INSTITUT SENEGALAIS DE RECHERCHES AGRICOLES NATURAL...
INSTITUT SENEGALAIS DE RECHERCHES AGRICOLES
NATURAL RESOURCES-BASED AGRICULTURAL RESEARCH PROJECT
(NRBAR)
Conception et Analyse des
Essais en Milieu Réel
Support de cx~rs d’un Séminaire
tenu à Mbour, Sénégal du 13 au 24 mai 1996
Conou et animé par
Dr. John T. Russell
Université de Floride
en collaboration avec
The United States Agency for International Development (USAID)
USAID Project Number: 685-0285
et
The Consortium for International Development (CID)
USAID Contract Number: 685-0285-C-00-2329-00
Introduction
Une bonne conception d’essai en milieu réel se fait en fonction des principes de:
la recherche systèmes (recherche/développement), qui :
se fait en milieu reel
se fait en équipe interdisciplinaire
prend en compte le système de production entier et ses sous-
systèmes composants
se centre :oujours sur les paysans et leurs besoins et contraintes
reconnait et apprécie l’expertise du paysan
cherche à resoudre les problèmes réels des paysans
suit un processus itératif
De plus: elle tien en conte le stade où se trouve la téchnologie en cours de
dé\\,eloppement, dans le processus d’innovation des téchnologies,
et le dans ce processus itératif dont le moment de conception et mise au point
des essais en milieu réel et peut-être le moment le plus important, puisque c’est
en principe le moment où tous ceux qui s’interessent à ce processus peuvent se
concentrer ensemble sur une évaluation de la téchnologie.
Elle doit aussi tenir en compte, et contribuer à la mission de l’institution de
recherche.
Les familles producteuses
\\
Diagnostic/
Analyse
Recherche en
Expérimentation
Milieu Paysan
\\
/
Demandes pour
Démonstration des
information au niveau
technologies
validées
du milieu paysan
Planification et
A
Suivi et
Décideurs
Vulgarisation
Conception des Essais
évaluation
en Milieu R6el
de Politique
\\
\\
\\
Dissemination des
Recommendations pour
technologies
changer la politique afin
auxpaysans
d’aider au dével./adoption
des technologies
Recherche
en Station
Probl6mes
Technologies appropriées
aux zones
Norwkolus
agro-écologiques
SOU~~: Ada+& d’un schéma par S. Po~ts (FFSP), d’aprtk M, Colhsc-,r~
\\\\ /
,
\\
\\./
’
:
Conrioissance
i!
Recherche ,;
G&&ration
Adaptation
Wgration
Dtffusion
\\
mondiale
I
debase
!
des
des
des
et
i’, Technologies
Technologies
Technologies
Adoption
I/:
Processus de l’innovation technologique
.-
_.-.. -_- .-.
- ^_ . _ - ..-
Recherche
%
/
Adaptive
.-
J-
E
Recherche
/
F
/:
F
Thématique
y/-. __ .._ . ..--_
,..
Liaison ’
0
__ .-
. __
3’
Vu Igarisation
R
I
T
Résponsibilités correspondantes aux fonctions
dans le processus de l’innovation technologique
(Source: Adapte d’un handbook dévelopé à I’Univ. de Florida)
Augmenter
Augmenter
1
les exportations
l’activité économique /
Pourquoi?
Augmenter
tes recettes
Comment?
Augmenter ta
productivité
agriiutturate
Amétiorer tes
technologies
utilisées
Mission Institutionelle (Arbre d’objectifs)
(Source: Univ. of Fiorida F!es.-Ext. hlgt. Hmdbook)
Puisque la recherche système se base sur les connaissances et problèmes
des paysans eux-mêmes, c’est un processus itératif d’apprentissage en deux sens.
Les essais en milieu paysan s’addressent aux problèmes identifiés lors des
activités diagnostiques. En faisant ensemble les s-sais en milieu réel, les
paysans apprennent à comprendre et utiliser de nowelles technologies: et la
recherche continue à mieux comprendre les contraintes et exigences du
paysannat.
Le comportement des chercheurs envers les paysans pendant la mise en
place et suivi des essais doit ressembler à celui qui caracterise un bon diagnosic
participatif. Les principes de l’apprentissage des adultes y compris des
techniques de communications appropriés à cet apprentissage, doivent être
respecter lors de chaques rencontre avec les paysans collaborateurs.
L’APPRENTISSAGE DES ADULTES
(Sources: FSSPRJ. Florida, John Lichte, et autres)
Les adultes apprennent mieux quand:
1. Ils sont motivés, ils sont à l’aise.
2. Ils se sentent en sécurité et en confiance.
3. Ils discutent, expérimentent et tirent eux-même la conclusion.
4. Quand on est patient avec eux.
5. L’enseignement débouche sur une application pratique.
6. On commence avec ce qu’ils connaissent déjà.
7. Ils participent activement.
8. Sujet bien défini, clair.
9. Ils peuvent prendre des initiatives.
10. Ils ont un intérêt immédiat.
Les Implications pour la recherche/développement:
Il faut rappeler que la vulgarisation est un processus éducatif. (La recherche en
milieu paysan aussi, et cela à deux sens.) Donc, il est souhaitable d’encourager:
l Participation active.
l Interdépendance.
l
Partage des responsabilités (chercheur/vulgarisateur/paysans).
l Partage de connaissances.
l
Identification et évaluation des solutions des problèmes (immédiat)
l
Progrès à partir des expériences et les connaissances éxistantes.
TECHSTQLXS DE COM-M’L-XICATION
Résolution des Problèmes
Des réponses typiques des paysans en face d’un problème:
1. Essayer de le résoudre soi-même:
l
Pas d’occasion pour les villageois d’apprendre ou d’augmenter leur compétence.
l
Risque de ne pas trouver une solution par manque de certaines informations.
l
Même si solution est trouvée, pas-viable, manque d’engagement et
responsabilisation des paysans.
2. Attendre l’arrivée des supérieurs:
l Le temps passe
l
Le problème peut se compliquer avec le temps
l
L’occasion d’apprendre pour le chercheurkulgarisateur est perdue
Il serait plutôt souhaitable de retourner le problème aux paysans en les aidant à
trouver une solution.
l
Il faut une prise de conscience par les paysans qu’un problème existe.
l
Les aider à découvrir le problème eux-mêmes, à savoir en quoi il consiste.
l
Les aider à découvrir les alternatives, les évaluer et en choisir une en fonction
de: disponibilité en temps, fonds, ressources, faisabilité, etc.
L’ECOUTE
La capacité d’écouter est peut-être la compétence la plus importante pour un
chercheur en milieu paysan.
Quelques Principes de la Bonne Ecoute:
1 .
Ecouter - le but est de comprendre le plus possible l’autre personne.
2.
N’interrompre point l’autre. Même par votre prise de note.
3.
Ne juger, ni n’évaluer point ce que l’autre dit. Il risque de ne jamais s’exprimer
franchement.
1.
Yi- so>er pas passif. 6xiter l’air non intPrsss6:
l
Encourager l’autre avec langage de corps, “oui”, un air sincère d’inter& etc.
0
Assurer que tout est clair en paraphrasant, en faisant des synthèses périodiquement.
l
.4ider l’autre j se clarifier en posant des questions en offrant des interpr?tarions etc.
l
Ecouter l’autre ne veut pas dire qu’on accepte tout ce qu’il dit; la compréhension
mutuelle donne une base de discussion.
LE FEED-BACK CONSTRUCTIF
L’INTENTION
Assister 3 developper et à améliorer leur
Pas de critique. Ne pas ridiculiser ou
capacité, aptitude - altitude.
noter des défaults.
LA SPECIFICITE
Soyer très spécifique et concret, employer
Pas de généralité ou d’abstraction.
les exemples.
LE TON
Diplomatique: “Vous auriez pu considérer
Pas brusquement franc.
. . . . “, “Quels auraient été les résultats si
vous aviez.. . ”
LE CONTENU
Commencer avec le positif d’abord.
Ne pas rester exclusivement sur ce qui a
été mal fait.
LE STYLE
Soyez descriptif.
Pas de jugement ou d’évaluation.
L-4 TECHSIQL-E
Essayez de poser des questions pour
Pas seulement de déclaration,
permettre à l’autre de découvrir votre
point de vue par lui-même.
L’ACCEPTATION
C’est à l’autre d’accepter ou de rejeter vos
Pas d’imposition de votre feed-back sur
observations.
l’autre en tant que vérité.
L’Exécution de I’lnterview:
Pour diagnostic participatif et pour avoir
l’avis des paysans sur un essai
L’APPROCHE
l
Dans la mesure du possible, évitez d’aller en grand groupe.
l
Essayez de vous faire remarquer le moins possible dan le milieu,
l
Abordez les paysans directement, mais de façon à éviter des suspicions,
L’ENTREE EN MATIERE
l
Faites jaillir les informations importantes d’une conversation banale.
l
hs premiers interviews peuvent être très simple, afin de vous orienter au sujet.
0
Evitez a tout prix une situation ou les grands experts s’adressent aux petits paysans.
C’est difficile à faire quand il s’agit d’un interview avec un groupe de paysans dans
un village, mais c’est très inmortant.
LE DIALOGUE
l
Soyez naturel et détendu; menez très doucement la discussion vers le sujet,
l
Laissez aller la discussion et mêlez-y vos questions. Permettez aux gens de s’écarter
et de raconter des histoires.
l
Faites comprendre que le paysan est le spécialiste de l’agriculture de sa région, que
vous respecter ses connaissances; Vous est là pour apprendre.
0
Ne posez pas trop de questions l’une à la suite de l’autre. hiClez vos commentaires,
toutefois sans raconter votre vie.
l
Si votre question provoque le silence, reposez-la avec d’autres mots.
l
Ne suggérez pas les réponses, ce qui mene trop la discussion là où vous penser
qu’elle en venir.
0
Ne posez pas de questions abstraites; éviter le jargon scientifique.
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Pape 9
LE DEPART
l
Ne partez pas trop brusquement.
*
Permettez aux, paysans d’aborder leur propres préoccupations avant de faire fin à la
discussion.
*
Remerciez sincèrement vos interlocuteurs.
L’ENREGISTREMENT DE L’IKFORMATION
Prenez note d’une façon discrète. Evitez le plus possible l’air d’une interrogation
officielle.
Prêtez attention a celui qui réponde à votre question, non pas à votre bloc-notes.
Une bonne formule, c’est de nommer un seul rapporteur qui fait simple esquisse de
notes durant l’interview; alors, juste après l’interview, l’équipe le recré en prenant
notes détaillées.
Exploitez vos notes pour modifier les questions des interviews suivants, Que les
dialogues soient dynamiques, changeant en fonction de ce que vous apprenez.
L’EXPLOITATION DES DONNEES
l
Traitez les données immédiatement après la fin du travail sur le terrain.
l
L’analyse des données et la rédaction du rapport devraient être toujours un travail
multidisciplinaire.
l
Pour les sondages limites, le rapport peur comprendre, par exemple:
Raisonnement et objectifs du sondage.
Méthodes employées.
Résultats:
l Conte rendus des interviews.
l
Tableaux ou autres récapitulations quantitatif.
Conclusions.
Implications pour la recherche, pour la vulgarisation, pour la politique secteur
agricole.
Séminaire sur la conception et analyse des essais en milieu réel
support de Cours - Pape 10
La Planification des Essais En Milieu Paysan
L’identification et prioritisation des thèmes de recherches et facteurs à tester
dc\\x-ait se baser sur la diagnostic et sur un travail de programmation fait en
équipe pluridisciplinaire.
Un outil très facile à utiliser en équipe mais aussi très souple et efficace est
la mèthode de planification créer par Robert Tripp et Jonathan Wooley (de
CIMMYT et CIAT).
Les Etapes de la Planification
(CLMMYT/CIAT)
1” Etape: Enumérer les problèmes qui limitent la production.
2” Etape: Classer les problèmes en ordre d’importance.
3 O Etape: Identifier les causes des problèmes jugés importants à la
deuxième étape.
4” Etape: Examiner soigneusement les relations (interactions) entre
les problèmes et les causes qui ont été déterminées.
5” Etape: Avancer les solutions aux problèmes pour lesquels on a
suffisamment de preuves et dont les causes sont bien
cernées.
6” Etape: Evaluer les solutions potentielles proposées à la
cinquième étape.
UNE METHODE POUR L’IDENTIFICATION ET L’ANALYSE DES
PROBLEMES ET LEURS SOLUTIONS POTENTIELLES
1
Identifier et définir
clairement les
problèmes
.__ .-.._. --~
____.. .--___ If
..__ -.__.._ -_-...--
2
Classer les
Besoin de plus d’information
prcbiimes par
pour identifier ou
ordre de priorité
définir les probfèmes
3
Identifier
I
lescausesde
:
chaque problème 1
4f
4
Analyser les rapports
Besoin de plus
; entre les probièmes (et ;
d’information
leurscauses)
\\
pour préciser les
cause des problèmes
*
--
~ -
1
5
I
Identifier des solutions
potentielles pour !
chaque cause j
6 Evaluer et classer les :
solutions potentielles : SS*
par ordre de priorité
-~
(Source: Tripp et Woolley)
L’IDENTIFICATION ET DEFINITION DES PROBLEMES AU
NIVEAU DE L’EXPLOITATION AGRICOLE
LE PROBLEME:
QU’EST-CE QUI NE VAS PAS? I
LA CAUSE:
POURQUOI?
SOLUTION:
QU’EST-CE QUE NOUS
POUVONS FAIRE?
I
UN FACTEUR BIOLOGIQUE OU UNE INEFFICACITE DE
L’UTlLlSATION DES RESSOURCES, QUI REDUIT LA
PRODUCTIVITE DU SYSTEME DE PRODUCTION
UN PROBLEME EST DECRIT SELON SON
Extrait du livre:
La planification de la recherche en milieu paysan:
-
Détermination des paramètres à étudier
Par
Robert Tripp et Jonathan Wooley
CIMMYT/CIAT
1989
Introduction
La recherche en milieu paysan peut être divisée en cinq phases: 1) la description du
milieu et des problèmes du paysan; 2) la planification ou l’établissement d’un protocole
d’essais à partir des renseignements obtenus ci-dessus; 3) la conduite des essais; 4)
l’analyse des résultats; et 5) la formulation des recommandations aux paysans. Ce
document décrit la phase de la planification qui comprend elle-même plusieurs étapes.
Les étapes de la planification
Plusieurs méthodes de planification ont été développées dans des domaines aussi
divers que l’administration publique et privée, la gestion des affaires, et bien d’autres. Il
n’existe pas de méthode universelle applicable à toute les situations. La méthode basée
sur la détermination des paramètres à étudier a été développée à partir des expériences
très variées, surtout en conduisant des cours de formation pratiques dans des milieux
divers. Cependant, cette méthode doit être plutôt considérée comme une référence (ou un
guide) et non comme un ensemble d’axiomes (principes rigides).
Son emploi reste souple
et les chercheurs peuvent toujours la modifier pour l’adapter à leurs propres conditions.
La méthode comprend une série d’étapes (Figure 1) qui correspondent aux distinctions
faites entre les problèmes, les causes, et les solutions. La première étape consiste à
identifier les problèmes et, au besoin, préciser les voies et moyens pour obtenir des
renseignements suppl2mentairss qui aideront à circonscrire le probl2me. Une fois que les
problèmes ont été énumérés, ils sont passés en revue et classés par ordre d’importance
dans la seconde étape. L’importance de chaque problème variera en fonction du nombre
de paysans concernés, de l’importance de la culture, et de la gravité du problème.
Première étape:
La première étape de la planification de la recherche en milieu paysan consiste à
énumérer les problèmes qui limitent la production agricole dans la zone d’étude. Ces
problèmes peuvent être des facteurs biotiques ou abiotiques limitant la productivité et/ou
l’utilisation effective des ressources naturelles. Il est important de décrire les probkmes
avec autant de précision que possible.
IX~ preuves de chaque probieme doivent etre fournies. Elles peuvent etre issues des
recherches antérieures (essais, enquêtes, ou autres études).
Après avoir énuméré les problèmes et leurs preuves. on passe à la deuxikne étape ou
ils seront classes en gros. par ordre d’imlwtance.
Deuxième étape:
La seconde étape consiste à classer les problèmes identifiés par ordre d’importance.
Tous les problèmes qui ont été mentionnés ci-haut seront considérés à cette étape.
Si les
chercheurs ont relevé un très grand nombre de problèmes, ils doivent éventuellement
mettre certains de coté pour les examiner plus tard.
A cette étape, l’ordre des problèmes
n’est pas obligatoirement précis. Il permet seulement aux chercheurs de sélectionner les
problèmes qui auront une grande priorité dans le programme de recherche.
Il est important de classer les problèmes en utilisant des critères bien définis.
Les
critères suggérés sont 1) l’étendue du problème, en précisant les paysans concernés dans
la zone d’étude; 2) la place de la culture dans le système d’exploitation; et 3) les pertes de
rendement et de revenue occasionnées par le problème.
Après le classement des problèmes, seuls les problèmes jugés très importants par les
chercheurs et pour lesquels des preuves suffisantes ont été réunies, seront considérés à
l’étape suivante où les causes seront analysées. Les problèmes éventuellement important
mais pour lesquels il n’y a pas de preuves suffisantes ne seront pas examinés à la
troisième étape. Pour ces problèmes, les chercheurs étudieront le type de preuves
expérimentales (Liste A) ou de renseignements supplémentaires d’autres sources (Liste B)
qu’il faudra.
Troisième étape:
La troisième étape de la planification consiste à identifier les causes des problèmes
jugés importants à la deuxième étape, et pour lesquels on a trouvé suffisamment de
preuves à la première étape, ou bien pour lesquels l’analyse des causes serait utile.
La
cause des problèmes peut être Ii& à l’environnement naturel ou socio-économique du
paysan ou bien aux pratiques culturales du paysan.
Cette étape doit donc être réservée
uniquement à l’analyse des causes des problèmes jugés vraiment importants par les
chercheurs.
Les causes des problèmes sont souvent complexes. Il est donc utile d’illustrer les
causes et les problèmes sur un diagramme avec des flèches qui relient les causes aux
problèmes, Dans certains cas, une série de causes peut entraîner un problème particulier,
et dans d’autres cas, plusieurs causes peuvent contribuer à créer un même problème.
Pour chaque problème, la preuve des causes peut être obtenue des essais précédents,
des enquêtes, ou d’autres technique de recherche. 11 appartient donc aux chercheurs de
décider si les causes avancées sont suffisantes pour passer à l’analyse des solutions
potentielles ou bien si des renseignements supplémentaires sont encore nécessaires pour
identifier d’autres causes ou confimler les causes d2jà énoncées.
Lne fois que toutes ies causes probables ont &Z tjrnum&ées, on passe a la yuarri&-ne
étape où les interactions entre les problèmes et les causes seront examinées.
Quatrième étape:
Cette étape consiste à un examen des relations entre les problèmes et les causes qui
ont été déterminées. Très souvent, les problèmes sont liés entre eux; soit directement,
soit à travers des causes communes. Cette étape permet aux chercheurs de voir ces liens
et de réfléchir à leurs implications.
La meilleure façon d’examiner ces relations est de générer, pour chaque problème, un
diagramme des causes et des effets. Si l’étude porte sur différente cultures ou différents
paysans qui n’ont rien de commun entre eux, des diagrammes séparés seront dessinés
pour ces cultures ou ces paysans.
Un examen général des relations permet de réfléchir aux priorités de la recherche.
En
proposant les tiponse s, une cause qui est liée à plus d’un problème méritera une attention
supplémentaire. Si un problème entraîne un autre, le premier doit être résolu avant ou en
même temps que le second. Quand plusieurs causes concourent au même problème, ces
causes peuvent être traitées dans un même essai. Finalement, quand un problème n’a
aucune cause en commun avec les autres problèmes, il peut être traité séparément dans le
programme de recherche.
Après avoir examiné ces relations, les problèmes et les causes que les chercheurs
jugent suffkamment importants seront considérés à la cinquième étape où des solutions
seront proposées. Pour les problèmes dont les causes ne sont pas bien élucidées, les
chercheurs étudieront le type de preuves expérimentales (Liste A), ou de renseignements
supplémentaires (Liste B) qu’il faudra.
Cinquième étape:
La cinquième étape de la planification de la recherche en milieu paysan consiste à
avancer des solutions aux problèmes pour lesquels les chercheurs disposent suffisamment
de preuves et dont les causes sont bien cernées. Pour chaque problème, les solutions
potentielles devront tenir compte de ce que les chercheurs savent de leurs causes.
Les
chercheurs doivent retenir toute solution qui à leur avis, et selon leur expérience, ou selon
les résultats des travaux effectués par leurs instituricm ou ailleurs. serair rialisable.
Chacune des solutions proposées sera évaluée à la sixième étape.
Sixième étape:
La sixième et dernière étape consiste à évaluer les solutions proposées à la cinquième
étape. Les solutions proposées doivent être considérées en fonction de leur aspect
technique, de leur facilité d’adoption par le paysan, et du coût de leur réalisation.
Les
chercheurs devront définir un ensemble de conditions et critères bien précis pour évaluer
12s solutions proposées. Sept de ces conditions sont suggérées ci-dessous.
La première condition concerne la probabilité pour que la nouvelle technologie puisse
être appliquée dans les conditions agro-écologiques du paysan et être compatible avec le
ni\\au technique e t les pratiques culturales du paysan. La seconde condition est la
rentabilité de la solution proposée. Si l’une ou l’autre de ces deux conditions n’est pas
bien cotée. la solution sera certainement éliminée de la liste.
La troisième condition est de savoir si la solution proposÈs eqt cnmpatible a\\‘er !r
systime d’exploitation. c-à-d compatible avec le milieu naturel et socio-economique du
paysan. La quatrième condition concerne le dégrée avec lequel la solution minimise les
risques du paysan. La cinquième condition porte sur le soutien nécessaire des services de
vulgarisation et de crédit, et des fournisseurs d’intrant. La collaboration de ces services
est utile pour s’assurer que la solution peut être adoptée.
Si à ce niveau, les chercheurs
ont encore quelques doutes sur les conditions mentionnées ci-dessus, la soiution proposée
doit alors faire l’objet d’un examen approfondi avant d’être exécutée.
La sixième condition concerne la facilité avec laquelle les paysans peuvent tester la
solution proposée. La septième condition porte sur la conduite facile du protocole
expérimental pour tester la solution proposée, y compris le temps et le coût de
l’opération. Aucune de ces deux dernières conditions ne peut en elle entraîner
l’élimination d’une solution. Elles permettent néanmoins de choisir entre deux solutions
qui ont les mêmes potentialités.
Une fois que les chercheurs ont évalué chaque solution proposée sur la base de ces
conditions, ils doivent alors décider du sort de chaque solution.
Si une solution donnée
est jugée acceptable pour une expérimentation en milieu paysan, elle sera inscrite sur la
liste des paramètres ou facteurs de l’essai (Liste A). Si au contraire une solution
proposée a bien les potentialités mais nécessite d’autres investigations avant d’être testée
au champ (dans les conditions du paysan), elle sera inscrite sur la liste des sujets de
recherche pour le long terme (Liste C). Quand enfin, une solution proposée nécessite une
considération spéciale des agents des services de vulgarisation et de crédit, ou des
fournisseurs d’intrant (cinquième condition), une mention est faite sur la liste D suggérant
la collaboration avec les services appropriés.
Critères pour la mise en priorité des problèmes
(étape no. 2 de Tripp et Woolley)
I
l Distrîbrttiorz du problème
l
Combien d’agriculteurs sont affectés par ce problème?
l Importance de l’entreprke
l
Est-ce que la culture fait partie du mandat de l’institution?
l
Importance, pour les paysans qui font cette culture (source de revenu
ou de nutrition).
l
Superficie totale ou ressources consacrées à la culture ou l’élevage.
l Gravite du problème
l
Une réduction importante de rendement ou effkacité de l’emploi des
ressources.
l
Sévérité : Niveau de perte (kg/ha, FCFA/ha).
l
Fréquence : Chaque année? Un an sur cinq?
Critères pour identification et évaluation des causes
des problèmes (étapes 3 et 4 de Tripp et Woolley)
l
Puisque les causes des problèmes peuvent être très complexe, ça aide
d’en faire les diagrammes,
mais
l
Ne vous rendre pas fou de la distinction entre «problème» et <(cause,,,
car
1. Un problème peut avoir plusieurs causes;
2. ‘L‘ne cause d’un problème peut à son tour être due à d’autres
causes;
3. Ln problème peut lui-même être cause d’un deuxième problème.
DONC:
l
11 faut décider quels sont les problèmes principaux, du point de vue
du paysan.
l
11 faut limiter la <<chaîne de causalité,> aux causes qui aident les
chercheurs à penser aux solutions réalistes.
Critères (simplifiés) pour évaluation des solutions
potentielles (étape no. 6 de Tripp et Woolley)
I
l
Probabilité que la technologie va fonctionner (dans la
situation locale).
0
Surtout à douter si elle n’a pas été teste en milieu paysan.
0
Conséquences inattendues:
l
Aggravation d’un autre problème.
l
Création d’un nouveau problème.
l Rentabilité
l
Analyses économiques des essais en milieu paysans. Sinon, une
estimation, c.à.d., une analyse ex ante.
l
Tenir en compte les changements de coûts que la technologie va
entraîner et les augmentations de rendement/qualité du produit.
*
Compa.tibilité avec le système
l
Variétés acceptables (préparation, goût, etc.)?
a
Un nouveau pesticide peut-il s’intégrer dans la rotation?
l
Méthodes qui exigent encore plus de main d’oeuvre: sera-t-elle
trouvable?
l Rédrrctiorz de risque.
l
Résulter à une meilleure stabilité de productionlrevenu, ou
bien, par contre,
0
Entraîner la possibilité de plus grandes pertes occasionnelles?
l
Soutien Institutionnel, c’est à dire, est-ce qu’il faudra un
appui important en:
l
Vulgarisation
l
Intrants
a
Crédit
l Aise de l’expérimentation:
0
De la part des paysans partenaires
0
De la part de la recherche (en station ou équipe RSP)
FEUII .1,1’ POUR IDENTIFIER 1.1~3 PROBLEMES PRIORITAIRES (2” Etape)
Distribution
Importance de la
Gravité du problème
PRIORITE
du Problème
culture concernée
(Importance
Rélative du
problème)
N . B . : 1)
Pour chaque problème, donner un score (O-5) pour chacun des trois critères.
2)
Pour arriver aux priori&, multiplier les trois scores pour chaque problème.
-3)
Si on ne peut pas arriver à un score, il faudra probablement faire de ce problème un sujet d’expérimentation (Liste A) ou
d’autres activités diagnostiques (Liste B).
Engrais
Apport
apporté à
faible
la volée :
. ZTd’engrais4-1 Erosion ]
1
CARENCE
D’AZOTE
+
EN MAIS
- Peu de matière
organique
Résidus culturaux
I Premières i
’
enlevés par paysans
pluies très /
fortes
1
_-~--
3 II-... .-_
Emploi des résidus
comme tourrages
Des causes des causes des problèmes,
et des interactions entre causes
(Source: Tripp et Woolley, 1989)
Problèmes et causes
2
CARENCE DE
PHOSPHORE EN
MAIS
Fin de i
- - - -- - - -
i pluies
;
i
3
/
Pauvre
,
:
Peu de
hative au i* 1
STRESS
G
:
retention
4- matière
nord
I
HYDRIQUE EN I
: d’eau dans
organique
MAIS AU MOMENT j
le sol
:
DU REPLISSAGE
~-
l+
Erosion j
DES EPIS 1
--
+i Variété locale trop
tardive pour la saison
Paysans ont amené leur
l variété traditionelle lorsqu’ils,
: ont immigré il y a 15 ans
-.--... -...- .--.~_ _ .~ ~.~ - _..-..._. _
(Source: Tripp et Woolley, 1989)
i
‘
I
2 ou 3
Hausse
sarclages à
SARCLAGE DE
rapide du coût
main pour
MAIS COUTE
de main
I
mais
t+
CHER
Peu de matière
Pas d’apport
organique
5
d’azote
CARENCE
D’AZOTE EN
HARICOT
Erosion
Aucune recommen-
\\
#
dation d’azote par le
conseil agricole
/
r
\\
Variétés locales
6
d ’ h a r i c o t +
GOUSSES
susceptibles à
D’HARICOT
I’anthracnose
ATTAQUEES PAR
ANTHRACNOSE
(Source: Tripp et Wooitey, 1989)
f
7
Semences
POURRITURES
ei: soi non
DES RACINES
traités
D’HARICOT
J
3.
lCertains champs caillouteux
ou sableux ne produisent que
I’haricot
, Premières pluies très fortes
4
4
+
q
;!-L ’
8
*?[FI
DENSITE
D’FpAR;L”OT
1-1 ? ~
4
f
\\
Un seul labour
superficiel
l Semences mal stockées I
Un seul sarclage à
main pour haricot l-+
9
CONCURRENCE
HERBACEE EN
I 2 ou 3 sarclages à
HARICOT
main pour mais
(Source: Tripp et Woolley, 1989)
Engrais
t Premiéres
apporté à
pluies très
la volée
1
fortes
1
CARENCE
D’AZOTE
-
EN MAIS
1 7 Peu de matière
t
/
o r g a n i q u e
L
/
?’--+----__
2
Résidus culturaux
enlevés par les
I
CARENCE DE
\\
paysans
/j
PHOSPHORE
EN MAIS
/
Emploi des résidus ,
I d’engrai
( comme fourrages 1
phosphoré I
f
\\
/
Pauvre
j
I
retention d’eau
Hausse
rapide du
coûtde
l
main
Fin de
STRESS
d’oeuvre
pluies hative
HYDRIQUE
au nord
EN MAIS
SARCLAGE DE
MAIS COUTE
I
CHER
2 ou 3
/
sarclages
Paysans ont amené leur
à main
variété traditionelle lorsqu’ils
pour mais
ont immigré il y a 15 ans
Tripp et Wooley, 1989
Crcx2te sur
le sol
-7 ?
8
_..-----.-..-.-.- _. _
Semences
fi et sol non
traités
! semences /
-*
.
j
Peu de rotation ;
des champs
d’haricot
?
/-L.,
Semences
i
mal
I Certains champs 1
stockées
caillouteux ou
sableux ne
I
.-
/ produisent que ;
‘i
; Pas d’apport :
j Mauvais lit /
I’haricot
j
de
j
f
d’azote
/
semences j
j Variétés locales
I
Aucune recommen-
d’haricot
dation d’azote par le /
/ susceptibles à
conseil agricole
i-
l’anthracnose
Un seul 1
labour ;I T---J--
!
superficiel j
GOUSSES
D’HARICOT
1 ATTAQUEES PAR
ANTHFWCNOSE I
9
Un seul
sarclage à main +
CONCURRENCE
I
pour haricot j
HERBACEE EN
I
A u c u n I
HARICOT
controle
chimique
Fiche pour évaluation des solutions possibles
I
2
3
4
5
Solution
Probabilité
Rentabilik
Compata-
Contribu-
Appui institutionel important
Proposée
que la
bilité avec
tion B la
technologie
le système réduction
Conseil
du risque
Agricole
I fonctionnera I
I
I
Variabilité entre tra itements v. variabilité
à l’intérieur c es traitements
12
12
10
10
8
8
?iT
z?
v
is
-0
6
z
6
a>
.-
>
.- :
4
4
2
2
0
0
.
Variety A Variety B
.
.
Variety A Variety B
.
Treatments
Treatments
ESSAI VARIETAL DE SOJA
VAR
REP NODULES
cobb
1
4.1
cobb
2
4.7
cobb
3
7.0
F74
1
5.1
F74
2
8.7
F74
3
10.5
braxton
1
9.0
braxton
2
9.3
braxton
3
13.9
ransom
1
5.4
ransom
2
5.5
fansom
3
10.5
ESSAI VARIETAL:
RIZ DE MOYENNE ALTITUDE, MADAGASCAR
Sites l-3: Zone BFD, Sites 4-7: Zone Marofototra
RENDEMENT
ENV.
