Les trois principes de la planification expérimentale :
Un plan d'expérience définit : le champ d'expérience, les unités expérimentales et leur nombre, le mode de
regroupement de celles-ci (s'il y a lieu) et l'affectation des traitements aux unités.
Pour assurer la validité de l'analyse statistique, trois principes doivent impérativement être appliqués :
1. Randomisation : l'allocation des traitements aux unités doit être faite par un tirage aléatoire,
2. Répétitions : chaque traitement doit être affecté à plusieurs unités, afin de pouvoir estimer une erreur
expérimentale,
3. Contrôle de l'erreur : il faut réduire la part non contrôlée de l'expérience, donc diminuer l'erreur
expérimentale.
On a vu ce qu'est l'erreur technique. Mais il existe une autre source d'erreur. On appelle erreur unitaire l'erreur
due à l'hétérogénéité des unités expérimentales, appelée aussi erreur d'hétérogénéité.
On l'appelle aussi erreur de randomisation, car c'est la randomisation qui en fait une variable aléatoire dont on
peut étudier la distribution. On appelle erreur expérimentale ou erreur résiduelle la somme de l'erreur unitaire
et de l'erreur technique.
Dispositifs expérimentaux
Un dispositif expérimental est un ensemble des parcelles (ou unités expérimentales) dont la répartition
particulière et caractéristique permet d’étudier un ou plusieurs facteurs.
Le dispositif expérimental doit assurer que les suppositions nécessaires à l'analyse statistique sont réalisées et
permettre une bonne précision des résultats, en spécifiant la manière d'affecter les traitements aux unités
expérimentales.
L’objectif du dispositif expérimental est d’obtenir un essai d’une puissance maximale, d’une interprétation
simple et permettant raisonnablement d’attribuer la causalité des phénomènes observés
Le choix d’un dispositif expérimental est fonction de trois critères ; le nombre de facteurs étudiés, le nombre
de gradients d’hétérogénéité (potentiels ou réels) et les contraintes liées à l’expérimentation (mise en place,
conduite, observations…). Sur la base de ces trois critères nous avons :
1 facteur étudié + aucun gradient d’hétérogénéité = dispositif en randomisation totale
1 facteur étudié + 1 gradient d’hétérogénéité = dispositif en blocs aléatoires complets.
1 facteur étudié + 2 gradients d’hétérogénéités = dispositif en carré latin.
2 facteurs étudiés + 1 gradient d’hétérogénéité = dispositif en factoriel bloc.
2 facteurs étudiés + 1 gradient d’hétérogénéité + 1 contrainte expérimentale = dispositif en split-plot
2 facteurs étudiés + 1 gradient d’hétérogénéité + des contraintes expérimentales = dispositif en criss-cross.
1
Dans ce qui suit nous allons développer les dispositifs les plus utilisés en agronomie à savoir, le dispositif en
randomisation totale, le dispositif en blocs aléatoires complets, le dispositif en Carré latin et le dispositif en
split plot.
Dispositif en randomisation totale
Ce type de dispositif est utilisé pour les essais à un seul facteur et dans les terrains assez homogènes.
L’affectation des traitements se fait par tirage au sort complètement aléatoire.
Le même traitement peut apparaître plus d’une fois dans la même ligne et dans la même colonne.
La seule condition est que le même traitement ne peut pas apparaître dans des parcelles voisines.
Exemple : Pour comparer 4 traitements T1, T2, T3 et T4 à 4 répétitions, l’essai comporte 16 parcelles.
Dispositifs en blocs aléatoires complets
Ce dispositif est composé de plusieurs blocs et chaque bloc est constitué de plusieurs parcelles. Il est appliqué
dans le cas d’essai à un facteur dans des terrains hétérogènes avec la présence d’un gradient de fertilité (pente,
cours d’eau, drains, brises vents etc…). Les blocs doivent être allongés perpendiculairement au sens du
gradient et les parcelles dans le même sens de ce même gradient de fertilité.
Chaque bloc doit comporter l’ensemble des traitements et le même traitement peut apparaître plus d’une fois
dans la même colonne MAIS ne peut pas apparaitre deux fois dans la même ligne.
Exemple : Pour un essai sur 1 facteurs à 4 niveaux et 4 répétitions nous avons 4 blocs et dans chaque bloc, les
différents traitements sont affectés par tirage au sort sur un nombre total des parcelles = 4.
2
Le bloc aléatoire complet peut être d’un seul tenant ou séparé suivant les conditions du terrain.
Dispositif en Carré latin
Ce dispositif à un seul facteur est recommandé lorsqu’un terrain est très hétérogène, soit un gradient de
fertilité est présent dans deux direction perpendiculaires.
C’est un Carré où existent autant de répétitions que de traitements et autant de lignes que de colonnes
comporte plusieurs blocs.
Le même traitement figure une seule fois dans chaque colonne et dans chaque ligne.
Exemple : Pour un essai sur 1 facteurs à 4 niveaux et 4 répétitions nous avons le carré suivants de 16 parcelles,
les différents traitements sont affectés par tirage au sort sur un nombre total des parcelles = 4.
