bonje répond avec un exemple d'anova avec 2 facteurs pour expliqué une réponse
voilà les données que j'ai générées. fac1 est un facteur à 3 niveaux (a,b,c) et fac2 un facteur à 2 niveaux (1 et 2). response est la variable observée (tirage aléatoire dans une loi normale).
Code : Tout sélectionner
fac1 fac2 response
[1,] 3 1 61.89
[2,] 2 1 57.86
[3,] 2 1 35.42
[4,] 2 2 88.50
[5,] 3 2 126.10
[6,] 3 2 71.88
[7,] 2 1 18.30
[8,] 1 1 41.37
[9,] 3 1 98.61
[10,] 2 1 121.57
[11,] 2 1 106.51
[12,] 3 2 180.48
[13,] 2 2 106.21
[14,] 3 2 130.82
[15,] 3 1 43.32
[16,] 1 2 170.91
[17,] 1 1 75.34
[18,] 3 2 158.25
[19,] 3 2 191.22
[20,] 2 2 146.42
[21,] 1 2 9.04
[22,] 1 2 171.39
[23,] 3 2 60.94
[24,] 3 2 147.15
[25,] 2 1 119.33
[26,] 1 1 129.73
[27,] 3 1 24.49
[28,] 3 2 92.37
[29,] 2 2 108.41
[30,] 2 2 186.12
[31,] 1 1 23.82
[32,] 3 1 95.74
[33,] 1 2 66.66
[34,] 1 1 120.00
[35,] 3 2 47.73
[36,] 1 2 4.01
[37,] 2 2 85.23
[38,] 2 1 139.61
[39,] 2 2 126.56
[40,] 1 1 89.66
[41,] 1 1 63.09
[42,] 3 1 35.36
[43,] 1 2 109.21
[44,] 2 1 115.40
[45,] 3 1 52.68
[46,] 1 2 111.24
[47,] 1 2 119.62
[48,] 1 2 92.80
[49,] 2 2 183.16
[50,] 1 2 125.31
[51,] 1 2 53.99
[52,] 2 2 112.53
[53,] 3 2 177.65
[54,] 2 1 64.39
[55,] 3 2 74.31
[56,] 2 2 74.81
[57,] 1 1 119.31
[58,] 1 1 219.70
[59,] 3 2 30.57
[60,] 2 2 146.29
[61,] 3 2 99.56
[62,] 1 1 155.45
[63,] 1 2 147.41
[64,] 3 2 78.26
[65,] 3 2 10.66
[66,] 3 2 164.29
[67,] 3 1 68.65
[68,] 1 1 171.09
[69,] 2 1 140.19
[70,] 1 1 191.67
[71,] 2 1 70.87
[72,] 3 2 46.21
[73,] 2 2 116.42
[74,] 3 2 69.65
[75,] 2 2 106.68
[76,] 2 1 -16.01
[77,] 2 2 67.45
[78,] 1 2 192.17
[79,] 3 1 75.48
[80,] 2 1 122.76
[81,] 1 2 183.74
[82,] 2 2 185.26
[83,] 2 1 97.51
[84,] 3 1 69.45
[85,] 1 2 112.83
[86,] 1 1 134.19
[87,] 1 2 142.74
[88,] 2 1 96.14
[89,] 3 1 112.58
[90,] 1 1 134.39
Je suppose le modèle linéaire (c'est très arbitraire et juste pour l'exemple) et additif sans interaction. Donc ici j'emet des hypothèses qui ne sont pas sans conséquence sur lé résultat obtenu.
Code : Tout sélectionner
> anova(lm(response~fac1+fac2))
Analysis of Variance Table
Response: response
Df Sum Sq Mean Sq F value Pr(>F)
fac1 2 10322 5161 2.08 0.131
fac2 1 10574 10574 4.27 0.042 *
Residuals 86 212928 2476
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Conclusion fac1 n'a pas d'effet significatif sur la variable response. Alors que fac 2 oui. Les résultats donnés par la fonction anova sont très limités. Si je veux en savoir plus je regarde la fonction summary:
Code : Tout sélectionner
> summary(lm(response~fac1+fac2))
Call:
lm(formula = response ~ fac1 + fac2)
Residuals:
Min 1Q Median 3Q Max
-122.30 -29.81 -1.89 30.74 115.35
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 104.4 10.7 9.75 1.5e-15 ***
fac1b -11.0 12.9 -0.86 0.394
fac1c -28.4 12.9 -2.20 0.030 *
fac22 22.0 10.6 2.07 0.042 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 49.8 on 86 degrees of freedom
Multiple R-Squared: 0.0894, Adjusted R-squared: 0.0576
F-statistic: 2.81 on 3 and 86 DF, p-value: 0.0440
Ici on en apprend un peu plus. Notamment le R² est de 0.09. Donc mon modèle explique moins de 10% de la variabilité. L'intercept (ordonnée à l'origine) est significativement différent de 0. Donc mon modèle ne passe pas par l'origine. On note que la modalité c du facteur 1 est significative. Cependant elle n'est signifaicative que par rapport à la modalité a prise comme témoin. Donc cela ne change rien à la conlusion tirée de l'anova. Quant au facteur 2 on ne voit apparaitre que la seconde modalité qui est elle aussi significative donc la modalité 2 apporte un effet siginificatif à la prédiction de response par rapport à la modalité 1 prise seule.
Les valeurs des coefs sont à reprendre pour exprimer ton modèle. Mais ici il vaut peut être mieux réécrire le modèle seulement avec le facteur2. il faut tester aussi si l'ordre d'entrée des variables change quelque chose ou non.
Voilà pour la démarche avec 2 facteurs. Il me semble que c'est ça que tu veux faire d'après ce que je comprend. Sinon je ne vois pas très bien :)