ANOVA — explication de l’analyse de la variance

L’ANOVA, abréviation de « analyse de la variance », permet de tester si le résultat moyen diffère entre plusieurs groupes. Dans une ANOVA à un facteur, on compare la variation entre les moyennes des groupes à la variation à l’intérieur des groupes, ce qui produit la statistique $F$.

C’est généralement l’outil adapté lorsque vous avez une variable de regroupement catégorielle, une réponse quantitative, et que vous voulez un test global au lieu d’effectuer de nombreux tests de Student $t$ séparés. Si la variation entre les groupes est grande par rapport à la variation au sein des groupes, cela indique que toutes les moyennes de population ne sont pas égales.

Pour une ANOVA classique à un facteur, la statistique de test est

$$F = \frac{MS_B}{MS_W}$$

où $MS_B$ est le carré moyen intergroupes et $MS_W$ est le carré moyen intragroupe. Une valeur plus grande de $F$ suggère que les moyennes des groupes sont plus éloignées que ce qu’on attendrait du seul bruit ordinaire à l’intérieur des groupes.

Ce que teste l’ANOVA

L’hypothèse nulle habituelle pour une ANOVA à un facteur est

$$H_0: \mu_1 = \mu_2 = \cdots = \mu_k$$

L’hypothèse alternative n’est pas « toutes les moyennes sont différentes ». Elle est plus faible : au moins une moyenne de groupe diffère d’au moins une autre moyenne de groupe.

Ce point est important, car l’ANOVA est un test global. Un résultat significatif indique qu’il existe une différence quelque part, mais il ne précise pas quels groupes diffèrent. Cela nécessite généralement des comparaisons complémentaires.

Pourquoi l’ANOVA utilise la variance pour comparer des moyennes

Le nom peut sembler paradoxal au premier abord. Si l’ANOVA porte sur des moyennes, pourquoi utilise-t-elle la variance ?

Parce que la variance fournit une manière claire de mesurer deux types de dispersion :

1. La dispersion des moyennes de groupe autour de la moyenne générale.
2. La dispersion des observations individuelles autour de la moyenne de leur propre groupe.

Si le premier type de dispersion est beaucoup plus grand que le second, les groupes paraissent plus séparés que ce que produirait habituellement la fluctuation ordinaire à l’intérieur des groupes.

Quand l’ANOVA à un facteur est appropriée

L’ANOVA à un facteur est utilisée lorsqu’un facteur catégoriel répartit les observations en groupes et que vous voulez comparer la moyenne d’une réponse quantitative entre ces groupes.

Par exemple, on peut comparer la note moyenne à un test selon différentes méthodes d’enseignement, le rendement moyen d’une culture selon différents engrais, ou le temps de réaction moyen selon différentes conditions de traitement.

Pour l’ANOVA classique à un facteur, les principales hypothèses sont :

1. Les observations sont indépendantes.
2. La réponse est mesurée sur une échelle quantitative.
3. Les variances des groupes sont raisonnablement similaires.
4. Le modèle n’est pas fortement incompatible avec la forme des données, surtout pour de petits échantillons.

L’ANOVA peut tout de même être assez robuste dans de nombreuses situations, en particulier avec des groupes équilibrés et des tailles d’échantillon modérées, mais cela dépend du plan d’étude. Si les données sont appariées, répétées sur les mêmes sujets, ou présentent des variances très inégales, une ANOVA ordinaire à un facteur n’est peut-être pas l’outil adapté.

Exemple d’ANOVA à un facteur

Supposons qu’un enseignant veuille comparer trois méthodes d’étude à l’aide de notes de quiz :

1. Méthode A : $72$, $74$, $76$
2. Méthode B : $78$, $80$, $82$
3. Méthode C : $84$, $86$, $88$

Les moyennes des groupes sont

$$\bar{x}_A = 74, \qquad \bar{x}_B = 80, \qquad \bar{x}_C = 86$$

La moyenne générale sur les $9$ notes est

$$\bar{x} = 80$$

On sépare maintenant la variation en deux composantes.

