Anova - plusieurs facteurs

Bonjour,

Je dispose du dataset suivant : 'Zone' est une des zones de l'expérience (1:12), 'Id' est l'id de l'expérience, 'variable' est le type de comportement observée dans la zone qui peut varier de 1:4, 'valeur' signifie le poids de la variable. une valeur équivalente à 100, signifie qu'elle n'a pas été combiné à une autre et qu'elle est unique.

A la base, mon dataset ressemblait à cela, on pouvait avoir une combinaison de variable séparée par une virgule :

Code:


Zone Id variable
1       1        3  
3       3        3,2  
5       5        3  
7       7        3,1
9       9        3  

Les combinaison variable, séparée d'une virgule ont été transformé comme suit

Code:


Zone Id variable     value
1       1        3        50
1       1        2        50
5       5        3        100
7       7        3        50
7       7        1        50
9       9        3        100


Je souhaite étudier la variabilité des variables selon 'zone'. Seulement 'variable' est indissociable de sa 'valeur'. et il se pourraitque pour une même expérience désigné par' Id' on a plusieurs 'variable'.

Comment est-ce que pourrait formuler cela en Anova ?


mon dataset entier :

Code:

DF=structure(list(Zone = structure(c(1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L,
3L, 3L, 3L, 3L, 3L, 3L, 12L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L,
3L, 3L, 3L, 3L, 4L, 3L, 3L, 3L, 3L, 3L, 4L, 3L, 3L, 4L, 4L, 4L,
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L,
5L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L,
4L, 4L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L,
5L, 5L, 5L, 5L, 5L, 5L, 5L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L,
6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 7L, 7L, 7L,
7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L,
7L, 7L, 7L, 7L, 8L, 7L, 8L, 8L, 7L, 8L, 8L, 9L, 9L, 9L, 8L, 8L,
8L, 9L, 9L, 7L, 8L, 9L, 8L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 8L,
9L, 9L, 8L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 8L, 8L, 10L, 10L, 10L,
10L, 8L, 10L, 10L, 10L, 9L, 10L, 10L, 10L, 8L, 8L, 10L, 10L,
10L, 9L, 10L, 10L, 10L, 10L, 9L, 8L, 10L, 10L, 10L, 10L, 10L,
10L, 10L, 9L, 9L, 12L, 10L, 11L, 10L, 11L, 12L, 11L, 12L, 12L,
10L, 12L, 11L, 10L, 12L, 11L, 10L, 12L, 12L, 12L, 12L, 12L, 12L,
10L, 12L, 11L, 12L, 10L, 12L, 11L, 12L, 11L, 12L, 11L, 11L, 11L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L,
3L, 3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 5L, 5L,
4L, 3L, 4L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L,
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L,
5L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L,
6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 7L, 7L, 7L,
7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L,
7L, 7L, 7L, 7L, 7L, 7L, 7L, 8L, 8L, 8L, 7L, 8L, 8L, 9L, 9L, 9L,
9L, 9L, 8L, 8L, 9L, 8L, 8L, 9L, 8L, 9L, 8L, 8L, 8L, 9L, 9L, 8L,
8L, 8L, 9L, 8L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 8L, 9L, 8L, 8L, 9L,
10L, 10L, 8L, 10L, 9L, 10L, 8L, 9L, 9L, 8L, 8L, 9L, 8L, 8L, 10L,
10L, 10L, 8L, 10L, 10L, 10L, 10L, 12L, 12L, 12L, 11L, 12L, 11L,
11L, 12L, 10L, 12L, 12L, 10L, 11L, 12L, 11L, 10L, 12L, 12L, 10L,
11L, 12L, 11L, 11L, 11L, 12L, 12L, 11L, 11L, 11L, 10L, 12L, 1L,
2L, 2L, 3L, 3L, 4L, 4L, 4L, 6L, 6L, 6L, 7L, 7L, 8L, 9L, 9L, 8L,
8L, 9L, 9L, 9L, 9L, 10L, 9L, 10L, 9L, 9L, 8L, 8L, 10L, 10L, 10L,
10L, 10L, 9L, 10L, 10L, 12L, 11L, 12L, 11L, 12L, 12L, 11L, 11L,
11L, 11L, 11L, 11L, 12L, 11L, 11L, 12L, 2L, 4L, 4L, 4L, 4L, 4L,
5L, 5L, 6L, 7L, 9L, 9L, 9L, 12L), .Label = c("1", "2", "3", "4",
