Calculateur d’ANOVA à mesures répétées - Statistique F et taille d’effet
Tests statistiques avancés
Saisissez vos données ci-dessous. Chaque ligne représente un sujet et chaque colonne une condition ou un moment différent. Les valeurs peuvent être séparées par des virgules, des espaces ou des tabulations.
Calculateur d’ANOVA à mesures répétées - Statistique F et taille d’effet
Tests statistiques avancés
Chaque ligne = un sujet ; chaque colonne = une condition. Exemple : 8,9,7 sur une seule ligne.
À propos du calculateur d’ANOVA à mesures répétées
L’ANOVA à mesures répétées (analyse de la variance) est une technique statistique utilisée lorsque les mêmes sujets sont mesurés dans plusieurs conditions ou à différents moments. Contrairement à une ANOVA inter-sujets, le plan à mesures répétées contrôle les différences individuelles en traitant chaque sujet comme son propre contrôle, ce qui augmente fortement la puissance statistique.
Ce calculateur réalise une ANOVA à mesures répétées à un facteur. Le plan comporte un seul facteur intra-sujets (la condition ou le temps) avec k niveaux, mesuré sur n sujets. La variance totale des données est répartie en trois composantes : la variance attribuable aux différences entre conditions (le facteur d’intérêt), la variance attribuable aux différences individuelles entre sujets et la variance d’erreur résiduelle.
La statistique F est calculée comme le rapport entre le carré moyen entre conditions (MSbetween) et le carré moyen de l’erreur (MSerror). Une valeur F élevée par rapport à la valeur critique de la distribution F (avec dfbetween = k−1 et dferror = (n−1)(k−1) degrés de liberté) indique qu’au moins une moyenne de condition diffère significativement des autres.
La taille d’effet est quantifiée par l’eta carré (η²), qui est égal à SS_between divisé par SS_total. Une valeur de η² = 0,01 est considérée comme faible, 0,06 comme moyenne et 0,14 ou plus comme forte, selon les conventions de Cohen. L’eta carré partiel est également souvent rapporté dans la littérature, car il se concentre sur la proportion de variance expliquée par le facteur d’intérêt.
Le calculateur suppose la sphéricité, c’est-à-dire que les variances des différences entre toutes les paires de conditions sont égales. Lorsque cette hypothèse est violée (détectée par le test de Mauchly), les chercheurs appliquent généralement la correction de Greenhouse-Geisser ou de Huynh-Feldt pour ajuster les degrés de liberté. Pour une analyse exploratoire ou une vérification rapide, les valeurs F et η² non corrigées calculées ici constituent un bon point de départ.
Cet outil est conçu à des fins pédagogiques et d’analyse préliminaire. Pour des résultats de qualité publication, notamment avec des plans complexes ou une suspicion de violation de la sphéricité, utilisez un logiciel statistique dédié comme SPSS, R (avec le package ez) ou Python (avec pingouin).
Exemples d’ANOVA à mesures répétées
Ces exemples illustrent comment interpréter les résultats d’une ANOVA à mesures répétées.
| Données (lignes=sujets) | Statistique F | Interprétation |
|---|---|---|
| 8,9,7 / 10,11,9 / 6,8,5 (3 subjects × 3 conditions) | F ≈ 37.4, η² ≈ 0.28 | Effet de condition fort |
| 4,7,6,9 / 3,5,4,8 / 6,8,9,11 / 2,5,3,7 (4 × 4) | F ≈ 50.7, η² ≈ 0.53 | Taille d’effet importante |
| 3,5,4,7 / 2,4,6,5 / 5,7,3,9 (3 × 4, irregular pattern) | F ≈ 2.84, η² ≈ 0.50 | F non significatif, η² modéré |
Comment utiliser ce calculateur
- Saisissez les données de sorte que chaque ligne représente un sujet et chaque colonne une condition ou un moment.
- Séparez les valeurs d’une ligne par des virgules, des espaces ou des tabulations ; utilisez une nouvelle ligne pour chaque sujet.
- Cliquez sur « Calculer » pour lancer l’ANOVA à mesures répétées à un facteur.
- Consultez le tableau ANOVA affichant les SC, ddl, CM et la statistique F pour chaque source de variance.
- Vérifiez la valeur de l’eta carré (η²) pour évaluer la signification pratique de l’effet de condition.
Foire aux questions
Quand dois-je utiliser une ANOVA à mesures répétées plutôt qu’une ANOVA à un facteur ?
Utilisez l’ANOVA à mesures répétées lorsque les mêmes sujets sont mesurés dans toutes les conditions. Elle est plus puissante qu’une ANOVA inter-sujets, car elle retire la variance due aux différences individuelles du terme d’erreur, ce qui facilite la détection des vrais effets de condition avec moins de participants.
Qu’est-ce que l’hypothèse de sphéricité ?
La sphéricité exige que les variances des différences entre toutes les paires de conditions soient égales. Une violation augmente le taux d’erreur de type I. Le test de Mauchly vérifie cette hypothèse. En cas de violation, appliquez la correction de Greenhouse-Geisser ou de Huynh-Feldt aux degrés de liberté.
Que m’indique l’eta carré (η²) ?
L’eta carré indique la proportion de variance totale expliquée par le facteur intra-sujets. Les valeurs de 0,01, 0,06 et 0,14 sont traditionnellement considérées comme des effets petits, moyens et grands. C’est une taille d’effet facile à interpréter pour l’ANOVA.
Combien de sujets faut-il pour une ANOVA à mesures répétées ?
Un minimum de 5 à 10 sujets est généralement recommandé pour obtenir une puissance statistique suffisante, mais la bonne approche consiste à réaliser une analyse de puissance formelle basée sur la taille d’effet attendue et la puissance souhaitée (généralement 0,80). Il faut davantage de sujets lorsque l’effet attendu est faible.
Que faire si mes données violent la sphéricité ?
Appliquez la correction de Greenhouse-Geisser (ε) pour ajuster les degrés de liberté et rendre le test F plus conservateur. Lorsque ε est proche de 1, la sphéricité est approximativement respectée. Pour une violation sévère (ε < 0,75), la correction de Greenhouse-Geisser est préférable.
Puis-je utiliser ce calculateur pour un plan à mesures répétées à deux facteurs ?
Non, ce calculateur traite uniquement une ANOVA à mesures répétées à un facteur (un seul facteur intra-sujets). Pour les plans à deux facteurs avec deux facteurs intra-sujets, ou les plans mixtes avec facteurs intra- et inter-sujets, il faut un logiciel spécialisé comme R, SPSS ou la bibliothèque pingouin de Python.