3
Dispositif en Split-plot
C’est un dispositif en parcelles subdivisées qui s’applique dans le cas d’une expérience comportant deux
facteurs.
Un Split plot se réalise de la manière suivante :
• Déterminer le facteur principal et le facteur secondaire ;
• Constituer un plan en Blocs complets qu’on appelle « les grandes parcelles » ou « les parcelle
principales ». Les modalités du facteur principal sont randomisées dans ces grandes parcelles ;
• Subdiviser les grandes parcelles en autant de petites parcelles définitives qu’il y a des modalités du
facteur secondaire ;
• Randomiser les traitements du deuxième facteur par unité indépendamment du premier.
Exemple : Pour un essai portant sur 2 facteurs et 3 répétitions, soit :
X est le facteur principal avec trois modalités X1, X2, X3
Y est le facteur secondaire avec 4 niveaux Y1, Y2, Y3, Y4
Le dispositif se réalise en deux étapes comme suit :
1/ La préparation des parcelles relatives au facteur principal (X) et l’affectation des modalités du premier
facteur pour les trois répétitions par tirage au sort :
4
La division des parcelles principales en sous parcelles et l’affectation des objets du facteur secondaire (Y)
indépendamment du facteur principal par tirage au sort comme présenté ci-dessous
Analyse statistique et interprétation
Toute analyse statistique doit être abordée par un test de normalité et suivant le résultat de ce test nous
choisissons le mode d’analyse. Dans le cas où les résultats suivent une loi normale, il faut procéder à l’analyse
statistique par des tests paramétriques. Pour le cas inverse, soit des résultats qui ne suivent pas la loi normale
il faut faire appel aux tests non paramétriques.
Quelle est la différence entre un test paramétrique et un test non-paramétrique ?
Les tests paramétriques se basent sur des distributions statistiques supposées dans les données. Par
conséquent, certaines conditions de validité doivent être vérifiées pour que le résultat d’un test paramétrique
soit fiable. Par exemple, le test t de Student pour échantillons indépendants n’est fiable que si les données
associées à chaque échantillon suivent une distribution normale et si les variances des échantillons sont
homogènes.
Les tests non-paramétriques ne se basent pas sur des distributions statistiques. Ils peuvent donc être utilisés
même si les conditions de validité des tests paramétriques ne sont pas vérifiées.
Les tests paramétriques ont souvent des tests non-paramétriques équivalents.
Quel est l'avantage d'utiliser un test non-paramétrique ?
Les tests non-paramétriques sont plus robustes que les tests paramétriques. En d'autres termes, peuvent être
utilisés dans un plus grand nombre de situations.
5
Quel est l'avantage d'utiliser un test paramétrique ?
Les tests paramétriques sont, eux, plus puissants en général que leurs équivalents non-paramétriques. En
d’autres termes, un test paramétrique sera plus apte à aboutir à un rejet de H0, si ce rejet est justifié. La plupart
du temps, la p-value calculée par un test paramétrique sera inférieure à la p-value calculée par un équivalent
non-paramétrique exécuté sur les mêmes données.
L’analyse de la variance dite ANOVA (Analysis of variance) est une analyse paramétrique qui se fait comme
suit :
1. Calcul du coefficient de variation CV
Le coefficient de variation (CV) a été introduit en 1896 par Karl Pearson et visait, à l’origine, la comparaison
de la variabilité de différentes distributions.
Le coefficient de variation est une mesure relative de la dispersion des données autour de la moyenne. Le
coefficient de variation se calcule comme le ratio de l'écart-type rapporté à la moyenne, et s'exprime en
pourcentage. Il permet de comparer le degré de variation d'un échantillon à un autre, même si les moyennes
sont différentes.
CV = * 100%
où s représente l'écart-type de l'échantillon et , la moyenne de l'échantillon.
Lorsque l'écart-type et la moyenne proviennent des mesures répétées sur un même individu (par exemple, les
performances d'un athlète au cours de différentes compétitions sportives), le coefficient de variation devient
une mesure importante de la fiabilité.
Le CV est l’expression de l’erreur en pourcentage. Plus le CV est faible, meilleur est la précision de l’essai et
moins il y a d’erreur. Il permet de valider la représentativité d’un résultat (ou de la moyenne). La règle générale
dans l’utilisation du CV :
Entre 0 et 14,99% : la moyenne est représentative de la distribution, l’erreur est faible, l’essai est acceptable
ce qui permet l’analyse de la signification globale de l’essai par l’utilisation du test de Fisher (test F) ;
Entre 15% et 29,99% : la moyenne est moyennement représentative de la distribution, l’erreur est plus
importante et les résultats sont à utiliser avec prudence ;
Supérieur à 30% : la moyenne n’est pas représentative de la distribution, l’erreur est importante, l’essai est
remis en cause et il vaut mieux refaire l’expérience.
Pour les grandes cultures, notamment les blés, Dagnelie adopte le seuil de 12 % pour valider un essai.