"5", "6", "7", "8", "9", "10", "11", "12"), class = "factor"),
    Id = c(1, 3, 5, 6, 7, 9, 10, 11, 12, 14, 15, 16, 17, 18,
    21, 22, 23, 24, 25, 31, 32, 33, 34, 35, 36, 38, 39, 40, 41,
    42, 43, 44, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57,
    59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73,
    75, 76, 78, 79, 81, 82, 83, 84, 86, 87, 88, 89, 91, 92, 93,
    94, 95, 96, 97, 98, 99, 100, 101, 103, 104, 105, 107, 108,
    110, 111, 113, 114, 116, 117, 118, 120, 121, 122, 123, 124,
    125, 126, 127, 130, 131, 135, 136, 138, 139, 140, 141, 142,
    143, 144, 145, 150, 152, 153, 154, 155, 156, 157, 158, 159,
    160, 161, 164, 165, 167, 169, 171, 172, 174, 176, 177, 180,
    181, 182, 183, 184, 185, 188, 189, 190, 191, 192, 193, 194,
    195, 197, 199, 200, 201, 206, 211, 212, 213, 217, 222, 223,
    224, 225, 226, 230, 234, 237, 240, 242, 244, 245, 247, 249,
    250, 251, 254, 255, 257, 260, 263, 266, 267, 268, 269, 271,
    275, 277, 278, 280, 282, 289, 290, 294, 295, 296, 297, 299,
    302, 303, 308, 309, 310, 311, 312, 314, 315, 316, 317, 318,
    322, 323, 326, 330, 334, 336, 337, 340, 342, 343, 344, 347,
    349, 350, 351, 358, 360, 361, 362, 365, 366, 368, 371, 374,
    381, 383, 386, 388, 389, 390, 392, 393, 397, 398, 399, 400,
    401, 403, 405, 407, 409, 410, 412, 413, 415, 417, 418, 420,
    423, 424, 426, 427, 429, 430, 431, 433, 434, 435, 436, 437,
    441, 443, 445, 446, 447, 450, 452, 453, 454, 455, 456, 459,
    461, 462, 463, 464, 466, 467, 469, 472, 474, 475, 477, 478,
    481, 482, 483, 486, 487, 492, 493, 496, 503, 504, 505, 506,
    507, 509, 510, 511, 513, 515, 516, 519, 520, 522, 524, 525,
    527, 528, 529, 531, 533, 534, 537, 538, 2, 4, 8, 13, 14,
    15, 19, 20, 24, 26, 27, 28, 29, 30, 38, 45, 58, 74, 75, 77,
    78, 80, 85, 92, 98, 101, 102, 104, 106, 109, 112, 115, 119,
    128, 129, 132, 137, 142, 147, 151, 164, 166, 167, 168, 170,
    173, 175, 186, 187, 196, 198, 202, 203, 205, 207, 208, 209,
    210, 211, 213, 215, 216, 218, 219, 220, 221, 226, 227, 228,
    229, 231, 232, 233, 234, 235, 236, 238, 239, 241, 243, 246,
    248, 250, 252, 253, 256, 258, 259, 261, 262, 264, 265, 268,
    270, 272, 273, 274, 276, 277, 279, 283, 284, 285, 286, 287,
    288, 291, 292, 293, 298, 300, 301, 302, 304, 305, 306, 307,
    309, 313, 320, 321, 323, 324, 325, 327, 328, 329, 330, 331,
    332, 333, 335, 336, 338, 339, 344, 345, 346, 348, 352, 353,
    354, 355, 356, 360, 363, 364, 365, 367, 369, 370, 372, 373,
    375, 379, 380, 382, 383, 384, 386, 387, 391, 395, 396, 402,
    403, 404, 406, 410, 411, 414, 416, 417, 419, 420, 421, 422,
    426, 429, 432, 434, 435, 438, 439, 440, 443, 444, 448, 449,
    451, 453, 457, 458, 460, 463, 464, 468, 470, 475, 479, 480,
    482, 488, 489, 490, 491, 494, 498, 499, 501, 502, 505, 506,
    507, 508, 515, 518, 522, 523, 526, 528, 534, 535, 536, 539,
    540, 541, 542, 545, 37, 70, 80, 133, 134, 146, 163, 176,
    250, 251, 271, 298, 333, 341, 357, 359, 376, 377, 384, 385,
    395, 411, 425, 428, 432, 439, 440, 442, 443, 453, 458, 465,
    470, 471, 472, 473, 476, 484, 485, 487, 497, 500, 508, 512,
    514, 517, 521, 522, 530, 532, 534, 543, 544, 90, 148, 149,
    162, 178, 179, 204, 214, 281, 319, 378, 394, 408, 495), variable = structure(c(1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
    1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L,
    3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L,
    3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L,
    3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L,
    3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L,
