Cours d'analyse de la variance

Romaric COULIBALY
Enseignant-Chercheur
[email protected]
Bureau 801

ENSEA

6 mars 2025
 Chapitre 3
Analyse de la variance à deux
facteurs

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 2 / 46

Qu'allons-nous faire aujourd'hui ?

1 Introduction

2 Données et problème

3 Formulation du modèle

4 Estimation des paramètres

5 Tests de comparaison

6 Cas spéciques

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 3 / 46

Bibliographie

C. Duby & E. Jolivet,Analyse de la variance et plans

d'expériences,1977,ENSAE (INSEE), 3, Avenue Pierre Larousse -
92240 MALAKOFF
Université de Bordeaux, Analyse de la variance, Notes de cours en
modélisation statistique
Ricco Rakotomalala, ANOVA à 1 et 2 facteurs : Analyse de la
variance, Université Lumière Lyon 2
WikiStat, Analyse de variance et covariance
Pierre Dagnelie, Statistique théorique et appliquée, 1992,
Gembloux : Presse agronomique

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 4 / 46

Sommaire

1 Introduction

2 Données et problème

3 Formulation du modèle

4 Estimation des paramètres

5 Tests de comparaison

6 Cas spéciques

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 5 / 46

Introduction
Possibilité de considérer plusieurs facteurs explicatifs dans un
modèle d'analyse de la variance
Cela implique l'introduction de nouvelles spécicités dont la notion
d'interaction entre les facteurs
On cherche maintenant à mesurer le rôle conjoint de deux facteurs
X1 et X2 sur une variable dépendante Y
3 eets à mesurer : 
Eet de X1
▶ Eets principaux :
Eet de X2
▶ Interaction entre X1 et X2

Exemple
1 Eets du type de fertilisants et du mode d'épandage sur la croissance des
arbres
2 Eets du type et du sexe du fumeur sur l'espérance de vie

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 6 / 46

Sommaire

1 Introduction

2 Données et problème

3 Formulation du modèle

4 Estimation des paramètres

5 Tests de comparaison

6 Cas spéciques

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 7 / 46

Données et problème
On suppose que les facteurs X1 et X2 comprennent I et J
modalités ou niveaux
Pour chaque couple (i, j) de niveaux, on observe nij mesures de Y
notées Yijk avec k = 1, . . . , nij
On note :
▶ ni. : Nombre de mesures de Y pour la modalité i du facteur X1
▶ n.j : Nombre de mesures de Y pour la modalité j du facteur X2
Un traitement (i, j) est une combinaison de niveaux des deux
facteurs
Dénition
On dit que le plan d'expérience est :
complet si nij > 0, ∀(i, j)
à répétition si nij > 1, ∀(i, j)
équilibré si nij = r > 0, ∀(i, j)
orthogonal si nij = ni.n∗n
..
.j
, ∀(i, j)
R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 8 / 46
Données et problème
Présentation du tableau de données

X1 / X2 1 ... j ... J

1 Y111 , . . . , Y11n11 ... Y1j1 , . . . , Y1jn1j ... Y1J1 , . . . , Y1Jn1J

.. .. .. .. .. ..
. . . . . .

i Yi11 , . . . , Yi1ni1 ... Yij1 , . . . , Yijnij ... YiJ1 , . . . , YiJniJ

.. .. .. .. .. ..
. . . . . .

I YI11 , . . . , YI1nI1 ... YIj1 , . . . , YIjnIj ... YIJ1 , . . . , YIJnIJ

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 9 / 46

Données et problème
Quelques notations

Dans le cas d'une équirépétition, on dénit les moyennes suivantes :

Moyenne d'une cellule : Y¯ij. = 1 Pnij Pnij

1
nij = n1 k=1
k=1 Yijk Yijk
Moyenne d'une ligne : Y¯i.. = J1 j=1 Y¯ij. = nJ
J 1 J n ij
P P P
k=1 Yijk
2
j=1

Moyenne d'une colonne : Y¯.j. = I1 Ii=1 Y¯ij. = nI1 Ii=1 nk=1

P P P ij
3 Yijk
4 Moyenne de toutes les observations :
J I I X
J I X nij
J X
1 X 1 X 1 X 1 X
Y¯... = Y¯.j. = Y¯i.. = Y¯ij. = Yijk
J I IJ nIJ
j=1 i=1 i=1 j=1 i=1 j=1 k=1

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 10 / 46

Données et problème

Les problèmes étudiés sont similaires à ceux du cas à un seul

facteur

Trois étapes essentielles retenues :