X-265
MAHADIGNY 2787
LOCALE
1
198%
6197
3676
3000
2
3785
4281
2317
3000
3
3497
5857
2779
3000
4
7200
6400
5800
7000
5
6000
5800
5600
5400
6
7000
6000
5800
4200
7
7400
6600
5800
7800
8
1959
2580
571
400
9
3333
4961
1714
32400
10
3000
:1200
1360
.- Y500
11
3000
6000
1531
2700
A. Données SOJA4
Al. ANOVA si l’essai a été fait en DBCR (en blocs complets randomisés)
Source
ddl SC
F
Prolo Y F
reP
2
45.3 11667
20.6327
0.00205
var
3
46.669167
14.1672
0.00394
erreur
6
6.588333
total
II
98.569167
hfoyennes et séparations par ppds (ppds 0.05 = 2.093)
braxton
10.7 a
F74
8.1 b
ransom
7.1 bc
cobb
5.3 c
A2. ANOVA si l’essai a été fait en DRC (randomisation complète)
source
ddl SC
F
Prob > F
VX
3
46.669167
2.3979
0.14353
erreur
8
51.9ooooO
6.4875
total
1 1
98.569167
Moyennes et séparations par ppds (ppds 0.05 = 4.7%)
braxton
10.7 a
F74
8.1 ab
ransom
7.1 ab
c o b b
5.3 b
B. Données Essai Variétal de Riz de Moyenne Altitude
Source
ddl SC
F
Prob ;y F
reP
1 0
138688511
13.5857
0.00000
VU
3
19436370
6.8136
0.00 123
erreur
3 0
28525616
1.0980
total
4 3
186650497
lkfoyennes et séparations par ppds (ppds 0.05 = 4.795)
Mahadigny
5080 a
X-265
4378 ab
Locale
3673 bc
2787
3359 c
M. S. McIntosh
flraduit, avec la
1 ‘auteur, de 1 ‘article: Mclnrosh, U. S. 1983. AMlySù of Combined Experiments.
Agron.
J. 7S:lS3-155.)
somnlal’rc
La plupa.rt des expérimentations agricoles sont conduites dans deux ou plusieurs localit6 ou
pendant deux ou plusieurs annkes.
Cependant, les réfkrences statistiques ne contiennent pas
suf,E,wnment de détails pour une analyse complkte.
Le but de ce manuscrit est de fournir une
référence a l’analyse de-s essais combinés. Les tableaux comprennent les sources de variations, les
degr4-s de liber& et les ratios du test F (de Fischer) des expérimentations à un facteur de
classification, conduite-s en bloc parceUid pendant plusieurs anneeS ou dans plusieurs 1ocaW.s. Les
ratios du test F des modfiles mixtes, fixes, et ahktoires sont dom-&.
Mots clés: Dispositif expkimental, Stries d’essai, Statistique.
La plupart des expkimentations agricoles sont conduite-s dans deux ou plusieurs local&% ou
pendant deux ou plusieurs ann&es. Cependant, il n’y a pas de r&f&ences standards qui pourraient
fournir tous les dktails nécessaires pour l’analyse combink des essais ti plus d’un facteur de
cIas$fk.ation. Deux des réfkences (Steel et Torrie, 1980; Little et HiIl, 1978) les plus couramment
utibées par les agronomes ne couvrent pas les cas de-s analyses combinks des cultures annuelles.
Kempthome (1952), Co&ran et Cox (1957), et Snedecor et Co&ran (1967) ont d&its la proc&ure
des analyses combinées des essai & un facteur de classification, mais ils n’ont pas dkrit le test des
@onses moyennes aux traitements effectu& pendant plusieurs années ou dans plusieurs localitks. Le
test de l’effet principal des localitb ou des ann&ez peut intéresser le-s chercheurs, mais il n’y a pas
tellement d’exemples disponibles dans la littkature. Bien que le-s tests appropri& de l’effet des années
et des locations sont relativement simpks, beaucoup d’agronomes purraient ne pas avoir la maîtrise
statistique nkessaire pour identifier correctement les sources de variation et calculer le carré moyen
estimt. Il est important de bien dCfXr le modkle statistique mtme si le chercheur n’envisage pas
tester les effets principaux des anntks et des localittk Pour analyser correctement un essai, on doit
prendre soin de préciser tous le-s termes car la plupart de-s logiciels regroupent automatiquement toutes
les sources de variations non sp&zifi&s dans le terme de l’erreur.
Le fait de ne pas bien définir un
modèle entraîne une sur-estimation du terme de l’erreur.
Les ca& moyens estim& duivent être connus afin de calculer la valeur du F approprie pour
tester l’hypothèse d’intérêt. Les règles qui gouvernent la determination des car& moyens estimés des
observations complk-s @as de données manquantes) sont dkrites par Schultz (1955) et dans beaucoup
de texte de statistique (Kempthome, 1952; Steel et Torrie, 1980; LeClerg et al., 1962; Snedecor et
Cc&an, 1967; et Bennet et Franklin, 1954). Pour le cas des observations incomplbes, les
estimations ne sont pas toujours tgales a celles des observations compl&es (Hartley et Searle, 1969)
selon les définitions des variantes et des cova.riances du modèle. Hacking (1973) a d&rit trois
modeles avec des définitions différentes des variantes et des covariances pour le cas des observatiom
Sninaire mr la conception et analyse des essais en rni!ieu réel
Support de Cours - Page 32 ’
incompktes (a:w des donnh manquantes). Les estimations utiliskes dans le present manuscrit pour
calculer les valeurs de F correspondent au modèle 1 de Hacking. Elles representent le cas des
obs0aCons co,m#es.
Des logiciels peuvent aussi gh-krer des carrb moyens estimb. Le programme SAS (Statistical
Analysis System) par exemple, possède les procédures VARCOMP et GLM avec l’option aléatoire qui
donne les coefficients et les estimations de variante des carrés moyens. Ces procédures produisent
les mêmes carrés moyens estimés que ceux du rntikle III de Hacking (Freud et Little, 1981). Pour
les modeles mixtes, les estimations génCrées par le programme SAS sont différentes de celles obtenues
dans les cas où les observations sont compktes.
L’objectif de ce manuscrit est de fournir des tableaux complets de l’analyse de variante des
essais combines où les observations sont completes.
Ces tableaux peuvent être utibsks par les
chercheurs comme une référence pour identifier, rapidement et correctement, les sources de variation
et les termes appropriés du test F.
Wsultats et Ioterprétation
Les cads moyens estimb et les sources de variation des essais en blocs randomis& conduits
dans plusieurs localitks sont don& au Tableau 1. Ce tableau peut Ctre egalement utilid pour des
essais conduits penhfit plusieurs ann&s en remplaçant lo~alit& par anhs. Les tests F appropriks
seront diffkrents selon que les traitements ont des effets dits fixes ou al&atoires (Tableau 2). Dans le
cas où les localit& et les traitements sont tous les deux aléatoires, il n’y a pas de test exact pour tester
les effets des local&. Un test approximatif a Cté propos6 par Satterthwaite (1946) en utilisant les
degrés de liberté Nl’ et N2’ où:
Xl’ = (Ml + M5)2/~12/(l-1) + Us2/(l)(r-l)(t-l)j
mg = (M2 + M4)2/w2/l(r-1) + M42/(l-l)(t-l)]
Avant de calculer les degrb de libert6 (Dl) approximatifs (Nl’ et N2’), il faudrait d’abord
tester la signifiante de l’effet des localit& On utilise pour cela le Dl des localit& au numhteur et
au dhominateur, le Dl de Localitk par Blocs ou celui de l’interaction Localih2.s X Traitement (le plus
petit des deux). C’est un test prudent (à risque minimum), et si le test F est significatif, il n’est pas
nécessaire de calculer Nl’ et N2’. Si par contre le test F n’est pas significatif, l’emploi de Nl’ et N2’
va rkiuire la valeur critique de F et amener probablement le test F à être significatif.
Le Tableau 3 donne les tests F approximatiis qu’il faut utiliser pour combiner des
exphimentations en blocs randomi& qui ont td conduites dans plusieurs localit6s ou pendant
plusieurs années. Le-s ratios de F ont Ct.6 donnés pour les modkles fixe, mixte, et al&toire. Les ratios
F des cas où les ann&s sont al&toires et les localitks sont fixes peuvent étre aussi valables pour les
cas où les années sont fixes et les localUs sont aléatoires si An&es et Localités sont &Chang&es dans
2
la colonne des sources de variation. Comme dans l’exemple pr&dent, les tests F approximatifs sont
zppop-i& par certaines des comparaisons.
Le Tableau 4 montre l’analyse de variante qu’il faut utiliser pour combiner des
esp&i,mentations en blocs parcellisés conduites dans plusieurs localités et pendant plusieurs ann&es.
LR tableau comprend les tests F qu’il faut utiliser quand les localitts sont dites fixes ou aleatoires avec
des tmitements dont les effets sont fixes. Le Tableau 5 est une extension du Tableau 4 où les années
ont des effets soient fixes soient aleatoires.
Bennett, C .A. and N. L. Franflin. 1954. Statistical analysis in chemestry and the chemical industry.
John Wilet and sons, New York.
Co&ran, W. G. and G. M. Cox. 1957. Experimental designs. 2nd ed. John Wiley and sons, Inc.
N.Y.
Freund, R. J. and R. C. Littell. 1981. SAS for linear models. SAS lnstitute Inc. Casy, N.C.
Hartley, H. 0. and S. R. Searle. 1969. A discontinuity in mi& model analysis. Biometrics 25:573-
576.
Hmhg, R. R. 1973, A discussion of the two-way mixed model. Am. Stat. 27:148-152.
Kempthome, 0 . 1951. Design and analysis of experiments. John Wiley and sons, New York.
LeCIerg, E. L., W. H. honard, and A. G. Clark. 1962. Fielri plot technique. Burgess P&fisbg
CO., MïMeapolis.
Lit&, T. M., and F. J. HîI.ls. 1978. Agricuhral experimentation. John Wiley and sons, New York.
Satterthwaite, F. E. 1946. An approximate distribution of estimates of variante components. Biom.
Bull. 2:110-114.
Schultz, E. F., Jr. 1955. Rules of thurnb for determining expeetations of mean squares in analysis
of variante. Biometrics 11: 123- 125.
Snedecor, G. W. and W. G. Cochran. 1967. Statistical methods. 6th ed. Iowa State University
Press, Ames.
Steel, R. G. and J. H. Torrie. 1980. Principles and procedures of statistics. McGraw-Hill Book
CO., New York.
3
4
(t-Ill
w2
a.1
bu
huu(
u3M4
(r-1x%-l)
H4
M&%l3
M4M3
ES.IXt-I!l
b u
bl
H6
M&U10
Ma41
*1)0-I)
Hl
MiAi 10
WA4 10
(a-In-l)
bu
bUMI
H&%t9
(a-Ixblxl-1)
u9
H9MlO
H9M 10
J(r-1Xb1)
WI0
5
Lettre h l’éditeur
(rT;Ljuil
dam Agronomy
Journal, 1983, ré& Agron. 1. 7X-1056-1057)
Rif. “Analyse des expérimentations combinées” par M.S. McIntosh.
Dans un article sur l’analyse des expkimentations combinées, le Professeur McIntosh (1983) a fait
remarquer à. la communauté! des agronomes, la tendance insidieuse de certains programmes statistiques
d’ordinateur A grouper automatiquement les termes dans l’analyse de vtiance et les consquences
possibles de ces regroupements. Tout en Ctant totalement d’accord avec elle sur ce sujet, il est de
notre opinion que son interprétation de l’analyse des expkimentations combinks présente une vue
inad&uate du problème fondamental.
Bien qu’elle ait cid Snedecor et Cochran (1962) dans ses dférences, Prof. McIntosh ne semble
pas avoir saisi le sens profond de leurs commentaires: “Chaque skie d’expkimentation présente un
problkme unique au chercheur et au statisticien, aussi bien dans la planification que dans l’analyse’.
le Prof. Mclntosh fait remarquer Cgalement que très peu de tests standards, s’il y en a, montrent
amment les diffkrences entre plusieurs localitks (OU plusieurs années) differentes peuvent être tester
(quand l’essai se déroule dans plusieurs localitks ou pendant plusieurs années), mais elle ne propose
pas pour autant de contextes dans lesquels de telles expkimentations peuvent être nkessaires.
k
choix d’un test dépendra du contexte: par exemple, si chaque localiti est consid&& comme un
&hanti.Uon reprksentatif d’un type d’environnement dom& le regroupement de certaines localités peut
permettre de caiculer l’erreur r&iduelle due a la variation entre les localitks. Si une tendance précise
est a rechercher au cour de-s années, il peut c?tre possible d’utiliser les déviations de cette tendance
comme une estimation du terme de l’erreur. Contrairement aux implications du Prof. McIntosh, il
n’y a pas de m&ode directe disponible pour tester l’effet rt?el des localit& otu des anr&s. Quelque
soit la situation, il y a toujoùrs une erreur réskluelle lue a la variation entre les localitb ou entre la
an&x. De ce fait, le car& moyen de Bloc/Lo&ité n’est gekalement pas un substitut adéquat du
terme de l’erreur liée a la variation entre les localités. Le probkme est analogue a celui des esa
en serre où l’inclusion des répétitions est le seul moyen sGr pour obtenir un terme de l’erreur
appropriée afin de tester les traitements appliqu4.s dans toute une serre (Lee et Rawlings, 1982).
n est aussi dommage que l’auteur ignore les pro&dures standards pour analyser les skies
d’essai comme décrites avec prkaution, dCtail, et simpkiti par Cochran et Cox (1957). Elle a
manqué de mentionner les exigences de base de l’analyse ~~Zpa-rée des données d’une localité ou d’une
annke. Certains problèmes fondamentaux ce sont pas mentionnés non plus. Des problémes du genre
de la variation de l’erreur résiduelle (a,‘) d’une localiti a l’autre, ou de I’hCtCrogCnéitC de l’interaction
Traitement X Localité (~?n) peuvent, l’un ou l’autre, avoir des impacts Cnormes sur l’analyse. La
possibilité d’utiliser dans la hikarchie, des termes non significatifs du carré moyen de l’interaction
afin d’augmenter les degr& de libert& (Dl) du terme de l’erreur OU d’kviter des tests F approximatifs
comme (Ml + M5)/(M2 + M4) est ignorée.
Pire, l’auteur a présenté une série de tableaux pour étre utiliser comme un “livre de cuisine”;
comme s’il n’y avait pas de possibilitk de dkviation.
Ce faisant, il devient impératif de ne pas faire
d’erreur dactylographique (e.g. soit l’entête de la dernière colonne du Tableau 3 doit lire FY-FL-R,
soit les tests des carrés moyens de Localité, Traitement, et LocalitC X Traitement doivent
rqectivement être M2/M3, M5iM6, et M7/M8).
Cette manikre de procéder prtknte aussi des
difiïcult&s pour un chercheur qui utilise un dispositif lkgkrement différent: s’il utilise les mêmes
parcelles pendant des années différentes dans un essai de production de fourrage par exemple, il ne
doit pas utiliser l’un quelconque des tableaux du Prof. McIntosh, mais il peut être trait6 d’ignorant
(dans le meilleur des cas) par quelqu’un qui aurait lu l’article et qui le considkrerait valable dans toutes
les si tua tiens.
~a communauté des agronomes a clairement démontré a travers un certain nombre d’articles
sur les méthodes statistiques telles que les tests multiples des moyennes (e.g. Peterson, 1977; Little,
1981; Johnson et Berger, 1982) qu’elle n’est pas prête à accepter aveuglement des procédures
mécaniques dans la recherche scientifique. Nous espérons qu’elle va poursuivre cette politique sage
et traiter les questions soulevks ici et par Prof. McIntosh avec prk-aution et attention, dans le contexte
de l’expérimentation.
M.R. Binns
P.M. Morse
B.K. Thompson
Institut de Recherche en Gtnie et en Statistique
Agriculture Canada, Ottawa
Réf&ences
Cwhan, W. G. and G. M. Cox. 1957. Experimental designs. 2nd ed. John Wiley and sons, Inc.
N.Y.
Johnson, B. J. and R. D. Berger.
1982.
On the status of statistks in phytopathology.
Phytopathology 72: 1014-1015.
Lee, C. S. and J. 0. Rawlings.
1982. Design of experiments in growth chambers-uniforrnity triaIs
in the North Carolina State University phytotron. Crop Sci. 22:551-558.
LirJe, T. M. 1981. Interpretation and presentation of results. HortScience 16:637-640.
McIntosh, M. S. 1983. Analysis of combined experimezts. Agron. J. 75:153-155.
Petersen, R. G. 1977. Use and misuse of multiple comparaison prozaiures. Agron. J. 69:205-208.
Snedecor, G. W. and W. G. Cochran. 1967. Statktical methods. 6th ed. Iowa State University
Press, Ames.
7
Réponse de l’auteur
Binns, Morse, et Thompson ont fait Ctat de plusieurs points importants 21 considérer dans
l’~~a.lyse des expkimentations combinks. Beaucoup de leur critiques sont cependant le fait de leur
mauvaise inter@.ation de l’envergure de mon article. L’article avait en effet une étroite envergure,
Noue intention n’Ctait pas de faire une revue de la littérature sur l’analyse combi&. L’article ne
couvrait pas le vaste sujet du comment et quand il faut combiner les essais. Il prksentait simplement
quelques tableaux complets de l’analyse de variante des essais combinés cax de tels tableaux n’existent
nulle part dans la 1ittCrature.
Rien dans le manuscrit suggkait que l’article remplace ou contredit des
essais précédents sur l’analyse combinée. Les problkmes tels que I’hCtCrogénéité des variantes et le
regroupement des carrés moyens ne faisaient pas l’objet de notre discussion car ils ont été trait&
respectivement par Cochran et Cox (1957) et Camer et al. (1969). Il reste bien entendu que le
chercheur qui se demande comment combiner les donnks de plusieurs essais doit être averti des
insuffisances prksentkes dans la LittCratu~~.
fl n’était pas dit ni insinué que les tests F des tableaux (présent& dans l’article) étaient toujours
les seuls tests d’intérêt. Chaque série d’essai est unique, mais il y a beaucoup de situation où les
diff&ences entre les localitks (ou armées) sont tellement importantes que ces effets principaux peuvent
fournir des informations utiles. De nombreux exemples d’application de ces tests sont contenus dans
les articles des journaux Amonomy Journal et çrop Science. Il n’était pas de l’intention de notre
article de décrire quand ces effets doivent être tester et quand ils ne doivent pas l’être.
Bien qu’une estimation du terme de l’erreur résiduelle liée aux variations entre les localit& (ou
années) serait idéale pour tester les diffkences entre les localités (ou anrks), cette estimation n’est
souvent pas facile à obtenir.
Contrairement a ce que Bi~s, Morse, et Thompson affirment, combiner les essais de plusieurs
localités OU de pk&urs anmks n’est pas analogue aux essais en serre. Dans de tels essais, les effets
de la serre xnt confondus avec ceux des traitements, 2 moins que les traitements aient éti r@ét& &j
plus d’une serre.
ConsidCrer le manuscrit comme un ‘livre de cuisine” pour traiter les problkmes n’est mention&
nulle part dans l’article. Comme affirmé dans l’article, “les carrés moyens estimés” doivent être
c01111ue.s afin-de pouvoir dttermker le ratio de F. Six r&férences sur les rkgles pour obtenir les carrés
moyens estimés sont citées et un exemple d’estimation du cas le plus simple est également donné.
L’article indique aussi qu’il y a plus d’un ensemble d’estimations qui peuvent en découler et que SAS
g&re des estimations diffkrentes. Il existe donc &idemment plusieurs possibilités de déviations des
tableaux qui ont été présent& dans kuticle. Ainsi, une expérimentation ck production de fourrage
conduite pendant plusieurs années SUI les mêmes parcelles Ctait exclus de l’article car cela est un
exemple d’observation répétée sur les mêmes parcelles et implique seulement un essai. Cette analyse
se trouve dans les rkfkences qui ne contiennent pas des “analyses pour combiner l’analyse des cultures
anwelles”.
De façon regrettable, il y a eu des erreurs dactylographiques dans l’article. Je voudrais donc
publier les corrections suivantes:
1. Dans la colonne RY-FL-RT du Tableau 3, le test correct de l’interaction Traitement X Lo&ité est
M7/hI8,
2. L’entête de la demiere colonne du tableau 3 est FY-FL-FI?.
3. Le degri! de liberté de l’erreur totale (Tableau 4) est al(r-l)@-1).
Je conviens avec Binns, Morse, et Thompson dans leur d&lain des procédures mécaniques
aveugles. Je ne crois pas que les tableaux de l’article doivent être utilisés sans avoir consult& d’autres
réferences appropri&s des analyses combinees. Bien au contraire, j’esp&re que l’article va éclairer
et faciliter l’analy* statistique des experimentations combinées.
Marla S. McIntosh
Maître Assistant
Université de Maxyland
RCférences
Carmer, S. G., W. M. Walker. and R. D. Seif. 1969. Practic-al suggestions on pooling variartw
for F tests of treatment effects. Agron. J. 61~334-336.
Co&u--~, W. G. and G. M. Cox. 1957. Experimenti designs. 2nd ed. John Wiley and sons, III~.
N.Y.
x,B, h erreurs dactylographiques dam ~‘ai-kie originel ont t!tb rectifiée dans la version
française.
Une Typologie Classique des Essais en Milieu Réel
LES ESSAIS EXPLORATOIRES (“POUR VOIR”)
OBJECTIFS
CARACTERISTIQUES
Valider l’effkacité potentielle des technologies
Le nombre de traitements peut être grand ou petit.
rélévées prometteuses dans d’autres pays, régions
D’habitude, un nombre limité d’exploitations
Collecter les informations supplémentaires pour
agricoles sont impliqués (mais peut varier),
défmier des traitements potentielles.
Les dispositifs expérimentaux peuvent être simples
Cribler un grand nombre de traitements afin de
ou complexes.
sélectionner la gamme de traitements appropriés
pour d’autres essais en milieu réel.
La collecte de données par les chercheurs peut être
très intensive.
Evaluer la faisabilité d’une solution potentielle dans
les conditions bio-physiques locales.
Pratiquement tous les risques induits par l’essai sont
absorbé par le coté recherche.
LES ESSAIS DE RAFFINAMENT (PERFECTIONNEMENT),
ORIENTES VERS LA RECHERCHE
OBJECTIFS
CARACTERISTIQUES
Expliquer les causes des variations obsen+es dans
Un assez grand nombre de données sont collectées
les performances des traitements que ce soit entre les
(par la recherche).
traitements ou entre les exploitations.
La collecte de données sur les conditions
Constituer des références techniques qui pourront
biophysiques est primordiale.
être utilisées pour prévoir le comportement des
traitements sous des conditions biophysiques
Des donnée socio-economiques sont aussi collectk
variable.
Le nombre de traitements est limité, mais peut
Sélectionner un petit nombre de traitements qui
dépasser le nombre dans les autres types d’essais.
semblent prometteurs, parmi une vaste gamme de
traitements possibles.
Dispositifs expérimentaux relativement complexes.
i>ct<rmincr les liseurs ~conk~miqw5 t’t sOc’laU\\ qUl
i’iuwurs réF&tions par exploitation, mais le nom?re
pourraient afTecter l’utilite ou l’acceptabilité des
d’exploitations impliquées est relativement faible.
traitements.
Pourtant, il faut inclure la plus large gamme de
conditions biophysiques de la domaine de recherche.
Une certaine d’uniformité (contrôle expérimental) est
nkcessaire.
La plupart des risques appartiennent des chercheurs.
LES ESSAIS DE RAFFINAMENT (VALIDATION),
ORIENTES VERS L’AGRICULTEUR
OBJECTIFS
CARACTERISTIQUES
Donner au paysan l’occassion de comparer un
La collecte d’informations socio est primordiale.
nombre très limité de solutions potentielles à ses
pratiques traditionnelles.
Beaucoup d’exploitations sont impliquées.
Soumettre les innovations techniques à une gamme
Le nombre de traitements est limité,
plus étendue des conditions biophysiques et socio.
La collecte de données par les chercheurs est moins
Evaluer la stabilité des traitements (ou identifier des
intensive. La collecte par les agents de vulgarisation
interactions traitement-environnement) sous des
ou paysans peut devenir plus importante.
conditions biophysiques et socio différentes.
Le risque posé au paysan s’accroit, et celui posé aux
Déterminer quels sont les facteurs sociaux impliqués
chercheurs diminue.
dans l’adoption d’une innovation technique.
ESSAIS DE PREVULGARISATION
(Appelés parfois “essais de démonstration”, un terme à éviter)
OBJECTIFS
CARACTERISTIQUES
Comparer le meilleur ou les deux-trois meilleurs
Un très grand nombres d’environnements (et
traitements avec les pratiques du paysans à travers
exploitations) sont impliqués.
tous les environnements de la domaine de recherche.
Souvent, il n’y a que deux traitements: la pratique du
Evaluer le comportment des traitements sélectionnés
paysan particulier et la meillure solution proposée.
quand ils sont appliqués sur une proportion
importante des terres ou du troupeau d’un paysan.
On veut de la variabilité entre les environnements,
aussi bien biophysique que socio-économique.
Déterminer si les paysans sont effectivement prêts à
supporter le risque associé a l’adoption de
Le paysan collaborateur supporte pratiquement tous
l’innovation.
les risques.
Quelques caractéristiques
des types d’essais en milieu réel
Essai
Essai
Essai
Exploratoire
Potentialité
d’Adaptation
Mise en place:
No. de sites
Très peu (fl-3)
Moyen: (f3-6)
Nombreux (15+)
No. de traitements Le plus (1 O-20)
Moyen (3-8)
Le moins (2-4)
No. de témoins
Le plus (1 à 4)
Intermédiaire
Témoin du paysan
No. de répétitions
Très variable
Plusieurs (344)
Une par site
Superficie parcelle La plus petite
Intermédiaire
La plus grande
-~--.-
----
---~~-
----
--------
v--
-.-e---_
Paysan i
Gestion:
c
Recherche
->+
/
l
Dév&3ppement j
-.. -----
-7
Risque:
Pour le paysan
i
y---
POU~ le chercheur
.._ ---- -----.-__
-.-- _.__
- ..
-..-
--.
.._ _.. - .----- -.---..-.. ---.-- -_- _..._ Y---z
Données:
J.T. Russell 1996
SEPT QUESTIONS CLES
DANS L’EVALUATION FAITE PAR
LES AGRICULTEURS
I
1.
Le problème à résoudre est-il important pour les agriculteurs?
2.
Les agriculteurs comprennent-ils les essais?
3.
Les agriculteurs ont-ils le temps, les entrants et la main-d’oeuvre
requis par la technologie améliorée?
4.
La technologie proposée est-elle logique dans le système de
production actuel?
5.
La situation économique est-elle favorable à l’investissement dans
la nouvelle technologie ou les nouvelles cultures?
6.
Le changement proposé est-il compatible aux préférences, aux
croyances locales ou à l’approbation communautaire?
7.
Les agriculteurs croient-ils que la technologie sera durable?
Robert Rhoades, 1982, Comprendre Les Petits Agriculteurs: Perspectives Socioculturelles
des Essais en Champs D’Agriculteurs, CIAT
Extrait de l’article:
La Participation du Paysan pour une Recherche Effective
en Agriculture de Sustentation
Walter W. Stroup, Peter E. Hildebrand, et Charles A. Francis
Si les pays en voie de développement doivent parvenir à I’autosuffkance alimentaire et
réduire la pauvreté en milieu rural, les milliers de paysans doivent être des acteurs actifs dans
la recherche agricole et dans le processus de développement (Whyte et Boynton, 1983).
La plupart des cultures et plusieurs des systèmes de production agricoles les plus
importants émanent des connaissances empiriques ou des recherches à tâtons faites par
plusieurs générations d’agriculteurs. Les paysans de l’époque du Néolithique connaissaient
déjà suffkamment de choses sur les quelques 1500 différentes espèces de plantes utilisées en
agriculture et dans la pharmacopée (Braidwood, 1967). Les restes de leurs systèmes
traditionnels de survie existent encore de nos jours dans plusieurs régions (Francis, 1986b).
Cependant, avec l’avènement de la recherche scientifique après la seconde guerre mondiale,
l’influence des paysans sur le développement des technologies agricoles s’est amenuisée.
Vers la fin des années 60 et le début des années 70, la communauté internationale a
commencé à percevoir le besoin d’aider les nombreux petits paysans aux ressources
presqu’inexistantes, qui étaient en train d’être exclus de la Révolution Verte (Agricole). Whyte
et Boynton (1983) ont écrit que cela signifiait qu’il faudrait: 1) accorder une attention
particulière à la recherche en milieu paysan; 2) encourager une meilleure collaboration inter-
disciplinaire; 3) mettre en place une administration agricole plus efficace et plus soucieuse des
intérêts et besoins des petits paysans; et 4) cesser de considérer les paysans comme des acteurs
passifs prêts à accepter tout ce que les experts auront jugés bons pour eux.
Pour répondre à cette nouvelle conception, il était nécessaire de développer une
nouvelle méthodologie pour trouver des technologies appropriées à chacun des
environnements où travaillent ces nombreux paysans. Cette méthodologie doit non seulement
atteindre la grande majorité des paysans travaillant dans des milieux divers, dans des situations
souvent pénibles, et dépourvus de ressources nécessaires pour dominer leur environnement
mais elle doit également permettre:
l’accélération du développement de la technologie, de son évaluation, de ses
processus de mise en oeuvre et d’adoption, et
-
l’utilisation judicieuse des maigres ressources (humaines, matérielles, et
financières) des services nationaux de recherche agricole et de vulgarisation des
pays en voie de développement.
Pour accomplir cette tâche, la méthodologie nécessite une approche pluridisciplinaire intégrant
les paysans, les chercheurs, et le personnel de vulgarisation.
Au niveau international, pendant les 20 dernières années, cette recherche en milieu rural pour
un grand nombre de paysans a été dénommé Recherche et Développement des Systèmes
d’Esp!oitation Agricoles (FSRE, le sigle en Anglais). Au sens large, FSRE implique;
une détermination rapide des problèmes des champs par des équipes
multidisciplinaires qui apportent les bases nécessaires pour
une recherche descriptive et adaptable en milieu paysan qui est supportée par
une recherche socio-économique sur le terrain et dans Ia communauté rurale, et
une dissémination et diffusion simultanée des résultats.
En incluant les paysan dès le départ du développement de la technologie -- de la
détermination des problèmes à l’adaptation et à l’évaluation -- la méthodologie de FSRE
minimise à la fois l’occurrence des essais qui s’adaptent mal en milieu réel (Figure l), et la
probabilité de rejeter, après essai en station, des technologies qui auraient pu avoir un bon
rendement en milieu paysan mais qui n’ont jamais été testées sur le terrain (Figure 2).
Avec le temps, la méthode a été améliorée et FSRE n’est plus seulement limitée aux petites
exploitations. En fait, l’efficacité de l’utilisation judicieuse s’est accrue quand les paysans
d’horizon divers ont été incorporés. Dans ce chapitre, les méthodes d’incorporation d’un grand
nombre de paysans à ressources limitées dans la recherche en milieu réel sont examinées. Plus
loin dans ce chapitre, nous discuterons le cas des grandes exploitations à caractère
commercial.
Concepts et Methodes
Diagnostic
En se servant des méthodes du FSRE, les problèmes des paysans sont identifiés par des
procédures de reconnaissance rapide (Chambers, 1981) ou par la procédure sondeos
(Hildebrand, 198 1). Ces procédures considèrent les paysans comme des participants actifs des
équipes multidisciplinaires de recherche et de vulgarisation. Ces méthodes sont souples. Elles
peuvent oui ou non utiliser des questionnaires pendant l’enquête. Les problèmes rencontrés
sont bien documentés et mis en priorité dans un programme de recherche par différentes
méthodes y compris celles proposées par Tripp et Woolley (1983) des centres ClMMà à
à8àO p
CIAT.