    4L, 4L, 4L), .Label = c("3", "1", "2", "4"), class = "factor"),
    value = c(100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 50L, 50L, 100L, 100L, 100L, 100L, 100L, 100L, 50L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 50L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 50L, 100L, 100L,
    100L, 50L, 100L, 50L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 50L, 100L, 100L, 100L, 100L, 100L,
    50L, 100L, 100L, 50L, 100L, 50L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 50L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 50L, 100L, 50L,
    100L, 100L, 100L, 100L, 50L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 50L, 100L, 50L, 100L, 100L,
    100L, 100L, 100L, 50L, 100L, 50L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 33L, 50L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 50L, 100L, 50L, 100L, 50L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 50L, 100L, 100L,
    50L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    50L, 100L, 50L, 100L, 50L, 100L, 100L, 100L, 100L, 50L, 100L,
    100L, 100L, 100L, 100L, 50L, 100L, 100L, 50L, 100L, 100L,
    100L, 100L, 100L, 50L, 50L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 50L, 100L, 100L, 100L, 50L,
    100L, 100L, 100L, 50L, 100L, 50L, 100L, 100L, 50L, 100L,
    50L, 100L, 100L, 100L, 50L, 50L, 100L, 100L, 100L, 33L, 100L,
    100L, 100L, 100L, 100L, 33L, 100L, 100L, 100L, 100L, 100L,
    100L, 50L, 50L, 100L, 100L, 100L, 50L, 100L, 50L, 100L, 100L,
    100L, 50L, 100L, 100L, 50L, 100L, 100L, 100L, 100L, 100L,
    50L, 50L, 50L, 100L, 100L, 100L, 100L, 50L, 100L, 100L, 100L,
    33L, 100L, 100L, 100L, 50L, 100L, 100L, 100L, 33L, 100L,
    100L, 100L, 100L, 100L, 100L, 50L, 50L, 100L, 100L, 50L,
    100L, 100L, 100L, 100L, 100L, 50L, 100L, 100L, 100L, 50L,
    100L, 50L, 50L, 100L, 50L, 50L, 50L, 100L, 50L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 50L, 100L, 100L,
    50L, 100L, 50L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 50L, 50L,
    100L, 100L, 100L, 100L, 100L, 100L, 50L, 100L, 100L, 100L,
    100L, 100L, 100L, 50L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 33L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 50L, 100L, 100L, 100L, 100L, 100L, 50L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 50L,
    100L, 100L, 50L, 100L, 100L, 100L, 100L, 50L, 100L, 100L,
    100L, 50L, 100L, 100L, 100L, 100L, 100L, 50L, 100L, 100L,
    50L, 100L, 50L, 100L, 100L, 50L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 50L, 100L, 100L, 50L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 50L, 50L, 50L,
    100L, 100L, 50L, 100L, 100L, 50L, 100L, 100L, 50L, 50L, 100L,
    100L, 50L, 100L, 50L, 100L, 100L, 50L, 50L, 50L, 50L, 50L,
    100L, 50L, 50L, 33L, 100L, 100L, 100L, 100L, 33L, 100L, 50L,
    100L, 50L, 50L, 100L, 50L, 50L, 100L, 100L, 50L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 50L, 50L, 50L,
    50L, 50L, 100L, 33L, 100L, 100L, 50L, 33L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 50L, 50L, 100L, 100L, 100L,
    100L, 50L, 33L, 50L, 50L, 50L, 50L, 100L, 100L, 100L, 100L,
    100L, 50L, 100L, 50L, 50L, 100L, 100L, 50L, 50L, 50L, 100L,
    33L, 33L, 50L, 100L, 50L, 100L, 50L, 100L, 100L, 100L, 100L,
    50L, 100L, 100L, 50L, 100L, 100L, 100L, 100L, 33L, 100L,
    100L, 33L, 100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L,
    100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L)), row.names = c(1L,
3L, 5L, 6L, 7L, 9L, 10L, 11L, 12L, 14L, 15L, 16L, 17L, 18L, 21L,
22L, 23L, 24L, 25L, 31L, 32L, 33L, 34L, 35L, 36L, 38L, 39L, 40L,