1 Ecriture du modèle statistique de Y selon les facteurs X1 et X2

2 Estimation des eets des niveaux des deux facteurs

3 Tests des hypothèses sous-jacentes du modèle retenu

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 11 / 46

Sommaire

1 Introduction

2 Données et problème

3 Formulation du modèle

4 Estimation des paramètres

5 Tests de comparaison

6 Cas spéciques

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 12 / 46

Formulation du modèle
On écrit le modèle de variance suivant :

 i = 1, . . . , I
Yijk = µij + ϵijk avec j = 1, . . . , J (1)
k = 1, . . . , nij


Les termes d'erreurs sont supposés indépendants et de même loi

ϵijk ∼ N (0, σ 2 )
µij : Comportement moyen du groupe (i, j)
σ 2 : Variance commune à tous les groupes
Cette écriture suppose l'existence d'un eet conjoint des deux
facteurs en supposant une moyenne µij pour chaque groupe (i, j)
et une variance commune σ 2
Il y'a alors à estimer :
▶ I ∗ J paramètres de moyenne (µ11 , µ12 , . . . , µ1J , . . . , µIJ )
▶ 1 paramètre de variance σ 2

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 13 / 46

Formulation du modèle
Il est possible de réécrire le modèle (1) pour distinguer les
diérents eets

 i = 1, . . . , I
Yijk = µ.. + αi + βj + γij +ϵijk avec j = 1, . . . , J (2)
k = 1, . . . , nij
| {z } 
µij

µ.. : Eet global commun aux deux facteurs

αi : Eet principal du niveau i du facteur X1
βj : Eet principal du niveau j du facteur X2
γij : Eet d'interaction entre les niveaux i et j respectivement des
facteurs X1 et X2
Il y'a alors à estimer :
▶ 1 + I + J + I ∗ J paramètres de moyenne
▶ 1 paramètre de variance σ 2

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 14 / 46

Formulation du modèle

Dans le cas sans répétition, le terme d'interaction ne peut exister

dans le modèle ⇒ Les lignes joignant les moyennes par traitement
sont alors parallèles

Figure 1  Graphe d'interaction

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 15 / 46

Formulation du modèle

Le modèle (2) s'écrit avec les contraintes suivantes :

I J J I
γij = 0 et ∀j,
X X X X
αi = 0; βj = 0; ∀i, γij = 0
i=1 j=1 j=1 i=1

Ces conditions permettent d'assurer l'unicité de la solution

Plusieurs types de modèles peuvent être obtenus en fonction des
contraintes posées :
Modèle sans interaction
∼ N (0, σ 2 )

 ϵijk
avec (3)
PI
Yijk = µ.. + αi + βj + ϵijk αi = 0
 PJi=1
j=1 βj = 0

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 16 / 46

Formulation du modèle

Modèle sans eet du facteur X1

ϵijk ∼ N (0, σ 2 )

Yijk = µ.. + βj + ϵijk avec PJ (4)
j=1 βj = 0

Modèle sans eet du facteur X2

ϵijk ∼ N (0, σ 2 )

Yijk = µ.. + αi + ϵijk avec PI (5)
i=1 αi = 0

Modèle sans eet de traitement

Yijk = µ.. + ϵijk avec ϵijk ∼ N (0, σ 2 ) (6)

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 17 / 46

Formulation du modèle

Modèle sans eet direct de X1 mais avec eets d'interaction



 ϵijk ∼ N (0, σ 2 )
avec (7)
PJ
Yijk = µ.. + βj + γij + ϵijk j=1 βj = 0
 ∀i = 1, . . . , I, PJ γ = 0

j=1 ij

Modèle sans eet direct de X2 mais avec eets d'interaction

ϵijk ∼ N (0, σ 2 )


avec (8)
PI
Yijk = µ.. + αi + γij + ϵijk i=1 αPi =0
∀j = 1, . . . , J, Ii=1 γij = 0


R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 18 / 46

Sommaire

1 Introduction

2 Données et problème

3 Formulation du modèle

4 Estimation des paramètres

5 Tests de comparaison

6 Cas spéciques

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 19 / 46

Estimation des paramètres
L'estimation des paramètres se ramène à l'étude d'un modèle de
régression de variables indicatrices
On dispose alors de :
▶ Indicatrices du facteur X1 : (I1X1 , I2X1 , . . . , IIX1 )
▶ Indicatrices du facteur X2 : (I1X2 , I2X2 , . . . , IJX2 )
X1 ×X2 X1 ×X2 X1 ×X2
▶ Indicatrices de l'interaction : (I11 , . . . , Iij , . . . , IIJ )
En partant de l'écriture Y = Xβ + ϵ, le modèle à estimer est de la
forme :
Y =β0 + βX1 ,1 I1X1 + · · · + βX1 ,I IIX1 + βX2 ,1 I1X2 + · · · + βX2 ,J IJX2
(9)
X1 ×X2 X1 ×X2
+ βX1 ×X2 ,1 I1,1 + ··· + βX1 ×X2 ,IJ II,J +ϵ

