De l'analyse des réseaux expérimentaux à la méta-analyse
Méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales
David Makowski, François Piraux, François Brun
Quae
Chapitre 1. Introduction et exemples9
Objectifs de l'analyse de réseaux d'expérimentations et de la méta-analyse9
Données11
Le type de données11
La collecte des données11
La validation des données11
Analyse13
Principales étapes13
Présentation des hypothèses testées13
Collecte des données13
Validation des données13
Analyse des données14
Validation de l'analyse14
Communication des résultats14
Objectifs de l'ouvrage14
Un exemple simple de modèle mixte15
Définition15
Données15
Définition du modèle17
Estimation17
Comparaison avec le modèle sans effet aléatoire19
Références22
Partie I
Analyse des réseaux expérimentaux
Chapitre 2. Notions de base25
Expérimentation agronomique25
Réseau d'expérimentations25
Définition25
Exemples de réseau d'expérimentations26
Notion d'environnement27
Objectifs d'un réseau d'expérimentations28
Notion de population d'environnements28
Notion d'interaction29
Références31
Chapitre 3. Analyse d'un réseau d'expérimentations en blocs aléatoires complets à un facteur étudié33
Objectif du chapitre33
Exemple « blé »34
Modélisation35
Modèle avec un effet expérimentation aléatoire35
Modèle avec un effet expérimentation fixe36
Exemple37
Comment choisir entre un modèle avec un effet expérimentation fixe et un modèle avec un effet expérimentation aléatoire ?40
Évaluation du modèle41
Normalité41
Homoscédasticité41
Indépendance42
Données suspectes42
Comparaisons de moyennes43
Tests d'hypothèse : tests d'égalité43
Intervalles de confiance44
Tests d'hypothèse : tests d'équivalence46
Exemple48
Exemple « blé » script R et analyse commentée51
Références61
Chapitre 4. Méthodes avancées pour l'analyse des réseaux63
Analyse des données moyennes63
Étape 1 : analyse des expérimentations individuelles pour estimer les moyennes des traitements64
Étape 2 : analyse des données moyennes64
Exemple65
Une variante : analyse des données moyennes avec un modèle fixe69
Estimation de la variance d'interaction traitement-expérimentation70
Script R71
Expérimentations avec variances hétérogènes73
Introduction73
Exemple « blé »74
Pour aller plus loin78
Données manquantes81
Origine des données manquantes81
Moyennes ajustées83
Les facteurs lieu et année88
Objectif88
Exemple « blé_pluri »88
Modèle pour l'analyse des données moyennes89
Estimation de la variance de l'interaction traitement-année-lieu90
Variance de la différence entre deux traitements91
Analyse de l'exemple « blé_pluri » et script R91
Références97
Chapitre 5. Planification d'un réseau d'expérimentations99
Objectif99
Comparaison de deux traitements100
Cas d'un réseau multilocal100
Cas d'un réseau multilocal et pluriannuel102
Autres contrastes104
Comparaison à la moyenne de plusieurs témoins104
Comparaison à la moyenne générale105
Références106
Partie II
La méta-analyse
Chapitre 6. Notions de base pour la méta-analyse109
Définition, origine et principales étapes de la méta-analyse109
Estimation d'une taille d'effet moyenne111
Objectif111
Recherche systématique des études, sélection des références et extraction de données113
Estimation de la taille d'effet moyenne avec un modèle sans effet aléatoire115
Estimation de la taille d'effet moyenne avec un modèle à effets aléatoires118
Métarégression122
Objectif122
Exemple122
Modèles de régression avec et sans effet aléatoire124
Exemple (suite)125
Analyse critique des résultats127
Références130
Chapitre 7. Problèmes statistiques spécifiques pour la méta-analyse133
Définition de la taille d'effet133
Correction des biais liés à l'utilisation de ratios133
Différence entre moyennes d'observations134
Tailles d'effet pour les données binaires134
Coefficient de corrélation136
Tailles d'effet basées sur la variance136
Modèles linéaires généralisés pour l'analyse de données discrètes137
Modèle binomial logit à effets aléatoires pour analyser l'effet d'un traitement137
Exemple138
Modèles non linéaires mixtes141
Intérêt et définition141
Exemple142
Modèles bayésiens145
Définition145
Exemple : méta-analyse avec MCMCglmm146
Références151
Annexe. Ressources R pour mettre en oeuvre les méthodes d'analyse des réseaux et de méta-analyse153
Package KenSyn : code R et jeux de données des exemples présentés dans les différents chapitres153
Installation153
Contenu et utilisation154
Mettre en oeuvre le modèle mixte sous R157
Ajuster un modèle mixte157
Manipuler les résultats des modèles mixtes sous R158
La package metafor, dédié à la réalisation de méta-analyses sous R160
Approche bayésienne avec le modèle mixte160
Package MCMCglmm160
Package coda160
Références161