41L, 42L, 43L, 44L, 46L, 47L, 48L, 49L, 50L, 51L, 52L, 53L, 54L,
55L, 56L, 57L, 59L, 60L, 61L, 62L, 63L, 64L, 65L, 66L, 67L, 68L,
69L, 70L, 71L, 72L, 73L, 75L, 76L, 78L, 79L, 81L, 82L, 83L, 84L,
86L, 87L, 88L, 89L, 91L, 92L, 93L, 94L, 95L, 96L, 97L, 98L, 99L,
100L, 101L, 103L, 104L, 105L, 107L, 108L, 110L, 111L, 113L, 114L,
116L, 117L, 118L, 120L, 121L, 122L, 123L, 124L, 125L, 126L, 127L,
130L, 131L, 135L, 136L, 138L, 139L, 140L, 141L, 142L, 143L, 144L,
145L, 150L, 152L, 153L, 154L, 155L, 156L, 157L, 158L, 159L, 160L,
161L, 164L, 165L, 167L, 169L, 171L, 172L, 174L, 176L, 177L, 180L,
181L, 182L, 183L, 184L, 185L, 188L, 189L, 190L, 191L, 192L, 193L,
194L, 195L, 197L, 199L, 200L, 201L, 206L, 211L, 212L, 213L, 217L,
222L, 223L, 224L, 225L, 226L, 230L, 234L, 237L, 240L, 242L, 244L,
245L, 247L, 249L, 250L, 251L, 254L, 255L, 257L, 260L, 263L, 266L,
267L, 268L, 269L, 271L, 275L, 277L, 278L, 280L, 282L, 289L, 290L,
294L, 295L, 296L, 297L, 299L, 302L, 303L, 308L, 309L, 310L, 311L,
312L, 314L, 315L, 316L, 317L, 318L, 322L, 323L, 326L, 330L, 334L,
336L, 337L, 340L, 342L, 343L, 344L, 347L, 349L, 350L, 351L, 358L,
360L, 361L, 362L, 365L, 366L, 368L, 371L, 374L, 381L, 383L, 386L,
388L, 389L, 390L, 392L, 393L, 397L, 398L, 399L, 400L, 401L, 403L,
405L, 407L, 409L, 410L, 412L, 413L, 415L, 417L, 418L, 420L, 423L,
424L, 426L, 427L, 429L, 430L, 431L, 433L, 434L, 435L, 436L, 437L,
441L, 443L, 445L, 446L, 447L, 450L, 452L, 453L, 454L, 455L, 456L,
459L, 461L, 462L, 463L, 464L, 466L, 467L, 469L, 472L, 474L, 475L,
477L, 478L, 481L, 482L, 483L, 486L, 487L, 492L, 493L, 496L, 503L,
504L, 505L, 506L, 507L, 509L, 510L, 511L, 513L, 515L, 516L, 519L,
520L, 522L, 524L, 525L, 527L, 528L, 529L, 531L, 533L, 534L, 537L,
538L, 547L, 549L, 553L, 558L, 559L, 560L, 564L, 565L, 569L, 571L,
572L, 573L, 574L, 575L, 583L, 590L, 603L, 619L, 620L, 622L, 623L,
625L, 630L, 637L, 643L, 646L, 647L, 649L, 651L, 654L, 657L, 660L,
664L, 673L, 674L, 677L, 682L, 687L, 692L, 696L, 709L, 711L, 712L,
713L, 715L, 718L, 720L, 731L, 732L, 741L, 743L, 747L, 748L, 750L,
752L, 753L, 754L, 755L, 756L, 758L, 760L, 761L, 763L, 764L, 765L,
766L, 771L, 772L, 773L, 774L, 776L, 777L, 778L, 779L, 780L, 781L,
783L, 784L, 786L, 788L, 791L, 793L, 795L, 797L, 798L, 801L, 803L,
804L, 806L, 807L, 809L, 810L, 813L, 815L, 817L, 818L, 819L, 821L,
822L, 824L, 828L, 829L, 830L, 831L, 832L, 833L, 836L, 837L, 838L,
843L, 845L, 846L, 847L, 849L, 850L, 851L, 852L, 854L, 858L, 865L,
866L, 868L, 869L, 870L, 872L, 873L, 874L, 875L, 876L, 877L, 878L,
880L, 881L, 883L, 884L, 889L, 890L, 891L, 893L, 897L, 898L, 899L,
900L, 901L, 905L, 908L, 909L, 910L, 912L, 914L, 915L, 917L, 918L,
920L, 924L, 925L, 927L, 928L, 929L, 931L, 932L, 936L, 940L, 941L,
947L, 948L, 949L, 951L, 955L, 956L, 959L, 961L, 962L, 964L, 965L,
966L, 967L, 971L, 974L, 977L, 979L, 980L, 983L, 984L, 985L, 988L,
989L, 993L, 994L, 996L, 998L, 1002L, 1003L, 1005L, 1008L, 1009L,
1013L, 1015L, 1020L, 1024L, 1025L, 1027L, 1033L, 1034L, 1035L,
1036L, 1039L, 1043L, 1044L, 1046L, 1047L, 1050L, 1051L, 1052L,
1053L, 1060L, 1063L, 1067L, 1068L, 1071L, 1073L, 1079L, 1080L,
1081L, 1084L, 1085L, 1086L, 1087L, 1090L, 1127L, 1160L, 1170L,
1223L, 1224L, 1236L, 1253L, 1266L, 1340L, 1341L, 1361L, 1388L,
1423L, 1431L, 1447L, 1449L, 1466L, 1467L, 1474L, 1475L, 1485L,
1501L, 1515L, 1518L, 1522L, 1529L, 1530L, 1532L, 1533L, 1543L,
1548L, 1555L, 1560L, 1561L, 1562L, 1563L, 1566L, 1574L, 1575L,
1577L, 1587L, 1590L, 1598L, 1602L, 1604L, 1607L, 1611L, 1612L,
1620L, 1622L, 1624L, 1633L, 1634L, 1725L, 1783L, 1784L, 1797L,
1813L, 1814L, 1839L, 1849L, 1916L, 1954L, 2013L, 2029L, 2043L,
2130L), class = "data.frame")

