieurs variables explicatives qualitatives, appelées facteurs. Les autres associations inversent ou modifient ces types de variables.

12. Quelles sont les réponses exactes au sujet de la décomposition de la variance avec plusieurs facteurs ?

La composante expliquée complète la composante résiduelle pour former la variance totale.
La relation générale s’écrit SCETot=SCEexpliqueˊ+SCEreˊsiduelSCE_{Tot}=SCE_{expliqué}+SCE_{résiduel}.
La présence de plusieurs facteurs conserve cette décomposition générale.
La variance totale se décompose en une part expliquée et une part résiduelle.
La composante résiduelle appartient à la décomposition de la variance totale.

La composante expliquée complète la composante résiduelle pour former la variance totale. · La relation générale s’écrit $$SCE_{Tot}=SCE_{expliqué}+SCE_{résiduel}$$. · La présence de plusieurs facteurs conserve cette décomposition générale. · La variance totale se décompose en une part expliquée et une part résiduelle. · La composante résiduelle appartient à la décomposition de la variance totale.

Explication

Avec plusieurs facteurs, la décomposition générale reste SCETot=SCEexpliqueˊ+SCEreˊsiduelSCE_{Tot}=SCE_{expliqué}+SCE_{résiduel}. Les facteurs peuvent modifier le nombre d’effets étudiés, mais ils ne suppriment ni la part expliquée ni la part résiduelle.

13. Un chercheur choisit un plan d’échantillonnage avant de sélectionner l’analyse statistique. Concernant cette démarche :

Le type d’analyse est indépendant de la structure du plan retenu.
La structure des données est déterminée après l’application des tests statistiques.
Un plan expérimental fournit une organisation nécessaire au choix de l’analyse.
La structure des données dépend du plan d’échantillonnage ou d’expérience.
Le plan choisi conditionne les analyses statistiques qui peuvent être utilisées.

Un plan expérimental fournit une organisation nécessaire au choix de l’analyse. · La structure des données dépend du plan d’échantillonnage ou d’expérience. · Le plan choisi conditionne les analyses statistiques qui peuvent être utilisées.

Explication

La structure des données dépend du plan d’échantillonnage ou d’expérience et conditionne le type d’analyse possible. Elle ne résulte pas des tests statistiques et ne peut pas être considérée comme indépendante du plan.

14. Concernant la notion d’interaction entre deux facteurs :

L’état du second facteur ne modifie pas l’effet du premier facteur.
L’effet d’un facteur varie selon l’état de l’autre facteur.
Une interaction signifie que les effets des facteurs restent indépendants.
Une interaction correspond à une addition constante des effets factoriels.
L’effet du premier facteur est identique à tous les niveaux du second.

L’effet d’un facteur varie selon l’état de l’autre facteur.

Explication

Une interaction existe lorsque l’effet d’un facteur sur la réponse varie selon l’état de l’autre facteur. Les autres formulations décrivent l’absence d’interaction et des effets indépendants ou additifs.

15. Pour étudier l’interaction entre deux facteurs croisés, cochez la (les) proposition(s) exacte(s) :

La présence de plusieurs modalités dispense de répliquer chaque couple.
Des réplicats doivent exister pour chaque couple de modalités.
Le croisement des facteurs doit comporter une réplication pour l’analyse.
Un seul résultat par couple de modalités suffit pour étudier l’interaction.
Les facteurs croisés sans réplicat permettent d’estimer directement l’interaction.

Des réplicats doivent exister pour chaque couple de modalités. · Le croisement des facteurs doit comporter une réplication pour l’analyse.

Explication

L’interaction entre deux facteurs ne peut être étudiée que si des réplicats existent pour chaque couple de modalités croisées. Plusieurs modalités ou un simple croisement sans réplication ne fournissent pas cette condition.

16. En l’absence d’interaction entre deux facteurs, quelles propositions sont exactes ?

L’effet d’un facteur reste identique selon le niveau de l’autre.
Les effets des facteurs sont additifs dans la réponse étudiée.
L’absence d’interaction implique une modification croisée des effets.
L’effet d’un facteur change selon chaque niveau de l’autre facteur.
Les facteurs produisent des effets indépendants l’un de l’autre.

