364531_fr-FR

liliconcom

Sélection de modèles pour les expériences conçues avec des blocs

On me pose parfois des questions sur la manière de sélectionner le « meilleur » modèle à partir d'expériences avec des blocs. Nous vous recommandons de modéliser les blocs sous forme d'effets aléatoires, ce qui signifie que vous ne pouvez pas utiliser les personnalités de régression pas à pas ou de régression généralisée pour la sélection de modèles, car elles ne prennent en charge que les effets fixes.

 

Dans cette vidéo je parle de :

• Pourquoi nous bloquons les expériences
• Effets fixes ou aléatoires
• Modélisation REML
• Stratégies de sélection de modèles à effets aléatoires

 

Objet : Sélection de modèles pour les expériences planifiées avec des blocs

Salut @mjz5448 ,

Il est recommandé de conserver l'effet de bloc. En effet, il affectera les tests de signification statistique de vos effets factoriels. Une erreur est correctement attribuée au bloc et il ne faut pas qu'elle « contamine » l'erreur estimée pour les effets factoriels. J'espère que cela est logique. Dans la plupart des cas, cela n'aura pas d'impact majeur sur vos conclusions.

Phil

Objet : Sélection de modèles pour les expériences planifiées avec des blocs

Merci @Phil_Kay ,

Alors, dites-vous que la raison pour laquelle on laisse un effet de bloc non significatif dans un modèle par opposition à un effet de facteur non significatif est due au fait que vous êtes plus certain (ou peut-être certain à 100 % ?) que vous pouvez attribuer une certaine quantité d'erreur au bloc, alors que comme avec les effets principaux ou les termes d'ordre supérieur, cela devient plus ambigu en raison d'effets de confusion, etc. ?

Objet : Sélection de modèles pour les expériences planifiées avec des blocs

@mjz5448 - En quelque sorte. Nous savons qu'il existe une source d'erreur due aux variations entre les blocs. Nous devrions donc inclure l'effet de bloc pour capturer cette source d'erreur, même s'il n'est pas statistiquement significatif. Cela signifie que nous disposerons de la meilleure estimation de l'erreur pour les tests de signification de nos effets factoriels. Une autre excellente raison d'inclure l'effet de bloc est que @Mark_Bailey le recommande. C'est toujours une raison suffisante pour moi !:)