Merci !

J'ai tenté deux formules . J'hésite entre deux formulations  

Code:

(1) aov2 <- aov(cbind(value,variable)  ~ Zone + Id , data=DF) : expliquer la 'value' de 'variable' en fonction de 'Zone' et 'Id'
(2) aov2 <- aov(value ~ Zone * variable * Id, data=DF) : Expliquer 'value' en fonction de 'Zone' , 'variable' et 'Id)

Qu'en pensez vous, vu la problématique ? Merci infinement par avance, pour votre aide.

Si je comprends ton problème, Id est un identificateur de l'expérience qui définit son type, dans tes données sous forme d'un chiffre avec comme caractéristiques :
- entre 1 et 3 expériences du même type peuvent être conduites dans la même zone,
- un type donné d'expérience ne peut être conduit que dans une zone donnée

Donc :
1) Id est un facteur et non une variable numérique
2) il n'existe pas d'effet Id, éventuellement un effet Id à l'intérieur de Zone (facteur emboîté) [formule en R : ~ Zone/Id]
3) vu le nombre de répétitions de la même expérience, il est illusoire de vouloir faire des statistiques concernant le type d'expérience, c'est-à-dire considérant l'expérience comme un facteur fixe ; c'est au mieux un facteur de regroupement permettant d'étudier un effet Zone et un effet variable
4) l'interaction entre Zone et variable n'est pas possible à étudier puisqu'il y a des zones n'ayant pas de variables de type 2 ou 4.

Donc, aucune de tes deux formulations sont valides, la première considère de plus des variables de type différents (numériques et étiquettes) comme variable dépendantes, considérer l'étiquette variable comme un nombre comme tu le fais dans ta première formulation est formellement erroné. Au mieux la formulation serait

Code:

aov( value ~ Zone + variable + Error( Id), data=DF)

Cependant, 13 des 14 effets de la strate 1 (Id) ne sont pas estimables et la strate 2 (within) n'est pas équilibrée d'où :
a) abandonner l'idée de tester les expériences c'est-à-dire utiliser la formule value ~ Zone + variable
b) utiliser la fonction Anova du package car et plutôt lm que aov.

Bonjour,

Merci pour ce retour , j'essai d'éclaircir d'avantage le déroulement des expériences et m'assurer que c'est clair:

Code:

Si je comprends ton problème, Id est un identificateur de l'expérience qui définit son type, dans tes données sous forme d'un chiffre avec comme caractéristiques :
- entre 1 et 3 expériences du même type peuvent être conduites dans la même zone,
- un type donné d'expérience ne peut être conduit que dans une zone donnée

Pour faire plus simple : 'Id' est une personne interrogée, tout le monde est interrogé de la même manière
'Zone' : Zone de questionnement, on en a 12
Chaque personne exprime un ou plusieurs comportement 'variable' de 1:4 qui peuvent être combiné, c'est pour cela que j'ai pondérée. Donc je peux avoir deux ligne de Id si une personne a combiné deux comportements avec des value de '50'
Le but est donc d'étudier la variabilité de ces comportements 'variable' entre les zones
J'ai un doute sur le fait qu'il va falloir restructurer le dataset comme suit ? et étudier les comportement un par un,  ou y'at-il une autre alternative ?

