Discussion :

[Letnichev]

Bonjour,

J'ai un jeu de données à analyser et je ne suis pas sûr du modèle exact que je dois utiliser. L'expérience était ainsi : 4 traitements appliqués à 5 plantes chacun (donc 20 plantes en tout), le tout répété de façon indépendante 3 fois (blocs).
En visualisant les données, je vois qu'il y a passablement de variance entre les blocs. Je dois considérer les blocs comme un random effect :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

mymodel <- aov(y ~ treatment + Error(bloc), data = mydata)

ou les traitements au sein des blocs :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

mymodel <- aov(y ~ treatment + Error(treatment/bloc), data = mydata)

Je ne suis pas sûr de saisir la différence entre les deux et "The R book" me confuse un peu.

Toute aide est bienvenue, merci d'avance pour vos input.

L.

[arm3366]

Bonjour,
Le modèle que tu choisiras dépendra de ce que ce que tu souhaites mesurer.
Quel effet? Effet de quoi sur qui?...c'est quoi ta variable y ... essaye de décrire un plus tes données et ton objectif.

BC

[Letnichev]

Bonsoir,

J'ai plusieurs variables réponses (hauteur de la plante, teneur en chlorophylle A et B, longueur des racines, diamètre de la tige, etc.) et je désire voir l'effet de chaque traitement sur cette ensemble de mesures, pour ensuite déterminer le traitement le plus efficace. Il y a 3 traitements plus 1 contrôle (donc 4 niveaux dans mon facteur "treatment").
C'est la variance amenée par les blocs qui m'empêchent d'avancer et je voulais savoir comment en tenir compte sans avoir à lancer un modèle pour chaque bloc pris séparément.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
the_data
   bloc treatment sample weight  clor_tot       clor_a       clor_b         caro
     1      ctrl      1  503.1 0.9630327 0.0006730918 0.0004378354 8.909636e-05
     1      ctrl      2  506.0 0.9630291 0.0006692342 0.0004353261 8.512723e-05
     1      ctrl      3  505.3 0.7945099 0.0005515189 0.0003712547 7.271137e-05
     1      ctrl      4  500.1 0.7463753 0.0005218506 0.0003662567 6.463326e-05
     1      ctrl      5  511.4 0.8105634 0.0005547272 0.0003846402 7.732699e-05
     1     oligo      1  505.6 0.7864996 0.0005435819 0.0003846717 7.161994e-05
     1     oligo      2  509.1 0.8185858 0.0005634698 0.0003840797 7.380382e-05
     1     oligo      3  506.5 0.8908085 0.0006174679 0.0004104738 7.763860e-05
     1     oligo      4  509.9 0.8346349 0.0005737203 0.0003901157 7.330654e-05
    1     oligo      5  517.2 0.8747661 0.0005911156 0.0004175754 7.930285e-05
    1     lowMW      1  511.0 1.1957809 0.0008191830 0.0005663307 1.020031e-04
    1     lowMW      2  505.5 1.0673796 0.0007395747 0.0005075964 9.284119e-05
    1     lowMW      3  507.6 1.0834067 0.0007503497 0.0004896080 9.454243e-05
    1     lowMW      4  509.5 1.2599730 0.0008674877 0.0005833366 1.096114e-04
    1     lowMW      5  507.6 0.9951369 0.0006881698 0.0004585697 8.802960e-05
    1    highMW      1  503.0 0.8426826 0.0005852286 0.0004159046 8.032698e-05
    1    highMW      2  503.2 0.8747724 0.0006088981 0.0004178160 8.200904e-05
    1    highMW      3  511.4 0.7624039 0.0005227366 0.0003535882 7.456021e-05
    1    highMW      4  514.9 0.7864801 0.0005350699 0.0003666052 7.372802e-05
    1    highMW      5  501.5 0.7544140 0.0005240429 0.0003857328 6.849164e-05
    2      ctrl      1  500.1 0.6500847 0.0004523895 0.0003370926 5.046727e-05
    2      ctrl      2  507.1 0.8266379 0.0005679748 0.0004171564 6.378913e-05
    2      ctrl      3  510.6 0.8827838 0.0006062916 0.0004094693 6.814620e-05
    2      ctrl      4  507.6 0.9068771 0.0006246651 0.0004388101 6.821591e-05
    2      ctrl      5  508.7 0.9228661 0.0006424071 0.0003769904 6.377233e-05
    2     oligo      1  500.9 0.8507151 0.0005926782 0.0004267419 6.474636e-05
    2     oligo      2  508.7 0.9229357 0.0006331531 0.0004557696 7.161463e-05
