crosstabs.
Ouvrir la navigation
OuvrirOuvrir l’espace de travail

Outils d'études de marché · Comparer trois moyennes ou plus

Calculateur d’ANOVA

Les moyennes de plusieurs groupes indépendants sont-elles égales ? Saisissez des résumés ou des données brutes et obtenez le tableau d’ANOVA, des tests F robustes, des tailles d’effet et les comparaisons deux à deux de Tukey.

Lancer l'outil Ouvrir l'espace de travail complet

Calculer une ANOVA en ligne

Saisissez n, moyenne et écart type de chaque groupe (ajoutez ou supprimez des groupes), collez des données brutes à raison d’une colonne par groupe, ou ouvrez un fichier de données ; rien n’est envoyé.

Concept A
Concept B
Concept C
Concept D

ANOVA à un facteur

F(3, 116) = 6,71

Les moyennes des groupes diffèrent plus que ne l’expliquerait le hasard (α = ,05) ; l’appartenance au groupe explique η² = 0,148 de la variance. F de Welch, qui ne suppose pas l’égalité des variances : F(3, 64,01) = 6,79, p < 0,001.

p < 0,001

Statistiques descriptives

Statistiques descriptives
nMoyenneÉcart typeIC à 95% de la moyenne
Concept A3053,6714,43[48,28, 59,06]
Concept B2866,8615,00[61,04, 72,68]
Concept C3250,9114,31[45,75, 56,07]
Concept D3060,4716,30[54,38, 66,56]

Tableau d’ANOVA

Tableau d’ANOVA
SourceSomme des carrésddlCarré moyenFp
Intergroupes4542,08631514,0296,712p < 0,001
Intragroupes26166,591116225,574
Total30708,677119

Tests sans hypothèse d’égalité des variances

Tests sans hypothèse d’égalité des variances
Fddlp
Welch6,7873, 64,01p < 0,001
Brown–Forsythe6,6983, 113,83p < 0,001

Le test de Levene et celui de Kruskal–Wallis exigent les valeurs brutes ; passez en « Données brutes » pour les voir.

Taille d’effet

Taille d’effet
EstimationIC à 95%
η² (êta carré)0,148[0,036, 0,251]
ω² (oméga carré, moins biaisé)0,125

Comparaisons post hoc de Tukey (HSD)

Comparaisons post hoc de Tukey (HSD)
ComparaisonÉcart des moyennesp ajustéIC à 95%
Concept A − Concept B-13,19p = 0,006[-23,48, -2,90]
Concept A − Concept C2,76p = 0,888[-7,19, 12,71]
Concept A − Concept D-6,80p = 0,301[-16,91, 3,31]
Concept B − Concept C15,95p < 0,001[5,82, 26,08]
Concept B − Concept D6,39p = 0,372[-3,90, 16,68]
Concept C − Concept D-9,56p = 0,064[-19,51, 0,39]

Tukey–Kramer pour des groupes de tailles inégales ; les valeurs p et les intervalles reposent sur la loi de l’étendue studentisée et contrôlent le taux d’erreur par famille.

01

Quel F rapporter ?

Le test F classique suppose des variances égales dans les populations. L’ANOVA de Welch pondère chaque groupe par n/s² et corrige les degrés de liberté du dénominateur ; elle reste juste quand les variances diffèrent, surtout si les petits groupes sont les plus dispersés. Le F de Brown–Forsythe est une autre option robuste. Quand la dispersion est semblable, les trois concordent : rapporter Welch coûte donc peu.

Avec des données brutes, le calculateur ajoute le test de Levene et le test H de Kruskal–Wallis, qui compare les rangs moyens sans supposer la normalité – utile pour des notes asymétriques ou des échelles courtes. Avec deux groupes seulement, F est le carré du t de Student.

  • η² = somme des carrés intergroupes ÷ somme des carrés totale ; surestimé dans les petits échantillons, intervalle par la loi F non centrée.
  • ω² = (SC intergroupes − (k − 1) × CM intragroupe) ÷ (SC totale + CM intragroupe), moins biaisé.
  • Tukey HSD repose sur la loi de l’étendue studentisée ; Tukey–Kramer pour des effectifs inégaux.
02

Exemple : intention d’achat pour quatre concepts d’emballage

Données synthétiques : 120 répondants répartis en quatre groupes évaluent chacun un concept d’emballage selon leur intention d’achat (0–100).

ANOVA : F(3, 116) = 6,71, p < 0,001 ; F de Welch(3, 64,0) = 6,79, p < 0,001, même conclusion ; Levene p = 0,941, les dispersions sont proches. Le concept explique η² = 0,15 de la variance (IC à 95 % [0,04 ; 0,25] ; ω² = 0,12).

