Importez vos données depuis Excel ou CSV.
Explorez les variables et vérifiez leur structure.
Choisissez la variable réponse, les effets fixes et les effets aléatoires.
L'application construit automatiquement la formule statistique.
Analysez les coefficients, les tests statistiques et les composantes de variance.
Vérifiez les diagnostics et exportez vos résultats.
Un modèle mixte est un modèle statistique qui associe des effets fixes et des effets aléatoires.
Il est particulièrement utile lorsque les observations sont regroupées ou présentent une structure hiérarchique.
Imaginons que plusieurs laboratoires analysent plusieurs échantillons à différentes températures.
On souhaite déterminer si la température influence la concentration mesurée.
Cependant, les laboratoires peuvent présenter des différences de fonctionnement et les échantillons peuvent avoir des caractéristiques propres.
Le modèle mixte permet de prendre en compte ces variations.
C'est la variable quantitative que l'on cherche à expliquer.
Exemple : concentration en mg/L.Ce sont les effets moyens des variables explicatives que l'on souhaite étudier.
Exemple : température.Ils représentent les variations associées aux groupes ou unités d'échantillonnage.
Exemple : laboratoire ou échantillon.Avec :
Importez votre fichier ou utilisez les données pédagogiques.
Sélectionnez les variables nécessaires à votre analyse.
Cette analyse permet d'évaluer les effets fixes du modèle.
Les coefficients indiquent le sens et l'amplitude des relations estimées.
Elles permettent d'évaluer la variabilité entre les groupes et la variabilité résiduelle.
L'ICC présenté correspond à la part globale de variance attribuable aux intercepts aléatoires, dans cette paramétrisation.
Les graphiques permettent de vérifier si les hypothèses du modèle sont raisonnablement satisfaites.
Dans un modèle à intercept aléatoire, on peut écrire :
Signification des paramètres :
Les effets aléatoires sont généralement supposés suivre une distribution normale centrée de variance σ²g.
Les erreurs résiduelles sont généralement supposées indépendantes, centrées, de variance constante σ² et approximativement normales pour l'inférence classique.
σ²g représente la variance entre groupes.
σ² représente la variance résiduelle.
L'ICC mesure la ressemblance entre deux observations appartenant au même groupe dans un modèle simple à intercept aléatoire.
L représente la vraisemblance maximisée.
k représente le nombre de paramètres estimés.
n représente le nombre d'observations.
Pour des modèles comparables, les valeurs les plus faibles indiquent un meilleur compromis entre ajustement et complexité.
La méthode REML (Restricted Maximum Likelihood) permet d'estimer les composantes de variance en tenant compte de la perte de degrés de liberté liée à l'estimation des effets fixes.
La méthode ML (Maximum Likelihood) estime les paramètres par maximisation de la vraisemblance. Elle est notamment utilisée pour comparer des modèles ayant des effets fixes différents.
L'ANOVA permet d'étudier si les effets fixes apportent une information statistiquement significative.
Une p-value inférieure à 0,05 est souvent considérée comme un indice statistique contre l'hypothèse nulle d'absence d'effet, sous les hypothèses du modèle.
Attention : une p-value ne mesure pas l'importance pratique d'un effet et ne démontre pas une relation causale.
Cette application utilise des modèles linéaires mixtes gaussiens avec intercepts aléatoires.
Elle ne prend pas encore en charge les modèles mixtes généralisés, les pentes aléatoires, les corrélations temporelles ou les structures de covariance complexes.
La structure des effets aléatoires doit être choisie en fonction du protocole expérimental.
Téléchargez un classeur Excel regroupant les résultats de votre analyse.
Un classeur organisé en cinq feuilles avec une présentation homogène.