Étape 1 : variation intergroupes

Chaque groupe contient $3$ observations, donc la somme des carrés intergroupes est

$$SS_B = 3(74-80)^2 + 3(80-80)^2 + 3(86-80)^2$$ $$SS_B = 3(36) + 0 + 3(36) = 216$$

Avec $k=3$ groupes, les degrés de liberté intergroupes sont $k-1=2$, donc

$$MS_B = \frac{SS_B}{k-1} = \frac{216}{2} = 108$$

Étape 2 : variation intragroupe

À l’intérieur de chaque groupe, les notes ne s’écartent que de $2$ points de part et d’autre de la moyenne du groupe :

$$SS_W = (4+0+4) + (4+0+4) + (4+0+4) = 24$$

Avec $N=9$ observations au total, les degrés de liberté intragroupe sont $N-k=6$, donc

$$MS_W = \frac{SS_W}{N-k} = \frac{24}{6} = 4$$

Étape 3 : calculer la statistique $F$

On calcule maintenant

$$F = \frac{MS_B}{MS_W} = \frac{108}{4} = 27$$

Une valeur de $F$ aussi grande signifie que les moyennes des groupes sont très éloignées par rapport à la variation à l’intérieur des groupes. Sous les hypothèses usuelles de l’ANOVA à un facteur, cela constitue un argument fort contre l’hypothèse nulle selon laquelle les trois moyennes de population sont égales.

L’interprétation pratique est simple : les différences entre les trois méthodes d’étude sont trop grandes pour être attribuées uniquement à la dispersion ordinaire au sein des groupes.

Ce que l’ANOVA ne vous dit pas

L’ANOVA ne vous dit pas quelle paire précise de groupes diffère. Après un résultat global significatif, il faut généralement effectuer des comparaisons post hoc ou des contrastes planifiés.

Elle ne dit pas non plus si l’effet est important en pratique. Une différence statistiquement détectable peut tout de même être trop faible pour avoir une importance réelle dans le contexte étudié.

Si l’étude n’a pas été randomisée, l’ANOVA ne prouve pas non plus que la variable de regroupement a causé la différence. Elle teste seulement si les moyennes des groupes paraissent différentes dans les données recueillies.

Erreurs fréquentes avec l’ANOVA

Une erreur fréquente consiste à croire que l’ANOVA sert surtout à tester si les variances des groupes sont égales. Dans son usage standard, l’ANOVA compare des moyennes. La variance intervient parce qu’elle sert à mesurer le signal par rapport au bruit.

Une autre erreur consiste à effectuer de nombreux tests $t$ séparés au lieu d’une ANOVA globale lorsqu’il y a plusieurs groupes. Cela peut augmenter le risque de faux positifs, sauf si les comparaisons sont ajustées avec soin.

Une troisième erreur consiste à s’arrêter après une ANOVA significative et à affirmer savoir exactement quel groupe l’emporte. Le test global ne répond pas à cette question à lui seul.

Domaines d’utilisation de l’ANOVA

L’ANOVA est courante dans les expériences, les tests de produits, l’éducation, la biologie, l’agriculture et les sciences sociales. Elle est utile chaque fois qu’il faut un test unique et défendable des différences de moyennes entre plusieurs groupes.

Elle est particulièrement utile lorsque la vraie question est comparative : ces traitements, méthodes ou conditions produisent-ils des résultats moyens mesurablement différents ?

Essayez votre propre version

Reprenez le même exemple et remplacez la méthode B par $79$, $80$, $81$. Recalculez $SS_W$, $MS_W$ et la statistique finale $F$. Ce seul changement rend l’intuition centrale visible : à mesure que le bruit intragroupe augmente, l’évidence en faveur d’une vraie différence de moyenne s’affaiblit.