Au seuil α = 0,05, le test de Tukey trouve des écarts significatifs pour 2 paires sur 6 : Concept A et Concept B (p = 0,006) ; Concept B et Concept C (p < 0,001). Le test de Kruskal–Wallis, fondé sur les rangs, conclut de même : H(3) = 17,17, p < 0,001.

03

Quand l’utiliser, et quand l’éviter

Chaque personne appartient à un seul groupe ; la variable est à peu près normale dans chaque groupe, ou les groupes sont assez grands (environ 20 ou plus).

  • Comparer un résultat numérique entre trois groupes indépendants ou plus (concepts, segments, régions, cellules publicitaires).
  • Un test global suivi de comparaisons contrôlées, plutôt qu’une série de tests t.
  • Pas quand les mêmes répondants évaluent tous les concepts : il faut un modèle à mesures répétées.
  • Pas pour deux facteurs ou plus à la fois : utilisez une ANOVA à deux facteurs ou un modèle linéaire général.
  • Pas pour une variable catégorielle : utilisez le test du khi-deux.
04

Interpréter et rapporter

Un F significatif (p < 0,05) indique seulement que les moyennes ne sont pas toutes égales ; c’est le test de Tukey, avec ses valeurs p et intervalles déjà ajustés, qui dit lesquelles diffèrent. Selon les conventions approximatives de Cohen, η² ≈ 0,01, 0,06 et 0,14 correspondent à des effets petit, moyen et grand ; avec de petits échantillons, préférez ω². Si le F classique et le F de Welch divergent, retenez Welch.

Exemple de rapport : F(3, 116) = 6,71, p < 0,001, η² = 0,15 ; F de Welch(3, 64,0) = 6,79, p < 0,001.

Sources

Pour aller plus loin

  • Welch, B. L. (1951). On the comparison of several mean values: an alternative approach. Biometrika, 38(3–4), 330–336.

  • Tukey, J. W. (1949). Comparing individual means in the analysis of variance. Biometrics, 5(2), 99–114.

  • Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621.

  • SciPy — scipy.stats.tukey_hsd

FAQ

Questions fréquentes

Peut-on faire une ANOVA avec seulement les moyennes et écarts types ?

Oui. Le test F, les F de Welch et de Brown–Forsythe, η², ω² et Tukey HSD ne dépendent que de n, de la moyenne et de l’écart type de chaque groupe. Les tests de Levene et de Kruskal–Wallis exigent les valeurs individuelles et n’apparaissent qu’en mode données brutes.

Quelle différence entre ANOVA et ANOVA de Welch ?

L’ANOVA classique regroupe les variances en les supposant égales ; l’ANOVA de Welch pondère par n/s² et utilise des degrés de liberté approchés, ce qui la garde juste quand les variances diffèrent. Avec des dispersions proches, les résultats se rejoignent : Welch est le choix sûr par défaut.

Pourquoi Tukey HSD plutôt que plusieurs tests t ?

Chaque test t supplémentaire est une nouvelle chance de faux positif : quatre groupes donnent six paires, et la probabilité d’au moins un « significatif » à tort dépasse largement 5 % à α = 0,05. Tukey HSD maintient le taux d’erreur de l’ensemble des comparaisons à 5 %.

Quand préférer Kruskal–Wallis à l’ANOVA ?

Avec des données nettement asymétriques, des valeurs extrêmes ou des échelles courtes sur de petits groupes. Kruskal–Wallis compare les rangs moyens sans supposer la normalité et répond à une question légèrement différente (un groupe tend-il à avoir des valeurs plus élevées).

Mes données sont-elles envoyées ?

Non. Les saisies, les données collées et les fichiers ouverts sont calculés uniquement dans cet onglet du navigateur.

Outils associés

Calculateur de marge d’erreurMarge d’erreur d’un pourcentage avec intervalles de Wilson et exact, effet de plan et correction de population finie.Test z de deux proportionsComparez deux pourcentages ou taux de conversion d’un test A/B, avec intervalle de confiance et puissance.Calculateur de test tTest t de Welch, de Student, apparié et à un échantillon, à partir de résumés ou de données brutes, avec d de Cohen.

Analysez votre propre fichier d'enquête

Ouvrez un fichier CSV, Excel ou SPSS (.sav) et lancez l'analyse directement dans votre navigateur. Gratuit, sans compte : vos données ne quittent jamais votre ordinateur.

Ouvrir l'espace de travail complet

· Version anglaise