chapitre 15 Flashcards

1
Q

avantages plan avec mesures répétées

A
  1. augmente flexibilité -> contraintes incontournables associées à l’étude d’un facteur systématique
  2. permet l’étude d’un facteur systématique en sp
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

désavantages plan avec mesures répétées

A
  1. technique d’analyse sophistiquée, besoin de bonnes connaissances statistiques (approche de modèles mixtes)
  2. analyses complexes avec des modèles mixtes
  3. correction de Box est une méthode simple (approximative), mais conservatrice très sévère
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

nommer les solutions possibles quand la condition de Huynh-Feldt n’est pas satisfaite

A
  1. ANOVA pour chacun des niveaux du facteur systématique
  2. ANOVA pour n’importe quelle combinaison linéaire des niveaux du facteurs systématiques (ex. moyenne ou somme)
  3. analyse multivariable de la variance (MANOVA)
  4. ANOVA en tiroir + correction des valeurs P
    - correction BOX
    - correction exacte (méthode H-F ou G.G.)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

analyse quand condition H-F est acceptée

A

si condition acceptée = tests de sphéricité est non significatif = utilise un modèle linéaire simple = analyse selon plan en tiroirs

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

résumé d’analyse d’un plan à mesures répétées

A
  • Mesure d’une variable dépendante à plusieurs reprises sur une même UÉ
  • Provoque des problèmes de non-indépendance des données = elles sont corrélées entre-elles, presqu’un split-plot
  • Donc 2 stratégies d’analyse :
    o Modèle linéaire classique
    1) Vérifier si on respecte la condition de H-F -> Test de sphéricité (voir si erreurs sont indépendantes)
    a. Non-significatif = erreurs indépendantes = split-plot
    b. Significatif = erreurs dépendantes = mesures correctives
    -> Box, H-F ou G.G.

o Modèles mixtes

  1. Chercher la meilleure structure de covariance
  2. Comparer ces modèles-là avec des critères d’ajustement (AIC, BIC…) et outils graphiques (corrélogramme)
  3. Choisir la meilleure structure pour nos données
  4. Donne notre modèle final -> on peut ensuite faire notre table d’ANOVA (vérifier postulats normalité résidus et homogénéité des variances) et voir les effets des traitements
How well did you know this?
1
Not at all
2
3
4
5
Perfectly