    2     oligo      3  517.1 0.9068658 0.0006131889 0.0004307484 6.792960e-05
    2     oligo      4  507.2 0.8507277 0.0005826646 0.0004440162 6.590776e-05
    2     oligo      5  499.6 0.7464061 0.0005183347 0.0004010008 5.918443e-05
    2     lowMW      1  504.8 1.1556107 0.0008084538 0.0004941462 7.922584e-05
    2     lowMW      2  511.2 1.1878001 0.0008073895 0.0006131944 9.455984e-05
    2     lowMW      3  506.9 1.0433376 0.0007160880 0.0005357072 8.155984e-05
    2     lowMW      4  500.4 1.0112470 0.0007026978 0.0005291367 7.790112e-05
    2     lowMW      5  500.8 0.9711161 0.0006744659 0.0005061002 7.556664e-05
    2    highMW      1  503.6 0.8025919 0.0005516730 0.0004383936 6.207397e-05
    2    highMW      2  517.4 0.6661483 0.0004443371 0.0003655586 4.887826e-05
    2    highMW      3  507.6 0.8988969 0.0006131107 0.0004862293 7.208792e-05
    2    highMW      4  515.8 0.8988767 0.0006046675 0.0004674002 6.755204e-05
    2    highMW      5  508.3 0.8587762 0.0005836809 0.0004745426 6.482857e-05
    3      ctrl      1  502.4 1.0756555 0.0007169934 0.0007932822 8.593108e-05
    3      ctrl      2  500.2 0.4494331 0.0003137795 0.0002238205 3.708306e-05
    3      ctrl      3  502.4 0.4815218 0.0003363455 0.0002249204 4.013024e-05
    3      ctrl      4  511.4 0.8346629 0.0005680925 0.0004225557 6.477210e-05
    3      ctrl      5  515.2 0.5537232 0.0003795371 0.0002322302 4.738621e-05
    3     oligo      1  508.7 0.7303067 0.0005031895 0.0003421565 5.901146e-05
    3     oligo      2  519.6 0.7624154 0.0005118986 0.0003700443 6.519834e-05
    3     oligo      3  529.6 0.7302970 0.0004820619 0.0003394637 5.667978e-05
    3     oligo      4  512.6 0.7383230 0.0005055550 0.0003372708 5.666724e-05
    3     oligo      5  514.9 0.6099518 0.0004111672 0.0003165275 4.971687e-05
    3     lowMW      1  501.6 0.6981933 0.0004903559 0.0003106758 5.664115e-05
    3     lowMW      2  515.3 0.7383204 0.0005029061 0.0003355036 6.122187e-05
    3     lowMW      3  513.0 0.6821334 0.0004683918 0.0002971735 5.673629e-05
    3     lowMW      4  510.8 0.6741350 0.0004615603 0.0003231597 5.740834e-05
    3     lowMW      5  515.2 0.9390363 0.0006283531 0.0005232628 6.352239e-05
    3    highMW      1  510.5 0.6901852 0.0004729530 0.0003299804 5.853019e-05
    3    highMW      2  515.4 0.7222607 0.0004930976 0.0003177629 6.304553e-05
    3    highMW      3  519.2 0.6420768 0.0004257463 0.0003600250 5.528819e-05
    3    highMW      4  509.3 0.5938768 0.0004085019 0.0002796387 5.016354e-05
    3    highMW      5  535.9 0.5296406 0.0003483579 0.0002191267 4.353311e-05

[arm3366]

Bonjour,
Si tu souhaite seulement voir l'effet du traitement, je pense qu'il te suffirait de faire une analyse variance (anova) à une facteur comme ceci:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
donnee <- read.table("newdata.txt", header=TRUE, sep="", dec=".")
summary(donnee)
donnee$bloc <- as.factor(donnee$bloc)
donnee$treatment <- as.factor(donnee$treatment)
anova(aov(weight~treatment))

Si tu veux en plus, voir, s'il y a interaction (ou effet) avec le bloc, je pense que tu peux faire quelque chose comme ça (anova à 2 facteurs)

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
 
#Pour la variable weight
weight <-  aov(weight~treatment*bloc)
anova(weight)

BC

[Letnichev]

Bonjour,

Merci pour votre réponse. Le modèle proposé:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
#Pour la variable weight
weight <-  aov(weight~treatment*bloc)
anova(weight)

révèle l'effet des blocs sur ma variable réponse. Or ce qui m'intéresse est d'intégrer l'erreur de la réponse due à la variance entre les blocs afin de pouvoir éliminer l'interaction bloc:traitement. Cette interaction qui revient significative sur certaines variables réponses m'empêche de considérer l'effet des traitements seuls sur les variables réponses.