Les domaines de recherche
Une précédente démarche qui visait les groupes de champs homogènes (Hildebrand,
198 1; Norman, 1980) a été modifiée pour associer l’idée de domaine de recherche (Wotoweic,
et al. 1988). Cette notion reconnaissant le fait que les champs aussi bien que les paysans sont
très différents entre eux, vise cette diversité. Très souvent, les domaines de recherche sont
choisis selon des paramètres biophysiques; mais il arrive des fois où les choix sont politiques.
Idéalement, les domaines de recherche contiennent une grande variété d’environnement qui
sont pris en compte le plus tôt possible dans le processus de sélection des technologies.
L’environnement dans ce contexte peut être associés aux champs, aux parcelles et aux portions
de parcelles. L’utilisation des considérations socio-économiques dans le choix des
en~konxments (dans le cadre du domaine de recherche) augmente I’efficacit6 du
développement et de l’évaluation de la technologie.
Pour comprendre un domaine de recherche, il faut comparer par exemple
l’environnement des champs de production de tabac en Floride du Nord par les paysans
dépourvus de ressource (Photo 1) -- avec l’environnement de production de tabac à grande
échelle dans la même zone mais où de grande ressources sont utilisées pour maîtriser
l’environnement (Photo 2) -- ou avec l’environnement de la culture de tabac dans une station
de recherche, dans la même localité mais en milieu contrôlé où la plante bénéficie de tous les
éléments nutritifs nécessaire à sa croissance, (Photo 3).
Tous ces environnements peuvent être considérés comme faisant partie du même
domaine de recherche et peuvent être simultanément intégré dans le développement d’une
technologie de production, d’évaluation, et de diffusion de la culture du tabac au Nord de la
Floride. Dans les domaines de recherche, la recherche sur le terrain est de nature exploratoire
pour répondre aux QUOI et OU, mais pas au pourquoi et quand. Des environnements aussi
diversifiés que ceux du Nord de la Floride augmentent la nature exploratoire de l’aspect
domaine de recherche des recherche sur-le-terrain.
Domaines de recommandation
Dans un domaine de recherche, une équipe intégré et multidisciplinaire de recherche et
vulgarisation conduit des investigations aussi bien sur le milieu physique et naturel que sur
l’aspect socio-économique. Les résultats de cette investigation sont analysés pour 1)
caractériser l’environnement de chaque location sur le plan physique et biologique, 2) définir
les critères d’évaluation des paysans en fonction de la technologie à développer, et 3) définir de
domaines de recommandations. Un domaine de recommandation est une combinaison unique
des caractéristiques de l’environnement et des critères d’évaluation.
Les domaines de recommandation sont donc, un ou plusieurs sous-ensembles du
domaine de recherche qui tend vers 1) une homogénéité de l’environnement - naturel ou crée
par le paysan - et 2) une homogénéité des critères d’évaluation des paysans pour la technologie
à développer. Ces domaines de recommandation diffèrent également des premiers courants de
pensées qui recommandaient les domaines en fonction de tous les champs (Byerlee, et al.
1982) ou des cultures et systèmes d’exploitation (Hildebrand, 1981) en se referant
logiquement à des parcelles ou champs individuels, ou même à des sites différent dans le même
champ. Le principe le plus important est de considérer le domaine de recommandation comme
des environnements dont les caractéristiques physiques, biologiques, et socio-économiques,
peuvent être identifiées.
Le type de recherche-sur-le-terrain pour les domaines de recommandations est la
validation. Cela pour contïrmer les réponses concernant 1) comment chaque alternative
(traitement) va-t-elle répondre, et 2) où cette alternative est-elle appropriée. La validation
peut aussi servir à affiner la caractérisation des domaines de recommandation et des critères
d’évaluation du paysan. A cet stade, le nombre des traitements des essais sur-le-terrain est
limité. Les agents du service de vulgarisation peuvent jouer un rôle très important en
élargissant le champ d’action et en accélérant la dissémination de la technologie,
Domaines de diffusion
Les domaines de difision sont des réseaux informels de communication de personne-i-
personne a travers lesquels la nouvelle connaissance acquise va circuler. La connaissance de
ces réseaux est très important pour aider !es agents de la recherche et de la vulgarisation à
localiser les essais de démonstration en milieu paysan de façon à toucher le réseau.
Le défis du diagnostic et de l’identification de ces nombreux domaines est rendu
compliqué par la manière dont l’information obtenue de essais sur-le-terrain est collectée,
analysée, et évaluée, Nous devons clairement définir les limites et les zones d’application des
résultats de la recherche, le dégrée d’extrapolation des recommandations, et la cible appropriée
de ces technologies. Pour être crédible vis à vis des paysans et aussi au point de vue
statistique, les résultats des recherche sur-le-terrain doivent être analysés et évalués selon des
méthodes valides de statistique.
Comparaison des Methodes d’Analyses Statistiques
Enumeratives et Analytiques
tiré de Stroup, Hildebrand, et Francis (1989)
Pendant ces dernières décennies, des méthodes de dispositif expérimental et d’analyse
statistique des essais ont été développées et utilisées effectivement dans la recherche agricole.
Beaucoup de ces méthodes sont tellement courantes. Su:i1 est fac-e de perdre de vue le fait
qu’elles sont seulement des applications spécifiques de théories statistiques à des conditions
spécifiques d’expérimentation -- notamment, celles qui sont utilisées dans les stations
d’expérimentation agricole.
Les exigences des essais sur-le-terrain sont-elles les mêmes que celles des essais en
station? Il n’y a pas de raison à ce qu’on s’attende qu’elles soient identiques. En réalité, les
essais qui sont effectués en station et ceux qui sont effectués sur-le-terrain diffèrent en deux
points fondamentaux. Le premier est que les objectifs sont typiquement différents. Le second
point est que la variabilité des données dans un essai en milieu paysan est plus complexe et
demande une démarche plus sophistiquée que celle des essais menés en station.
En quoi les objectifs des essais en milieu paysan diffèrent-ils de ceux des essais en
station? Comment cela affecte-t-il alors le choix des méthodes d’analyses statistiques
appropriées? Bien que cela ne soit probablement pas évident aux yeux des chercheurs en
agriculture, les essais sur-le-terrain ont beaucoup de similarités sur le plan statistique, avec les
expériences d’amélioration de la qualité dans les usines de fabrication. Deming (1953, I975),
le statisticien dont les contributions à l’industrie japonaise sont légendaires, distingue deux
démarches en analyse statistique: énumérative et analytique. Selon Deming (1975):
Enumérative. “L’action à entreprendre sur la monture dépend purement des estimations
ou des comptages complets d’une ou de plusieurs populations spécifiques de la monture, Le
but de l’étude statistique dans le cas d’un problème énumératif est deskptif.”
Pratiquement,
toutes les méthodes classiques de statistique -- test de student, test de Fisher, analyse de
variante (ANOVA, le sigle en Anglais), intervalle de confiance -- sont énumératives de nature.
Analytique. “Dans laquelle une action sera menée sur le procédé qui produit la
monture étudiée, le but étant d’améliorer la pratique dans le futur. Seules les procédures
statistiques qui impliquent la prédiction (et non pas l’estimation) ou le test d’hypothèse sont
analytiques de nature.
kwtrement dit, d’après Deming (1975). “dans un problème énumératif, 100% des
échantillons donne la réponse complète du problème posé Par contre, 100% des
échantillons d’un groupe de patients, ou d’une parcelle de terre, ou des produits de la semaine
dernière (industrielle ou agricole) est insuffisante pour tirer une conclusion dans un problème
analytique. Ce point, bien que fondamental dans les données statistiques utilisées en business,
a échappé à beaucoup d’auteurs”.
En clair, la plupart des essais ont des objectifs plutôt analytiques que énumératifs.
L’application littérale des méthodes de statistiques énumérative, dont la majorité constitue
presqu’une tradition en recherche agricole, n’est donc pas appropriée dans la plupart des essais
sur-lr-Ierïain. Par essxpiz. l’.ASOl‘.1 peut Stre u:Ze dans i’intsrpr&ation des donn&s des
essais sur-le-terrain. Cependant, I’ANOVA met l’accent sur les hypothèses du test et sur les
niveaux de signifiante. Ceux-ci, bien que importants dans les études énumératives, sont hors
propos dans les études analytiques où l’accent est mis sur la prédiction et les actes.
Les procédures ad hoc de statistique sont courantes dans les études analytiques. Bien
que beaucoup de ces procédures peuvent être validement critiquées avec les arguments de la
méthode énumérative, ces critiques sont très souvent hors de propos. Les études analytiques
sont généralement conduites avec très peu de connaissance préalable et très peu de contrôle
sur les conditions du milieu, Le choix se fait fréquemment entre pas d’information et
information plus ou moins imparfaite mais utile. Les conditions optimales des procédures de
la statistique énumérative ne sont simplement pas une option. Typiquement, les études
analytiques sacrifient le contrôle de la variabilité à la faveur d’un domaine de recherche très
élargi mais ceci ne les rend pas pour autant incorrects ou insensés. Cela signifie simplement
que le chercheur doit comprendre les démarcations (différences) et choisir les méthodes
d’analyse statistique en conséquence.
La complexité de la variabilité des essais sur-le-terrain trouble très souvent ceux qui sont
habitués aux méthodes traditionnelles d’analyse statistique utilisées dans la recherche agricole,
Dans le jargon de la statistique, ces méthodes sont des exemples des “carrés moyens
ordinaires”, Leur vertu principale réside dans leur facilité relative d’exécution sans l’aide d’un
ordinateur, ce qui était une considération majeure dans les années 1920 et 1930 lorsqu’elles
avaient été développées. Leurs inconvénients majeurs sont leur structure rigide et étroite,
avec parfois des suppositions peu réalistes imposées aux données pour pouvoir légitimer
l’interprétation. Parce que les essais sur-le-terrain remplissent rarement les conditions
imposées par ces suppositions, beaucoup ont conclu -- à tort -- qu’ils sont en quelque sorte
“statistiquement inadéquats”. En vérité, les méthodes traditionnelles ne peuvent simplement
pas accommoder la complexité des essais sur-le-terrain.
La théorie de “carrés moyen ordinaires” a été depuis longtemps supplantée par des
méthodes plus souples. Des méthodes de modèles linéaires mixtes (ou “la méthode des
modèles mixtes” comme décrite dans ce texte) sont d’un intérêt particulier pour les recherches
sur-le-terrain. La vertu des méthodes du modèle mixte est leur flexibilité. Leur inconvénient
réside dans le fait qu’elles nécessitent l’utilisation d’un ordinateur. Ainsi, bien que la théorie
des modèles mixtes existe depuis près d’un demi-siècle, son utilisation n’est devenue pratiqrle
que dans les années 70 dans les pays développés et dans les années 80 dans la plupart des pays
en voie de développement. Jusque là, les méthodes traditionnelles sont tellement bien encrées
dans les cours de statistique, dans les stations de recherche, et dans les journaux de recherche
agricole qu’un changement de mentalité a du être nécessaire, ou plus correctement, est encore
nécessaire.
Récemment, il y a eu beaucoup d’intérêts dans les applications de la théorie du modèle
mixte en agriculture. Henderson (1975) a développé les meilleurs indices linéaires sans biais
(RLCP, le sigle en Anglais) comme une alternative pour estimer plus de paramètres du type
énumeratif. Perçue au début comme une procédure ad hoc, Harville (1976) a développé les
bases théoriques du BLUP. Une publication régionale du groupe de recherche et d’échange
d’information en statistique (Southem Regional Bulletin, 1989) contenait plusieurs exemples
d’application des modèles mixtes en agriculture. Cette publication contenait aussi des articles
écrits par McLean (1989) et Stroup (1989a) décrivant la théorie et les méthodes de modèle
mixte.
Dans la section suivante, des modèles linéaires mixtes indiqués pour les essais sur-le-
terrain seront analysés. Ces modèles ressemblent en gros aux modèles qui sont utilisés dans
I’&~a!uation des données des recherches effectuées en station Le but de cette section est de
montrsr comment utiliser les modèles mixtes pour distinguer entre les diverses suppositions
qui peuvent être faites à propos des modèles, leurs effets sur l’analyse qui en résulte, et leurs
implications pour les chercheurs. L’objectif au sens large est de donner au chercheur des
perspectives statistiques suffisantes pour choisir des dispositifs expérimentaux et des méthodes
d’analyse appropriée aux essais en milieu paysan.
L’ESSAI “TYPIQUE” SUR-LE-TERRAIN
Bien que les essais sur-le-terrain sont conduits de plusieurs façons, la plupart reposent
sur une structure élémentaire commune. Ce qui suit est une description générique des
éléments essentiels:
Supposons qu’un nombre de traitements V sont à évaluer. Chaque traitement est
observé dans F différents champs où les caractéristiques (spécifiques) biophysiques et socio-
économiques de la location exacte du champ seront déterminées. A chaque location du
champ, chacun des traitements est “répété” R fois. Le terme “répété” est mis ici entre
guillemets parce que, bien que cela deviendra évident dans la discussion, des observations
multiples sur les traitements à l’intérieur d’une location de champ donné peuvent ne pas être de
vraies répétitions. Remarquez que le terme “champ” désigné par la lettre “F” dans la suite du
texte est générique. Ce terme doit être plus spécifiquement interprété comme
“environnement”. Dans des essais donnés, “parcelle”, “champ”, “village”, etc peuvent désigner
la même chose.
Schématiquement, cet essai peut être représenté comme indiqué à la figure 1, Comme
point de départ de l’analyse de cet essai, le modèle (équation) mathématique suivant peut être
utilisé:
Y, = p + $ + r(f), + Vu + v& + e,,
(1)
Où
Y,, est l’observation j sur le champ i du traitement k,
p est la moyenne générale,
c est l’effet du champ i,
r(f), est l’effet de la répétition j dans le champ i,
vk est l’effet du traitement k,
VF, est l’interaction entre le champ i et le traitement k,
e,, est la variation résiduelle,
avec i = 1, 2, 3, ..; j = 1, 2, 3, ..; k = 1, 2, 3, . . etc.
SGCRCE DE VARIATION
Dégrée de liberté
CH.4MP
F
F - l
REP(CHAMP)
R(F)
F(R - 1)
TRAITEMENT
V
CHAMP X TRAITEMENT V X F
i-i)(V - 1)
RESLDUELLE
resid
F(R - l)(V - 1)
TOTAL
FRV-1
Cerre ,4NOTc-A a plusieurs interprétations possibles selon les objectifs spécifiques d’un
essai donné et selon les modèles qui en résultent. Pour faire une utilisation adéquate du
tableau de I’ANOVA, le chercheur doit être clair sur les objectifs de l’essai et sur la nature des
effets en observation, Quelques termes utiles sont ici définis.
Population de référence: L’ensemble des éléments (e.g. champs) auxquels les résultats
de l’étude sont appliqués. Ceci est similaire au concept de domaine de recherche.
Espace de projection: Les applications du résultat des essais sur-le-terrain prennent
souvent la forme de recommandation. Les recommandations sont basées sur les
comportements projetés des traitements, soit pour la population entière, soit pour diverses
sous-populations. L’ensemble des éléments (e.g. champs, environnements) auxquels une
prédiction est supposée être applicable est appelé l’espace de projection. Ceci est similaire au
concept de domaine de recommandation.
Effets aléatoires et effets fixes: Les effets de l’étude -- traitements, champs,
“répétitions” -- peuvent être considérés fixes ou aléatoires en fonction (1) du mode de leur
choix et (2) de l’espace de projection approprié aux objectifs de l’étude. Un effet est considéré
fixe si les niveaux d’un facteur particulier sont choisis délibérément avant l’étude. Dans ce cas,
les mêmes niveaux seraient encore utilisés toutes les fois que l’étude doit être répétée avec les
mêmes conditions préalables. La projection est alors limitée seulement aux niveaux qui sont
représentés dans l’étude. Typiquement, des traitements tels que la méthode de labour ou la
dose d’engrais dans une variété d’essai seraient considérés comme des effets fixes. Un effet est
dit aléatoire quand les niveaux observés dans l’étude ont été choisis par un échantillonnage
aléatoire d’une large population -- des niveaux identiques dans une répétition de l’étude
seraient très improbables. La prédiction de ce cas est projetée pour être appliquée à la
population de base d’où les niveaux observés dans l’étude ont été échantillonnés. Le plus
patent exemple de l’effet aléatoire serait l’effet de la “répétition” ou de la variation résiduelle.
Beaucoup d’effets ne sont pas de façon précise, fixe ou aléatoire -- e.g. des effets de la
location du champ ou de l’environnement. Le fait qu’un effet soit fixe ou aléatoire a une
implication majeure sur l’analyse comme nous allons le démontrer ci-dessous.
La plupart des livres de statistique e.g. Steel et Torrie (1980) ou Snedecor et Co&ran
(1980) contiennent des explications détaillées sur les effets fixes et aléatoires. De nombreux
autres livres sur le dispositif expérimental ou sur la planification des expérimentations
analysent la population de référence e.g. Cox (1958) ou Mead (1988). Le lecteur doit
consulter ces livres pour plus de détails.
L’IMPACT DES EFFETS FIXES OU ALEATOIRES SUR L’ANALYSE DE
VARIANCE
Dans l’analyse de variante des essais sur-le-terrain donnés ci-haut, il est plus ou moins
clair que les “traitements” sont fixes et que les “répétitions” sont aléatoires. Cependant, les
champs ne sont pas facilement classés dans l’une ou l’autre de ces catégories. Différents
champs ont bien pu être sélectionnés intentionnellement ou en fonction de certains critères:
taille, revenue, niveau technique, type de sol, caractéristiques climatiques, etc. Les champs
peuvent également avoir été choisis de façon aléatoire dans une population de base donnée.
En réalité, ces cas sont des exemples extrêmes. Les champs sont généralement choisis selon
une combinaison tactique des facteurs fixes et aléatoires. Ceci étant, un ensemble de
conditions définies doit être représenté, mais une sorte d’échantillonnage aléatoire est effectué
à l’intérieur de chaque condition Cela conduit essentiellement à un échantillonnaze aliatoire
stratifie.
11 en résulte que les champs ne sont pas facilement classés comme fixe ou aléatoire.
Habituellement, l’analyse “correcte” des essais sur-le-champ implique quelque compromis
entre l’analyse où les effets du champ sont supposés fixes et celle où les effets du champ sont
supposés aléatoires. Avant d’examiner ce “compromis”, il est instructif de voir les analyses
appropriées aux cas où les champs sont strictement supposés fixes et ceux où ils sont
strictement supposés aléatoires.
Si les chamns sont supposés fixes, les seules composantes aléatoires du modèle sont
donc r(‘j& et e,,. Désignons la variante de r(t), par ad et la variante de e,, par u2. Les
valeurs prévisionnelles des carrés moyens de I’ANOVA sont donc comme suit:
SOURCE DE VARIATION
CARRE MOYEN PREVISIONNEL
F
a2 + FVoti2 + RW,
RF)
u2 + FVufi2
V
u2 + FR@,
V x F
u2 + R<P,
résiduelle
U2
où <p, aw et @, désignent respectivement les variations imputables aux effets fixes <,
v,, et v&.
Si les chamns sont sunposés aléatoires, les composantes < et vf& du modèle sont aussi
aléatoires. Si on désigne leur variante respective par uf et uti2, les carrés moyens
prévisionnels seront alors:
SOURCE DE VARIATION
CARRE MOYEN PREVISIONNEL
F
u2 + Ruti2 + Vu,’ + RVuf2
NF)
u2 + vad
V
u2 + Ruti2 + FR@,
VxF
u2 + Ruti2
résiduelle
U2
Ces deux tableaux de ANOVA impliquent des démarches différentes pour tirer les
conclusions Quand les chamos sont SuDDosés fixes, la première préoccupation de
l’expérimentateur est de voir l’interaction entre le champ et le traitement (V x F). L’importance
de cette interaction est déterminée par le F-ratio MS(V x F)NS(résiduelle).
Si le F-ratio
indique qu’il y a une interaction, les efforts sont alors concentrés sur la comparaison de la
nature de cette interaction. Même si le F-ratio s’avère négligeable, l’expérimentateur aura à
séparer MS(V x F) en ses composantes utiles, en utilisant par exemple des contrastes, puisque
des interactions importantes sont très souvent masquées par un dégrée de liberté élevé de V x
F (voir Snedecor et Co&ran [1980], pp. 304-307).
Quand les champs sont supposés aléatoires, le test de l’interaction entre le champ et le
traitement qui utilise le même F-ratio que ci-dessus a une interprétation très différente Cela
signitïe precisément que les différences entre les traitements varient de façon aleatoire selon le
champ. Ce qui est différent du cas de l’effet des facteurs fixes, dans lequel l’interaction
implique que les différences relatives entre les traitements sont influencées par les
caractéristiques tangibles, identifiables, et reproductibles du champs (c-à-d les caractéristiques
dictent le choix des champs en premier lieu). En fait, le test de l’interaction est
particulièrement intéressant si les champs sont aléatoires: Si atiz est inférieur à zéro, la
supposition de champ aléatoire est alors probablement imparfaite. L’effet principal du
traitement est alors d’intérêt. Cela est évalué en utilisant le F-ratio MS(V)/MS(V x F). Son
but est de vérifier que les différences entre les moyennes des traitements sont suffisamment
larges et consistantes pour être détectées dans la population projetée, en plus du fait qu’il
existe des différences aléatoires entre les interactions Traitement X Champ.
Pour résumer, si les champs sont supposés fixes, le F-ratio de première importance est celui de
l’interaction V x F, qui équivaut à MS(V x F)/MS( résiduelle). Si l’interaction V x F est
négligeable, alors l’effet principal de V est déterminé par MS(V)/MS(résiduelle). Si les
champs sont dits aléatoires, les valeurs intrinsèques du test V x F sont moindres (sauf pour
vérifier la validité des hypothèses). L’effet principal de V, qui dans ce cas est le F-ratio
MS(V)/MS(V x F) est de première importance.
Habituellement, les essais sur-le-terrain sont rarement totalement fixes ou totalement
aléatoires. Les ANOVA sont donc des exercices académiques utiles pour illustrer les issues
dont les chercheurs qui mènent des investigations sur les systèmes de productions agricoles
ont besoin de comprendre. Aucune des deux ANOVA ci-dessus ne peut cependant être d’une
utilité pratique à moins qu’elle soit modifiée.
SEPARATION DES COMPOSANTES DE L’INTERACTION CEFAMP X
TRAITEMENT
Dans la plupart des essais sur-le-terrain, la population d’inférence comprend une série de
“types d’environnements” que l’expérimentateur cherche à représenter. Dans le cas extrême
des effets fixes, le nombre de type sera F. Ainsi, seul un environnement par type serait
observé. Dans le cas extrême des effets aléatoires, il y aurait certainement un type
d’environnement (ou bien très peu de choses seraient connues sur les environnements que la
différentiation en types ne pourrait pas être faite avant de conduire l’essai) et F environnements
échantillonnés rejetteraient l’un ou l’autre des extrêmes. Un dispositif réaliste serait
d’échantillonner de façon aléatoire un certain nombre d’environnement dans chacun des
nombreux types (d’environnement) dans la population.
Si les types de “champ” sont très bien définis, l’équation (1) peut être modifié comme
suit:
Y,, = j.l i ti + f(t), i- r(tf)ijk + VI + Vtfi +Vf(t)ij, f e,,
(2)
Où
ti est l’effet du type de champ,
f(t), est l’effet du champ entre type,
vt, est l’interaction type de champ X traitement,
et les autres termes suivent par extension ceux de l’équation (1).
Dans l’équation (2), type et traitement seraient considérés comme fixes, champ et
répétition seraient aléatoires, et l’analyse serait effectuée selon I’ANOVA suivant:
SOURCE DE VARIATION
dll
CARRE MOYEN PREVISIONNEL
T
T-l
o2 + Vu,’ + Vati2 + R~U,* + FRW,
F(T)
T(F- 1)
a2 + Ru,’ + Vud2 + R~U,*
RU’V
TF(R- 1)
u2 + VQ2
V
V-l
u2 + Ru,’ + TFR@,
VxF
(T- l)(V- 1)
u2 + Ru,’ + FR@,
V x F(T)
T(V- l)(F- 1)
u2 + Rufi2
résiduel
TF(R-l)(V-1)
u*
L’interaction type X traitement (V x T) serait initialement de première importance. Son
F-ratio est MS(V x T)/MS(V x F[t]).
Comme auparavant, séparer MS(V x T) en des contrastes utiles seraient vivement
recommandé. Par exemple, supposons que les types de champ sont:
1. pluviométrie élevée, mécanisation
2. pluviométrie élevée, pas de mécanisation
3, faible pluviométrie, mécanisation
4. faible pluviométrie, pas de mécanisation
et que les traitements sont:
1. variété standard, pas d’engrais
2. variété standard, avec engrais
3. variété résistante, pas d’engrais
4. variété résistante, avec engrais
L’effet de type peut être décomposé en effets principaux de pluviométrie, de
mécanisation, et interaction Pluviométrie X Mécanisation. L’effet du traitement peut
également être décomposé en effets principaux d’engrais et variété, et en interaction Engrais X
Variété. L’interaction entre chacun des trois types d’effets d’un côté avec l’un quelconque des
trois types de l’autre côté pourrait donc être évaluée. Par exemple, une interaction
Pluviométrie X Variété pourrait être évalué pour voir si la variété résistante est avantageuse
aussi bien en faible que en haute pluviométrie. Dans le cas inhabituel où l‘interaction Type X
Traitement est négligeable, l’effet principal du traitement pourrait être testé en utilisant
MS(V)/MS(V x F[T]).
Les performances projetées des traitements pour des types particuliers de champs
peuvent être obtenues en utilisant les intervalles de confiance des moyennes des interactions
traitement X Type de champ. Il faudrait prendre soin d’utiliser les termes de l’erreur
appropriée pour les calculs. Beaucoup de programmes statistiques ne peuvent pas traiter les
modèles linéaires mixtes comme par exemple le modèle (2) sans une transformation
particulière. Pour une discussion complète sur le sujet, voir McLean (1989) et Stroup
(1989a). Les performances projetées d’un champ spécifique à l’intérieur d’un type de champ
donné pour un traitement particulier, peuvent être obtenues en calculant les meilleurs indices
linéaires non biaisés d’estimation (Henderson, 1975). Ces estimations ne sont pas les mêmes
que les moyennes habituelles des échantillons. Voir également hlclean (1989) et Stroup
( ! 9.~9~ ct 1939b) pour une discussion approfondie.
ANALYSE DE STABILITE
Un cas spécial de l’analyse ci-dessus se produit quand “des types d’environnements” et
leurs interactions potentielles avec les traitements ne sont pas bien comprises avant de
conduire l’essai sur-le-terrain. Dans ce cas, le chercheur essaie de représenter un spectre aussi
large que possible des types à l’intérieur de la population d’inférence, mais une séparation
“propre” de la variabilité parmi les environnements en type et environnement par type peut ne
pas être possible. Un des objectifs de l’étude pourrait bien sûr être de fournir des informations
concernant les environnements qui favorisent ou défavorisent certains traitements et les traits
communs de ces environnements. Des formes variées de “l’analyse de stabilité” sont des
exemples importants de cette méthode.
Des articles excellents sur l’analyse de stabilité sont disponibles [voir Freeman (1973)
Hi11 (1975) Westcott (1985)]. Hildebrand (1984) a adapté la méthode aux essais sur-le-
terrain. Son utilisation est démontrée dans la section suivante. Cette discussion se contentera
d’indiquer sa relation avec le modèle (2) ci-dessus. Dans l’analyse de stabilité modifiée (MSA,
le sigle en Anglais) de Hildebrand, un index (EI) est défini pour chaque environnement comme
la réponse moyenne sur tous les environnements de la location de ce champ. Une régression
linéaire sur tous les index est obtenue pour chaque traitement et est utilisée comme la base
pour déterminer le “domaine de recommandation”, une notion qui est similaire (mais pas
identique) au concept du modèle mixte des espaces de projection. En terme de ANOVA, cela
peut être exprimé en modifiant l’équation (2):
Y,, = /,i $- fi i- r(f), + vk + Q?3J+ V& + f?Gk (3)
où
EIi est l’indice de l’environnement i, et
13k est le coefficient de la régression linéaire pour le traitement k
avec i = 1, 2, .,.; j = 1, 2, . . . . k = 1, 2, . . . etc.
Au fond, EI dans le modèle (3) remplace Type dans le modèle (2). De même, 6 dans le
modèle (3) est équivalent à ti + f(t), dans le modèle (2); ti& du modèle (3) est équivalent à
vf(t),, du modèle (2). Puisque l’environnement (représenté par “F”) a un effet aléatoire sauf
pour EI, I’ANOVA est comme suit:
SOURCE DE VARIATION dll
CARRE MOYEN PREVISIONNEL
F
F-l
u- - Ru,; + \\-Q~ -I- R’Lla;
NF)
F(R- 1)
o2 + VUA
V
v- 1
CI” + Ru,; + FR@,
V x EI
o2 + Rati2 + FR@,,
VxF
21;11)@2)
a2 + Ruti2
résiduelle
F(V- l)(R- 1)
u2
L’égalité du f$ peut être testée en utilisant MS(V x EI)/MS(V x F). Un F-ratio
significatif impliquerait que les traitements répondent de façon inégale à EI (et donc à tout
type d’environnement que implique ET). Ceci en retour donnerait une justification formelle
pour projeter que différents traitements sont optimaux pour des “domaines de
recommandation” variés.
Il n’y a pas de raison que l’utilisation des indices environnementaux soit limités à la
régression linéaire. Par exemple, le modèle (3) peut être facilement transformé en
y,, = p + 6 + r(f), + vk + 131k(EIJ+ B,(EIJ’ + v& + e#
(4)
où
lJk est le coefficient de la régression linéaire pour le traitement k, et
IJzk le coefficient de la régression de second ordre du traitement k
avec i= 1, 2, . . ..j = 1, 2, . . . . k= 1, 2, . . . etc.
L’ANOVA du modèle (4) est presque identique à celui du modèle (3) à part une ligne
supplémentaire pour V x E12 (ou V x EI x EI) avec V-l dégrée de liberté qui apparait
immédiatement après V x EI. Le terme restant V x F aura donc un dégrée de liberté
équivalent à (V-l)(F-3).
Le F-ratio MS(V x EI’)/MS(V x F) teste l’égalité de la régression du second ordre sur
EI pour des traitements variés. Cela peut être illustré graphiquement comme à la figure 4.
Remarquez que la régression de second ordre est bien différente pour les traitements malgré la
similarité de leur composante linéaire. Beaucoup d’auteurs ont montré que seules des
régressions de premier ordre doivent être faites sur EI [exemple Westcott (1985)].
Cependant, le modèle (4) démontre clairement que cette restriction n’est pas nécessaire. Bien
au contraire, le modèle (4) peut être étendu à des formes de régression plus complexes sur EI.
S’il y a seulement une “répétition” par champ (une discussion des avantages et
inconvénients sera présenté ci-dessous), le terme R(F) et la valeur résiduelle de I’ANOVA
n’ont pas de dégrée de liberté et le résultat est simplifié comme suit:
SOURCE DE VARIATION
Ql
CARRE MOYEN PREVISIONNEL
F
f-l
u2 +RVc$
V
v-i
u2 +FQD,
V x EI
v-l
uti2 + FQ,
V x E12
V-l
ua2 + Fa$
VxF
(v- l)(f-3)
uti
Avec V x F comme le nouveau terme de la valeur résiduelle.
Remarquez que cela n’a aucun impact sur le F-ratio utilisé.