L’effet d’un facteur reste identique selon le niveau de l’autre. · Les effets des facteurs sont additifs dans la réponse étudiée. · Les facteurs produisent des effets indépendants l’un de l’autre.

Explication

Sans interaction, les effets des facteurs sont additifs et l’effet d’un facteur reste identique quel que soit le niveau de l’autre. Une variation de cet effet selon l’autre facteur caractériserait au contraire une interaction.

17. Une interaction significative est détectée entre deux facteurs. Parmi les propositions suivantes, la(les)quelle(s) est(sont) exacte(s) ?

L’effet d’un facteur ne doit pas être interprété isolément.
L’interprétation d’un effet principal doit tenir compte de l’autre facteur.
L’interaction significative permet d’interpréter chaque effet principal séparément.
L’effet principal conserve une interprétation suffisante sans préciser l’autre facteur.
L’état de l’autre facteur devient nécessaire pour interpréter un effet principal.

L’effet d’un facteur ne doit pas être interprété isolément. · L’interprétation d’un effet principal doit tenir compte de l’autre facteur. · L’état de l’autre facteur devient nécessaire pour interpréter un effet principal.

Explication

En présence d’une interaction significative, l’effet d’un facteur dépend de l’état de l’autre. Il faut donc interpréter les effets principaux en tenant compte de l’autre facteur, plutôt que séparément.

18. Concernant la décomposition des sommes de carrés dans un modèle interactif à deux facteurs :

La décomposition inclut l’effet de A, l’interaction AB et le résidu, sans effet de B.
La somme totale comprend les effets de A et de l’interaction, sans effet de B.
La somme totale comprend les effets de A, de B, le résidu et la moyenne générale.
La somme totale comprend les effets de A, de B, leur interaction et le résidu.
La somme totale comprend les effets de B et du résidu, sans effet de A.

La somme totale comprend les effets de A, de B, leur interaction et le résidu.

Explication

Dans un modèle interactif à deux facteurs, la somme des carrés totale se décompose en effets de A, de B, d’interaction AB et de résidu. Une décomposition qui omet l’effet de B ou qui ajoute la moyenne générale ne correspond pas à cette structure.

19. Parmi les propositions suivantes concernant les tests d’un modèle interactif à deux facteurs, la(les)quelle(s) est(sont) exacte(s) ?

Deux rapports F évaluent l’interaction et l’effet de A, sans effet de B.
Trois rapports F évaluent les effets de A, de B et de leur interaction.
Trois rapports F évaluent les effets de A, de B et du résidu.
Quatre rapports F évaluent les effets principaux, l’interaction et le résidu.
Deux rapports F évaluent les effets de A et de B, sans tester leur interaction.

Trois rapports F évaluent les effets de A, de B et de leur interaction.

Explication

Un modèle interactif à deux facteurs teste trois effets : A, B et l’interaction A×B. Le résidu n’est pas un effet testé par un rapport F distinct, et le modèle additif ne comporte pas d’interaction.

20. Le modèle additif à deux facteurs se caractérise par la décomposition suivante :

La somme totale s’écrit SCT=SCEA+SCEAB+SCERSCT=SCE_A+SCE_{AB}+SCE_R.
La décomposition inclut un terme d’interaction entre A et B.
La décomposition comporte deux effets principaux et une composante résiduelle.
La somme totale associe les effets de A, de B et le résidu.
La somme des carrés s’écrit SCT=SCEA+SCEB+SCERSCT=SCE_A+SCE_B+SCE_R.

La décomposition comporte deux effets principaux et une composante résiduelle. · La somme totale associe les effets de A, de B et le résidu. · La somme des carrés s’écrit $$SCT=SCE_A+SCE_B+SCE_R$$.

Explication

Le modèle additif répartit la somme totale entre les effets de A, de B et le résidu, soit SCT=SCEA+SCEB+SCERSCT=SCE_A+SCE_B+SCE_R. Il ne comporte pas de terme d’interaction A×B ; une décomposition incluant ce terme relève du modèle interactif.