Code:

Zone       Id   variable1  variable2 variable3    
   1       1        0           0      50
   1       1        0           50     0
   5       5        0           0      100

Merci encore,
Lenny

'Id' est une personne interrogée, tout le monde est interrogé de la même manière

Id est donc l'identification de la personne, c'est-à-dire que par nature c'est un facteur même si Id est exprimé sous forme de nombre. Je rappelle qu'on parle bien de numéro de Sécurité sociale mais qu'il ne viendrait à l'idée de personne de considérer cela comme un nombre.

Je n'avais pas regardé de près la variable value. Elle ne prend que 3 valeurs donc si je comprends bien elle est une variable synthétique pondérée de différents comportements. Est-ce cela que tu veux modéliser par ta proposition de restructuration ? Ces valeurs sont-elles des scores, c'est-à-dire, en d'autres mots, représentent-elles un certain degré de réussite dans le cadre de ce comportement ? Si oui, est-ce que cela à un sens de la quantifier (considérer cette valeur comme quantitative) ou est-ce seulement un qualificatif ?

Ton objectif est-il d'étudier ta variable synthétique variable avec le problème d'étudier cette variabilité en fonction de sa signification, c'est-à-dire de l'interprétation de la variable value et de la pondération ou d'étudier la variabilité de la variable value (facteur à trois niveaux) en fonction de la zone et du comportement ?

Enfin, quelque soit les réponses aux questions ci-dessus, ta variable dépendante d'intérêt est un facteur à 3 ou 4 niveaux. Il faut donc utiliser une régression logistique multinomiale. Voir par exemple https://stats.idre.ucla.edu/r/dae/multinomial-logistic-regression/ ou https://www.researchgate.net/profile/David_Booth14/post/Which_is_the_best_analytical_technique_when_the_Independent_Variables_are_a_combination_of_Categorical_Numerical_and_DV_is_non-binary_categorical/attachment/59d62dc479197b807798c05c/AS%3A351681519865858%401460858816470/download/MultinomialLogitWithR.pdf

Code:

Ces valeurs sont-elles des scores, c'est-à-dire, en d'autres mots, représentent-elles un certain degré de réussite dans le cadre de ce comportement ? Si oui, est-ce que cela à un sens de la quantifier (considérer cette valeur comme quantitative) ou est-ce seulement un qualificatif ?

J'avoue que les quantités dans value n'ont pas un grand sens. Mais cela a pour but seulement de dire que s'il y a combinaison de comportement, il ne s'agit pas d'un autre individu (car dans ce cas là, on va avoir un nombre N d’expérience plus grand qu'en réalité). Je crois que seulement Id est suffisant. Il faudrait juste exprimer l’occurrence du comportement en binaire dans ce cas là ? (je crois que je retombe dans le GLM encore une fois).

Encore une fois, à la base mon but était d'abourtir à quelque chose comme la distribution des comportements n'est pas homogène d'une zone à une autre. donc un groupe de 4 comportements expliqué par zone. La limite entre l'ANOVA et la regression est encore assez flou pour moi (j'essai toujours de lire à propos de cela sur le net)

Merci,
Lenny

Il faudrait juste exprimer l’occurrence du comportement en binaire dans ce cas là ? (je crois que je retombe dans le GLM encore une fois).

En effet. De ce que je comprend on a une variable dépendante occurrence avec comme valeurs oui/non ou 1/0, une variable comportement qui est l'identificateur du comportement, une variable Zone qui est la zone testée et une variable Id qui identifie le sujet testé. Toutes ces variables sont des facteurs. Un sujet appartient obligatoirement à une zone si j'ai bien compris donc Id est un facteur emboité dans Zone. Deux façons de traiter ce cas de figure :
i) considérer Id comme un facteur fixe et on a alors Zone/Id dans la formule
ii) considérer Id comme un facteur aléatoire.

Le première solution est la moins bonne car elle multiplie inutilement le nombre de degrés de liberté et diminue alors la robustesse de l'analyse. De plus, le sujet n'a pas vraiment d'intérêt dans l'analyse car, sauf erreur de ma part, les sujets choisis sont des échantillons de la population des zones. Donc la seconde solution est la meilleure.

Vu la question, la formule doit permettre d'estimer l'interaction entre la zone et le comportement.

Comme la variable dépendante est binaire, il faut alors utiliser une régression logistique.