L’utilisation de EI dans l’analyse de la stabilité a été longtemps critiquée parce que la
variable indépendante EI est en fait une fonction de la variable dépendante. Westcott (1985) a
appelé a une utilisation plus grande des “variables environnementales” indépendantes. Il a
aussi mentionné que les “les mesures environnementales sont rares et donc très souvent pas
disponibles”. A part les objections théoriques, la recherche en milieu paysan a souvent deux
alternatives seulement: utiliser EI ou bien être incapable de faire des recommandations utiles
dans un délai raisonnable. Et puis, comme ont indiqué McCullagh et Nedler (1989), “une
première, bien qu’au premier coup d’oeil, n’est pas une théorie très utile, est que tous les
modèles sont faux; cependant: certains sont d’une utilité plus grande que les autres, et nous
de\\.ons chercher ceux-là” Les critiques portent très souvent sur les faiblesses de la propriété
des mithodes formelles d’analyse statistique qui utilisent EI. Des insuffisances existent bien
évidemment; mais le fait est que très souvent, le chercheur n’a que EI comme le seul élément
objectif pouvant le guider dans le choix de la qualité de l’environnement. Ces critiques seraient
bien des problèmes sérieux si les objectifs étaient de faire des projections statistiques formelles
et définitives. Ce qui n’est pas le cas. La plus importante utilisation de ce genre d’analyse est
d’obtenir des données préliminaires sur la régularité de la performance du traitement -- comme
quels champs, quelles parcelles ou groupe de parcelles semblent causer des problèmes; quelles
recommandations peuvent être raisonnables; etc. Ce genre d’analyse est toujours un point de
départ et non une fin en elle-même.
Une fois qu’on a trouvé une interaction significative entre EI et un traitement donné (EI
X Traitement) dans les modèles (3) ou (4), il y a encore beaucoup d’efforts et d’attention à
faire (qui implique dans une large mesure des questions non statistiques du genre pourquoi
certains EI sont faibles et d’autres sont élevés) avant d’associer EI à des futurs environnements
ou des “domaines de recommandation” prévisibles et faire des recommandations acceptables.
La prédiction de la performance des champs étudiés dans l’essai peut être faite en utilisant la
bien connue meilleure méthode non biaisé de prédiction linéaire. Les EI n’ont pas de sens
intrinsèque, donc les prédictions pour les parcelles ou pour les champs qui ne sont pas inclus
dans l’essai sont aussi valables que la capacité du chercheur à prédire quels champs (ou
parcelles) pourront être inclus dans le domaine de recommandation. L’essai sur-le-terrain ne
pourra pas de lui-même générer des données adéquates pour cela.
UNE NOTE IMPORTANTE SUR LA PLANIFICATION DES ESSAIS SUR-LE-
TERRAIN
Remarquez que aucun des termes MS[R(FT)] ou MS(résiduelle) n’a été utilisé dans
l’analyse de l’habituel essai sur-le-terrain c-à-d celui décrit par des variations quelconque du
modèle (2). Le terme approprié du dénominateur pour tous les tests d’intérêt est MSF x
F(T)]. Pourquoi cela est-il important? MS[R(FT)] et MS[résiduelle] exige tous les deux que
R, le nombre de “répétitions” par champ, soit au moins égal à deux. Cependant, aucun de ces
termes n’a de rôle dans l’analyse des essais habituels sur-le-terrain. Qu‘est-ce qui va se passer
si on a seulement une répétition par champ? On ne pourrait pas calculer MS[R(FT)] ni
MS[résiduelle]. Mais parce que aucun des deux ne joue de rôle dans l’analyse, il n’y a pas de
désavantage majeur.
Il EST important d’avoir autant de champs que possible par type. Cela maximise le
dégrée de liberté de MS[V x F(T)], et puisque c’est le dénominateur de tous les F-ratios
d’intérêt, cela augmentera la puissance et par conséquent l’utilité de l’information disponible.
C’est donc le CHAMP qui est la vraie répétition dans un essai sur-le-terrain et non la
“répétition” à l’intérieur d’un champ (d’où la raison d’être des guillemets). Cela est important
parce que les chercheurs qui travaillent sur-le-terrain ont souvent été conseillés de faire des
répétitions à l’intérieur d’un champ, mème dans l’exemple de Hildebrand et Poey (1985)!
Au
Lue de I’ANOVA, nous savons que ce conseil est bien erroné. En plus, il constitue un
gaspillage. Le chercheur ferait mieux d’utiliser cet effort (ou temps) pour observer plusieurs
champs. Pire, cela constitue en soi un abus de l’hospitalité du paysan qui offre le terrain où
sera conduit la recherche. Le paysan ne doit plus avoir de parcelle en dehors de ce qui est
nécessaire pour sa production ordinaire sauf en cas de nécessité absolue.
Pour nous redire, dans la plupart des essais en milieu paysan, le nombre de champs
obsemés doit être maximum. La répétition à l’intérieur d’un champ n’est généralement pas
nécessaire et constitue souvent une perte de temps. La seule exception est pour le cas du
mcdele ( 1) où “le champ est supposé fixe”, une méthode pas du tout courante.
MODIFICATION DE L’ANALYSE DE STABILITE
Une méthode pour organiser la recherche sur-le-terrain dans des environnements aussi
variés que ceux de l’exemple du Nord de la Floride est la méthode “d’analyse de stabilité”,
modifiée pour apporter une interprétation positive plutôt que négative de l’interaction entre le
traitement et l’environnement (Hildebrand, 1990). La figure 3 montre des résultats
hypothétiques des trois variétés (comme un exemple de trois nouvelles technologies) qui ont
été testées dans plusieurs environnements convenablement diversifiés. Dans ces cas
hypothétiques, toutes les variétés ont la même moyenne générale et les mêmes déviations de la
droite de régression (s’d, = 0). Les coefficients de la régression linéaire sont 1.5, 1 .O, et 0.5
respectivement pour les variétés A, B, et C. A défaut d’autre critère d’élimination, la variété B
(la plus adaptée selon Finaly et Wilkinson (1963), ou la plus stable selon Eberhart et Russell
(1966)) sera sélectionnée sur la base de la valeur du coefficient de régression. L’argument
contre la variété A est que, vue la valeur largement supérieure à l’unité de son coefficient de
régression, elle est trop sensible aux changements d’environnements et produit faiblement dans
des mauvais environnements. Quand à la variété C, parce qu’elle a un coefficient de régression
inférieur à l’unité, elle est jugée incapable d’exploiter convenablement les environnements
propices à des rendements élevés. La variété B qui est supérieure dans chacun des
environnements est donc choisie comme la meilleure des trois variétés.
Remarquez que l’argument contre la variété A qui a un coefficient élevé va de droite à
gauche ou vers des environnements pauvres (il produit peu dans des environnements pauvres).
Le contraire est vrai pour l’argument contre la variété C avec un faible coefficient, et qui va de
gauche à droite ou vers des environnements propices (il n’exploite pas suffisamment les
environnements propices). Ce sont là des interprétations négatives qui ont conduit à la
sélection de la variété B (Figure 5).
Avec les variétés possédant un coefficient de régression élevé, si l’accent avait été mis
sur les meilleurs environnements au lieu de s’éloigner d’eux (quelles variétés peuvent exploiter
les meilleurs environnements?), la variété A aurait été sélectionnée. De même, pour les
variétés à faible coefficient si l’accent avait été mis sur les environnements à faible potentialités
-- au lieu de s’en éloigner --, (quelles variétés continuent de produire même quand
l’environnement est pauvre?), la variété C aurait été sélectionnée (Figure 6). La différence
n’est pas dans la procédure analytique mais plutôt, dans le choix d’une philosophie positive au
lieu de négative, dans les objectifs et/ou les attitudes adoptés dans le choix de la technologie.
GUIDE POUR L’INTERPRETATION DES INTERACTIONS
1, SI NI LES EFFETS MAJEURS NI LES INTERACTIONS SONT SIGNIFICTIFS, ARRETEZ-VOUS
LA!
2. SI DES INTERACTIONS SONT SIGNIFICATIVES:
A. DETERMINER ET EXPLIQUER CE QUI A CAUSER INTERACTION
B. PRESENTER ET COMPARER LES MOYENNES D’INTERACTION (LES COMBINAISONS-
TRAITEMENTS QUI INTERAGISSENT.
3. SI EFFETS MAJEURS SONT SIGNIFICATIFS ET LES INTERACTIONS NON PAS
SIGNIFICATIVES, COMPARER LES MOYENNES DE L’EFFET (OU DES EFFETS)
SIGNIFICATIF(S), EN CALCULANT CES MOYENNES A TRAVERS LES AUTRES EFFET.
EXAMPLE 1.
a!
SIGN
A
A
ns
B
ns
AB
ns
LES TRAITEMENTS (COMBINAISONS DE A ET B) NE SONT PAS SIGNIFICATIFS. SI ON VOIT DES
EFFETS APPARANTS ET IMPORTANTS, ON PEUT REPETER L’EXPERIMENTATION, EN
RAFFINANT LA TECHNIQUE EXPERIMENTAL (POUR DIMINUER o2> OU AUGMENTER LE NOMBRE
DE REPETITIONS.
EXAMPLE 1.
sv
SIGN.
A
ns
B
*
AB
ns
LA POPULATION N’A ETE AFFECTEE QUE PAR LES TRAITEMENTS DE B. PRESENTER ET
COMPARER LES MOYENNES DE B A TRAVERS TOUS LES NIVEAUX DE A.
EXAMPLE 3.
S!d
SIGN.
A
*
B
*
AB
*
TOUS LES FACTEURS ONT AFFECTE LA POPULATION. PRESENTER ET COMPARER LES
MOYENNES AB (TOUTES LES COMBINAISONS DE TRAITEMENT)
FACTORIELS,INTERPRETATION
I
2
3
4
5
fi-.
A
NS
*
*
NS
*
B
NS
NS
*
NS
k
*
AxB NS
NS
NS
*
*
3c
B
1
2
3
1
5.0
4.0
3.0
2
4.8
4.0
3.2
4
B
1
2
3
B
1
2
3
1
1
5.0 4.0 3.0
5.0 4.0 3.0
2
4.0 3.0 2.0
2
3.0 4.0 5.0
B
1
2
3
B
1
2
3
1
1
5.0
4.0
4.2
5.0 4.0 4.2
2
4.6
3.2
5.2
2
3.6 2.2 4.2
LES INTERESSES
1 .
Intéressés Bénéficiaires
(Les intéressés qui se sont avantagées par une technologie qui améliore la
production ou la productivité d’une culture ou d’un produit agricole.)
Producteurs
Fournisseurs
Main-d’oeuvres
Consommateurs
Récipiendaires de Revenus/Bénéfices
2 .
Intéressés Perdants
(Les intéressés qui se sont désavantagées parce que leurs cultures ou produits
agricoles sont en concurrence avec ce des bénéficiaires.)
Producteurs
Fournisseurs
Main-d’oeuvres
Consommateurs
Récipiendaires de Revenus/Bénéfices
QUELQUES CATEGORIES
DES INTERESSES
I
1. Les familles agricoles:
Chef de famille
L’épouse/Les épouses
Les enfants
Autres membres de la famille
2. Les Commerçants:
Des Entrants
Les Grossistes
Les Détaillants
Des Produits Agricoles
Les Grossistes
Les Détaillants
3. Les Main-d’oeuvres:
Familiales
Locales
Migrantes
4. Consommateurs:
Locaux
Nationaux
Etrangers
5. Décideurs:
Secteur privé
Secteur publique
6. Fournisseurs
de capitaux:
Les propriétaires des équipements
Les banques et les institutions financières
Les donnateurs
EXEMPLES DE CRITERES
D’EVALUATION UTILES A L’ANALYSE AU
NIVEAU DE L’ENTERPRISE
I
LES INTERESSES
Evaluation de l’acceptabilité d’après chaque catégorie des intéressés
verbalement par chaque concerné adoption par les intéressés
RENTABILITE DES RESSOURCES RARES:
par unité de superficie
par unité de semences
par unité monétaire
par unité d’investissement à long terme
par unité d’animal/jour pour la traction
par unité superficie/temps
Probabilité de recevoir un résultat moins que le minimum acceptable,
mesurée d’après les critères énumérés ci-haut.
DISTRIBUTION DES COUTS ET BENEFICES:
(désagrégée selon l’âge, le sexe, la position et/ou le type de ménage)
Main-d’oeuvre
Temps mis à la gestion
Entrants payés
Entrants non-monétaires (semences, fumier, etc.)
Revenus (bénéfices)
Bénéfices indirectes (produits, accès aux ressources)
Bénéfices nets
hlarge brute
QUALITE DU PRODUIT;
(relatif au prix marchand et/ou à l’utilisation domestique)
Préférences à la consommation (goût, taille, couleur, forme etc,)
Susceptibilité aux ravages avant la récolte
Qualité quant à la transformation
Qualité quant à la cuisine
Qualité quant à la nutrition
Utilité des sous-produits
Taille ou qualité des tiges
L’Analyse d’Adaptabilité
Une Méthode pour la Mise au Point et 1’Analyse des Essais en Milieu
Paysan
Basé sur un livre à sortir de la Presse de l’université de 1’Etat de Iowa,
par P.E. Hildebrand et J.T. Russell
et un guide de formation par P.E. Hildebrand et E. Bastidas
Etapes:
1.
Calculer une mesure de l’environnement, l’index environnemental (IE).
2 .
Estimer le rapport des réponses aux traitements à l’environnement.
2a. Faire un simple graphique des observations sur IE.
2b. Estimer la rélation entre la réponse de chaque traitement et l’environnement (JE).
Ceci peut se faire par regression linéaire ou simplement à la main.
2c. Evaluer la qualité des données.
3 .
Evaluer l’interaction des traitements avec l’environnement. C’est à dire, comparer la
réponse de chaque traitement à IE.
4 .
Characteriser les environnements. Les données qui permettent à cette étape sont
souvent manquantes. Assurer-vous que votre collecte de données soit suflkamment
complète.
5 . Interpreier les résultats et définir les domaines de recommendation.
5a. Définir les domaines provisoire.
5b. Rafïner la définition des domaines en faisant, par domaine provisoire, I’ANOVA,
regression, une analyse de risque associé aux technologies, ou d’autres analyse
économique.
5~. Etablir les domaines de recommendation définitifs, Les personnes impliquées dans le
déroulement de l’essai (chercheurs, agriculteurs, agents de vulgarisation) sont les
meilleures placées d’employer leurs connaissances, imaginations, et jugements pour
convertir les résultats en recommenations valables.
6 .
Répéter les étapes 2-5 en utilisant d’autres critères d’évaluation.
7 .
Créer des messages à vulgariser pour chaque domaine de recommendation et appropries
à chaque domaine de diffusion.
L’Analyse d’Adaptabilite, Un Example, En Utilisant Quattro Pro
Essais fertilisation de mais, Manaus, Besil (Singh 1990)
t/ha
Exploit.
TA
ERT SPT EP
3
0.0
0.0
0.2
0.6
1
0.2
0.2
1.3
2.8
4
0.2
1.1
1.6
2.8
5
0.2
0.7
3.4
3.6
8
0.2
0.7
3.5
4.0
2
0.0
1.1
3.4
4.4
6
2.2
1.0
4.2
3.6
7
2.5
1.4
4.5
4.0
TA = Temoin de l’agriculteur
EOT = Fumier organique (provincance urbaine)
SPT = Superphosphate triple
EP = Fumier poulet
ANOVA avec localités traites en réplications (i.e., blocs aléatoires),
Source de variation
dl
Prob. d’un F suuérieur
Localité
7
0.00049
Traitement
3
0.00001
Residuelle
2 1
MOYENNES:
E P
3.22 a
SPT
2.76 a
EOT
0.76 b
TA
0.69 b
Mais, Manaus Brasi
5
0
0
4
0
l
0
:
3
<.?A
0
0
2
0
0
0
1
l
0
0
l
a
.
TA
EOT
SPT
EP
Traitements
Manaus Mais
Données et les régressions linéaires des traitements sur IE
tlha
Exploit.
TA
ERT
SPT EP
IE
TA(P)
ERT(P)
SPT(P)
WW
0.0
0.0
0.2
0.6
0.2
-0.6608
0.0472
0.0690
1.3446
0.2
0.2
1.3
2.8
1.1
0.0894
0.4521
1.5676
2.3909
0.2
1.1
1.6
2.8
1.4
0.3327
0.5835
2.0537
2.7302
0.2
0.7
3.4
3.6
2.0
0.7787
0.8243
2.9448
3.3522
0.2
0.7
3.5
4.0
2.1
0.8801
0.8790
3.1473
3.4936
0.0
1.1
3.4
4.4
2.2
0.9815
0.9337
3.3498
3.6350
2.2
1.0
4.2
3.6
2.8
1.4073
1.1635
4.2004
4.2288
2.5
1.4
4.5
4.0
3.1
1.6911
1.3168
4.7674
4.6247
Sorties pour la régression linéaire des traitements sur IE
(Quattro Pro)
T A
ERT
Regression Output:
Regression
Output:
Constant
-0.823001
Constant
-0.0404
Std Err of Y Est
0.7648552
Std Err of Y Est 0.271232
R Squared
0.5300391
R Squared
0.7232597
No. of Observations
8
No. of Observations
8
Degrees of Freedom
6
Degrees of Freedom
6
X Coefficient(s)
0.8110073
X Coefficient(s)
0.4377985
Std Err of Coef.
0.3117641
Std Err of Coef. 0.1105574
S P T
EP
Regression Output:
Regression
Output:
Constant
-0.255021
Constant
1.1184216
Std Err of Y Est
0.34164
Std Err of Y Est 0.6344795
R Squared
0.9575539
R Squared
0.7612076
No. of Observations
8
No. of Observations
8
Degrees of Freedom
6
Degrees of Freedom 6
X Coefficient(s)
1.6201454
X Coefficient(s)
1.1310488
Std Err of Coef.
0.1392565
Std Err of Coef. 0.2586214
TEMOIN REGRESSE SUR IE
MAIS, MANAUS, 1989
t
I
I
I
I
I
I
1
0.5
1
1.5
2
2.5
3
3.5
fE
ERT, CRITERE DE CHERCHEUR
MAIS, MANAUS, 1989
4 ’
3
-1 !
I
I
I
I
I
I
0
0.5
1
1.5
2
2.5
3
:
IE
m Observations - Predit
j
REGRESSIONS, CRITERE: T/HA
MAIS, MANAUS, 1989
t
A----
./”
.,-’
cl
TA
,A
-Lz-I-J
l-
,/
2
,-“.‘.
.,f ./
/,.,/ /,,,-;;, RT
J
..,”
/-’
A
,
1
0
0 . 5
1
1.5
2
2.5
3
3.5
IE
I
- TA
..__ -_ ER-j- .___....... SP,- .___________. Ef,,
/
J
ESSAI MAIS EN AMAZONIA, BRESIL, AVEC CHARACTERISATION
DES ENVIRONNEMENTS
Exploit. LE
CT
PH
CEEC
Al sat.
P205
7
3.1
FPl
5.2
4.21
58.3
7.4
6
2.8
FPl
5.1
3.45
69.1
7.1
2
2.2
FS1
4.6
2.29
91.7
4.5
8
2.1
FPI
4.5
2.26
79.2
6.8
5
2.0
FP2
4.6
2.45
80.0
5.0
4
1.4
FS2
4.1
3.12
94.8
2.8
1
1.1
FS2
4.2
1.99
90.7
2.0
3
0.2
TD
3.9
1.35
94.8
2.1
FPl =
Forêt primaire, première année de mise en culture
FP2 =
Forêt primaire, deuxième année de mise en culture
FS1 =
Forêt secondaire, première année de mise en culture
FS2 =
Forêt secondaire, deuxième armée de mise en culture
TD =
Terre dégradée
Calcul De Risque, Critere: TNa, Mais En Amazonia, Bonnes
Environnements (Fpl), Quattro Pro
E P
SPT
moyenne
moyenne
3.9
0.2
4.1
0.5
t
(dl=31
EP
SPT
0.2500
25.00
0.816
3.76
3.83
0.2000
20.00
1 061
3.73
3.75
0.1500
15.00
1.386
3.68
3.66
0.1000
10.00
1.886
3.62
3.51
0.0500
5.00
2.920
3.48
0.0250
2.50
4.303
3.23
0.0100
1 .oo
6.965
etc.
0.0050
0.50
9.925
etc.
0.0005
0.05
Essais fertilisation de mais, Manaus, Brai1 (Singh 1990)
ANOVA avec Type d’environnement défini comme:
Forêt primaire
= FP, and FP,
Reste
= les autres
Source de variation
dl
Prob. d’un F SUD.
Type d’envir
1
0.00005
Env(TE)
6
0.0058 1
Traitement
3
0.00001
TExTrt
3
0 . 0 6 5 3 7
Residuelle
1 8
Comparaison des moyennes parDomaine de Recommendation Provisoire
Primaire
Reste
(FP,and FP,)
(FS,, FSz and TD)
S P T
3.90 a
E P
2.65 a
EP
3.80 a
SPT
1.63 ab
TA
1.28 b
EOT
0 . 6 0 bc
EOT
0.95 b
TA
0 . 1 0 c
Lien IE - pH
Essai Mais, Manaus, Besil, 1989
4
m
3
3
E
m
E
4
m
m
82 __,. _l--.-l._.-- ..“.--~-
.?-
I
2
w
m
m
9
I
I
I
5
4
4.5
5
5.5
PH
Etape 5b. Analyser par domaine de recommendation provisoire: Calculs
de risques pour le critère t/ha,
pour comparer SPT et EP, pour la classe de terre FP,, en employant le formule:
s / Jn>
Y - (t, l
avec
Y = 3.9 et s = 0.2 pour EP
et
Y = 4.1 et s =0.5 pour SPT
n=3, dl=2
probabilité d’une
a
valeur inférieure
EP
ta=2
S P T
0.2500
2 5 . 0 0
0.816
~
3.76
I 3.83
I
0.2000
2 0 . 0 0
1.061
3.73
1 3.75
I
0.1500
I 15.00
I 1.386
3.68
1 3.66
I
0.1000
I 10.00
I 1.886
3 . 6 2
3.51
0.0500
5.00
2.920
3.48
3 . 2 0
0.0250
2 . 5 0
4.303
3.23
I 2 . 7 9
I
I
I
-1
0.0100
1.00
6.965
2 . 9 4
2 . 0 0
0.0050
0 . 5 0
9.925
2 . 5 4
1.13
0.0001
I 0.05
I
Etape 5:
Définir les domaines de recommendation
5a. Définir les domaines de recommendation provisoires
Domaines de recommendation provisoires, selon le critère t/ha (“critère de
chercheur”):
Recommendations:
Classe de
Terre
Critère d’évaluation:
tlha
FP,
/
-1
_-_____-------_--------- ///
FP2
/
_-___-__---------------- ///
FS,
/
_-__---_-----_---------- ///
TD
/
/
L
Source: Singh, 1990
Essais fertilisation de mais, Manaus, Besil (Singh 1990)
Critère Economique: KG/$ DEPENSE
Exploit.
TA
ERT
SPT
EP
IE
3
0.0
0.0
1.5
5.1
0.2
1
12.5 0.8
13.3
22.4
1.1
4
20.8 5.3
16.3
22.0
1.4
5
12.5
3.4
34.7
28.4
2.0
8
16.7
3.4
35.7
31.5
2.1
2
0.0
5.3
34.7
37.7
2.2
6
183.3 4.8
42.9
28.4
2.8
7
208.3 6.8
45.9
31.5
3.1
COUTS DES TRAITEMENTS ($ DEPENSEMA)
TA
12
ERT
208
SPT
9 8
E P
127
Calculs de risques pour le critère kg6 dépensé,
pour comparer SPT et EP, pour les environnement pauvres (FP,, FS,, TD), en
employant le formule:
-
s / h)
Y - (t, l
avec
Y = 19.5 et s = 10.0 pour EP
et
Y = 16.5 et s = 13.7 pour SPT
n=4,dl=3
probabilité d’une
a
valeur inférieure
tdl=,
E P
S P T
0.2500
2 5 . 0 0
0.765
15.7
11.2
0.2000
20.00
0.978
etc.
etc.
0.1500
15.00
1.250
0.1000
10.00
1.638
0.0500
5.00
2.353
0.0250
2 . 5 0
etc.
0.0100
1.00
0.0050
0 . 5 0
0.0001
0.05
TEMOIN REGRESSE SUR IE, KG/$ DEPENSE
MAIS, MANAUS, 1989
250,
m
200-
m
150
REGRESSIONS, KG/$ DEPENSE
MAIS, MANAUS, BRESIL, 1989
160
TA
140
ERT
120
SPT
100
EP
80
A
Envir.
60
40
20
-
0 0
IA
O S
1
1.5
2
2.5
:3
I
IE
ANALYSE DE RISQUE, MANAUS MAIS
DOMAINE : FP2, FS2, TD
1 6
EP
1SP-l-
/-
/
,Y
//’
,,.’
;’
,;’
/
/
I
1
I
5
1 0
1 5
2 0
45
RISQUE (%) D’UNE VALEUR INFERIEURE
Etape 5c. Définir les domaines de recommendation finals
Domaines de recommendation, selon le critère kg/$ dépensé (“critère
de paysan”):
Recornmendations:
Classe de
Terre
Critère d’évaluation:
kg/$ dépensé
FPI
____________------------
FS1
____________-------------
FP2
__________---------------
FS*
_________-__-------------.
TD
Alors, les domaines de recommendation finals:
Recommendations:
Classe de
Terre
Critère d’évaluation: Critère d’évaluation:
tiha
kg/$ dépensé
Source: Singh, 1990
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 83
Pas d’interaction
génotype-par-environnement (GxE)
._.-.-
.~X
“’
.,.
. x ‘,,.
”
“. .
Environ. pauvres
E n v i r o n . favourables :
Variétés
J.T. Russell, 1996
i
-.--..--
--
Analyse de Stabilité
(Regression sur Index Environnemental)
120
100
80
60
40
20
0
40
60
80
Indice Environnemental (IE)
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 84
Analyse de Stabilité
(avec interaction GxE)
120
>.
.
80
40
= dl.
^
0 0
40
60
80
120
IE
-A -8 ,.C
I
L T . Russell, 1996
Interprétation Négative
de l’interaction GxE (Compromis)
,,l------
80 ’
1
0
40
60
80
120
IE
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Pape 85
Interprétation Positive
de l’interaction GxE
9
-. .-
80
E
E
+!
40
.
;_:
+*.
5
OL
0 0
40
60
80
120
IE
J.T. Russell, 1996
Essai Niébé, Manaus (Singh, 1990)
Expl.
TA
E O T
SPT
EP
IE
TA (Prédit)
E O T
I
(Prédit)
7
1.70
1.65
2.65
2.15
2.04
1.59
1.92
10
2.20
1.90
2.60
1.40
2.03
1.58
t .90
3
1.45
1.95
2.50
1.90
1.95
1.47
1.80
12
1.50
1.80
2.10
1.70
1.78
1.22
1.56
11
1.20
1 SO
2.20
1.90
1.70
1.12
1.46
1
0.70
0.90
2.30
1.80
1.43
0.73
1.09
4
0.60
1.20
1.60
2.25
1.41
0.71
1.07
5
0.15
0.50
2.10
2.05
1.20
0.41
0.78
2
0.50
0.65
1.10
1.50
0.94
0.04
0.42
9
0.20
0.40
1.20
1.70
0.88
-0.05
0.34
6
0.15
0.50
1.35
1.35
0.84
-010
0.29
23
0.00
0.00
1.30
2.00
0.83
-0.12
0.27
8
0.10
0.20
1.30
1.65
0.81
-0.13
0.25
N.B.: Rendement en tiha.
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 86
Caracterization Environnementale
(Essai Niébé, Manaus)
Exploitation
IE
Terre
PH
CEEC
P
7.00
2.04
FPl
5.20
3.24
8.00
10.00
2.03
FPI
5.40
2.21
12.90
3.00
1.95
FP2
5.30
1.25
5.00
!
12.00
1.78
FP2
4.90
1.91
7.00
:
ttua
1.70
FF2
5.00
t.72
10.60
j
1.00
1.43
FS1
4.70
1.35
7
.
6
0
4.00
1.41
FP2
5.10
2.31
4.00
5.00
1.20
FP3
4.90
0.99
2.30
2.00
0.94
F S 2
4.60
2.34
3.40
:
9.00
0.88
FS3
4.30
1.20
2.00
6.00
0.84
TD
4.60
1.66
4.80
13.00
0.83
S F 2
4.30
1.94
6.10
I
8.00
0.81
SF3
4.30
1.83
0
.
1
0
/
/
Essai Fertilisation de Niebe (Singh, 1990)
3 -
2.5 ..- _... mTA
r---&-j
. . .
..~
2
n
1.5
m
m
0.5
.*
.e_F*l-?
‘-
c
ma.
m
0 L
0.6 0.8
1
1.2 1.4 1.6 1.8
2
2.2
IE
~._ ~--.----- ----.-----~ -.-....- -.-~-----. .--- _--...- --.- -.-~.-.- ._-_.__ ___.
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 87
-___
~-------.-...-.--.
---
Essai Fertilisation de Ni&é (Singh, 1990)
3
2.5
2
1.5
1
0.5
0
0.6
0.8
1
1.2
1.4
1.6
t.8
2
2.2
IE
I
ANOVA à travers les deux Domaines
/
I
Tr-7
I
:
Source de Variabilité
/
dl
Probabhté 1
de F
Domaine (D)
0.0001
I
Env. en Domaine
l
11
/
Traitement (T)
0.0001
j
i
3
TxD
3
0.0008
(
Résiduelle
33
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 88
Moyennes par Domaine
FPI, FP2, FS1
FP3, FS2, FS3, TD
--
-
alpha= alpha j :
Traitement
Moyenne
alpha alpha j
o.o5 =o.,o / ! Traitement
; Moyenne
=0.05 =O.lO j
8
Le--
-+-
.
--
SPT
:
2.28
a
a i/
E P
1
1.79 a a
: I
E P
1.87
a b
b /:
SPT
i
1.39
a
b
E O T
1.58
bc bc
:
1
E()T
i
0.35
b c
j
:
/
T A
1.34
C
C
TA
j
0.19
b c
/
~--- -
-~-_
-
Essai Fertilisation de Niébé
(kg par $ Dépensé)
80
AI.- TA (QUAD)
60
- EOT (LIN)
-SPT [LIN)
-EP (QUAD)
40
A Env.
20
0
0.6
0.8
1
1.2
1.4
1.6
1.8
2
2.2
IE
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 89
Domaines de Recommendation
(Essai Niébé)
Type de Terre
d’Evaluation :
d’Evaluation:
kg/$ dépensé
FFI
I
FP2
FS1
FP3
FS2
E P
: EPouSPT
FS3
TD
Analyse d’Adaptabiiit8
Essai Varietal d’Arachide au Nord-Cameroun
1800
1600
1400
1200
1000
8 0 0
6 0 0
400
2 0 00
AAA
‘---2 AU& A -&A
AA -AL i A
L
0
2 0 0
400
6 0 0
8 0 0 1 0 0 0
1200
1400
1600
IE
Varietés
... 28-206 - m416 - ib77 - icgs27
5021
* = Env.
-~. _. ..-.._------._-...--~. .-----.------__-
~_--~
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 90
Essai Varietal de Mil au Sénégal,
en Station, 1992-93
I
1215
1480
1683
2395
IE
Varietes
- 1 -2 - 3
4 - 5 - 6 w-7
~-
,
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 9 1
Essai
Essai
Essai
Vérification
Validation
Complexité
Exploratoire
(Potentialité)
(Adaptation)
No. de donnees, répétitions,
_.
-.
. . _. _
---__ .__
-..-- _.
traitements, temoins.
De l’essai
_._ -,
..^
_x
__ _ .-. -”
Partitipation et contrôle
_ _ _. - -.--
des chercheurs
_
-M-C’
__
,----
___-----
----
---
---
_
--------
No. d’environnements
.----
-_
.----_
Environnementale
-. .--.-
..-___
,.,
---. - _ --- .I-___
-.. --~. . .-”-___
Dispositifs
RCBD
RCBD, analyses
Blocs Disperses, mis
Split-plot
combinées sur sites
en place en groupes
? = possible, mais peut-
Carré Latin
(Blocs dispers&
être pas le meilleur choix
Split-split plot?
mais en groupes?)
Split-plot??
Lattice?
Blocs Incomplets?
Split-plot?
Essais multi-locaux
Démonstrations
b
Recherche classique
Vulgarisation
J 7: Russe/~ 1996
Unités de liaison pour un lien
recherche-développement efficace
J.T: Russell, 1995
Recherche-développement au nord du Cameroun
PNFVA
SODECOTON
IRA
_.. -.-_
(Agriculture)
(MESIRES)
Nation
-
.-.
