Lors de leur mise en incubateur, 45 oeufs de poules ont été répartis de façon aléatoire en trois lots de 15. Trois traitements (températures d’incubation différentes) ont ensuite été appliqués aux différents lots. Nous supposons qu’après éclosion, les poussins ont tous été élevés dans des conditions identiques, puis pesés à un même âge de référence. À ce moment, le sexe des poussins, dont on sait a priori qu’il induit de fortes différences de poids, pouvait aussi être observé. La modalité 1 (respectif 2) de la variable Sexe correspond à Male (respetivement Femelle).
L’objectif est de choisir le traitement qui maximise le poids des poussins.
Les données sont disponibles dans le fichier poussin.txt.
Importer les données. La colonne Rdt indique le gain de poids entre la naissance et le jour de pesée.
Proposer un graphique permettant de visualiser un potentiel effet Sexe d’une part, puis un potentiel effet Traitement.
Qu’est ce que le code ci-dessous permet de visualiser ?
poussins_dta %>%
group_by(Sexe, Trait) %>%
summarise(Rdt_groupe = mean(Rdt)) %>%
ggplot() +
aes(x = Trait, y = Rdt_groupe, color = Sexe) +
geom_line(aes(group = Sexe)) +
geom_point()Préciser les différents effets qui peuvent être pris en compte dans un modèle.
Construire le modèle complet
Y a t il un effet du sexe ou du traitement ?
L’effet du traitement est il le même pour les deux sexes ?
Quel traitement préconisez vous ?
Que pouvez-vous conseiller comme traitement pour les éleveurs ? Est-ce en adéquation avec les moyennes des rendements par traitement ? Si ce n’est pas le cas, expliquer le paradoxe.
Analyse de la variance à 2 facteurs
Comparaison des niveaux d’un facteur
Test d’égalité d’un coefficient à une valeur