L'équation (9) est une forme indéterminée ⇒ Nécessité d'imposer

des contraintes pour l'estimation

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 20 / 46

Estimation des paramètres

Diérentes approches sont utilisées pour résoudre l'identiabilité

des paramètres :
▶ Supprimer une des indicatrices
▶ Ajouter une contrainte sur les paramètres pour l'unicité de la
solution
▶ Chercher une solution en partant de l'inverse généralisé de la
matrice X ′ X

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 21 / 46

Estimation des paramètres
Cas d'une équi-répétition

On montre que :
µ̂ = Y¯...
α̂i = Y¯i.. − Y¯...
βˆj = Y¯.j. − Y¯...
γˆij = Y¯ij. − Y¯i.. − Y¯.j. + Y¯...

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 22 / 46

Sommaire

1 Introduction

2 Données et problème

3 Formulation du modèle

4 Estimation des paramètres

5 Tests de comparaison

6 Cas spéciques

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 23 / 46

Tests de comparaison

Trois tests de Fisher peuvent être réalisés

▶ Eet du facteur X1

(H0 ) : α1 = · · · = αI = 0 vs (H1 ) : ∃i/αi ̸= 0

▶ Eet du facteur X2

(H0 ) : β1 = · · · = βJ = 0 vs (H1 ) : ∃j/βj ̸= 0

▶ Eet d'interaction

(H0 ) : γ11 = · · · = γIJ = 0 vs (H1 ) : ∃(i, j)/γij ̸= 0

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 24 / 46

Tests de comparaison
On dénit diérentes sommes de carrés (Cas d'une équirépétition)
I X
J X
K I X
J X
K
2
X X
SCT = (Yijk − Y¯... )2 = 2
Yijk − IJK Y¯...
i=1 j=1 k=1 i=1 j=1 k=1

I X
J X
K I X
J X
K I X
J
2
X X X
SCR = (Yijk − Y¯ij. )2 = 2
Yijk −K Y¯ij.
i=1 j=1 k=1 i=1 j=1 k=1 i=1 j=1

I X
J X
K I
2 2
X X
SC1 = (Y¯i.. − Y¯... )2 = JK Y¯i.. − IJK Y¯...
i=1 j=1 k=1 i=1

I X
J X
K J
2 2
X X
SC2 = (Y¯.j. − Y¯... )2 = IK Y¯.j. − IJK Y¯...
i=1 j=1 k=1 j=1

I X
J X
K J
I X J
2 2
X X X
SC1×2 = (Y¯ij. − Y¯i.. − Y¯.j. + Y¯... )2 = K Y¯ij. − IK Y¯.j.
i=1 j=1 k=1 i=1 j=1 j=1
I
2 2
X
− JK Y¯i.. + IJK Y¯...
i=1

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 25 / 46

Tests de comparaison

Equation d'analyse de la variance :

SCT = SC1 + SC2 + SC1×2 + SCR (10)
SCT : Somme des écarts à la moyenne globale, toutes causes
confondues
SC1 : Somme entre les modalités du facteur X1 (Eet du facteur
X1 )
SC2 : Somme entre les modalités du facteur X2 (Eet du facteur
X2 )

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 26 / 46

Tests de comparaison
Tableau d'analyse de la variance

Variation DDL Somme carrés Carrés moyens Statistique F

SC1

1er facteur I −1 SC1 SC1

I−1
F1 = (I−1)
SCR
IJ(K−1)
SC2

2e facteur J −1 SC2 SC2

J−1
F2 = (J−1)
SCR
IJ(K−1)
SC1×2

Interaction (I − 1)(J − 1) SC1×2

SC1×2
(I−1)(J−1)
F1×2 = (I−1)(J−1)
SCR
IJ(K−1)

Erreur IJ(K − 1) SCR SCR

IJ(K−1)

Totale IJK − 1 SCT

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 27 / 46

Tests de comparaison

Diérentes stratégies de tests utilisées dans la littérature pour

tester l'eet des facteurs.
Stratégie courante : Comparer le modèle complet aux diérents
sous-modèles
Deux étapes dans le test de signicativité des eets :
1 Eectuer le test de l'eet d'interaction
2 Eectuer le test des eets individuels