__
Chef de
Directeur
Service (?)
de I’IRA
.-
_
Province
Délégué
Centre de
Provinical
Recherche
& C.d.S.
& SMSs
PU)
Départment
_-
.
Délégué
Départemental
& C.d.S.
_ _ _--
- --.
Chef de
Arrondissement
Secteur
d’Arrondissement /
Chef de
Zone
Liste des Participants
1995 Nom
Prénoms
Spécialité
Unite
1
Bandiane
Souleye
Agroforestier
Basse et Moyenne Casamance
2 Beye
Amadou M.
Sélectionneur
Basse et Moyenne Casamance
3
Diaw
Samba
Pytopathologiste
Basse et Moyenne Casamance
4 Diop
OllIlXU
Economiste
Basse et Moyenne Casamance
5
Djiba
Saliou
Entomologiste
Basse et Moyenne Casamance
6 Sonko
Lamine
Malherbologiste
Basse et Moyenne Casamance
7 Toure
Ndeye Khady
Economiste
Basse et Moyenne Casamance
8 Boggio
David
Biometricien
Ceraas
9 Diouf
Oumar
Physiologiste
Ceraas
10 Ba
Mamadou A.
Veterinaire
SOHC-Kolda
11
Bodian
Alphousseyni
Phyto-éco-forestier
SOHC-Kolda
12
Seck
Momar Talla
Veterinaire
SOHC-Kolda
1 3 Badiane
Djibril
Entomologiste
SOHC-Tambacounda
14 Diadhiou
Hamet Diaw
Biologiste peches
Zone Maritime
1 5 Diallo
Mamadou
Biologiste peches
Zone Maritime
16 Fall
Massa1
Veterinaire
Zone Maritime
17 Fall
Cheikh A.
Généticien-sélectionneur
Zone Niayes
18 Sarr
Mamadou
Gestion Station
Zone Niayes
1996 Nom
Prénoms
Spécialité
Unite
1 Balde
Mamadou
Sélectionneur
Bambey
2 Diaite
Malaine
Agroforestier
Kaolack
3 Diangar
Saliou
?f?
, !“cdy
4 Diouf
Thiaka
Sélectionneur
St. Louis
5 Diouf
Meissa
Sélectionneur
CDH
6 Fofana
Amadou
Sélectionneur
Kolda
7 Gaye
Matar
/
i{ If ,y
.3
r
L
l 7 _ Y
z i c
8
Kante
Samba
Ing&ieur Machnisme
St. Louis
9Lo
Cheikh
Agronome
CDH
10 Niang
Youga
&!:Y’
‘i)j,<
11
Ndiaye
Abbdou
Sélectionneur
Kaolack
12 Ndiaye
Mamdou
Agronome
Bambey
1 3 Ndoye
Ousmane
Sélectionneur
Bambey
14 Nguer
Massaer
jt LdLi:~
15
Sail
Cheikh
Zootechnicien
St. Louis
1 6 Senghc?r
Paul
Séltxtionneur
St. LOGiS
1 7 Sene
Modou
Pédoiogue
Kaolack
18 Thiaw
Samba
Agronome
Tambacounda
NATURAL RESOURCES-BASED AGRICULTURAL RESEARCH PROJECT
(NRBAR)
Conception et Analyse des
Essais en Milieu Réel
Support de cx~rs d’un Séminaire
tenu à Mbour, Sénégal du 13 au 24 mai 1996
Conou et animé par
Dr. John T. Russell
Université de Floride
en collaboration avec
The United States Agency for International Development (USAID)
USAID Project Number: 685-0285
et
The Consortium for International Development (CID)
USAID Contract Number: 685-0285-C-00-2329-00
Introduction
Une bonne conception d’essai en milieu réel se fait en fonction des principes de:
la recherche systèmes (recherche/développement), qui :
se fait en milieu reel
se fait en équipe interdisciplinaire
prend en compte le système de production entier et ses sous-
systèmes composants
se centre :oujours sur les paysans et leurs besoins et contraintes
reconnait et apprécie l’expertise du paysan
cherche à resoudre les problèmes réels des paysans
suit un processus itératif
De plus: elle tien en conte le stade où se trouve la téchnologie en cours de
dé\\,eloppement, dans le processus d’innovation des téchnologies,
et le dans ce processus itératif dont le moment de conception et mise au point
des essais en milieu réel et peut-être le moment le plus important, puisque c’est
en principe le moment où tous ceux qui s’interessent à ce processus peuvent se
concentrer ensemble sur une évaluation de la téchnologie.
Elle doit aussi tenir en compte, et contribuer à la mission de l’institution de
recherche.
Les familles producteuses
\\
Diagnostic/
Analyse
Recherche en
Expérimentation
Milieu Paysan
\\
/
Demandes pour
Démonstration des
information au niveau
technologies
validées
du milieu paysan
Planification et
A
Suivi et
Décideurs
Vulgarisation
Conception des Essais
évaluation
en Milieu R6el
de Politique
\\
\\
\\
Dissemination des
Recommendations pour
technologies
changer la politique afin
auxpaysans
d’aider au dével./adoption
des technologies
Recherche
en Station
Probl6mes
Technologies appropriées
aux zones
Norwkolus
agro-écologiques
SOU~~: Ada+& d’un schéma par S. Po~ts (FFSP), d’aprtk M, Colhsc-,r~
\\\\ /
,
\\
\\./
’
:
Conrioissance
i!
Recherche ,;
G&&ration
Adaptation
Wgration
Dtffusion
\\
mondiale
I
debase
!
des
des
des
et
i’, Technologies
Technologies
Technologies
Adoption
I/:
Processus de l’innovation technologique
.-
_.-.. -_- .-.
- ^_ . _ - ..-
Recherche
%
/
Adaptive
.-
J-
E
Recherche
/
F
/:
F
Thématique
y/-. __ .._ . ..--_
,..
Liaison ’
0
__ .-
. __
3’
Vu Igarisation
R
I
T
Résponsibilités correspondantes aux fonctions
dans le processus de l’innovation technologique
(Source: Adapte d’un handbook dévelopé à I’Univ. de Florida)
Augmenter
Augmenter
1
les exportations
l’activité économique /
Pourquoi?
Augmenter
tes recettes
Comment?
Augmenter ta
productivité
agriiutturate
Amétiorer tes
technologies
utilisées
Mission Institutionelle (Arbre d’objectifs)
(Source: Univ. of Fiorida F!es.-Ext. hlgt. Hmdbook)
Puisque la recherche système se base sur les connaissances et problèmes
des paysans eux-mêmes, c’est un processus itératif d’apprentissage en deux sens.
Les essais en milieu paysan s’addressent aux problèmes identifiés lors des
activités diagnostiques. En faisant ensemble les s-sais en milieu réel, les
paysans apprennent à comprendre et utiliser de nowelles technologies: et la
recherche continue à mieux comprendre les contraintes et exigences du
paysannat.
Le comportement des chercheurs envers les paysans pendant la mise en
place et suivi des essais doit ressembler à celui qui caracterise un bon diagnosic
participatif. Les principes de l’apprentissage des adultes y compris des
techniques de communications appropriés à cet apprentissage, doivent être
respecter lors de chaques rencontre avec les paysans collaborateurs.
L’APPRENTISSAGE DES ADULTES
(Sources: FSSPRJ. Florida, John Lichte, et autres)
Les adultes apprennent mieux quand:
1. Ils sont motivés, ils sont à l’aise.
2. Ils se sentent en sécurité et en confiance.
3. Ils discutent, expérimentent et tirent eux-même la conclusion.
4. Quand on est patient avec eux.
5. L’enseignement débouche sur une application pratique.
6. On commence avec ce qu’ils connaissent déjà.
7. Ils participent activement.
8. Sujet bien défini, clair.
9. Ils peuvent prendre des initiatives.
10. Ils ont un intérêt immédiat.
Les Implications pour la recherche/développement:
Il faut rappeler que la vulgarisation est un processus éducatif. (La recherche en
milieu paysan aussi, et cela à deux sens.) Donc, il est souhaitable d’encourager:
l Participation active.
l Interdépendance.
l
Partage des responsabilités (chercheur/vulgarisateur/paysans).
l Partage de connaissances.
l
Identification et évaluation des solutions des problèmes (immédiat)
l
Progrès à partir des expériences et les connaissances éxistantes.
TECHSTQLXS DE COM-M’L-XICATION
Résolution des Problèmes
Des réponses typiques des paysans en face d’un problème:
1. Essayer de le résoudre soi-même:
l
Pas d’occasion pour les villageois d’apprendre ou d’augmenter leur compétence.
l
Risque de ne pas trouver une solution par manque de certaines informations.
l
Même si solution est trouvée, pas-viable, manque d’engagement et
responsabilisation des paysans.
2. Attendre l’arrivée des supérieurs:
l Le temps passe
l
Le problème peut se compliquer avec le temps
l
L’occasion d’apprendre pour le chercheurkulgarisateur est perdue
Il serait plutôt souhaitable de retourner le problème aux paysans en les aidant à
trouver une solution.
l
Il faut une prise de conscience par les paysans qu’un problème existe.
l
Les aider à découvrir le problème eux-mêmes, à savoir en quoi il consiste.
l
Les aider à découvrir les alternatives, les évaluer et en choisir une en fonction
de: disponibilité en temps, fonds, ressources, faisabilité, etc.
L’ECOUTE
La capacité d’écouter est peut-être la compétence la plus importante pour un
chercheur en milieu paysan.
Quelques Principes de la Bonne Ecoute:
1 .
Ecouter - le but est de comprendre le plus possible l’autre personne.
2.
N’interrompre point l’autre. Même par votre prise de note.
3.
Ne juger, ni n’évaluer point ce que l’autre dit. Il risque de ne jamais s’exprimer
franchement.
1.
Yi- so>er pas passif. 6xiter l’air non intPrsss6:
l
Encourager l’autre avec langage de corps, “oui”, un air sincère d’inter& etc.
0
Assurer que tout est clair en paraphrasant, en faisant des synthèses périodiquement.
l
.4ider l’autre j se clarifier en posant des questions en offrant des interpr?tarions etc.
l
Ecouter l’autre ne veut pas dire qu’on accepte tout ce qu’il dit; la compréhension
mutuelle donne une base de discussion.
LE FEED-BACK CONSTRUCTIF
L’INTENTION
Assister 3 developper et à améliorer leur
Pas de critique. Ne pas ridiculiser ou
capacité, aptitude - altitude.
noter des défaults.
LA SPECIFICITE
Soyer très spécifique et concret, employer
Pas de généralité ou d’abstraction.
les exemples.
LE TON
Diplomatique: “Vous auriez pu considérer
Pas brusquement franc.
. . . . “, “Quels auraient été les résultats si
vous aviez.. . ”
LE CONTENU
Commencer avec le positif d’abord.
Ne pas rester exclusivement sur ce qui a
été mal fait.
LE STYLE
Soyez descriptif.
Pas de jugement ou d’évaluation.
L-4 TECHSIQL-E
Essayez de poser des questions pour
Pas seulement de déclaration,
permettre à l’autre de découvrir votre
point de vue par lui-même.
L’ACCEPTATION
C’est à l’autre d’accepter ou de rejeter vos
Pas d’imposition de votre feed-back sur
observations.
l’autre en tant que vérité.
L’Exécution de I’lnterview:
Pour diagnostic participatif et pour avoir
l’avis des paysans sur un essai
L’APPROCHE
l
Dans la mesure du possible, évitez d’aller en grand groupe.
l
Essayez de vous faire remarquer le moins possible dan le milieu,
l
Abordez les paysans directement, mais de façon à éviter des suspicions,
L’ENTREE EN MATIERE
l
Faites jaillir les informations importantes d’une conversation banale.
l
hs premiers interviews peuvent être très simple, afin de vous orienter au sujet.
0
Evitez a tout prix une situation ou les grands experts s’adressent aux petits paysans.
C’est difficile à faire quand il s’agit d’un interview avec un groupe de paysans dans
un village, mais c’est très inmortant.
LE DIALOGUE
l
Soyez naturel et détendu; menez très doucement la discussion vers le sujet,
l
Laissez aller la discussion et mêlez-y vos questions. Permettez aux gens de s’écarter
et de raconter des histoires.
l
Faites comprendre que le paysan est le spécialiste de l’agriculture de sa région, que
vous respecter ses connaissances; Vous est là pour apprendre.
0
Ne posez pas trop de questions l’une à la suite de l’autre. hiClez vos commentaires,
toutefois sans raconter votre vie.
l
Si votre question provoque le silence, reposez-la avec d’autres mots.
l
Ne suggérez pas les réponses, ce qui mene trop la discussion là où vous penser
qu’elle en venir.
0
Ne posez pas de questions abstraites; éviter le jargon scientifique.
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Pape 9
LE DEPART
l
Ne partez pas trop brusquement.
*
Permettez aux, paysans d’aborder leur propres préoccupations avant de faire fin à la
discussion.
*
Remerciez sincèrement vos interlocuteurs.
L’ENREGISTREMENT DE L’IKFORMATION
Prenez note d’une façon discrète. Evitez le plus possible l’air d’une interrogation
officielle.
Prêtez attention a celui qui réponde à votre question, non pas à votre bloc-notes.
Une bonne formule, c’est de nommer un seul rapporteur qui fait simple esquisse de
notes durant l’interview; alors, juste après l’interview, l’équipe le recré en prenant
notes détaillées.
Exploitez vos notes pour modifier les questions des interviews suivants, Que les
dialogues soient dynamiques, changeant en fonction de ce que vous apprenez.
L’EXPLOITATION DES DONNEES
l
Traitez les données immédiatement après la fin du travail sur le terrain.
l
L’analyse des données et la rédaction du rapport devraient être toujours un travail
multidisciplinaire.
l
Pour les sondages limites, le rapport peur comprendre, par exemple:
Raisonnement et objectifs du sondage.
Méthodes employées.
Résultats:
l Conte rendus des interviews.
l
Tableaux ou autres récapitulations quantitatif.
Conclusions.
Implications pour la recherche, pour la vulgarisation, pour la politique secteur
agricole.
Séminaire sur la conception et analyse des essais en milieu réel
support de Cours - Pape 10
La Planification des Essais En Milieu Paysan
L’identification et prioritisation des thèmes de recherches et facteurs à tester
dc\\x-ait se baser sur la diagnostic et sur un travail de programmation fait en
équipe pluridisciplinaire.
Un outil très facile à utiliser en équipe mais aussi très souple et efficace est
la mèthode de planification créer par Robert Tripp et Jonathan Wooley (de
CIMMYT et CIAT).
Les Etapes de la Planification
(CLMMYT/CIAT)
1” Etape: Enumérer les problèmes qui limitent la production.
2” Etape: Classer les problèmes en ordre d’importance.
3 O Etape: Identifier les causes des problèmes jugés importants à la
deuxième étape.
4” Etape: Examiner soigneusement les relations (interactions) entre
les problèmes et les causes qui ont été déterminées.
5” Etape: Avancer les solutions aux problèmes pour lesquels on a
suffisamment de preuves et dont les causes sont bien
cernées.
6” Etape: Evaluer les solutions potentielles proposées à la
cinquième étape.
UNE METHODE POUR L’IDENTIFICATION ET L’ANALYSE DES
PROBLEMES ET LEURS SOLUTIONS POTENTIELLES
1
Identifier et définir
clairement les
problèmes
.__ .-.._. --~
____.. .--___ If
..__ -.__.._ -_-...--
2
Classer les
Besoin de plus d’information
prcbiimes par
pour identifier ou
ordre de priorité
définir les probfèmes
3
Identifier
I
lescausesde
:
chaque problème 1
4f
4
Analyser les rapports
Besoin de plus
; entre les probièmes (et ;
d’information
leurscauses)
\\
pour préciser les
cause des problèmes
*
--
~ -
1
5
I
Identifier des solutions
potentielles pour !
chaque cause j
6 Evaluer et classer les :
solutions potentielles : SS*
par ordre de priorité
-~
(Source: Tripp et Woolley)
L’IDENTIFICATION ET DEFINITION DES PROBLEMES AU
NIVEAU DE L’EXPLOITATION AGRICOLE
LE PROBLEME:
QU’EST-CE QUI NE VAS PAS? I
LA CAUSE:
POURQUOI?
SOLUTION:
QU’EST-CE QUE NOUS
POUVONS FAIRE?
I
UN FACTEUR BIOLOGIQUE OU UNE INEFFICACITE DE
L’UTlLlSATION DES RESSOURCES, QUI REDUIT LA
PRODUCTIVITE DU SYSTEME DE PRODUCTION
UN PROBLEME EST DECRIT SELON SON
Extrait du livre:
La planification de la recherche en milieu paysan:
-
Détermination des paramètres à étudier
Par
Robert Tripp et Jonathan Wooley
CIMMYT/CIAT
1989
Introduction
La recherche en milieu paysan peut être divisée en cinq phases: 1) la description du
milieu et des problèmes du paysan; 2) la planification ou l’établissement d’un protocole
d’essais à partir des renseignements obtenus ci-dessus; 3) la conduite des essais; 4)
l’analyse des résultats; et 5) la formulation des recommandations aux paysans. Ce
document décrit la phase de la planification qui comprend elle-même plusieurs étapes.
Les étapes de la planification
Plusieurs méthodes de planification ont été développées dans des domaines aussi
divers que l’administration publique et privée, la gestion des affaires, et bien d’autres. Il
n’existe pas de méthode universelle applicable à toute les situations. La méthode basée
sur la détermination des paramètres à étudier a été développée à partir des expériences
très variées, surtout en conduisant des cours de formation pratiques dans des milieux
divers. Cependant, cette méthode doit être plutôt considérée comme une référence (ou un
guide) et non comme un ensemble d’axiomes (principes rigides).
Son emploi reste souple
et les chercheurs peuvent toujours la modifier pour l’adapter à leurs propres conditions.
La méthode comprend une série d’étapes (Figure 1) qui correspondent aux distinctions
faites entre les problèmes, les causes, et les solutions. La première étape consiste à
identifier les problèmes et, au besoin, préciser les voies et moyens pour obtenir des
renseignements suppl2mentairss qui aideront à circonscrire le probl2me. Une fois que les
problèmes ont été énumérés, ils sont passés en revue et classés par ordre d’importance
dans la seconde étape. L’importance de chaque problème variera en fonction du nombre
de paysans concernés, de l’importance de la culture, et de la gravité du problème.
Première étape:
La première étape de la planification de la recherche en milieu paysan consiste à
énumérer les problèmes qui limitent la production agricole dans la zone d’étude. Ces
problèmes peuvent être des facteurs biotiques ou abiotiques limitant la productivité et/ou
l’utilisation effective des ressources naturelles. Il est important de décrire les probkmes
avec autant de précision que possible.
IX~ preuves de chaque probieme doivent etre fournies. Elles peuvent etre issues des
recherches antérieures (essais, enquêtes, ou autres études).
Après avoir énuméré les problèmes et leurs preuves. on passe à la deuxikne étape ou
ils seront classes en gros. par ordre d’imlwtance.
Deuxième étape:
La seconde étape consiste à classer les problèmes identifiés par ordre d’importance.
Tous les problèmes qui ont été mentionnés ci-haut seront considérés à cette étape.
Si les
chercheurs ont relevé un très grand nombre de problèmes, ils doivent éventuellement
mettre certains de coté pour les examiner plus tard.
A cette étape, l’ordre des problèmes
n’est pas obligatoirement précis. Il permet seulement aux chercheurs de sélectionner les
problèmes qui auront une grande priorité dans le programme de recherche.
Il est important de classer les problèmes en utilisant des critères bien définis.
Les
critères suggérés sont 1) l’étendue du problème, en précisant les paysans concernés dans
la zone d’étude; 2) la place de la culture dans le système d’exploitation; et 3) les pertes de
rendement et de revenue occasionnées par le problème.
Après le classement des problèmes, seuls les problèmes jugés très importants par les
chercheurs et pour lesquels des preuves suffisantes ont été réunies, seront considérés à
l’étape suivante où les causes seront analysées. Les problèmes éventuellement important
mais pour lesquels il n’y a pas de preuves suffisantes ne seront pas examinés à la
troisième étape. Pour ces problèmes, les chercheurs étudieront le type de preuves
expérimentales (Liste A) ou de renseignements supplémentaires d’autres sources (Liste B)
qu’il faudra.
Troisième étape:
La troisième étape de la planification consiste à identifier les causes des problèmes
jugés importants à la deuxième étape, et pour lesquels on a trouvé suffisamment de
preuves à la première étape, ou bien pour lesquels l’analyse des causes serait utile.
La
cause des problèmes peut être Ii& à l’environnement naturel ou socio-économique du
paysan ou bien aux pratiques culturales du paysan.
Cette étape doit donc être réservée
uniquement à l’analyse des causes des problèmes jugés vraiment importants par les
chercheurs.
Les causes des problèmes sont souvent complexes. Il est donc utile d’illustrer les
causes et les problèmes sur un diagramme avec des flèches qui relient les causes aux
problèmes, Dans certains cas, une série de causes peut entraîner un problème particulier,
et dans d’autres cas, plusieurs causes peuvent contribuer à créer un même problème.
Pour chaque problème, la preuve des causes peut être obtenue des essais précédents,
des enquêtes, ou d’autres technique de recherche. 11 appartient donc aux chercheurs de
décider si les causes avancées sont suffisantes pour passer à l’analyse des solutions
potentielles ou bien si des renseignements supplémentaires sont encore nécessaires pour
identifier d’autres causes ou confimler les causes d2jà énoncées.
Lne fois que toutes ies causes probables ont &Z tjrnum&ées, on passe a la yuarri&-ne
étape où les interactions entre les problèmes et les causes seront examinées.
Quatrième étape:
Cette étape consiste à un examen des relations entre les problèmes et les causes qui
ont été déterminées. Très souvent, les problèmes sont liés entre eux; soit directement,
soit à travers des causes communes. Cette étape permet aux chercheurs de voir ces liens
et de réfléchir à leurs implications.
La meilleure façon d’examiner ces relations est de générer, pour chaque problème, un
diagramme des causes et des effets. Si l’étude porte sur différente cultures ou différents
paysans qui n’ont rien de commun entre eux, des diagrammes séparés seront dessinés
pour ces cultures ou ces paysans.
Un examen général des relations permet de réfléchir aux priorités de la recherche.
En
proposant les tiponse s, une cause qui est liée à plus d’un problème méritera une attention
supplémentaire. Si un problème entraîne un autre, le premier doit être résolu avant ou en
même temps que le second. Quand plusieurs causes concourent au même problème, ces
causes peuvent être traitées dans un même essai. Finalement, quand un problème n’a
aucune cause en commun avec les autres problèmes, il peut être traité séparément dans le
programme de recherche.
Après avoir examiné ces relations, les problèmes et les causes que les chercheurs
jugent suffkamment importants seront considérés à la cinquième étape où des solutions
seront proposées. Pour les problèmes dont les causes ne sont pas bien élucidées, les
chercheurs étudieront le type de preuves expérimentales (Liste A), ou de renseignements
supplémentaires (Liste B) qu’il faudra.
Cinquième étape:
La cinquième étape de la planification de la recherche en milieu paysan consiste à
avancer des solutions aux problèmes pour lesquels les chercheurs disposent suffisamment
de preuves et dont les causes sont bien cernées. Pour chaque problème, les solutions
potentielles devront tenir compte de ce que les chercheurs savent de leurs causes.
Les
chercheurs doivent retenir toute solution qui à leur avis, et selon leur expérience, ou selon
les résultats des travaux effectués par leurs instituricm ou ailleurs. serair rialisable.
Chacune des solutions proposées sera évaluée à la sixième étape.
Sixième étape:
La sixième et dernière étape consiste à évaluer les solutions proposées à la cinquième
étape. Les solutions proposées doivent être considérées en fonction de leur aspect
technique, de leur facilité d’adoption par le paysan, et du coût de leur réalisation.
Les
chercheurs devront définir un ensemble de conditions et critères bien précis pour évaluer
12s solutions proposées. Sept de ces conditions sont suggérées ci-dessous.
La première condition concerne la probabilité pour que la nouvelle technologie puisse
être appliquée dans les conditions agro-écologiques du paysan et être compatible avec le
ni\\au technique e t les pratiques culturales du paysan. La seconde condition est la
rentabilité de la solution proposée. Si l’une ou l’autre de ces deux conditions n’est pas
bien cotée. la solution sera certainement éliminée de la liste.
La troisième condition est de savoir si la solution proposÈs eqt cnmpatible a\\‘er !r
systime d’exploitation. c-à-d compatible avec le milieu naturel et socio-economique du
paysan. La quatrième condition concerne le dégrée avec lequel la solution minimise les
risques du paysan. La cinquième condition porte sur le soutien nécessaire des services de
vulgarisation et de crédit, et des fournisseurs d’intrant. La collaboration de ces services
est utile pour s’assurer que la solution peut être adoptée.
Si à ce niveau, les chercheurs
ont encore quelques doutes sur les conditions mentionnées ci-dessus, la soiution proposée
doit alors faire l’objet d’un examen approfondi avant d’être exécutée.
La sixième condition concerne la facilité avec laquelle les paysans peuvent tester la
solution proposée. La septième condition porte sur la conduite facile du protocole
expérimental pour tester la solution proposée, y compris le temps et le coût de
l’opération. Aucune de ces deux dernières conditions ne peut en elle entraîner
l’élimination d’une solution. Elles permettent néanmoins de choisir entre deux solutions
qui ont les mêmes potentialités.
Une fois que les chercheurs ont évalué chaque solution proposée sur la base de ces
conditions, ils doivent alors décider du sort de chaque solution.
Si une solution donnée
est jugée acceptable pour une expérimentation en milieu paysan, elle sera inscrite sur la
liste des paramètres ou facteurs de l’essai (Liste A). Si au contraire une solution
proposée a bien les potentialités mais nécessite d’autres investigations avant d’être testée
au champ (dans les conditions du paysan), elle sera inscrite sur la liste des sujets de
recherche pour le long terme (Liste C). Quand enfin, une solution proposée nécessite une
considération spéciale des agents des services de vulgarisation et de crédit, ou des
fournisseurs d’intrant (cinquième condition), une mention est faite sur la liste D suggérant
la collaboration avec les services appropriés.
Critères pour la mise en priorité des problèmes
(étape no. 2 de Tripp et Woolley)
I
l Distrîbrttiorz du problème
l
Combien d’agriculteurs sont affectés par ce problème?
l Importance de l’entreprke
l
Est-ce que la culture fait partie du mandat de l’institution?
l
Importance, pour les paysans qui font cette culture (source de revenu
ou de nutrition).
l
Superficie totale ou ressources consacrées à la culture ou l’élevage.
l Gravite du problème
l
Une réduction importante de rendement ou effkacité de l’emploi des
ressources.
l
Sévérité : Niveau de perte (kg/ha, FCFA/ha).
l
Fréquence : Chaque année? Un an sur cinq?
Critères pour identification et évaluation des causes
des problèmes (étapes 3 et 4 de Tripp et Woolley)
l
Puisque les causes des problèmes peuvent être très complexe, ça aide
d’en faire les diagrammes,
mais
l
Ne vous rendre pas fou de la distinction entre «problème» et <(cause,,,
car
1. Un problème peut avoir plusieurs causes;
2. ‘L‘ne cause d’un problème peut à son tour être due à d’autres
causes;
3. Ln problème peut lui-même être cause d’un deuxième problème.
DONC:
l
11 faut décider quels sont les problèmes principaux, du point de vue
du paysan.
l
11 faut limiter la <<chaîne de causalité,> aux causes qui aident les
chercheurs à penser aux solutions réalistes.
Critères (simplifiés) pour évaluation des solutions
potentielles (étape no. 6 de Tripp et Woolley)
I
l
Probabilité que la technologie va fonctionner (dans la
situation locale).
0
Surtout à douter si elle n’a pas été teste en milieu paysan.
0
Conséquences inattendues:
l
Aggravation d’un autre problème.
l
Création d’un nouveau problème.
l Rentabilité
l
Analyses économiques des essais en milieu paysans. Sinon, une
estimation, c.à.d., une analyse ex ante.
l
Tenir en compte les changements de coûts que la technologie va
entraîner et les augmentations de rendement/qualité du produit.
*
Compa.tibilité avec le système
l
Variétés acceptables (préparation, goût, etc.)?
a
Un nouveau pesticide peut-il s’intégrer dans la rotation?
l
Méthodes qui exigent encore plus de main d’oeuvre: sera-t-elle
trouvable?
l Rédrrctiorz de risque.
l
Résulter à une meilleure stabilité de productionlrevenu, ou
bien, par contre,
0
Entraîner la possibilité de plus grandes pertes occasionnelles?
l
Soutien Institutionnel, c’est à dire, est-ce qu’il faudra un
appui important en:
l
Vulgarisation
l
Intrants
a
Crédit
l Aise de l’expérimentation:
0
De la part des paysans partenaires
0
De la part de la recherche (en station ou équipe RSP)
FEUII .1,1’ POUR IDENTIFIER 1.1~3 PROBLEMES PRIORITAIRES (2” Etape)
Distribution
Importance de la
Gravité du problème
PRIORITE
du Problème
culture concernée
(Importance
Rélative du
problème)
N . B . : 1)
Pour chaque problème, donner un score (O-5) pour chacun des trois critères.
2)
Pour arriver aux priori&, multiplier les trois scores pour chaque problème.
-3)
Si on ne peut pas arriver à un score, il faudra probablement faire de ce problème un sujet d’expérimentation (Liste A) ou
d’autres activités diagnostiques (Liste B).
Engrais
Apport
apporté à
faible
la volée :
. ZTd’engrais4-1 Erosion ]
1
CARENCE
D’AZOTE
+
EN MAIS
- Peu de matière
organique
Résidus culturaux
I Premières i
’
enlevés par paysans
pluies très /
fortes
1
_-~--
3 II-... .-_
Emploi des résidus
comme tourrages
Des causes des causes des problèmes,
et des interactions entre causes
(Source: Tripp et Woolley, 1989)
Problèmes et causes
2
CARENCE DE
PHOSPHORE EN
MAIS
Fin de i
- - - -- - - -
i pluies
;
i
3
/
Pauvre
,
:
Peu de
hative au i* 1
STRESS
G
:
retention
4- matière
nord
I
HYDRIQUE EN I
: d’eau dans
organique
MAIS AU MOMENT j
le sol
:
DU REPLISSAGE
~-
l+
Erosion j
DES EPIS 1
--
+i Variété locale trop
tardive pour la saison
Paysans ont amené leur
l variété traditionelle lorsqu’ils,
: ont immigré il y a 15 ans
-.--... -...- .--.~_ _ .~ ~.~ - _..-..._. _
(Source: Tripp et Woolley, 1989)
i
‘
I
2 ou 3
Hausse
sarclages à
SARCLAGE DE
rapide du coût
main pour
MAIS COUTE
de main
I
mais
t+
CHER
Peu de matière
Pas d’apport
organique
5
d’azote
CARENCE
D’AZOTE EN
HARICOT
Erosion
Aucune recommen-
\\
#
dation d’azote par le
conseil agricole
/
r
\\
Variétés locales
6
d ’ h a r i c o t +
GOUSSES
susceptibles à
D’HARICOT
I’anthracnose
ATTAQUEES PAR
ANTHRACNOSE
(Source: Tripp et Wooitey, 1989)
f
7
Semences
POURRITURES
ei: soi non
DES RACINES
traités
D’HARICOT
J
3.
lCertains champs caillouteux
ou sableux ne produisent que
I’haricot
, Premières pluies très fortes
4
4
+
q
;!-L ’
8
*?[FI
DENSITE
D’FpAR;L”OT
1-1 ? ~
4
f
\\
Un seul labour
superficiel
l Semences mal stockées I
Un seul sarclage à
main pour haricot l-+
9
CONCURRENCE
HERBACEE EN
I 2 ou 3 sarclages à
HARICOT
main pour mais
(Source: Tripp et Woolley, 1989)
Engrais
t Premiéres
apporté à
pluies très
la volée
1
fortes
1
CARENCE
D’AZOTE
-
EN MAIS
1 7 Peu de matière
t
/
o r g a n i q u e
L
/
?’--+----__
2
Résidus culturaux
enlevés par les
I
CARENCE DE
\\
paysans
/j
PHOSPHORE
EN MAIS
/
Emploi des résidus ,
I d’engrai
( comme fourrages 1
phosphoré I
f
\\
/
Pauvre
j
I
retention d’eau
Hausse
rapide du
coûtde
l
main
Fin de
STRESS
d’oeuvre
pluies hative
HYDRIQUE
au nord
EN MAIS
SARCLAGE DE
MAIS COUTE
I
CHER
2 ou 3
/
sarclages
Paysans ont amené leur
à main
variété traditionelle lorsqu’ils
pour mais
ont immigré il y a 15 ans
Tripp et Wooley, 1989
Crcx2te sur
le sol
-7 ?