La solution que je préconise est alors

Code:

library( lme4)
res <- glmer( occurrence  ~ comportement * Zone + (1 | Id), family=binomial, data=...)

Merci pour ces informations. ça ce démêle petit à petit.

J'obtiens la forme suivante de DF : J'ai tout mis dans le fichier txt en pj car trop la longueur du message dépasse la limite autorisée.

J'ai un probleme avec (1 | Id)

Code:

attach(DF)
> anova(glm(Occurrence ~ Comportement * Zone + (1 | Id), family=binomial),test="Chisq")
Error in 1 | Id :
  ces opérations ne sont possibles que pour des types numériques, logiques ou complexes


Et si j’exécute sans, je n'ai pas d'effet significatif pour zone mais un effet d'interaction :

Code:

> anova(glm(Occurrence ~ Comportement * Zone , family=binomial),test="Chisq")
Analysis of Deviance Table

Model: binomial, link: logit

Response: Occurrence

Terms added sequentially (first to last)


                  Df Deviance Resid. Df Resid. Dev Pr(>Chi)    
NULL                               2179     2601.3            
Comportement       3   645.20      2176     1956.2   <2e-16 ***
Zone              11     3.51      2165     1952.7   0.9822    
Comportement:Zone 33   168.90      2132     1783.7   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Je crois bien que je me plante quelque part..

Nb: est-ce toujours possible d'utiliser la fonction glm() comme je l'ai fais au lieu de glmer ?

L'écriture + (1 | Id) permet de définir la partie facteurs aléatoires du modèle. Pour que cela fonctionne il faut alors utiliser une procédure traitant les modèles mixtes, c'est-à-dire glmer (voir le code que je t'ai fourni). Cela ne fonctionne pas avec glm qui ne traite que les modèles fixes.

Très bien merci, voici ce que j'obtiens : Ce qui m'intrigue c'est que les zone 1 et comportement 1n'y figure pas.
Comment interpréter les p-value significatif dans ce type d'analyse ?

Code:

Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod']
 Family: binomial  ( logit )
Formula: Occurrence ~ Comportement * Zone + (1 | Id)
   Data: DF

     AIC      BIC   logLik deviance df.resid
  1881.7   2160.4   -891.9   1783.7     2131

Scaled residuals:
    Min      1Q  Median      3Q     Max
-2.6771 -0.4822 -0.1741  0.6009  6.9285

Random effects:
 Groups Name        Variance  Std.Dev.
 Id     (Intercept) 3.976e-10 1.994e-05
Number of obs: 2180, groups:  Id, 545