2/ Signification globale de l’essai
La signification globale de l’essai repose sur deux hypothèses :
6
H0 est l’hypothèse nulle ou les résultats sont identiques
H1 est l’hypothèse alternative ou les résultats ne sont pas identiques et il existe au moins un résultat différent.
Pour vérifier ces hypothèses il faut procéder à une comparaison entre les valeurs réelles (calculées) et les
valeurs théoriques de F.
F calculé = Variance du traitement / Variance de l’erreur
F théorique est à lire dans la table de F sur la base du ddl du traitement et le ddl de l’erreur
Au seuil de α = 5%, deux cas se présentent :
- Fcalculé < F théorique : H0 est acceptée et les résultats sont identiques et l’essai est non Significatif. On ne
peut pas aller plus loin dans l’analyse statistique.
- Fcalculé ≥ F théorique : H0 est rejetée, au moins l’un des résultats obtenus est différent et l’essai est dit
Significatif. Il faut procéder à l’analyse détaillée par l’une des méthodes relatives aux moyennes.
Au seuil de α = 1 %, si F calculé ≥ F théorique : on peut parler d’un essai hautement significatif
F5%F1%
Essai non significatif Essai Significatif Essai hautement significatif
H0 Est acceptée H0 Est rejetée
Si H0 est acceptée, l’essai est NON significatif, il faut arrêter l’analyse statistique.
Si H0 est rejetée, l’essai est significatif ou hautement significatif, il faut chercher à quel niveau se situent
les différences entre les résultats par la comparaison multiple des moyennes.
La signification de l’essai se base sur les valeurs du traitement (facteur étudié). Les résultats liés aux blocs,
lignes ou colonnes ne peuvent, en aucun cas, influencer la décision finale quant à la signification de l’essai.
3/Comparaison multiple des moyennes
Si l’essai est significatif ou hautement significatif (hypothèse nulle rejetée) il faut chercher les données
présentant les différences significatives.
La comparaison multiple des moyennes peut se faire, suivant les conditions de l’essai, par plusieurs méthodes
dont les plus importantes sont la ppds (test de T), la ppas (test de Newman-Keuls), le test de Tukey, le test de
Dunnette.
Nous présentons la méthode dite la plus petite différence significative (ppds).
Le calcul de la ppds1% et la ppds5% :
7
T1% et T5% sont à lire sur la base du ddl de l’erreur (Table de T en annexe).
Comparer les différences entre les traitements moyens dans le tableau de la ppds et les valeurs théoriques de
la ppds.
Tableau de la ppds
Si la différence entre les moyennes est < ppds 5%, cette différence est NON significative.
Si la différence entre les moyennes est entre ppds 5% et ppds 1% cette différence est significative.
Si la différence entre les moyennes est > ppds 1%, cette différence est Hautement significative
Les notations : NS, S et HS doivent être reportées sur le tableau de la ppds.
Tableau d’analyse de variance ANOVA
CV = ppds5 % ppds1 %
Si le principe de base est le même, les détails présentent des différences d’un dispositif à un autre.
Ci-après les méthodes d’analyse par dispositif.
4.3 Démarche expérimentale pour la mise au point d'un traitement herbicide
Le choix des produits à mettre en expérimentation est effectué d’après les propositions des firmes
phytosanitaires, mais aussi en fonction des informations recueillies sur le terrain, afin de déterminer les
contraintes majeures d’enherbement.
8
La démarche expérimentale pour la mise au point des traitements herbicides repose sur deux types d'essais
successifs :
• Essais d'efficacité, pour déterminer l'activité des produits sur les mauvaises herbes, ainsi que la dose
et l'époque d'application optimales,
• Essais de sélectivité, pour estimer les risques de phytotoxicité du traitement sur la culture ; les essais
d'arrière-effet complètent ceux de sélectivité en estimant les risques de phytotoxicité du traitement
herbicide pour la culture suivante.
Ensuite, les essais de valeur pratique et les tests en milieu réel permettent de confirmer l'intérêt d'herbicides
retenus au cours des phases précédentes.
Pour tous ces essais, la culture est conduite selon les normes habituelles de préparation du sol, de fumure, de
choix de variétés, de plantation et des traitements phytosanitaires autres que ceux destinés à la lutte contre les
mauvaises herbes.
4.3.1. L’essai d'efficacité.
Cet essai a pour but d'étudier le comportement des mauvaises herbes, après un traitement avec un produit
chimique. Ce test des différents produits, proposés par les firmes phytosanitaires,
vise, en fonction des conditions agro-écologiques du milieu, à :
· comparer leur efficacité à maîtriser l'enherbement,
· déterminer leur spectre d'efficacité et les espèces résistantes,
· établir la durée de leur rémanence,
· évaluer les symptômes visibles de phytotoxicité.
L'implantation se fait sur une parcelle ayant un fort potentiel d'enherbement (pluri- ou monospécifique), avec
une répartition homogène de la flore des mauvaises herbes. La méthode du témoin adjacent est utilisée, afin
que chaque parcelle traitée soit bordée d'une parcelle témoin non traitée. Pour chaque implantation, trois
répétitions sont suffisantes.