8
_..-----.-..-.-.- _. _
Semences
fi et sol non
traités
! semences /
-*
.
j
Peu de rotation ;
des champs
d’haricot
?
/-L.,
Semences
i
mal
I Certains champs 1
stockées
caillouteux ou
sableux ne
I
.-
/ produisent que ;
‘i
; Pas d’apport :
j Mauvais lit /
I’haricot
j
de
j
f
d’azote
/
semences j
j Variétés locales
I
Aucune recommen-
d’haricot
dation d’azote par le /
/ susceptibles à
conseil agricole
i-
l’anthracnose
Un seul 1
labour ;I T---J--
!
superficiel j
GOUSSES
D’HARICOT
1 ATTAQUEES PAR
ANTHFWCNOSE I
9
Un seul
sarclage à main +
CONCURRENCE
I
pour haricot j
HERBACEE EN
I
A u c u n I
HARICOT
controle
chimique
Fiche pour évaluation des solutions possibles
I
2
3
4
5
Solution
Probabilité
Rentabilik
Compata-
Contribu-
Appui institutionel important
Proposée
que la
bilité avec
tion B la
technologie
le système réduction
Conseil
du risque
Agricole
I fonctionnera I
I
I
Variabilité entre tra itements v. variabilité
à l’intérieur c es traitements
12
12
10
10
8
8
?iT
z?
v
is
-0
6
z
6
a>
.-
>
.- :
4
4
2
2
0
0
.
Variety A Variety B
.
.
Variety A Variety B
.
Treatments
Treatments
ESSAI VARIETAL DE SOJA
VAR
REP NODULES
cobb
1
4.1
cobb
2
4.7
cobb
3
7.0
F74
1
5.1
F74
2
8.7
F74
3
10.5
braxton
1
9.0
braxton
2
9.3
braxton
3
13.9
ransom
1
5.4
ransom
2
5.5
fansom
3
10.5
ESSAI VARIETAL:
RIZ DE MOYENNE ALTITUDE, MADAGASCAR
Sites l-3: Zone BFD, Sites 4-7: Zone Marofototra
RENDEMENT
ENV.
X-265
MAHADIGNY 2787
LOCALE
1
198%
6197
3676
3000
2
3785
4281
2317
3000
3
3497
5857
2779
3000
4
7200
6400
5800
7000
5
6000
5800
5600
5400
6
7000
6000
5800
4200
7
7400
6600
5800
7800
8
1959
2580
571
400
9
3333
4961
1714
32400
10
3000
:1200
1360
.- Y500
11
3000
6000
1531
2700
A. Données SOJA4
Al. ANOVA si l’essai a été fait en DBCR (en blocs complets randomisés)
Source
ddl SC
F
Prolo Y F
reP
2
45.3 11667
20.6327
0.00205
var
3
46.669167
14.1672
0.00394
erreur
6
6.588333
total
II
98.569167
hfoyennes et séparations par ppds (ppds 0.05 = 2.093)
braxton
10.7 a
F74
8.1 b
ransom
7.1 bc
cobb
5.3 c
A2. ANOVA si l’essai a été fait en DRC (randomisation complète)
source
ddl SC
F
Prob > F
VX
3
46.669167
2.3979
0.14353
erreur
8
51.9ooooO
6.4875
total
1 1
98.569167
Moyennes et séparations par ppds (ppds 0.05 = 4.7%)
braxton
10.7 a
F74
8.1 ab
ransom
7.1 ab
c o b b
5.3 b
B. Données Essai Variétal de Riz de Moyenne Altitude
Source
ddl SC
F
Prob ;y F
reP
1 0
138688511
13.5857
0.00000
VU
3
19436370
6.8136
0.00 123
erreur
3 0
28525616
1.0980
total
4 3
186650497
lkfoyennes et séparations par ppds (ppds 0.05 = 4.795)
Mahadigny
5080 a
X-265
4378 ab
Locale
3673 bc
2787
3359 c
M. S. McIntosh
flraduit, avec la
1 ‘auteur, de 1 ‘article: Mclnrosh, U. S. 1983. AMlySù of Combined Experiments.
Agron.
J. 7S:lS3-155.)
somnlal’rc
La plupa.rt des expérimentations agricoles sont conduites dans deux ou plusieurs localit6 ou
pendant deux ou plusieurs annkes.
Cependant, les réfkrences statistiques ne contiennent pas
suf,E,wnment de détails pour une analyse complkte.
Le but de ce manuscrit est de fournir une
référence a l’analyse de-s essais combinés. Les tableaux comprennent les sources de variations, les
degr4-s de liber& et les ratios du test F (de Fischer) des expérimentations à un facteur de
classification, conduite-s en bloc parceUid pendant plusieurs anneeS ou dans plusieurs 1ocaW.s. Les
ratios du test F des modfiles mixtes, fixes, et ahktoires sont dom-&.
Mots clés: Dispositif expkimental, Stries d’essai, Statistique.
La plupart des expkimentations agricoles sont conduite-s dans deux ou plusieurs local&% ou
pendant deux ou plusieurs ann&es. Cependant, il n’y a pas de r&f&ences standards qui pourraient
fournir tous les dktails nécessaires pour l’analyse combink des essais ti plus d’un facteur de
cIas$fk.ation. Deux des réfkences (Steel et Torrie, 1980; Little et HiIl, 1978) les plus couramment
utibées par les agronomes ne couvrent pas les cas de-s analyses combinks des cultures annuelles.
Kempthome (1952), Co&ran et Cox (1957), et Snedecor et Co&ran (1967) ont d&its la proc&ure
des analyses combinées des essai & un facteur de classification, mais ils n’ont pas dkrit le test des
@onses moyennes aux traitements effectu& pendant plusieurs années ou dans plusieurs localitks. Le
test de l’effet principal des localitb ou des ann&ez peut intéresser le-s chercheurs, mais il n’y a pas
tellement d’exemples disponibles dans la littkature. Bien que le-s tests appropri& de l’effet des années
et des locations sont relativement simpks, beaucoup d’agronomes purraient ne pas avoir la maîtrise
statistique nkessaire pour identifier correctement les sources de variation et calculer le carré moyen
estimt. Il est important de bien dCfXr le modkle statistique mtme si le chercheur n’envisage pas
tester les effets principaux des anntks et des localittk Pour analyser correctement un essai, on doit
prendre soin de préciser tous le-s termes car la plupart de-s logiciels regroupent automatiquement toutes
les sources de variations non sp&zifi&s dans le terme de l’erreur.
Le fait de ne pas bien définir un
modèle entraîne une sur-estimation du terme de l’erreur.
Les ca& moyens estim& duivent être connus afin de calculer la valeur du F approprie pour
tester l’hypothèse d’intérêt. Les règles qui gouvernent la determination des car& moyens estimés des
observations complk-s @as de données manquantes) sont dkrites par Schultz (1955) et dans beaucoup
de texte de statistique (Kempthome, 1952; Steel et Torrie, 1980; LeClerg et al., 1962; Snedecor et
Cc&an, 1967; et Bennet et Franklin, 1954). Pour le cas des observations incomplbes, les
estimations ne sont pas toujours tgales a celles des observations compl&es (Hartley et Searle, 1969)
selon les définitions des variantes et des cova.riances du modèle. Hacking (1973) a d&rit trois
modeles avec des définitions différentes des variantes et des covariances pour le cas des observatiom
Sninaire mr la conception et analyse des essais en rni!ieu réel
Support de Cours - Page 32 ’
incompktes (a:w des donnh manquantes). Les estimations utiliskes dans le present manuscrit pour
calculer les valeurs de F correspondent au modèle 1 de Hacking. Elles representent le cas des
obs0aCons co,m#es.
Des logiciels peuvent aussi gh-krer des carrb moyens estimb. Le programme SAS (Statistical
Analysis System) par exemple, possède les procédures VARCOMP et GLM avec l’option aléatoire qui
donne les coefficients et les estimations de variante des carrés moyens. Ces procédures produisent
les mêmes carrés moyens estimés que ceux du rntikle III de Hacking (Freud et Little, 1981). Pour
les modeles mixtes, les estimations génCrées par le programme SAS sont différentes de celles obtenues
dans les cas où les observations sont compktes.
L’objectif de ce manuscrit est de fournir des tableaux complets de l’analyse de variante des
essais combines où les observations sont completes.
Ces tableaux peuvent être utibsks par les
chercheurs comme une référence pour identifier, rapidement et correctement, les sources de variation
et les termes appropriés du test F.
Wsultats et Ioterprétation
Les cads moyens estimb et les sources de variation des essais en blocs randomis& conduits
dans plusieurs localitks sont don& au Tableau 1. Ce tableau peut Ctre egalement utilid pour des
essais conduits penhfit plusieurs ann&s en remplaçant lo~alit& par anhs. Les tests F appropriks
seront diffkrents selon que les traitements ont des effets dits fixes ou al&atoires (Tableau 2). Dans le
cas où les localit& et les traitements sont tous les deux aléatoires, il n’y a pas de test exact pour tester
les effets des local&. Un test approximatif a Cté propos6 par Satterthwaite (1946) en utilisant les
degrés de liberté Nl’ et N2’ où:
Xl’ = (Ml + M5)2/~12/(l-1) + Us2/(l)(r-l)(t-l)j
mg = (M2 + M4)2/w2/l(r-1) + M42/(l-l)(t-l)]
Avant de calculer les degrb de libert6 (Dl) approximatifs (Nl’ et N2’), il faudrait d’abord
tester la signifiante de l’effet des localit& On utilise pour cela le Dl des localit& au numhteur et
au dhominateur, le Dl de Localitk par Blocs ou celui de l’interaction Localih2.s X Traitement (le plus
petit des deux). C’est un test prudent (à risque minimum), et si le test F est significatif, il n’est pas
nécessaire de calculer Nl’ et N2’. Si par contre le test F n’est pas significatif, l’emploi de Nl’ et N2’
va rkiuire la valeur critique de F et amener probablement le test F à être significatif.
Le Tableau 3 donne les tests F approximatiis qu’il faut utiliser pour combiner des
exphimentations en blocs randomi& qui ont td conduites dans plusieurs localit6s ou pendant
plusieurs années. Le-s ratios de F ont Ct.6 donnés pour les modkles fixe, mixte, et al&toire. Les ratios
F des cas où les ann&s sont al&toires et les localitks sont fixes peuvent étre aussi valables pour les
cas où les années sont fixes et les localUs sont aléatoires si An&es et Localités sont &Chang&es dans
2
la colonne des sources de variation. Comme dans l’exemple pr&dent, les tests F approximatifs sont
zppop-i& par certaines des comparaisons.
Le Tableau 4 montre l’analyse de variante qu’il faut utiliser pour combiner des
esp&i,mentations en blocs parcellisés conduites dans plusieurs localités et pendant plusieurs ann&es.
LR tableau comprend les tests F qu’il faut utiliser quand les localitts sont dites fixes ou aleatoires avec
des tmitements dont les effets sont fixes. Le Tableau 5 est une extension du Tableau 4 où les années
ont des effets soient fixes soient aleatoires.
Bennett, C .A. and N. L. Franflin. 1954. Statistical analysis in chemestry and the chemical industry.
John Wilet and sons, New York.
Co&ran, W. G. and G. M. Cox. 1957. Experimental designs. 2nd ed. John Wiley and sons, Inc.
N.Y.
Freund, R. J. and R. C. Littell. 1981. SAS for linear models. SAS lnstitute Inc. Casy, N.C.
Hartley, H. 0. and S. R. Searle. 1969. A discontinuity in mi& model analysis. Biometrics 25:573-
576.
Hmhg, R. R. 1973, A discussion of the two-way mixed model. Am. Stat. 27:148-152.
Kempthome, 0 . 1951. Design and analysis of experiments. John Wiley and sons, New York.
LeCIerg, E. L., W. H. honard, and A. G. Clark. 1962. Fielri plot technique. Burgess P&fisbg
CO., MïMeapolis.
Lit&, T. M., and F. J. HîI.ls. 1978. Agricuhral experimentation. John Wiley and sons, New York.
Satterthwaite, F. E. 1946. An approximate distribution of estimates of variante components. Biom.
Bull. 2:110-114.
Schultz, E. F., Jr. 1955. Rules of thurnb for determining expeetations of mean squares in analysis
of variante. Biometrics 11: 123- 125.
Snedecor, G. W. and W. G. Cochran. 1967. Statistical methods. 6th ed. Iowa State University
Press, Ames.
Steel, R. G. and J. H. Torrie. 1980. Principles and procedures of statistics. McGraw-Hill Book
CO., New York.
3
4
(t-Ill
w2
a.1
bu
huu(
u3M4
(r-1x%-l)
H4
M&%l3
M4M3
ES.IXt-I!l
b u
bl
H6
M&U10
Ma41
*1)0-I)
Hl
MiAi 10
WA4 10
(a-In-l)
bu
bUMI
H&%t9
(a-Ixblxl-1)
u9
H9MlO
H9M 10
J(r-1Xb1)
WI0
5
Lettre h l’éditeur
(rT;Ljuil
dam Agronomy
Journal, 1983, ré& Agron. 1. 7X-1056-1057)
Rif. “Analyse des expérimentations combinées” par M.S. McIntosh.
Dans un article sur l’analyse des expkimentations combinées, le Professeur McIntosh (1983) a fait
remarquer à. la communauté! des agronomes, la tendance insidieuse de certains programmes statistiques
d’ordinateur A grouper automatiquement les termes dans l’analyse de vtiance et les consquences
possibles de ces regroupements. Tout en Ctant totalement d’accord avec elle sur ce sujet, il est de
notre opinion que son interprétation de l’analyse des expkimentations combinks présente une vue
inad&uate du problème fondamental.
Bien qu’elle ait cid Snedecor et Cochran (1962) dans ses dférences, Prof. McIntosh ne semble
pas avoir saisi le sens profond de leurs commentaires: “Chaque skie d’expkimentation présente un
problkme unique au chercheur et au statisticien, aussi bien dans la planification que dans l’analyse’.
le Prof. Mclntosh fait remarquer Cgalement que très peu de tests standards, s’il y en a, montrent
amment les diffkrences entre plusieurs localitks (OU plusieurs années) differentes peuvent être tester
(quand l’essai se déroule dans plusieurs localitks ou pendant plusieurs années), mais elle ne propose
pas pour autant de contextes dans lesquels de telles expkimentations peuvent être nkessaires.
k
choix d’un test dépendra du contexte: par exemple, si chaque localiti est consid&& comme un
&hanti.Uon reprksentatif d’un type d’environnement dom& le regroupement de certaines localités peut
permettre de caiculer l’erreur r&iduelle due a la variation entre les localitks. Si une tendance précise
est a rechercher au cour de-s années, il peut c?tre possible d’utiliser les déviations de cette tendance
comme une estimation du terme de l’erreur. Contrairement aux implications du Prof. McIntosh, il
n’y a pas de m&ode directe disponible pour tester l’effet rt?el des localit& otu des anr&s. Quelque
soit la situation, il y a toujoùrs une erreur réskluelle lue a la variation entre les localitb ou entre la
an&x. De ce fait, le car& moyen de Bloc/Lo&ité n’est gekalement pas un substitut adéquat du
terme de l’erreur liée a la variation entre les localités. Le probkme est analogue a celui des esa
en serre où l’inclusion des répétitions est le seul moyen sGr pour obtenir un terme de l’erreur
appropriée afin de tester les traitements appliqu4.s dans toute une serre (Lee et Rawlings, 1982).
n est aussi dommage que l’auteur ignore les pro&dures standards pour analyser les skies
d’essai comme décrites avec prkaution, dCtail, et simpkiti par Cochran et Cox (1957). Elle a
manqué de mentionner les exigences de base de l’analyse ~~Zpa-rée des données d’une localité ou d’une
annke. Certains problèmes fondamentaux ce sont pas mentionnés non plus. Des problémes du genre
de la variation de l’erreur résiduelle (a,‘) d’une localiti a l’autre, ou de I’hCtCrogCnéitC de l’interaction
Traitement X Localité (~?n) peuvent, l’un ou l’autre, avoir des impacts Cnormes sur l’analyse. La
possibilité d’utiliser dans la hikarchie, des termes non significatifs du carré moyen de l’interaction
afin d’augmenter les degr& de libert& (Dl) du terme de l’erreur OU d’kviter des tests F approximatifs
comme (Ml + M5)/(M2 + M4) est ignorée.
Pire, l’auteur a présenté une série de tableaux pour étre utiliser comme un “livre de cuisine”;
comme s’il n’y avait pas de possibilitk de dkviation.
Ce faisant, il devient impératif de ne pas faire
d’erreur dactylographique (e.g. soit l’entête de la dernière colonne du Tableau 3 doit lire FY-FL-R,
soit les tests des carrés moyens de Localité, Traitement, et LocalitC X Traitement doivent
rqectivement être M2/M3, M5iM6, et M7/M8).
Cette manikre de procéder prtknte aussi des
difiïcult&s pour un chercheur qui utilise un dispositif lkgkrement différent: s’il utilise les mêmes
parcelles pendant des années différentes dans un essai de production de fourrage par exemple, il ne
doit pas utiliser l’un quelconque des tableaux du Prof. McIntosh, mais il peut être trait6 d’ignorant
(dans le meilleur des cas) par quelqu’un qui aurait lu l’article et qui le considkrerait valable dans toutes
les si tua tiens.
~a communauté des agronomes a clairement démontré a travers un certain nombre d’articles
sur les méthodes statistiques telles que les tests multiples des moyennes (e.g. Peterson, 1977; Little,
1981; Johnson et Berger, 1982) qu’elle n’est pas prête à accepter aveuglement des procédures
mécaniques dans la recherche scientifique. Nous espérons qu’elle va poursuivre cette politique sage
et traiter les questions soulevks ici et par Prof. McIntosh avec prk-aution et attention, dans le contexte
de l’expérimentation.
M.R. Binns
P.M. Morse
B.K. Thompson
Institut de Recherche en Gtnie et en Statistique
Agriculture Canada, Ottawa
Réf&ences
Cwhan, W. G. and G. M. Cox. 1957. Experimental designs. 2nd ed. John Wiley and sons, Inc.
N.Y.
Johnson, B. J. and R. D. Berger.
1982.
On the status of statistks in phytopathology.
Phytopathology 72: 1014-1015.
Lee, C. S. and J. 0. Rawlings.
1982. Design of experiments in growth chambers-uniforrnity triaIs
in the North Carolina State University phytotron. Crop Sci. 22:551-558.
LirJe, T. M. 1981. Interpretation and presentation of results. HortScience 16:637-640.
McIntosh, M. S. 1983. Analysis of combined experimezts. Agron. J. 75:153-155.
Petersen, R. G. 1977. Use and misuse of multiple comparaison prozaiures. Agron. J. 69:205-208.
Snedecor, G. W. and W. G. Cochran. 1967. Statktical methods. 6th ed. Iowa State University
Press, Ames.
7
Réponse de l’auteur
Binns, Morse, et Thompson ont fait Ctat de plusieurs points importants 21 considérer dans
l’~~a.lyse des expkimentations combinks. Beaucoup de leur critiques sont cependant le fait de leur
mauvaise inter@.ation de l’envergure de mon article. L’article avait en effet une étroite envergure,
Noue intention n’Ctait pas de faire une revue de la littérature sur l’analyse combi&. L’article ne
couvrait pas le vaste sujet du comment et quand il faut combiner les essais. Il prksentait simplement
quelques tableaux complets de l’analyse de variante des essais combinés cax de tels tableaux n’existent
nulle part dans la 1ittCrature.
Rien dans le manuscrit suggkait que l’article remplace ou contredit des
essais précédents sur l’analyse combinée. Les problkmes tels que I’hCtCrogénéité des variantes et le
regroupement des carrés moyens ne faisaient pas l’objet de notre discussion car ils ont été trait&
respectivement par Cochran et Cox (1957) et Camer et al. (1969). Il reste bien entendu que le
chercheur qui se demande comment combiner les donnks de plusieurs essais doit être averti des
insuffisances prksentkes dans la LittCratu~~.
fl n’était pas dit ni insinué que les tests F des tableaux (présent& dans l’article) étaient toujours
les seuls tests d’intérêt. Chaque série d’essai est unique, mais il y a beaucoup de situation où les
diff&ences entre les localitks (ou armées) sont tellement importantes que ces effets principaux peuvent
fournir des informations utiles. De nombreux exemples d’application de ces tests sont contenus dans
les articles des journaux Amonomy Journal et çrop Science. Il n’était pas de l’intention de notre
article de décrire quand ces effets doivent être tester et quand ils ne doivent pas l’être.
Bien qu’une estimation du terme de l’erreur résiduelle liée aux variations entre les localit& (ou
années) serait idéale pour tester les diffkences entre les localités (ou anrks), cette estimation n’est
souvent pas facile à obtenir.
Contrairement a ce que Bi~s, Morse, et Thompson affirment, combiner les essais de plusieurs
localités OU de pk&urs anmks n’est pas analogue aux essais en serre. Dans de tels essais, les effets
de la serre xnt confondus avec ceux des traitements, 2 moins que les traitements aient éti r@ét& &j
plus d’une serre.
ConsidCrer le manuscrit comme un ‘livre de cuisine” pour traiter les problkmes n’est mention&
nulle part dans l’article. Comme affirmé dans l’article, “les carrés moyens estimés” doivent être
c01111ue.s afin-de pouvoir dttermker le ratio de F. Six r&férences sur les rkgles pour obtenir les carrés
moyens estimés sont citées et un exemple d’estimation du cas le plus simple est également donné.
L’article indique aussi qu’il y a plus d’un ensemble d’estimations qui peuvent en découler et que SAS
g&re des estimations diffkrentes. Il existe donc &idemment plusieurs possibilités de déviations des
tableaux qui ont été présent& dans kuticle. Ainsi, une expérimentation ck production de fourrage
conduite pendant plusieurs années SUI les mêmes parcelles Ctait exclus de l’article car cela est un
exemple d’observation répétée sur les mêmes parcelles et implique seulement un essai. Cette analyse
se trouve dans les rkfkences qui ne contiennent pas des “analyses pour combiner l’analyse des cultures
anwelles”.
De façon regrettable, il y a eu des erreurs dactylographiques dans l’article. Je voudrais donc
publier les corrections suivantes:
1. Dans la colonne RY-FL-RT du Tableau 3, le test correct de l’interaction Traitement X Lo&ité est
M7/hI8,
2. L’entête de la demiere colonne du tableau 3 est FY-FL-FI?.
3. Le degri! de liberté de l’erreur totale (Tableau 4) est al(r-l)@-1).
Je conviens avec Binns, Morse, et Thompson dans leur d&lain des procédures mécaniques
aveugles. Je ne crois pas que les tableaux de l’article doivent être utilisés sans avoir consult& d’autres
réferences appropri&s des analyses combinees. Bien au contraire, j’esp&re que l’article va éclairer
et faciliter l’analy* statistique des experimentations combinées.
Marla S. McIntosh
Maître Assistant
Université de Maxyland
RCférences
Carmer, S. G., W. M. Walker. and R. D. Seif. 1969. Practic-al suggestions on pooling variartw
for F tests of treatment effects. Agron. J. 61~334-336.
Co&u--~, W. G. and G. M. Cox. 1957. Experimenti designs. 2nd ed. John Wiley and sons, III~.
N.Y.
x,B, h erreurs dactylographiques dam ~‘ai-kie originel ont t!tb rectifiée dans la version
française.
Une Typologie Classique des Essais en Milieu Réel
LES ESSAIS EXPLORATOIRES (“POUR VOIR”)
OBJECTIFS
CARACTERISTIQUES
Valider l’effkacité potentielle des technologies
Le nombre de traitements peut être grand ou petit.
rélévées prometteuses dans d’autres pays, régions
D’habitude, un nombre limité d’exploitations
Collecter les informations supplémentaires pour
agricoles sont impliqués (mais peut varier),
défmier des traitements potentielles.
Les dispositifs expérimentaux peuvent être simples
Cribler un grand nombre de traitements afin de
ou complexes.
sélectionner la gamme de traitements appropriés
pour d’autres essais en milieu réel.
La collecte de données par les chercheurs peut être
très intensive.
Evaluer la faisabilité d’une solution potentielle dans
les conditions bio-physiques locales.
Pratiquement tous les risques induits par l’essai sont
absorbé par le coté recherche.
LES ESSAIS DE RAFFINAMENT (PERFECTIONNEMENT),
ORIENTES VERS LA RECHERCHE
OBJECTIFS
CARACTERISTIQUES
Expliquer les causes des variations obsen+es dans
Un assez grand nombre de données sont collectées
les performances des traitements que ce soit entre les
(par la recherche).
traitements ou entre les exploitations.
La collecte de données sur les conditions
Constituer des références techniques qui pourront
biophysiques est primordiale.
être utilisées pour prévoir le comportement des
traitements sous des conditions biophysiques
Des donnée socio-economiques sont aussi collectk
variable.
Le nombre de traitements est limité, mais peut
Sélectionner un petit nombre de traitements qui
dépasser le nombre dans les autres types d’essais.
semblent prometteurs, parmi une vaste gamme de
traitements possibles.
Dispositifs expérimentaux relativement complexes.
i>ct<rmincr les liseurs ~conk~miqw5 t’t sOc’laU\\ qUl
i’iuwurs réF&tions par exploitation, mais le nom?re
pourraient afTecter l’utilite ou l’acceptabilité des
d’exploitations impliquées est relativement faible.
traitements.
Pourtant, il faut inclure la plus large gamme de
conditions biophysiques de la domaine de recherche.
Une certaine d’uniformité (contrôle expérimental) est
nkcessaire.
La plupart des risques appartiennent des chercheurs.
LES ESSAIS DE RAFFINAMENT (VALIDATION),
ORIENTES VERS L’AGRICULTEUR
OBJECTIFS
CARACTERISTIQUES
Donner au paysan l’occassion de comparer un
La collecte d’informations socio est primordiale.
nombre très limité de solutions potentielles à ses
pratiques traditionnelles.
Beaucoup d’exploitations sont impliquées.
Soumettre les innovations techniques à une gamme
Le nombre de traitements est limité,
plus étendue des conditions biophysiques et socio.
La collecte de données par les chercheurs est moins
Evaluer la stabilité des traitements (ou identifier des
intensive. La collecte par les agents de vulgarisation
interactions traitement-environnement) sous des
ou paysans peut devenir plus importante.
conditions biophysiques et socio différentes.
Le risque posé au paysan s’accroit, et celui posé aux
Déterminer quels sont les facteurs sociaux impliqués
chercheurs diminue.
dans l’adoption d’une innovation technique.
ESSAIS DE PREVULGARISATION
(Appelés parfois “essais de démonstration”, un terme à éviter)
OBJECTIFS
CARACTERISTIQUES
Comparer le meilleur ou les deux-trois meilleurs
Un très grand nombres d’environnements (et
traitements avec les pratiques du paysans à travers
exploitations) sont impliqués.
tous les environnements de la domaine de recherche.
Souvent, il n’y a que deux traitements: la pratique du
Evaluer le comportment des traitements sélectionnés
paysan particulier et la meillure solution proposée.
quand ils sont appliqués sur une proportion
importante des terres ou du troupeau d’un paysan.
On veut de la variabilité entre les environnements,
aussi bien biophysique que socio-économique.
Déterminer si les paysans sont effectivement prêts à
supporter le risque associé a l’adoption de
Le paysan collaborateur supporte pratiquement tous
l’innovation.
les risques.
Quelques caractéristiques
des types d’essais en milieu réel
Essai
Essai
Essai
Exploratoire
Potentialité
d’Adaptation
Mise en place:
No. de sites
Très peu (fl-3)
Moyen: (f3-6)
Nombreux (15+)
No. de traitements Le plus (1 O-20)
Moyen (3-8)
Le moins (2-4)
No. de témoins
Le plus (1 à 4)
Intermédiaire
Témoin du paysan
No. de répétitions
Très variable
Plusieurs (344)
Une par site
Superficie parcelle La plus petite
Intermédiaire
La plus grande
-~--.-
----
---~~-
----
--------
v--
-.-e---_
Paysan i
Gestion:
c
Recherche
->+
/
l
Dév&3ppement j
-.. -----
-7
Risque:
Pour le paysan
i
y---
POU~ le chercheur
.._ ---- -----.-__
-.-- _.__
- ..
-..-
--.
.._ _.. - .----- -.---..-.. ---.-- -_- _..._ Y---z
Données:
J.T. Russell 1996
SEPT QUESTIONS CLES
DANS L’EVALUATION FAITE PAR
LES AGRICULTEURS
I
1.
Le problème à résoudre est-il important pour les agriculteurs?
2.
Les agriculteurs comprennent-ils les essais?
3.
Les agriculteurs ont-ils le temps, les entrants et la main-d’oeuvre
requis par la technologie améliorée?
4.
La technologie proposée est-elle logique dans le système de
production actuel?
5.
La situation économique est-elle favorable à l’investissement dans
la nouvelle technologie ou les nouvelles cultures?
6.
Le changement proposé est-il compatible aux préférences, aux
croyances locales ou à l’approbation communautaire?
7.
Les agriculteurs croient-ils que la technologie sera durable?
Robert Rhoades, 1982, Comprendre Les Petits Agriculteurs: Perspectives Socioculturelles
des Essais en Champs D’Agriculteurs, CIAT
Extrait de l’article:
La Participation du Paysan pour une Recherche Effective
en Agriculture de Sustentation
Walter W. Stroup, Peter E. Hildebrand, et Charles A. Francis
Si les pays en voie de développement doivent parvenir à I’autosuffkance alimentaire et
réduire la pauvreté en milieu rural, les milliers de paysans doivent être des acteurs actifs dans
la recherche agricole et dans le processus de développement (Whyte et Boynton, 1983).
La plupart des cultures et plusieurs des systèmes de production agricoles les plus
importants émanent des connaissances empiriques ou des recherches à tâtons faites par
plusieurs générations d’agriculteurs. Les paysans de l’époque du Néolithique connaissaient
déjà suffkamment de choses sur les quelques 1500 différentes espèces de plantes utilisées en
agriculture et dans la pharmacopée (Braidwood, 1967). Les restes de leurs systèmes
traditionnels de survie existent encore de nos jours dans plusieurs régions (Francis, 1986b).
Cependant, avec l’avènement de la recherche scientifique après la seconde guerre mondiale,
l’influence des paysans sur le développement des technologies agricoles s’est amenuisée.
Vers la fin des années 60 et le début des années 70, la communauté internationale a
commencé à percevoir le besoin d’aider les nombreux petits paysans aux ressources
presqu’inexistantes, qui étaient en train d’être exclus de la Révolution Verte (Agricole). Whyte
et Boynton (1983) ont écrit que cela signifiait qu’il faudrait: 1) accorder une attention
particulière à la recherche en milieu paysan; 2) encourager une meilleure collaboration inter-
disciplinaire; 3) mettre en place une administration agricole plus efficace et plus soucieuse des
intérêts et besoins des petits paysans; et 4) cesser de considérer les paysans comme des acteurs
passifs prêts à accepter tout ce que les experts auront jugés bons pour eux.