21. Concernant la nature des variables associées dans une ANCOVA, cochez la (les) proposition(s) exacte(s) :

L’ANCOVA relie une réponse quantitative à une covariable quantitative.
L’ANCOVA combine les principes de l’ANOVA et de la régression.
L’ANCOVA relie une réponse qualitative à une covariable quantitative.
L’ANCOVA compare des groupes définis par un facteur qualitatif.
L’ANCOVA associe deux facteurs qualitatifs pour expliquer une réponse quantitative.

L’ANCOVA relie une réponse quantitative à une covariable quantitative. · L’ANCOVA combine les principes de l’ANOVA et de la régression. · L’ANCOVA compare des groupes définis par un facteur qualitatif.

Explication

L’ANCOVA combine l’ANOVA, fondée sur un facteur qualitatif définissant les groupes, et la régression, qui relie une réponse quantitative à une covariable quantitative. Deux facteurs qualitatifs correspondent plutôt à une ANOVA factorielle, tandis qu’une réponse qualitative ne correspond pas au cadre décrit.

22. Quels sont les deux usages principaux de l’ANCOVA ?

Tester deux facteurs qualitatifs ou comparer leurs interactions.
Ajuster une variable qualitative ou comparer des fréquences entre groupes.
Comparer des moyennes brutes ou mesurer la variance résiduelle.
Contrôler une covariable quantitative ou comparer des pentes entre groupes.
Estimer une constante de régression ou supprimer l’effet du facteur.

Contrôler une covariable quantitative ou comparer des pentes entre groupes.

Explication

L’ANCOVA sert soit à contrôler une covariable quantitative, soit à comparer les pentes de régression selon les niveaux d’un facteur. Les autres propositions attribuent à l’ANCOVA des objectifs qui ne correspondent pas aux deux usages décrits.

23. Pour contrôler une covariable dans une ANCOVA, quelles conditions concernant les pentes sont exactes ?

L’interaction entre X et le facteur doit être significative.
La pente entre Y et X doit différer selon les niveaux du facteur.
La comparaison des pentes remplace le contrôle de la covariable.
L’absence d’interaction X×facteur empêche l’ajustement des moyennes.
La pente entre Y et X doit être commune aux différents groupes.

La pente entre Y et X doit être commune aux différents groupes.

Explication

Le contrôle d’une covariable suppose une relation de même pente entre Y et X dans tous les groupes. L’interaction X×facteur ne doit donc pas être significative ; des pentes différentes correspondent à une comparaison des pentes.

24. Les conditions d’application de l’ANCOVA comprennent :

La relation entre la covariable X et la réponse Y doit être linéaire.
La covariable continue doit être dépourvue de colinéarité avec le facteur.
Les conditions classiques de l’ANOVA doivent être respectées.
La covariable continue doit présenter une forte colinéarité avec le facteur.
La relation entre X et Y doit suivre une forme non linéaire.

La relation entre la covariable X et la réponse Y doit être linéaire. · La covariable continue doit être dépourvue de colinéarité avec le facteur. · Les conditions classiques de l’ANOVA doivent être respectées.

Explication

L’ANCOVA reprend les conditions classiques de l’ANOVA, ajoute une relation linéaire entre X et Y et requiert l’absence de colinéarité entre la covariable et le facteur. Une relation non linéaire ou une forte colinéarité contredit ces conditions.

25. Concernant l’ajustement d’une covariable en ANCOVA, la(les)quelle(s) est(sont) exacte(s) ?

La comparaison porte ensuite sur les moyennes ajustées des groupes.
L’ajustement par régression intervient après la comparaison des groupes.
Les données sont d’abord ajustées par une régression.
L’ANCOVA corrige l’interprétation du facteur en tenant compte de la covariable.
La comparaison porte directement sur les moyennes brutes observées.

La comparaison porte ensuite sur les moyennes ajustées des groupes. · Les données sont d’abord ajustées par une régression. · L’ANCOVA corrige l’interprétation du facteur en tenant compte de la covariable.