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 28 / 46

Tests de comparaison
Etape 1 : Eet d'interaction

On eectue le test suivant :

(H0 ) : γ11 = · · · = γIJ = 0 vs (H1 ) : ∃(i, j)/γij ̸= 0
SC1×2

Sous (H0 ), la statistique de test F1×2 = (I−1)(J−1)

SCR suit une loi de
IJ(K−1)
Fisher à ((I − 1)(J − 1), IJ(K − 1)) degré de liberté
(H0 ) rejetée ⇒ Pas nécessaire de tester les eets individuels pour
conclure à l'existence d'un eet
(H0 ) acceptée ⇒ Tester la présence des eets des facteurs

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 29 / 46

Tests de comparaison
Etape 2 : Eet des facteurs

En l'absence d'interaction, on eectue les tests suivants :

Eet du facteur X1
(H0 ) : α1 = · · · = αI = 0 vs (H1 ) : ∃i/αi ̸= 0

Eet du facteur X2
(H0 ) : β1 = · · · = βJ = 0 vs (H1 ) : ∃j/βj ̸= 0

Les statistiques F1 et F2 suivent respectivement des lois de Fisher

à (I − 1, IJ(K − 1)) et (J − 1, IJ(K − 1)) ddl
Acceptation d'une (H0 ) ⇒ Absence d'eet du facteur

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 30 / 46

Tests de comparaison
Vérication des hypothèses du modèle

Il faudrait passer à la vérication des hypothèses du modèle

Dans le cas de comparaisons multiples pour le cas où le facteur a
un eet, les tests de Tuckey, Bonferroni, Scheé restent valables
comme dans le cas d'un seul facteur
Normalité des résidus : Test de Shapiro-Wilk
Homoscédasticité : Test de Bartlett

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 31 / 46

Sommaire

1 Introduction

2 Données et problème

3 Formulation du modèle

4 Estimation des paramètres

5 Tests de comparaison

6 Cas spéciques

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 32 / 46

Cas spéciques
Plans sans répétition

Dans le cas d'un plan sans répétition, il n'existe pas d'eets

d'interaction
Le modèle s'écrit :
2
ij ∼ N (0, σ )

 ϵP
Yij = µ.. + αi + βj + ϵij avec I
αi = 0 (11)
 PJi=1
j=1 βj = 0

µ.. : Eet moyen

αi : Eet du niveau i du facteur X1
βj : Eet du niveau j du facteur X2

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 33 / 46

Cas spéciques
Plans sans répétition

La détermination des paramètres se fait en minimisant la somme

du carré des erreurs
X J
I X I X
X J
ϵ2ij = (Yij − µ.. − αi − βj )2
i=1 j=1 i=1 j=1

La technique est similaire au cas à un facteur

On a alors :
α̂i = Y¯i. − Y¯.. ; βˆj = Y¯.j − Y¯.. ; µˆ.. = Y¯..

Ainsi, Yˆij = µˆ.. + α̂i + βˆj = Y¯i. + Y¯.j − Y¯..

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 34 / 46

Cas spéciques
Plans sans répétition

Partant de :
Yij − Y¯.. = (Yij − Y¯i. − Y¯.j + Y¯.. ) + (Y¯i. − Y¯.. ) + (Y¯.j − Y¯.. )

On aboutit à :
I X
X J I X
X J I
X J
X
(Yij − Y¯.. )2 = (Yij − Y¯i. − Y¯.j + Y¯.. )2 + J (Y¯i. − Y¯.. )2 + I (Y¯.j − Y¯.. )2
i=1 j=1 i=1 j=1 i=1 j=1
| {z } | {z } | {z } | {z }
SCT SCR SC1 SC2

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 35 / 46

Cas spéciques
Plans sans répétition : Tableau d'analyse de la variance

Variation DDL Somme carrés Carrés moyens Statistique F

SC1

1er facteur I −1 SC1 SC1

I−1
F1 = (I−1)
SCR
(I−1)(J−1)

SC2

2e facteur J −1 SC2 SC2

J−1
F2 = (J−1)
SCR
(I−1)(J−1)

Erreur (I − 1)(J − 1) SCR SCR

(I−1)(J−1)

Totale IJ − 1 SCT

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 36 / 46

Cas spéciques
Plans sans répétition : Tests

Deux possibilités : (i) Signicativité du modèle ou (ii)