Pour répondre à cette nouvelle conception, il était nécessaire de développer une
nouvelle méthodologie pour trouver des technologies appropriées à chacun des
environnements où travaillent ces nombreux paysans. Cette méthodologie doit non seulement
atteindre la grande majorité des paysans travaillant dans des milieux divers, dans des situations
souvent pénibles, et dépourvus de ressources nécessaires pour dominer leur environnement
mais elle doit également permettre:
l’accélération du développement de la technologie, de son évaluation, de ses
processus de mise en oeuvre et d’adoption, et
-
l’utilisation judicieuse des maigres ressources (humaines, matérielles, et
financières) des services nationaux de recherche agricole et de vulgarisation des
pays en voie de développement.
Pour accomplir cette tâche, la méthodologie nécessite une approche pluridisciplinaire intégrant
les paysans, les chercheurs, et le personnel de vulgarisation.
Au niveau international, pendant les 20 dernières années, cette recherche en milieu rural pour
un grand nombre de paysans a été dénommé Recherche et Développement des Systèmes
d’Esp!oitation Agricoles (FSRE, le sigle en Anglais). Au sens large, FSRE implique;
une détermination rapide des problèmes des champs par des équipes
multidisciplinaires qui apportent les bases nécessaires pour
une recherche descriptive et adaptable en milieu paysan qui est supportée par
une recherche socio-économique sur le terrain et dans Ia communauté rurale, et
une dissémination et diffusion simultanée des résultats.
En incluant les paysan dès le départ du développement de la technologie -- de la
détermination des problèmes à l’adaptation et à l’évaluation -- la méthodologie de FSRE
minimise à la fois l’occurrence des essais qui s’adaptent mal en milieu réel (Figure l), et la
probabilité de rejeter, après essai en station, des technologies qui auraient pu avoir un bon
rendement en milieu paysan mais qui n’ont jamais été testées sur le terrain (Figure 2).
Avec le temps, la méthode a été améliorée et FSRE n’est plus seulement limitée aux petites
exploitations. En fait, l’efficacité de l’utilisation judicieuse s’est accrue quand les paysans
d’horizon divers ont été incorporés. Dans ce chapitre, les méthodes d’incorporation d’un grand
nombre de paysans à ressources limitées dans la recherche en milieu réel sont examinées. Plus
loin dans ce chapitre, nous discuterons le cas des grandes exploitations à caractère
commercial.
Concepts et Methodes
Diagnostic
En se servant des méthodes du FSRE, les problèmes des paysans sont identifiés par des
procédures de reconnaissance rapide (Chambers, 1981) ou par la procédure sondeos
(Hildebrand, 198 1). Ces procédures considèrent les paysans comme des participants actifs des
équipes multidisciplinaires de recherche et de vulgarisation. Ces méthodes sont souples. Elles
peuvent oui ou non utiliser des questionnaires pendant l’enquête. Les problèmes rencontrés
sont bien documentés et mis en priorité dans un programme de recherche par différentes
méthodes y compris celles proposées par Tripp et Woolley (1983) des centres ClMMà à
à8àO p
CIAT.
Les domaines de recherche
Une précédente démarche qui visait les groupes de champs homogènes (Hildebrand,
198 1; Norman, 1980) a été modifiée pour associer l’idée de domaine de recherche (Wotoweic,
et al. 1988). Cette notion reconnaissant le fait que les champs aussi bien que les paysans sont
très différents entre eux, vise cette diversité. Très souvent, les domaines de recherche sont
choisis selon des paramètres biophysiques; mais il arrive des fois où les choix sont politiques.
Idéalement, les domaines de recherche contiennent une grande variété d’environnement qui
sont pris en compte le plus tôt possible dans le processus de sélection des technologies.
L’environnement dans ce contexte peut être associés aux champs, aux parcelles et aux portions
de parcelles. L’utilisation des considérations socio-économiques dans le choix des
en~konxments (dans le cadre du domaine de recherche) augmente I’efficacit6 du
développement et de l’évaluation de la technologie.
Pour comprendre un domaine de recherche, il faut comparer par exemple
l’environnement des champs de production de tabac en Floride du Nord par les paysans
dépourvus de ressource (Photo 1) -- avec l’environnement de production de tabac à grande
échelle dans la même zone mais où de grande ressources sont utilisées pour maîtriser
l’environnement (Photo 2) -- ou avec l’environnement de la culture de tabac dans une station
de recherche, dans la même localité mais en milieu contrôlé où la plante bénéficie de tous les
éléments nutritifs nécessaire à sa croissance, (Photo 3).
Tous ces environnements peuvent être considérés comme faisant partie du même
domaine de recherche et peuvent être simultanément intégré dans le développement d’une
technologie de production, d’évaluation, et de diffusion de la culture du tabac au Nord de la
Floride. Dans les domaines de recherche, la recherche sur le terrain est de nature exploratoire
pour répondre aux QUOI et OU, mais pas au pourquoi et quand. Des environnements aussi
diversifiés que ceux du Nord de la Floride augmentent la nature exploratoire de l’aspect
domaine de recherche des recherche sur-le-terrain.
Domaines de recommandation
Dans un domaine de recherche, une équipe intégré et multidisciplinaire de recherche et
vulgarisation conduit des investigations aussi bien sur le milieu physique et naturel que sur
l’aspect socio-économique. Les résultats de cette investigation sont analysés pour 1)
caractériser l’environnement de chaque location sur le plan physique et biologique, 2) définir
les critères d’évaluation des paysans en fonction de la technologie à développer, et 3) définir de
domaines de recommandations. Un domaine de recommandation est une combinaison unique
des caractéristiques de l’environnement et des critères d’évaluation.
Les domaines de recommandation sont donc, un ou plusieurs sous-ensembles du
domaine de recherche qui tend vers 1) une homogénéité de l’environnement - naturel ou crée
par le paysan - et 2) une homogénéité des critères d’évaluation des paysans pour la technologie
à développer. Ces domaines de recommandation diffèrent également des premiers courants de
pensées qui recommandaient les domaines en fonction de tous les champs (Byerlee, et al.
1982) ou des cultures et systèmes d’exploitation (Hildebrand, 1981) en se referant
logiquement à des parcelles ou champs individuels, ou même à des sites différent dans le même
champ. Le principe le plus important est de considérer le domaine de recommandation comme
des environnements dont les caractéristiques physiques, biologiques, et socio-économiques,
peuvent être identifiées.
Le type de recherche-sur-le-terrain pour les domaines de recommandations est la
validation. Cela pour contïrmer les réponses concernant 1) comment chaque alternative
(traitement) va-t-elle répondre, et 2) où cette alternative est-elle appropriée. La validation
peut aussi servir à affiner la caractérisation des domaines de recommandation et des critères
d’évaluation du paysan. A cet stade, le nombre des traitements des essais sur-le-terrain est
limité. Les agents du service de vulgarisation peuvent jouer un rôle très important en
élargissant le champ d’action et en accélérant la dissémination de la technologie,
Domaines de diffusion
Les domaines de difision sont des réseaux informels de communication de personne-i-
personne a travers lesquels la nouvelle connaissance acquise va circuler. La connaissance de
ces réseaux est très important pour aider !es agents de la recherche et de la vulgarisation à
localiser les essais de démonstration en milieu paysan de façon à toucher le réseau.
Le défis du diagnostic et de l’identification de ces nombreux domaines est rendu
compliqué par la manière dont l’information obtenue de essais sur-le-terrain est collectée,
analysée, et évaluée, Nous devons clairement définir les limites et les zones d’application des
résultats de la recherche, le dégrée d’extrapolation des recommandations, et la cible appropriée
de ces technologies. Pour être crédible vis à vis des paysans et aussi au point de vue
statistique, les résultats des recherche sur-le-terrain doivent être analysés et évalués selon des
méthodes valides de statistique.
Comparaison des Methodes d’Analyses Statistiques
Enumeratives et Analytiques
tiré de Stroup, Hildebrand, et Francis (1989)
Pendant ces dernières décennies, des méthodes de dispositif expérimental et d’analyse
statistique des essais ont été développées et utilisées effectivement dans la recherche agricole.
Beaucoup de ces méthodes sont tellement courantes. Su:i1 est fac-e de perdre de vue le fait
qu’elles sont seulement des applications spécifiques de théories statistiques à des conditions
spécifiques d’expérimentation -- notamment, celles qui sont utilisées dans les stations
d’expérimentation agricole.
Les exigences des essais sur-le-terrain sont-elles les mêmes que celles des essais en
station? Il n’y a pas de raison à ce qu’on s’attende qu’elles soient identiques. En réalité, les
essais qui sont effectués en station et ceux qui sont effectués sur-le-terrain diffèrent en deux
points fondamentaux. Le premier est que les objectifs sont typiquement différents. Le second
point est que la variabilité des données dans un essai en milieu paysan est plus complexe et
demande une démarche plus sophistiquée que celle des essais menés en station.
En quoi les objectifs des essais en milieu paysan diffèrent-ils de ceux des essais en
station? Comment cela affecte-t-il alors le choix des méthodes d’analyses statistiques
appropriées? Bien que cela ne soit probablement pas évident aux yeux des chercheurs en
agriculture, les essais sur-le-terrain ont beaucoup de similarités sur le plan statistique, avec les
expériences d’amélioration de la qualité dans les usines de fabrication. Deming (1953, I975),
le statisticien dont les contributions à l’industrie japonaise sont légendaires, distingue deux
démarches en analyse statistique: énumérative et analytique. Selon Deming (1975):
Enumérative. “L’action à entreprendre sur la monture dépend purement des estimations
ou des comptages complets d’une ou de plusieurs populations spécifiques de la monture, Le
but de l’étude statistique dans le cas d’un problème énumératif est deskptif.”
Pratiquement,
toutes les méthodes classiques de statistique -- test de student, test de Fisher, analyse de
variante (ANOVA, le sigle en Anglais), intervalle de confiance -- sont énumératives de nature.
Analytique. “Dans laquelle une action sera menée sur le procédé qui produit la
monture étudiée, le but étant d’améliorer la pratique dans le futur. Seules les procédures
statistiques qui impliquent la prédiction (et non pas l’estimation) ou le test d’hypothèse sont
analytiques de nature.
kwtrement dit, d’après Deming (1975). “dans un problème énumératif, 100% des
échantillons donne la réponse complète du problème posé Par contre, 100% des
échantillons d’un groupe de patients, ou d’une parcelle de terre, ou des produits de la semaine
dernière (industrielle ou agricole) est insuffisante pour tirer une conclusion dans un problème
analytique. Ce point, bien que fondamental dans les données statistiques utilisées en business,
a échappé à beaucoup d’auteurs”.
En clair, la plupart des essais ont des objectifs plutôt analytiques que énumératifs.
L’application littérale des méthodes de statistiques énumérative, dont la majorité constitue
presqu’une tradition en recherche agricole, n’est donc pas appropriée dans la plupart des essais
sur-lr-Ierïain. Par essxpiz. l’.ASOl‘.1 peut Stre u:Ze dans i’intsrpr&ation des donn&s des
essais sur-le-terrain. Cependant, I’ANOVA met l’accent sur les hypothèses du test et sur les
niveaux de signifiante. Ceux-ci, bien que importants dans les études énumératives, sont hors
propos dans les études analytiques où l’accent est mis sur la prédiction et les actes.
Les procédures ad hoc de statistique sont courantes dans les études analytiques. Bien
que beaucoup de ces procédures peuvent être validement critiquées avec les arguments de la
méthode énumérative, ces critiques sont très souvent hors de propos. Les études analytiques
sont généralement conduites avec très peu de connaissance préalable et très peu de contrôle
sur les conditions du milieu, Le choix se fait fréquemment entre pas d’information et
information plus ou moins imparfaite mais utile. Les conditions optimales des procédures de
la statistique énumérative ne sont simplement pas une option. Typiquement, les études
analytiques sacrifient le contrôle de la variabilité à la faveur d’un domaine de recherche très
élargi mais ceci ne les rend pas pour autant incorrects ou insensés. Cela signifie simplement
que le chercheur doit comprendre les démarcations (différences) et choisir les méthodes
d’analyse statistique en conséquence.
La complexité de la variabilité des essais sur-le-terrain trouble très souvent ceux qui sont
habitués aux méthodes traditionnelles d’analyse statistique utilisées dans la recherche agricole,
Dans le jargon de la statistique, ces méthodes sont des exemples des “carrés moyens
ordinaires”, Leur vertu principale réside dans leur facilité relative d’exécution sans l’aide d’un
ordinateur, ce qui était une considération majeure dans les années 1920 et 1930 lorsqu’elles
avaient été développées. Leurs inconvénients majeurs sont leur structure rigide et étroite,
avec parfois des suppositions peu réalistes imposées aux données pour pouvoir légitimer
l’interprétation. Parce que les essais sur-le-terrain remplissent rarement les conditions
imposées par ces suppositions, beaucoup ont conclu -- à tort -- qu’ils sont en quelque sorte
“statistiquement inadéquats”. En vérité, les méthodes traditionnelles ne peuvent simplement
pas accommoder la complexité des essais sur-le-terrain.
La théorie de “carrés moyen ordinaires” a été depuis longtemps supplantée par des
méthodes plus souples. Des méthodes de modèles linéaires mixtes (ou “la méthode des
modèles mixtes” comme décrite dans ce texte) sont d’un intérêt particulier pour les recherches
sur-le-terrain. La vertu des méthodes du modèle mixte est leur flexibilité. Leur inconvénient
réside dans le fait qu’elles nécessitent l’utilisation d’un ordinateur. Ainsi, bien que la théorie
des modèles mixtes existe depuis près d’un demi-siècle, son utilisation n’est devenue pratiqrle
que dans les années 70 dans les pays développés et dans les années 80 dans la plupart des pays
en voie de développement. Jusque là, les méthodes traditionnelles sont tellement bien encrées
dans les cours de statistique, dans les stations de recherche, et dans les journaux de recherche
agricole qu’un changement de mentalité a du être nécessaire, ou plus correctement, est encore
nécessaire.
Récemment, il y a eu beaucoup d’intérêts dans les applications de la théorie du modèle
mixte en agriculture. Henderson (1975) a développé les meilleurs indices linéaires sans biais
(RLCP, le sigle en Anglais) comme une alternative pour estimer plus de paramètres du type
énumeratif. Perçue au début comme une procédure ad hoc, Harville (1976) a développé les
bases théoriques du BLUP. Une publication régionale du groupe de recherche et d’échange
d’information en statistique (Southem Regional Bulletin, 1989) contenait plusieurs exemples
d’application des modèles mixtes en agriculture. Cette publication contenait aussi des articles
écrits par McLean (1989) et Stroup (1989a) décrivant la théorie et les méthodes de modèle
mixte.
Dans la section suivante, des modèles linéaires mixtes indiqués pour les essais sur-le-
terrain seront analysés. Ces modèles ressemblent en gros aux modèles qui sont utilisés dans
I’&~a!uation des données des recherches effectuées en station Le but de cette section est de
montrsr comment utiliser les modèles mixtes pour distinguer entre les diverses suppositions
qui peuvent être faites à propos des modèles, leurs effets sur l’analyse qui en résulte, et leurs
implications pour les chercheurs. L’objectif au sens large est de donner au chercheur des
perspectives statistiques suffisantes pour choisir des dispositifs expérimentaux et des méthodes
d’analyse appropriée aux essais en milieu paysan.
L’ESSAI “TYPIQUE” SUR-LE-TERRAIN
Bien que les essais sur-le-terrain sont conduits de plusieurs façons, la plupart reposent
sur une structure élémentaire commune. Ce qui suit est une description générique des
éléments essentiels:
Supposons qu’un nombre de traitements V sont à évaluer. Chaque traitement est
observé dans F différents champs où les caractéristiques (spécifiques) biophysiques et socio-
économiques de la location exacte du champ seront déterminées. A chaque location du
champ, chacun des traitements est “répété” R fois. Le terme “répété” est mis ici entre
guillemets parce que, bien que cela deviendra évident dans la discussion, des observations
multiples sur les traitements à l’intérieur d’une location de champ donné peuvent ne pas être de
vraies répétitions. Remarquez que le terme “champ” désigné par la lettre “F” dans la suite du
texte est générique. Ce terme doit être plus spécifiquement interprété comme
“environnement”. Dans des essais donnés, “parcelle”, “champ”, “village”, etc peuvent désigner
la même chose.
Schématiquement, cet essai peut être représenté comme indiqué à la figure 1, Comme
point de départ de l’analyse de cet essai, le modèle (équation) mathématique suivant peut être
utilisé:
Y, = p + $ + r(f), + Vu + v& + e,,
(1)
Où
Y,, est l’observation j sur le champ i du traitement k,
p est la moyenne générale,
c est l’effet du champ i,
r(f), est l’effet de la répétition j dans le champ i,
vk est l’effet du traitement k,
VF, est l’interaction entre le champ i et le traitement k,
e,, est la variation résiduelle,
avec i = 1, 2, 3, ..; j = 1, 2, 3, ..; k = 1, 2, 3, . . etc.
SGCRCE DE VARIATION
Dégrée de liberté
CH.4MP
F
F - l
REP(CHAMP)
R(F)
F(R - 1)
TRAITEMENT
V
CHAMP X TRAITEMENT V X F
i-i)(V - 1)
RESLDUELLE
resid
F(R - l)(V - 1)
TOTAL
FRV-1
Cerre ,4NOTc-A a plusieurs interprétations possibles selon les objectifs spécifiques d’un
essai donné et selon les modèles qui en résultent. Pour faire une utilisation adéquate du
tableau de I’ANOVA, le chercheur doit être clair sur les objectifs de l’essai et sur la nature des
effets en observation, Quelques termes utiles sont ici définis.
Population de référence: L’ensemble des éléments (e.g. champs) auxquels les résultats
de l’étude sont appliqués. Ceci est similaire au concept de domaine de recherche.
Espace de projection: Les applications du résultat des essais sur-le-terrain prennent
souvent la forme de recommandation. Les recommandations sont basées sur les
comportements projetés des traitements, soit pour la population entière, soit pour diverses
sous-populations. L’ensemble des éléments (e.g. champs, environnements) auxquels une
prédiction est supposée être applicable est appelé l’espace de projection. Ceci est similaire au
concept de domaine de recommandation.
Effets aléatoires et effets fixes: Les effets de l’étude -- traitements, champs,
“répétitions” -- peuvent être considérés fixes ou aléatoires en fonction (1) du mode de leur
choix et (2) de l’espace de projection approprié aux objectifs de l’étude. Un effet est considéré
fixe si les niveaux d’un facteur particulier sont choisis délibérément avant l’étude. Dans ce cas,
les mêmes niveaux seraient encore utilisés toutes les fois que l’étude doit être répétée avec les
mêmes conditions préalables. La projection est alors limitée seulement aux niveaux qui sont
représentés dans l’étude. Typiquement, des traitements tels que la méthode de labour ou la
dose d’engrais dans une variété d’essai seraient considérés comme des effets fixes. Un effet est
dit aléatoire quand les niveaux observés dans l’étude ont été choisis par un échantillonnage
aléatoire d’une large population -- des niveaux identiques dans une répétition de l’étude
seraient très improbables. La prédiction de ce cas est projetée pour être appliquée à la
population de base d’où les niveaux observés dans l’étude ont été échantillonnés. Le plus
patent exemple de l’effet aléatoire serait l’effet de la “répétition” ou de la variation résiduelle.
Beaucoup d’effets ne sont pas de façon précise, fixe ou aléatoire -- e.g. des effets de la
location du champ ou de l’environnement. Le fait qu’un effet soit fixe ou aléatoire a une
implication majeure sur l’analyse comme nous allons le démontrer ci-dessous.
La plupart des livres de statistique e.g. Steel et Torrie (1980) ou Snedecor et Co&ran
(1980) contiennent des explications détaillées sur les effets fixes et aléatoires. De nombreux
autres livres sur le dispositif expérimental ou sur la planification des expérimentations
analysent la population de référence e.g. Cox (1958) ou Mead (1988). Le lecteur doit
consulter ces livres pour plus de détails.
L’IMPACT DES EFFETS FIXES OU ALEATOIRES SUR L’ANALYSE DE
VARIANCE
Dans l’analyse de variante des essais sur-le-terrain donnés ci-haut, il est plus ou moins
clair que les “traitements” sont fixes et que les “répétitions” sont aléatoires. Cependant, les
champs ne sont pas facilement classés dans l’une ou l’autre de ces catégories. Différents
champs ont bien pu être sélectionnés intentionnellement ou en fonction de certains critères:
taille, revenue, niveau technique, type de sol, caractéristiques climatiques, etc. Les champs
peuvent également avoir été choisis de façon aléatoire dans une population de base donnée.
En réalité, ces cas sont des exemples extrêmes. Les champs sont généralement choisis selon
une combinaison tactique des facteurs fixes et aléatoires. Ceci étant, un ensemble de
conditions définies doit être représenté, mais une sorte d’échantillonnage aléatoire est effectué
à l’intérieur de chaque condition Cela conduit essentiellement à un échantillonnaze aliatoire
stratifie.
11 en résulte que les champs ne sont pas facilement classés comme fixe ou aléatoire.
Habituellement, l’analyse “correcte” des essais sur-le-champ implique quelque compromis
entre l’analyse où les effets du champ sont supposés fixes et celle où les effets du champ sont
supposés aléatoires. Avant d’examiner ce “compromis”, il est instructif de voir les analyses
appropriées aux cas où les champs sont strictement supposés fixes et ceux où ils sont
strictement supposés aléatoires.
Si les chamns sont supposés fixes, les seules composantes aléatoires du modèle sont
donc r(‘j& et e,,. Désignons la variante de r(t), par ad et la variante de e,, par u2. Les
valeurs prévisionnelles des carrés moyens de I’ANOVA sont donc comme suit:
SOURCE DE VARIATION
CARRE MOYEN PREVISIONNEL
F
a2 + FVoti2 + RW,
RF)
u2 + FVufi2
V
u2 + FR@,
V x F
u2 + R<P,
résiduelle
U2
où <p, aw et @, désignent respectivement les variations imputables aux effets fixes <,
v,, et v&.
Si les chamns sont sunposés aléatoires, les composantes < et vf& du modèle sont aussi
aléatoires. Si on désigne leur variante respective par uf et uti2, les carrés moyens
prévisionnels seront alors:
SOURCE DE VARIATION
CARRE MOYEN PREVISIONNEL
F
u2 + Ruti2 + Vu,’ + RVuf2
NF)
u2 + vad
V
u2 + Ruti2 + FR@,
VxF
u2 + Ruti2
résiduelle
U2
Ces deux tableaux de ANOVA impliquent des démarches différentes pour tirer les
conclusions Quand les chamos sont SuDDosés fixes, la première préoccupation de
l’expérimentateur est de voir l’interaction entre le champ et le traitement (V x F). L’importance
de cette interaction est déterminée par le F-ratio MS(V x F)NS(résiduelle).
Si le F-ratio
indique qu’il y a une interaction, les efforts sont alors concentrés sur la comparaison de la
nature de cette interaction. Même si le F-ratio s’avère négligeable, l’expérimentateur aura à
séparer MS(V x F) en ses composantes utiles, en utilisant par exemple des contrastes, puisque
des interactions importantes sont très souvent masquées par un dégrée de liberté élevé de V x
F (voir Snedecor et Co&ran [1980], pp. 304-307).
Quand les champs sont supposés aléatoires, le test de l’interaction entre le champ et le
traitement qui utilise le même F-ratio que ci-dessus a une interprétation très différente Cela
signitïe precisément que les différences entre les traitements varient de façon aleatoire selon le
champ. Ce qui est différent du cas de l’effet des facteurs fixes, dans lequel l’interaction
implique que les différences relatives entre les traitements sont influencées par les
caractéristiques tangibles, identifiables, et reproductibles du champs (c-à-d les caractéristiques
dictent le choix des champs en premier lieu). En fait, le test de l’interaction est
particulièrement intéressant si les champs sont aléatoires: Si atiz est inférieur à zéro, la
supposition de champ aléatoire est alors probablement imparfaite. L’effet principal du
traitement est alors d’intérêt. Cela est évalué en utilisant le F-ratio MS(V)/MS(V x F). Son
but est de vérifier que les différences entre les moyennes des traitements sont suffisamment
larges et consistantes pour être détectées dans la population projetée, en plus du fait qu’il
existe des différences aléatoires entre les interactions Traitement X Champ.
Pour résumer, si les champs sont supposés fixes, le F-ratio de première importance est celui de
l’interaction V x F, qui équivaut à MS(V x F)/MS( résiduelle). Si l’interaction V x F est
négligeable, alors l’effet principal de V est déterminé par MS(V)/MS(résiduelle). Si les
champs sont dits aléatoires, les valeurs intrinsèques du test V x F sont moindres (sauf pour
vérifier la validité des hypothèses). L’effet principal de V, qui dans ce cas est le F-ratio
MS(V)/MS(V x F) est de première importance.
Habituellement, les essais sur-le-terrain sont rarement totalement fixes ou totalement
aléatoires. Les ANOVA sont donc des exercices académiques utiles pour illustrer les issues
dont les chercheurs qui mènent des investigations sur les systèmes de productions agricoles
ont besoin de comprendre. Aucune des deux ANOVA ci-dessus ne peut cependant être d’une
utilité pratique à moins qu’elle soit modifiée.
SEPARATION DES COMPOSANTES DE L’INTERACTION CEFAMP X
TRAITEMENT
Dans la plupart des essais sur-le-terrain, la population d’inférence comprend une série de
“types d’environnements” que l’expérimentateur cherche à représenter. Dans le cas extrême
des effets fixes, le nombre de type sera F. Ainsi, seul un environnement par type serait
observé. Dans le cas extrême des effets aléatoires, il y aurait certainement un type
d’environnement (ou bien très peu de choses seraient connues sur les environnements que la
différentiation en types ne pourrait pas être faite avant de conduire l’essai) et F environnements
échantillonnés rejetteraient l’un ou l’autre des extrêmes. Un dispositif réaliste serait
d’échantillonner de façon aléatoire un certain nombre d’environnement dans chacun des
nombreux types (d’environnement) dans la population.
Si les types de “champ” sont très bien définis, l’équation (1) peut être modifié comme
suit:
Y,, = j.l i ti + f(t), i- r(tf)ijk + VI + Vtfi +Vf(t)ij, f e,,
(2)
Où
ti est l’effet du type de champ,
f(t), est l’effet du champ entre type,
vt, est l’interaction type de champ X traitement,
et les autres termes suivent par extension ceux de l’équation (1).
Dans l’équation (2), type et traitement seraient considérés comme fixes, champ et
répétition seraient aléatoires, et l’analyse serait effectuée selon I’ANOVA suivant:
SOURCE DE VARIATION
dll
CARRE MOYEN PREVISIONNEL
T
T-l
o2 + Vu,’ + Vati2 + R~U,* + FRW,
F(T)
T(F- 1)
a2 + Ru,’ + Vud2 + R~U,*
RU’V
TF(R- 1)
u2 + VQ2
V
V-l
u2 + Ru,’ + TFR@,
VxF
(T- l)(V- 1)
u2 + Ru,’ + FR@,
V x F(T)
T(V- l)(F- 1)
u2 + Rufi2
résiduel
TF(R-l)(V-1)
u*
L’interaction type X traitement (V x T) serait initialement de première importance. Son
F-ratio est MS(V x T)/MS(V x F[t]).
Comme auparavant, séparer MS(V x T) en des contrastes utiles seraient vivement
recommandé. Par exemple, supposons que les types de champ sont:
1. pluviométrie élevée, mécanisation
2. pluviométrie élevée, pas de mécanisation
3, faible pluviométrie, mécanisation
4. faible pluviométrie, pas de mécanisation
et que les traitements sont:
1. variété standard, pas d’engrais
2. variété standard, avec engrais
3. variété résistante, pas d’engrais
4. variété résistante, avec engrais
L’effet de type peut être décomposé en effets principaux de pluviométrie, de
mécanisation, et interaction Pluviométrie X Mécanisation. L’effet du traitement peut
également être décomposé en effets principaux d’engrais et variété, et en interaction Engrais X
Variété. L’interaction entre chacun des trois types d’effets d’un côté avec l’un quelconque des
trois types de l’autre côté pourrait donc être évaluée. Par exemple, une interaction
Pluviométrie X Variété pourrait être évalué pour voir si la variété résistante est avantageuse
aussi bien en faible que en haute pluviométrie. Dans le cas inhabituel où l‘interaction Type X
Traitement est négligeable, l’effet principal du traitement pourrait être testé en utilisant
MS(V)/MS(V x F[T]).
Les performances projetées des traitements pour des types particuliers de champs
peuvent être obtenues en utilisant les intervalles de confiance des moyennes des interactions
traitement X Type de champ. Il faudrait prendre soin d’utiliser les termes de l’erreur
appropriée pour les calculs. Beaucoup de programmes statistiques ne peuvent pas traiter les
modèles linéaires mixtes comme par exemple le modèle (2) sans une transformation
particulière. Pour une discussion complète sur le sujet, voir McLean (1989) et Stroup
(1989a). Les performances projetées d’un champ spécifique à l’intérieur d’un type de champ
donné pour un traitement particulier, peuvent être obtenues en calculant les meilleurs indices
linéaires non biaisés d’estimation (Henderson, 1975). Ces estimations ne sont pas les mêmes
que les moyennes habituelles des échantillons. Voir également hlclean (1989) et Stroup
( ! 9.~9~ ct 1939b) pour une discussion approfondie.
ANALYSE DE STABILITE
Un cas spécial de l’analyse ci-dessus se produit quand “des types d’environnements” et
leurs interactions potentielles avec les traitements ne sont pas bien comprises avant de
conduire l’essai sur-le-terrain. Dans ce cas, le chercheur essaie de représenter un spectre aussi
large que possible des types à l’intérieur de la population d’inférence, mais une séparation
“propre” de la variabilité parmi les environnements en type et environnement par type peut ne
pas être possible. Un des objectifs de l’étude pourrait bien sûr être de fournir des informations
concernant les environnements qui favorisent ou défavorisent certains traitements et les traits
communs de ces environnements. Des formes variées de “l’analyse de stabilité” sont des
exemples importants de cette méthode.
Des articles excellents sur l’analyse de stabilité sont disponibles [voir Freeman (1973)
Hi11 (1975) Westcott (1985)]. Hildebrand (1984) a adapté la méthode aux essais sur-le-
terrain. Son utilisation est démontrée dans la section suivante. Cette discussion se contentera
d’indiquer sa relation avec le modèle (2) ci-dessus. Dans l’analyse de stabilité modifiée (MSA,
le sigle en Anglais) de Hildebrand, un index (EI) est défini pour chaque environnement comme
la réponse moyenne sur tous les environnements de la location de ce champ. Une régression
linéaire sur tous les index est obtenue pour chaque traitement et est utilisée comme la base
pour déterminer le “domaine de recommandation”, une notion qui est similaire (mais pas
identique) au concept du modèle mixte des espaces de projection. En terme de ANOVA, cela
peut être exprimé en modifiant l’équation (2):
Y,, = /,i $- fi i- r(f), + vk + Q?3J+ V& + f?Gk (3)
où
EIi est l’indice de l’environnement i, et
13k est le coefficient de la régression linéaire pour le traitement k
avec i = 1, 2, .,.; j = 1, 2, . . . . k = 1, 2, . . . etc.
Au fond, EI dans le modèle (3) remplace Type dans le modèle (2). De même, 6 dans le
modèle (3) est équivalent à ti + f(t), dans le modèle (2); ti& du modèle (3) est équivalent à
vf(t),, du modèle (2). Puisque l’environnement (représenté par “F”) a un effet aléatoire sauf
pour EI, I’ANOVA est comme suit:
SOURCE DE VARIATION dll
CARRE MOYEN PREVISIONNEL
F
F-l
u- - Ru,; + \\-Q~ -I- R’Lla;
NF)
F(R- 1)
o2 + VUA
V
v- 1
CI” + Ru,; + FR@,
V x EI
o2 + Rati2 + FR@,,
VxF
21;11)@2)
a2 + Ruti2
résiduelle
F(V- l)(R- 1)
u2
L’égalité du f$ peut être testée en utilisant MS(V x EI)/MS(V x F). Un F-ratio
significatif impliquerait que les traitements répondent de façon inégale à EI (et donc à tout
type d’environnement que implique ET). Ceci en retour donnerait une justification formelle
pour projeter que différents traitements sont optimaux pour des “domaines de
recommandation” variés.
