Chapitre 1. Introduction etexemples
Objectifs de l’analyse de réseaux d’expérimentationset de la méta-analyse
Données
Le type de données
La collecte des données
La validation des données
Analyse
Principales étapes
Présentation des hypothèses testées
Collecte des données
Validation des données
Analyse des données
Validation de l’analyse
Communication des résultats
Objectif de l’ouvrage
Un exemple simple de modèle mixte
Définition
Données
Définition du modèle
Estimation
Comparaison avec le modèle sans effetaléatoire
Références
Partie I. Analyse des réseauxexpérimentaux
Chapitre 2. Notions de base
Expérimentation agronomique
Réseau d’expérimentations
Définition
Exemple de réseau d’expérimentations
Notion d’environnement
Objectifs d’un réseau d’expérimentations
Notion de population d’environnements
Notion d’interaction
Références
Chapitre 3. Analyse d’un réseaud’expérimentations en blocs
aléatoires complets à unfacteur étudié
Objectif du chapitre
Exemple « blé »
Modélisation
Modèle avec un effet expérimentationaléatoire
Modèle avec un effet expérimentation fixe
Exemple
Comment choisir entre un modèle avec un effetexpérimentation fixe et un modèle avec un effet expérimentation aléatoire ?
Évaluation du modèle
Normalité
Homoscédasticité
Indépendance
Données suspectes
Comparaisons de moyennes
Tests d’hypothèse : tests d’égalité
Intervalles de confiance
Tests d’hypothèse : tests d’équivalence
Exemple
Exemple « blé » : script R et analysecommentée
Références
Chapitre 4. Méthodes avancéespour l’analyse des réseaux
Analyse des données moyennes
Étape 1 : analyse des expérimentationsindividuelles pour estimer les moyennes des traitements
Étape 2 : analyse des données moyennes
Exemple
Une variante : analyse des données moyennesavec un modèle fixe
Estimation de la variance d’interactiontraitement-expérimentation
Script R
Expérimentations avec variances hétérogènes
Introduction
Exemple « blé »
Pour aller plus loin
Données manquantes
Origine des données manquantes
Moyennes ajustées
Les facteurs lieu et année
Objectif
Exemple « blé_pluri »
Modèle pour l’analyse des données moyennes
Estimation de la variance de l’interactiontraitement-année-lieu
Variance de la différence entre deuxtraitements
Analyse de l’exemple « blé_pluri » et scriptR
Références
Chapitre 5. Planification d’unréseau d’expérimentations
Objectif
Comparaison de deux traitements
Cas d’un réseau multilocal
Cas d’un réseau multilocal et pluriannuel
Autres contrastes
Comparaison à la moyenne de plusieurs témoins
Comparaison à la moyenne générale
Références
Partie II. La méta-analyse
Chapitre 6. Notions de basepour la méta-analyse
Définition, origine et principales étapes dela méta-analyse
Estimation d’une taille d’effet moyenne
Objectif
Recherche systématique des études, sélectiondes références et extraction de données
Estimation de la taille d’effet moyenne avecun modèle sans effet aléatoire
Estimation de la taille d’effet moyenne avecun modèle à effets aléatoires
Métarégression
Objectif
Exemple
Modèles de régression avec et sans effetaléatoire
Exemple (suite)
Analyse critique des résultats
Références
Chapitre 7. Problèmesstatistiques spécifiques pour la méta-analyse
Définition de la taille d’effet
Correction des biais liés à l’utilisation deratios
Différence entre moyennes d’observations
Tailles d’effet pour les données binaires
Coefficient de corrélation
Tailles d’effet basées sur la variance
Modèles linéaires généralisés pour l’analysede données discrètes
Modèle binomial logit à effets aléatoirespour analyser l’effet d’un traitement
Exemple
Modèles non linéaires mixtes
Intérêt et définition
Exemple
Modèles bayésiens
Définition
Exemple : méta-analyse avec MCMCglmm
Références
Annexe. Ressources R pourmettre en oeuvre les méthodes d’analyse
des réseaux et de méta-analyse
Package KenSyn : code R et jeux de donnéesdes exemples présentés dans
les différents chapitres
Installation
Contenu et utilisation
Mettre en oeuvre le modèle mixte sous R
Ajuster un modèle mixte
Manipuler les résultats des modèles mixtessous R
Le package metafor, dédié à la réalisation deméta-analyses sous R
Approche bayésienne avec le modèle mixte
Package MCMCglmm
Package coda
Références