Signicativité de chaque eet
Cas (i) : On teste l'hypothèse :
(H0 ) : α1 = · · · = αI = β1 = · · · = βJ = 0

vs
(H1 ) : ∃i = 1, . . . , I|j = 1, . . . , J/αi ̸= 0 ou βj ̸= 0
Modèle réduit : Yij = µ.. + ϵij
Statistique de test :
SC1 +SC2
I+J−2
Z= SCR
∼ F (I + J − 2, (I − 1)(J − 1))
(I−1)(J−1)

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 37 / 46

Cas spéciques
Plans sans répétition : Tests

Dans le cas (ii) du test d'un eet (X1 par exemple), on teste
l'hypothèse :
(H0 ) : α1 = · · · = αI = 0
vs
(H1 ) : ∃i = 1, . . . , I/αi ̸= 0
Modèle réduit : Yij = µ.. + βj + ϵij
Statistique de test :
SC1
I−1
Z= SCR
∼ F (I − 1, (I − 1)(J − 1))
(I−1)(J−1)

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 38 / 46

Cas spéciques
Modèle hiérarchique

Situation du problème
On sélectionne plusieurs régions (Facteur 1). Au sein de chaque région,
plusieurs exploitations agricoles (Facteur 2) sont également
sélectionnées. On mesure la quantité de mangues produite par K
manguiers dans chacune des exploitations

Pas de raisons a priori d'avoir un lien entre les exploitations de

chaque région
On peut dénir une hiérarchie entre les facteurs 1 et 2

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 39 / 46

Cas spéciques
Modèle hiérarchique : Modèle

Le modèle s'écrit alors :

Yijk = µ + αi + βj|i + ϵijk (12)
µ : Production moyenne
αi : Apport de la région i
βj|i : Apport de l'exploitation j de la région i
ϵijk ∼ N (0, σ 2 )

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 40 / 46

Cas spéciques
Modèle hiérarchique : Equation d'analyse de la variance
On a :
Yijk − Y¯... = (Y¯i.. − Y¯... ) + (Y¯ij. − Y¯i.. ) + (Yijk − Y¯ij. )

On déduit :
I X
X J X
K I
X I X
X J
¯ 2
(Yijk − Y... ) = JK ¯ ¯ 2
(Yi.. − Y... ) + K (Y¯ij. − Y¯i.. )2
i=1 j=1 k=1 i=1 i=1 j=1
| {z } | {z } | {z }
SCT SC1 SC2|1
(13)
I X
X J X
K
+ (Yijk − Y¯ij. )2
i=1 j=1 k=1
| {z }
SCR

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 41 / 46

Cas spéciques
Modèle hiérarchique : Tableau d'analyse de la variance

Variation DDL Somme carrés Carrés moyens Statistique F

SC1

1er facteur I −1 SC1 SC1

I−1
F1 = (I−1)
SCR
IJ(K−1)
SC2|1

2e facteur
SC2|1 I(J−1)
I(J − 1) SC2|1 I(J−1)
F2 = SCR
IJ(K−1)

Erreur IJ(K − 1) SCR SCR

IJ(K−1)

Totale IJK − 1 SCT

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 42 / 46

Cas spéciques
Modèle hiérarchique : Tests

Test de l'inuence du facteur X1

(H0 ) : α1 = · · · = αI = 0

vs
(H1 ) : ∃i = 1, . . . , I/αi ̸= 0
Statistique de test :
SC1
I−1
Z= SCR
∼ F (I − 1, I(J − 1))
IJ(K−1)

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 43 / 46

Cas spéciques
Modèle hiérarchique : Tests

Test de l'inuence du facteur X2 sachant X1

(H0 ) : βj|i = 0, ∀(i, j)

vs
(H1 ) : ∃i = 1, . . . , I, j = 1, . . . , J/βj|i ̸= 0
Statistique de test :
SC2|1
I(J−1)
Z= SCR
∼ F (I(J − 1), IJ(K − 1))
IJ(K−1)

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 44 / 46

Exemple

Exercice
On dispose des données suivantes :
i 1 2 3 4 5 6 7 8
sexe F M M F M M F F
educ A A P S P P S A
revenu 10000 15000 25000 45000 30000 25000 43000 13000

i 9 10 11 12 13 14 15
sexe M M F M M M M
educ A P P S S S P
revenu 18000 22000 25000 60000 55000 42000 30000

Le sexe et le niveau d'éducation ont-il un eet sur le niveau de revenu ?

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 45 / 46

Merci de votre aimable attention

R. Coulibaly (ENSEA) Cours d'analyse de la variance 6 mars 2025 46 / 46