Explication

Pour contrôler une covariable, l’ANCOVA ajuste les données par régression puis compare les moyennes ajustées entre les niveaux du facteur. La comparaison directe des moyennes brutes décrit plutôt l’approche de l’ANOVA sans ajustement.

26. Dans l’exemple de longévité des mâles, quelles affirmations concernant l’effet de la reproduction sont exactes ?

La valeur 0,0082 est considérée comme non significative.
Après ajout de la longueur du thorax, la p-valeur devient 0,0082.
Sans covariable, la p-valeur de l’effet de la reproduction est 0,0692.
La valeur 0,0692 ne permet pas de conclure à une significativité.
Après ajout de la longueur du thorax, l’effet devient non significatif avec une p-valeur de 0,0692.

Après ajout de la longueur du thorax, la p-valeur devient 0,0082. · Sans covariable, la p-valeur de l’effet de la reproduction est 0,0692. · La valeur 0,0692 ne permet pas de conclure à une significativité.

Explication

Sans covariable, la p-valeur de l’effet de la reproduction est de 0,0692, ce qui ne permet pas de conclure à une significativité. Après ajout de la longueur du thorax, elle devient 0,0082 et l’effet est significatif.

27. Une covariable pertinente peut avoir quels effets dans une ANCOVA ?

Elle peut réduire le bruit résiduel et augmenter la puissance du test.
Elle peut augmenter le bruit résiduel et diminuer la puissance du test.
Elle peut remplacer le facteur dans la comparaison des groupes.
Elle peut rendre inutile toute vérification des conditions du modèle.
Elle peut supprimer la relation entre la réponse et le facteur.

Elle peut réduire le bruit résiduel et augmenter la puissance du test.

Explication

Une covariable pertinente explique une partie de la variabilité résiduelle, ce qui peut réduire le bruit et augmenter la puissance du test du facteur. Les autres effets ne correspondent pas au rôle décrit pour une covariable pertinente.

28. Pour comparer les pentes de régression entre groupes, cochez la (les) proposition(s) exacte(s) :

Une interaction significative signifie que l’effet de X sur Y varie selon le groupe.
Une interaction non significative démontre que les pentes diffèrent entre les groupes.
Des pentes différentes entre groupes sont compatibles avec une interaction significative.
Une interaction facteur×covariable significative indique des relations différentes selon les groupes.
La comparaison des pentes repose sur l’examen de l’interaction entre le facteur et la covariable.

Une interaction significative signifie que l’effet de X sur Y varie selon le groupe. · Des pentes différentes entre groupes sont compatibles avec une interaction significative. · Une interaction facteur×covariable significative indique des relations différentes selon les groupes. · La comparaison des pentes repose sur l’examen de l’interaction entre le facteur et la covariable.

Explication

Pour comparer les pentes, on examine l’interaction facteur×covariable. Une interaction significative indique que la relation entre X et Y diffère selon les groupes, ce qui correspond à des pentes différentes ; une interaction non significative ne démontre pas cette différence.

Révisez avec les flashcards

Mémorisez les réponses avec 47 flashcards sur ANOVA et introduction à l’ANCOVA.

Comment se décompose la variance totale dans un jeu de données en ANOVA ?

En variance intergroupe expliquée par le facteur et variance intragroupe correspondant au bruit résiduel.

Quelle est la formule du test F en ANOVA ?

F=CMintergroupeCMintragroupeF=\frac{CM_{\text{intergroupe}}}{CM_{\text{intragroupe}}}

Pourquoi doit-on vérifier les conditions d’application avant d’interpréter les résultats d’ANOVA ?

Parce que les carrés moyens doivent estimer correctement les quantités étudiées.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur ANOVA et introduction à l’ANCOVA.

Voir la fiche →

Cours similaires

Liaisons mécaniques et barrière parking

Productions fourragères et systèmes de culture

Solides de l’espace

Mathématiques

Polymérisations radicalaires

Chimie

Méthodes et disciplines des SES

Communautés planctoniques marines

SVT

Crée tes propres QCM

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

Générateur de QCM