Random effect ou nested?

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:

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

ou les traitements au sein des blocs :

Code:

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.

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

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:

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

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:

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:

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

Bonjour,

Merci pour votre réponse. Le modèle proposé:
Code:

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.