Fixed effects:
                       Estimate Std. Error z value Pr(>|z|)    
(Intercept)          -7.239e-01  3.046e-01  -2.376  0.01749 *  
Comportement2        -3.147e+00  1.055e+00  -2.982  0.00286 **
Comportement3         1.742e+00  4.444e-01   3.921 8.83e-05 ***
Comportement4        -1.781e+01  1.509e+03  -0.012  0.99059    
Zone10                9.529e-02  4.343e-01   0.219  0.82634    
Zone11                5.698e-01  4.976e-01   1.145  0.25216    
Zone12                3.672e-01  4.629e-01   0.793  0.42754    
Zone2                -7.678e-01  4.784e-01  -1.605  0.10856    
Zone3                -4.340e-03  4.458e-01  -0.010  0.99223    
Zone4                -7.347e-01  4.648e-01  -1.581  0.11396    
Zone5                 1.194e+00  4.172e-01   2.862  0.00421 **
Zone6                 1.060e+00  4.225e-01   2.510  0.01208 *  
Zone7                 9.287e-01  4.187e-01   2.218  0.02655 *  
Zone8                 1.247e+00  4.386e-01   2.844  0.00446 **
Zone9                 5.347e-01  4.110e-01   1.301  0.19335    
Comportement2:Zone10  2.362e+00  1.161e+00   2.035  0.04186 *  
Comportement3:Zone10 -3.879e-01  6.263e-01  -0.619  0.53567    
Comportement4:Zone10 -4.266e+00  1.262e+04   0.000  0.99973    
Comportement2:Zone11  2.832e+00  1.196e+00   2.367  0.01793 *  
Comportement3:Zone11 -1.898e+00  7.140e-01  -2.659  0.00784 **
Comportement4:Zone11 -3.564e+00  9.379e+03   0.000  0.99970    
Comportement2:Zone12  1.964e+00  1.199e+00   1.638  0.10147    
Comportement3:Zone12 -1.268e+00  6.611e-01  -1.918  0.05509 .  
Comportement4:Zone12  1.467e+01  1.509e+03   0.010  0.99225    
Comportement2:Zone2   1.482e+00  1.331e+00   1.114  0.26543    
Comportement3:Zone2   1.719e+00  7.236e-01   2.375  0.01754 *  
Comportement4:Zone2   1.543e+01  1.509e+03   0.010  0.99184    
Comportement2:Zone3   8.552e-01  1.321e+00   0.648  0.51725    
Comportement3:Zone3  -1.780e-01  6.432e-01  -0.277  0.78200    
Comportement4:Zone3  -4.789e+00  1.777e+04   0.000  0.99978    
Comportement2:Zone4   1.793e+00  1.261e+00   1.421  0.15517    
Comportement3:Zone4   6.457e-01  6.432e-01   1.004  0.31546    
Comportement4:Zone4   1.700e+01  1.509e+03   0.011  0.99101    
Comportement2:Zone5  -2.194e+01  3.081e+04  -0.001  0.99943    
Comportement3:Zone5  -2.523e+00  5.979e-01  -4.219 2.46e-05 ***
Comportement4:Zone5   1.412e+01  1.509e+03   0.009  0.99254    
Comportement2:Zone6   1.029e-01  1.247e+00   0.083  0.93424    
Comportement3:Zone6  -2.246e+00  6.059e-01  -3.707  0.00021 ***
Comportement4:Zone6   1.362e+01  1.509e+03   0.009  0.99280    
Comportement2:Zone7  -2.144e-01  1.311e+00  -0.164  0.87006    
Comportement3:Zone7  -1.825e+00  6.016e-01  -3.033  0.00242 **
Comportement4:Zone7   1.373e+01  1.509e+03   0.009  0.99274    
Comportement2:Zone8   5.960e-01  1.200e+00   0.497  0.61937    
Comportement3:Zone8  -2.594e+00  6.266e-01  -4.140 3.47e-05 ***
Comportement4:Zone8  -5.301e+00  1.233e+04   0.000  0.99966    
Comportement2:Zone9   1.878e+00  1.146e+00   1.639  0.10124    
Comportement3:Zone9  -1.440e+00  5.911e-01  -2.436  0.01485 *  
Comportement4:Zone9   1.518e+01  1.509e+03   0.010  0.99197    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation matrix not shown by default, as p = 48 > 12.
Use print(x, correlation=TRUE)  or
         vcov(x)         if you need it

convergence code: 0
unable to evaluate scaled gradient
 Hessian is numerically singular: parameters are not uniquely determined

Warning messages:
1: In vcov.merMod(object, use.hessian = use.hessian) :
  variance-covariance matrix computed from finite-difference Hessian is
not positive definite or contains NA values: falling back to var-cov estimated from RX
2: In vcov.merMod(object, correlation = correlation, sigm = sig) :
  variance-covariance matrix computed from finite-difference Hessian is
not positive definite or contains NA values: falling back to var-cov estimated from RX


Il n'y a rien d'intrigant dans le résultat car ce qui est affiché est l'estimation des coefficients calculés par la procédure (et ceci est vrai pour out résultat obtenu par la fonction summary appliquée à n'importe quel procédure telle que lm, glm, gls, nlm, nlme...) Les coefficients calculés proviennent des contrastes utilisés et ne sont pas les paramètres associés à chacun des niveaux d'un facteur ou chaque combinaison d'une interaction, mais des combinaisons linéaires de ces paramètres. Le nombre de paramètres estimables est le nombre de degrés de liberté de l'estimation. Si c'est une Anova à un facteur et que ce facteur a N niveaux, alors il y a N-1 paramètres à estimer. En effet, puisque la moyenne des paramètres vaut la moyenne de la variable dépendante (grande moyenne), la connaissance de N-1 valeurs suffit pour estimer les N valeurs.

Par défaut, R utilise le contraste dit contraste traitement (contr.traetment) et le paramètre estimé pour le niveau M > 1 est alors la différence entre le paramètre pour ce niveau et celui du premier niveau du facteur. Il existe d'autres contrastes qu'on peut choisir soit en modifiant les options par défaut (cf. options), soit par l'argument contrasts de la procédure.

Pour obtenir les coefficients et faire des tests post-hoc, il faut utiliser les procédures des packages multcomp ou emmeans. Cependant, il y a un problème, ce que dit le Warning. Il peut être dû au fait que certaines combinaisons (Zone, comportement) n'existent pas ou sont en nombre trop faible (e.g., 0 ou 1) ou que certains sujets ne sont associés qu'à trop peu d’occurrences de certaines combinaisons (e.g., 1)