Il n’y a pas de raison que l’utilisation des indices environnementaux soit limités à la
régression linéaire. Par exemple, le modèle (3) peut être facilement transformé en
y,, = p + 6 + r(f), + vk + 131k(EIJ+ B,(EIJ’ + v& + e#
(4)
où
lJk est le coefficient de la régression linéaire pour le traitement k, et
IJzk le coefficient de la régression de second ordre du traitement k
avec i= 1, 2, . . ..j = 1, 2, . . . . k= 1, 2, . . . etc.
L’ANOVA du modèle (4) est presque identique à celui du modèle (3) à part une ligne
supplémentaire pour V x E12 (ou V x EI x EI) avec V-l dégrée de liberté qui apparait
immédiatement après V x EI. Le terme restant V x F aura donc un dégrée de liberté
équivalent à (V-l)(F-3).
Le F-ratio MS(V x EI’)/MS(V x F) teste l’égalité de la régression du second ordre sur
EI pour des traitements variés. Cela peut être illustré graphiquement comme à la figure 4.
Remarquez que la régression de second ordre est bien différente pour les traitements malgré la
similarité de leur composante linéaire. Beaucoup d’auteurs ont montré que seules des
régressions de premier ordre doivent être faites sur EI [exemple Westcott (1985)].
Cependant, le modèle (4) démontre clairement que cette restriction n’est pas nécessaire. Bien
au contraire, le modèle (4) peut être étendu à des formes de régression plus complexes sur EI.
S’il y a seulement une “répétition” par champ (une discussion des avantages et
inconvénients sera présenté ci-dessous), le terme R(F) et la valeur résiduelle de I’ANOVA
n’ont pas de dégrée de liberté et le résultat est simplifié comme suit:
SOURCE DE VARIATION
Ql
CARRE MOYEN PREVISIONNEL
F
f-l
u2 +RVc$
V
v-i
u2 +FQD,
V x EI
v-l
uti2 + FQ,
V x E12
V-l
ua2 + Fa$
VxF
(v- l)(f-3)
uti
Avec V x F comme le nouveau terme de la valeur résiduelle.
Remarquez que cela n’a aucun impact sur le F-ratio utilisé.
L’utilisation de EI dans l’analyse de la stabilité a été longtemps critiquée parce que la
variable indépendante EI est en fait une fonction de la variable dépendante. Westcott (1985) a
appelé a une utilisation plus grande des “variables environnementales” indépendantes. Il a
aussi mentionné que les “les mesures environnementales sont rares et donc très souvent pas
disponibles”. A part les objections théoriques, la recherche en milieu paysan a souvent deux
alternatives seulement: utiliser EI ou bien être incapable de faire des recommandations utiles
dans un délai raisonnable. Et puis, comme ont indiqué McCullagh et Nedler (1989), “une
première, bien qu’au premier coup d’oeil, n’est pas une théorie très utile, est que tous les
modèles sont faux; cependant: certains sont d’une utilité plus grande que les autres, et nous
de\\.ons chercher ceux-là” Les critiques portent très souvent sur les faiblesses de la propriété
des mithodes formelles d’analyse statistique qui utilisent EI. Des insuffisances existent bien
évidemment; mais le fait est que très souvent, le chercheur n’a que EI comme le seul élément
objectif pouvant le guider dans le choix de la qualité de l’environnement. Ces critiques seraient
bien des problèmes sérieux si les objectifs étaient de faire des projections statistiques formelles
et définitives. Ce qui n’est pas le cas. La plus importante utilisation de ce genre d’analyse est
d’obtenir des données préliminaires sur la régularité de la performance du traitement -- comme
quels champs, quelles parcelles ou groupe de parcelles semblent causer des problèmes; quelles
recommandations peuvent être raisonnables; etc. Ce genre d’analyse est toujours un point de
départ et non une fin en elle-même.
Une fois qu’on a trouvé une interaction significative entre EI et un traitement donné (EI
X Traitement) dans les modèles (3) ou (4), il y a encore beaucoup d’efforts et d’attention à
faire (qui implique dans une large mesure des questions non statistiques du genre pourquoi
certains EI sont faibles et d’autres sont élevés) avant d’associer EI à des futurs environnements
ou des “domaines de recommandation” prévisibles et faire des recommandations acceptables.
La prédiction de la performance des champs étudiés dans l’essai peut être faite en utilisant la
bien connue meilleure méthode non biaisé de prédiction linéaire. Les EI n’ont pas de sens
intrinsèque, donc les prédictions pour les parcelles ou pour les champs qui ne sont pas inclus
dans l’essai sont aussi valables que la capacité du chercheur à prédire quels champs (ou
parcelles) pourront être inclus dans le domaine de recommandation. L’essai sur-le-terrain ne
pourra pas de lui-même générer des données adéquates pour cela.
UNE NOTE IMPORTANTE SUR LA PLANIFICATION DES ESSAIS SUR-LE-
TERRAIN
Remarquez que aucun des termes MS[R(FT)] ou MS(résiduelle) n’a été utilisé dans
l’analyse de l’habituel essai sur-le-terrain c-à-d celui décrit par des variations quelconque du
modèle (2). Le terme approprié du dénominateur pour tous les tests d’intérêt est MSF x
F(T)]. Pourquoi cela est-il important? MS[R(FT)] et MS[résiduelle] exige tous les deux que
R, le nombre de “répétitions” par champ, soit au moins égal à deux. Cependant, aucun de ces
termes n’a de rôle dans l’analyse des essais habituels sur-le-terrain. Qu‘est-ce qui va se passer
si on a seulement une répétition par champ? On ne pourrait pas calculer MS[R(FT)] ni
MS[résiduelle]. Mais parce que aucun des deux ne joue de rôle dans l’analyse, il n’y a pas de
désavantage majeur.
Il EST important d’avoir autant de champs que possible par type. Cela maximise le
dégrée de liberté de MS[V x F(T)], et puisque c’est le dénominateur de tous les F-ratios
d’intérêt, cela augmentera la puissance et par conséquent l’utilité de l’information disponible.
C’est donc le CHAMP qui est la vraie répétition dans un essai sur-le-terrain et non la
“répétition” à l’intérieur d’un champ (d’où la raison d’être des guillemets). Cela est important
parce que les chercheurs qui travaillent sur-le-terrain ont souvent été conseillés de faire des
répétitions à l’intérieur d’un champ, mème dans l’exemple de Hildebrand et Poey (1985)!
Au
Lue de I’ANOVA, nous savons que ce conseil est bien erroné. En plus, il constitue un
gaspillage. Le chercheur ferait mieux d’utiliser cet effort (ou temps) pour observer plusieurs
champs. Pire, cela constitue en soi un abus de l’hospitalité du paysan qui offre le terrain où
sera conduit la recherche. Le paysan ne doit plus avoir de parcelle en dehors de ce qui est
nécessaire pour sa production ordinaire sauf en cas de nécessité absolue.
Pour nous redire, dans la plupart des essais en milieu paysan, le nombre de champs
obsemés doit être maximum. La répétition à l’intérieur d’un champ n’est généralement pas
nécessaire et constitue souvent une perte de temps. La seule exception est pour le cas du
mcdele ( 1) où “le champ est supposé fixe”, une méthode pas du tout courante.
MODIFICATION DE L’ANALYSE DE STABILITE
Une méthode pour organiser la recherche sur-le-terrain dans des environnements aussi
variés que ceux de l’exemple du Nord de la Floride est la méthode “d’analyse de stabilité”,
modifiée pour apporter une interprétation positive plutôt que négative de l’interaction entre le
traitement et l’environnement (Hildebrand, 1990). La figure 3 montre des résultats
hypothétiques des trois variétés (comme un exemple de trois nouvelles technologies) qui ont
été testées dans plusieurs environnements convenablement diversifiés. Dans ces cas
hypothétiques, toutes les variétés ont la même moyenne générale et les mêmes déviations de la
droite de régression (s’d, = 0). Les coefficients de la régression linéaire sont 1.5, 1 .O, et 0.5
respectivement pour les variétés A, B, et C. A défaut d’autre critère d’élimination, la variété B
(la plus adaptée selon Finaly et Wilkinson (1963), ou la plus stable selon Eberhart et Russell
(1966)) sera sélectionnée sur la base de la valeur du coefficient de régression. L’argument
contre la variété A est que, vue la valeur largement supérieure à l’unité de son coefficient de
régression, elle est trop sensible aux changements d’environnements et produit faiblement dans
des mauvais environnements. Quand à la variété C, parce qu’elle a un coefficient de régression
inférieur à l’unité, elle est jugée incapable d’exploiter convenablement les environnements
propices à des rendements élevés. La variété B qui est supérieure dans chacun des
environnements est donc choisie comme la meilleure des trois variétés.
Remarquez que l’argument contre la variété A qui a un coefficient élevé va de droite à
gauche ou vers des environnements pauvres (il produit peu dans des environnements pauvres).
Le contraire est vrai pour l’argument contre la variété C avec un faible coefficient, et qui va de
gauche à droite ou vers des environnements propices (il n’exploite pas suffisamment les
environnements propices). Ce sont là des interprétations négatives qui ont conduit à la
sélection de la variété B (Figure 5).
Avec les variétés possédant un coefficient de régression élevé, si l’accent avait été mis
sur les meilleurs environnements au lieu de s’éloigner d’eux (quelles variétés peuvent exploiter
les meilleurs environnements?), la variété A aurait été sélectionnée. De même, pour les
variétés à faible coefficient si l’accent avait été mis sur les environnements à faible potentialités
-- au lieu de s’en éloigner --, (quelles variétés continuent de produire même quand
l’environnement est pauvre?), la variété C aurait été sélectionnée (Figure 6). La différence
n’est pas dans la procédure analytique mais plutôt, dans le choix d’une philosophie positive au
lieu de négative, dans les objectifs et/ou les attitudes adoptés dans le choix de la technologie.
GUIDE POUR L’INTERPRETATION DES INTERACTIONS
1, SI NI LES EFFETS MAJEURS NI LES INTERACTIONS SONT SIGNIFICTIFS, ARRETEZ-VOUS
LA!
2. SI DES INTERACTIONS SONT SIGNIFICATIVES:
A. DETERMINER ET EXPLIQUER CE QUI A CAUSER INTERACTION
B. PRESENTER ET COMPARER LES MOYENNES D’INTERACTION (LES COMBINAISONS-
TRAITEMENTS QUI INTERAGISSENT.
3. SI EFFETS MAJEURS SONT SIGNIFICATIFS ET LES INTERACTIONS NON PAS
SIGNIFICATIVES, COMPARER LES MOYENNES DE L’EFFET (OU DES EFFETS)
SIGNIFICATIF(S), EN CALCULANT CES MOYENNES A TRAVERS LES AUTRES EFFET.
EXAMPLE 1.
a!
SIGN
A
A
ns
B
ns
AB
ns
LES TRAITEMENTS (COMBINAISONS DE A ET B) NE SONT PAS SIGNIFICATIFS. SI ON VOIT DES
EFFETS APPARANTS ET IMPORTANTS, ON PEUT REPETER L’EXPERIMENTATION, EN
RAFFINANT LA TECHNIQUE EXPERIMENTAL (POUR DIMINUER o2> OU AUGMENTER LE NOMBRE
DE REPETITIONS.
EXAMPLE 1.
sv
SIGN.
A
ns
B
*
AB
ns
LA POPULATION N’A ETE AFFECTEE QUE PAR LES TRAITEMENTS DE B. PRESENTER ET
COMPARER LES MOYENNES DE B A TRAVERS TOUS LES NIVEAUX DE A.
EXAMPLE 3.
S!d
SIGN.
A
*
B
*
AB
*
TOUS LES FACTEURS ONT AFFECTE LA POPULATION. PRESENTER ET COMPARER LES
MOYENNES AB (TOUTES LES COMBINAISONS DE TRAITEMENT)
FACTORIELS,INTERPRETATION
I
2
3
4
5
fi-.
A
NS
*
*
NS
*
B
NS
NS
*
NS
k
*
AxB NS
NS
NS
*
*
3c
B
1
2
3
1
5.0
4.0
3.0
2
4.8
4.0
3.2
4
B
1
2
3
B
1
2
3
1
1
5.0 4.0 3.0
5.0 4.0 3.0
2
4.0 3.0 2.0
2
3.0 4.0 5.0
B
1
2
3
B
1
2
3
1
1
5.0
4.0
4.2
5.0 4.0 4.2
2
4.6
3.2
5.2
2
3.6 2.2 4.2
LES INTERESSES
1 .
Intéressés Bénéficiaires
(Les intéressés qui se sont avantagées par une technologie qui améliore la
production ou la productivité d’une culture ou d’un produit agricole.)
Producteurs
Fournisseurs
Main-d’oeuvres
Consommateurs
Récipiendaires de Revenus/Bénéfices
2 .
Intéressés Perdants
(Les intéressés qui se sont désavantagées parce que leurs cultures ou produits
agricoles sont en concurrence avec ce des bénéficiaires.)
Producteurs
Fournisseurs
Main-d’oeuvres
Consommateurs
Récipiendaires de Revenus/Bénéfices
QUELQUES CATEGORIES
DES INTERESSES
I
1. Les familles agricoles:
Chef de famille
L’épouse/Les épouses
Les enfants
Autres membres de la famille
2. Les Commerçants:
Des Entrants
Les Grossistes
Les Détaillants
Des Produits Agricoles
Les Grossistes
Les Détaillants
3. Les Main-d’oeuvres:
Familiales
Locales
Migrantes
4. Consommateurs:
Locaux
Nationaux
Etrangers
5. Décideurs:
Secteur privé
Secteur publique
6. Fournisseurs
de capitaux:
Les propriétaires des équipements
Les banques et les institutions financières
Les donnateurs
EXEMPLES DE CRITERES
D’EVALUATION UTILES A L’ANALYSE AU
NIVEAU DE L’ENTERPRISE
I
LES INTERESSES
Evaluation de l’acceptabilité d’après chaque catégorie des intéressés
verbalement par chaque concerné adoption par les intéressés
RENTABILITE DES RESSOURCES RARES:
par unité de superficie
par unité de semences
par unité monétaire
par unité d’investissement à long terme
par unité d’animal/jour pour la traction
par unité superficie/temps
Probabilité de recevoir un résultat moins que le minimum acceptable,
mesurée d’après les critères énumérés ci-haut.
DISTRIBUTION DES COUTS ET BENEFICES:
(désagrégée selon l’âge, le sexe, la position et/ou le type de ménage)
Main-d’oeuvre
Temps mis à la gestion
Entrants payés
Entrants non-monétaires (semences, fumier, etc.)
Revenus (bénéfices)
Bénéfices indirectes (produits, accès aux ressources)
Bénéfices nets
hlarge brute
QUALITE DU PRODUIT;
(relatif au prix marchand et/ou à l’utilisation domestique)
Préférences à la consommation (goût, taille, couleur, forme etc,)
Susceptibilité aux ravages avant la récolte
Qualité quant à la transformation
Qualité quant à la cuisine
Qualité quant à la nutrition
Utilité des sous-produits
Taille ou qualité des tiges
L’Analyse d’Adaptabilité
Une Méthode pour la Mise au Point et 1’Analyse des Essais en Milieu
Paysan
Basé sur un livre à sortir de la Presse de l’université de 1’Etat de Iowa,
par P.E. Hildebrand et J.T. Russell
et un guide de formation par P.E. Hildebrand et E. Bastidas
Etapes:
1.
Calculer une mesure de l’environnement, l’index environnemental (IE).
2 .
Estimer le rapport des réponses aux traitements à l’environnement.
2a. Faire un simple graphique des observations sur IE.
2b. Estimer la rélation entre la réponse de chaque traitement et l’environnement (JE).
Ceci peut se faire par regression linéaire ou simplement à la main.
2c. Evaluer la qualité des données.
3 .
Evaluer l’interaction des traitements avec l’environnement. C’est à dire, comparer la
réponse de chaque traitement à IE.
4 .
Characteriser les environnements. Les données qui permettent à cette étape sont
souvent manquantes. Assurer-vous que votre collecte de données soit suflkamment
complète.
5 . Interpreier les résultats et définir les domaines de recommendation.
5a. Définir les domaines provisoire.
5b. Rafïner la définition des domaines en faisant, par domaine provisoire, I’ANOVA,
regression, une analyse de risque associé aux technologies, ou d’autres analyse
économique.
5~. Etablir les domaines de recommendation définitifs, Les personnes impliquées dans le
déroulement de l’essai (chercheurs, agriculteurs, agents de vulgarisation) sont les
meilleures placées d’employer leurs connaissances, imaginations, et jugements pour
convertir les résultats en recommenations valables.
6 .
Répéter les étapes 2-5 en utilisant d’autres critères d’évaluation.
7 .
Créer des messages à vulgariser pour chaque domaine de recommendation et appropries
à chaque domaine de diffusion.
L’Analyse d’Adaptabilite, Un Example, En Utilisant Quattro Pro
Essais fertilisation de mais, Manaus, Besil (Singh 1990)
t/ha
Exploit.
TA
ERT SPT EP
3
0.0
0.0
0.2
0.6
1
0.2
0.2
1.3
2.8
4
0.2
1.1
1.6
2.8
5
0.2
0.7
3.4
3.6
8
0.2
0.7
3.5
4.0
2
0.0
1.1
3.4
4.4
6
2.2
1.0
4.2
3.6
7
2.5
1.4
4.5
4.0
TA = Temoin de l’agriculteur
EOT = Fumier organique (provincance urbaine)
SPT = Superphosphate triple
EP = Fumier poulet
ANOVA avec localités traites en réplications (i.e., blocs aléatoires),
Source de variation
dl
Prob. d’un F suuérieur
Localité
7
0.00049
Traitement
3
0.00001
Residuelle
2 1
MOYENNES:
E P
3.22 a
SPT
2.76 a
EOT
0.76 b
TA
0.69 b
Mais, Manaus Brasi
5
0
0
4
0
l
0
:
3
<.?A
0
0
2
0
0
0
1
l
0
0
l
a
.
TA
EOT
SPT
EP
Traitements
Manaus Mais
Données et les régressions linéaires des traitements sur IE
tlha
Exploit.
TA
ERT
SPT EP
IE
TA(P)
ERT(P)
SPT(P)
WW
0.0
0.0
0.2
0.6
0.2
-0.6608
0.0472
0.0690
1.3446
0.2
0.2
1.3
2.8
1.1
0.0894
0.4521
1.5676
2.3909
0.2
1.1
1.6
2.8
1.4
0.3327
0.5835
2.0537
2.7302
0.2
0.7
3.4
3.6
2.0
0.7787
0.8243
2.9448
3.3522
0.2
0.7
3.5
4.0
2.1
0.8801
0.8790
3.1473
3.4936
0.0
1.1
3.4
4.4
2.2
0.9815
0.9337
3.3498
3.6350
2.2
1.0
4.2
3.6
2.8
1.4073
1.1635
4.2004
4.2288
2.5
1.4
4.5
4.0
3.1
1.6911
1.3168
4.7674
4.6247
Sorties pour la régression linéaire des traitements sur IE
(Quattro Pro)
T A
ERT
Regression Output:
Regression
Output:
Constant
-0.823001
Constant
-0.0404
Std Err of Y Est
0.7648552
Std Err of Y Est 0.271232
R Squared
0.5300391
R Squared
0.7232597
No. of Observations
8
No. of Observations
8
Degrees of Freedom
6
Degrees of Freedom
6
X Coefficient(s)
0.8110073
X Coefficient(s)
0.4377985
Std Err of Coef.
0.3117641
Std Err of Coef. 0.1105574
S P T
EP
Regression Output:
Regression
Output:
Constant
-0.255021
Constant
1.1184216
Std Err of Y Est
0.34164
Std Err of Y Est 0.6344795
R Squared
0.9575539
R Squared
0.7612076
No. of Observations
8
No. of Observations
8
Degrees of Freedom
6
Degrees of Freedom 6
X Coefficient(s)
1.6201454
X Coefficient(s)
1.1310488
Std Err of Coef.
0.1392565
Std Err of Coef. 0.2586214
TEMOIN REGRESSE SUR IE
MAIS, MANAUS, 1989
t
I
I
I
I
I
I
1
0.5
1
1.5
2
2.5
3
3.5
fE
ERT, CRITERE DE CHERCHEUR
MAIS, MANAUS, 1989
4 ’
3
-1 !
I
I
I
I
I
I
0
0.5
1
1.5
2
2.5
3
:
IE
m Observations - Predit
j
REGRESSIONS, CRITERE: T/HA
MAIS, MANAUS, 1989
t
A----
./”
.,-’
cl
TA
,A
-Lz-I-J
l-
,/
2
,-“.‘.
.,f ./
/,.,/ /,,,-;;, RT
J
..,”
/-’
A
,
1
0
0 . 5
1
1.5
2
2.5
3
3.5
IE
I
- TA
..__ -_ ER-j- .___....... SP,- .___________. Ef,,
/
J
ESSAI MAIS EN AMAZONIA, BRESIL, AVEC CHARACTERISATION
DES ENVIRONNEMENTS
Exploit. LE
CT
PH
CEEC
Al sat.
P205
7
3.1
FPl
5.2
4.21
58.3
7.4
6
2.8
FPl
5.1
3.45
69.1
7.1
2
2.2
FS1
4.6
2.29
91.7
4.5
8
2.1
FPI
4.5
2.26
79.2
6.8
5
2.0
FP2
4.6
2.45
80.0
5.0
4
1.4
FS2
4.1
3.12
94.8
2.8
1
1.1
FS2
4.2
1.99
90.7
2.0
3
0.2
TD
3.9
1.35
94.8
2.1
FPl =
Forêt primaire, première année de mise en culture
FP2 =
Forêt primaire, deuxième année de mise en culture
FS1 =
Forêt secondaire, première année de mise en culture
FS2 =
Forêt secondaire, deuxième armée de mise en culture
TD =
Terre dégradée
Calcul De Risque, Critere: TNa, Mais En Amazonia, Bonnes
Environnements (Fpl), Quattro Pro
E P
SPT
moyenne
moyenne
3.9
0.2
4.1
0.5
t
(dl=31
EP
SPT
0.2500
25.00
0.816
3.76
3.83
0.2000
20.00
1 061
3.73
3.75
0.1500
15.00
1.386
3.68
3.66
0.1000
10.00
1.886
3.62
3.51
0.0500
5.00
2.920
3.48
0.0250
2.50
4.303
3.23
0.0100
1 .oo
6.965
etc.
0.0050
0.50
9.925
etc.
0.0005
0.05
Essais fertilisation de mais, Manaus, Brai1 (Singh 1990)
ANOVA avec Type d’environnement défini comme:
Forêt primaire
= FP, and FP,
Reste
= les autres
Source de variation
dl
Prob. d’un F SUD.
Type d’envir
1
0.00005
Env(TE)
6
0.0058 1
Traitement
3
0.00001
TExTrt
3
0 . 0 6 5 3 7
Residuelle
1 8
Comparaison des moyennes parDomaine de Recommendation Provisoire
Primaire
Reste
(FP,and FP,)
(FS,, FSz and TD)
S P T
3.90 a
E P
2.65 a
EP
3.80 a
SPT
1.63 ab
TA
1.28 b
EOT
0 . 6 0 bc
EOT
0.95 b
TA
0 . 1 0 c
Lien IE - pH
Essai Mais, Manaus, Besil, 1989
4
m
3
3
E
m
E
4
m
m
82 __,. _l--.-l._.-- ..“.--~-
.?-
I
2
w
m
m
9
I
I
I
5
4
4.5
5
5.5
PH
Etape 5b. Analyser par domaine de recommendation provisoire: Calculs
de risques pour le critère t/ha,
pour comparer SPT et EP, pour la classe de terre FP,, en employant le formule:
s / Jn>
Y - (t, l
avec
Y = 3.9 et s = 0.2 pour EP
et
Y = 4.1 et s =0.5 pour SPT
n=3, dl=2
probabilité d’une
a
valeur inférieure
EP
ta=2
S P T
0.2500
2 5 . 0 0
0.816
~
3.76
I 3.83
I
0.2000
2 0 . 0 0
1.061
3.73
1 3.75
I
0.1500
I 15.00
I 1.386
3.68
1 3.66
I
0.1000
I 10.00
I 1.886
3 . 6 2
3.51
0.0500
5.00
2.920
3.48
3 . 2 0
0.0250
2 . 5 0
4.303
3.23
I 2 . 7 9
I
I
I
-1
0.0100
1.00
6.965
2 . 9 4
2 . 0 0
0.0050
0 . 5 0
9.925
2 . 5 4
1.13
0.0001
I 0.05
I
Etape 5:
Définir les domaines de recommendation
5a. Définir les domaines de recommendation provisoires
Domaines de recommendation provisoires, selon le critère t/ha (“critère de
chercheur”):
Recommendations:
Classe de
Terre
Critère d’évaluation:
tlha
FP,
/
-1
_-_____-------_--------- ///
FP2
/
_-___-__---------------- ///
FS,
/
_-__---_-----_---------- ///
TD
/
/
L
Source: Singh, 1990
Essais fertilisation de mais, Manaus, Besil (Singh 1990)
Critère Economique: KG/$ DEPENSE
Exploit.
TA
ERT
SPT
EP
IE
3
0.0
0.0
1.5
5.1
0.2
1
12.5 0.8
13.3
22.4
1.1
4
20.8 5.3
16.3
22.0
1.4
5
12.5
3.4
34.7
28.4
2.0
8
16.7
3.4
35.7
31.5
2.1
2
0.0
5.3
34.7
37.7
2.2
6
183.3 4.8
42.9
28.4
2.8
7
208.3 6.8
45.9
31.5
3.1
COUTS DES TRAITEMENTS ($ DEPENSEMA)
TA
12
ERT
208
SPT
9 8
E P
127
Calculs de risques pour le critère kg6 dépensé,
pour comparer SPT et EP, pour les environnement pauvres (FP,, FS,, TD), en
employant le formule:
-
s / h)
Y - (t, l
avec
Y = 19.5 et s = 10.0 pour EP
et
Y = 16.5 et s = 13.7 pour SPT
n=4,dl=3
probabilité d’une
a
valeur inférieure
tdl=,
E P
S P T
0.2500
2 5 . 0 0
0.765
15.7
11.2
0.2000
20.00
0.978
etc.
etc.
0.1500
15.00
1.250
0.1000
10.00
1.638
0.0500
5.00
2.353
0.0250
2 . 5 0
etc.
0.0100
1.00
0.0050
0 . 5 0
0.0001
0.05
TEMOIN REGRESSE SUR IE, KG/$ DEPENSE
MAIS, MANAUS, 1989
250,
m
200-
m
150
REGRESSIONS, KG/$ DEPENSE
MAIS, MANAUS, BRESIL, 1989
160
TA
140
ERT
120
SPT
100
EP
80
A
Envir.
60
40
20
-
0 0
IA
O S
1
1.5
2
2.5
:3
I
IE
ANALYSE DE RISQUE, MANAUS MAIS
DOMAINE : FP2, FS2, TD
1 6
EP
1SP-l-
/-
/
,Y
//’
,,.’
;’
,;’
/
/
I
1
I
5
1 0
1 5
2 0
45
RISQUE (%) D’UNE VALEUR INFERIEURE
Etape 5c. Définir les domaines de recommendation finals
Domaines de recommendation, selon le critère kg/$ dépensé (“critère
de paysan”):
Recornmendations:
Classe de
Terre
Critère d’évaluation:
kg/$ dépensé
FPI
____________------------
FS1
____________-------------
FP2
__________---------------
FS*
_________-__-------------.
TD
Alors, les domaines de recommendation finals:
Recommendations:
Classe de
Terre
Critère d’évaluation: Critère d’évaluation:
tiha
kg/$ dépensé
Source: Singh, 1990
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 83
Pas d’interaction
génotype-par-environnement (GxE)
._.-.-
.~X
“’
.,.
. x ‘,,.
”
“. .
Environ. pauvres
E n v i r o n . favourables :
Variétés
J.T. Russell, 1996
i
-.--..--
--
Analyse de Stabilité
(Regression sur Index Environnemental)
120
100
80
60
40
20
0
40
60
80
Indice Environnemental (IE)
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 84
Analyse de Stabilité
(avec interaction GxE)
120
>.
.
80
40
= dl.
^
0 0
40
60
80
120
IE
-A -8 ,.C
I
L T . Russell, 1996
Interprétation Négative
de l’interaction GxE (Compromis)
,,l------
80 ’
1
0
40
60
80
120
IE
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Pape 85
Interprétation Positive
de l’interaction GxE
9
-. .-
80
E
E
+!
40
.
;_:
+*.
5
OL
0 0
40
60
80
120
IE
J.T. Russell, 1996
Essai Niébé, Manaus (Singh, 1990)
Expl.
TA
E O T
SPT
EP
IE
TA (Prédit)
E O T
I
(Prédit)
7
1.70
1.65
2.65
2.15
2.04
1.59
1.92
10
2.20
1.90
2.60
1.40
2.03
1.58
t .90
3
1.45
1.95
2.50
1.90
1.95
1.47
1.80
12
1.50
1.80
2.10
1.70
1.78
1.22
1.56
11
1.20
1 SO
2.20
1.90
1.70
1.12
1.46
1
0.70
0.90
2.30
1.80
1.43
0.73
1.09
4
0.60
1.20
1.60
2.25
1.41
0.71
1.07
5
0.15
0.50
2.10
2.05
1.20
0.41
0.78
2
0.50
0.65
1.10
1.50
0.94
0.04
0.42
9
0.20
0.40
1.20
1.70
0.88
-0.05
0.34
6
0.15
0.50
1.35
1.35
0.84
-010
0.29
23
0.00
0.00
1.30
2.00
0.83
-0.12
0.27
8
0.10
0.20
1.30
1.65
0.81
-0.13
0.25
N.B.: Rendement en tiha.
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 86
Caracterization Environnementale
(Essai Niébé, Manaus)
Exploitation
IE
Terre
PH
CEEC
P
7.00
2.04
FPl
5.20
3.24
8.00
10.00
2.03
FPI
5.40
2.21
12.90
3.00
1.95
FP2
5.30
1.25
5.00
!
12.00
1.78
FP2
4.90
1.91
7.00
:
ttua
1.70
FF2
5.00
t.72
10.60
j
1.00
1.43
FS1
4.70
1.35
7
.
6
0
4.00
1.41
FP2
5.10
2.31
4.00
5.00
1.20
FP3
4.90
0.99
2.30
2.00
0.94
F S 2
4.60
2.34
3.40
:
9.00
0.88
FS3
4.30
1.20
2.00
6.00
0.84
TD
4.60
1.66
4.80
13.00
0.83
S F 2
4.30
1.94
6.10
I
8.00
0.81
SF3
4.30
1.83
0
.
1
0
/
/
Essai Fertilisation de Niebe (Singh, 1990)
3 -
2.5 ..- _... mTA
r---&-j
. . .
..~
2
n
1.5
m
m
0.5
.*
.e_F*l-?
‘-
c
ma.
m
0 L
0.6 0.8
1
1.2 1.4 1.6 1.8
2
2.2
IE
~._ ~--.----- ----.-----~ -.-....- -.-~-----. .--- _--...- --.- -.-~.-.- ._-_.__ ___.
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 87
-___
~-------.-...-.--.
---
Essai Fertilisation de Ni&é (Singh, 1990)
3
2.5
2
1.5
1
0.5
0
0.6
0.8
1
1.2
1.4
1.6
t.8
2
2.2
IE
I
ANOVA à travers les deux Domaines
/
I
Tr-7
I
:
Source de Variabilité
/
dl
Probabhté 1
de F
Domaine (D)
0.0001
I
Env. en Domaine
l
11
/
Traitement (T)
0.0001
j
i
3
TxD
3
0.0008
(
Résiduelle
33
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 88
Moyennes par Domaine
FPI, FP2, FS1
FP3, FS2, FS3, TD
--
-
alpha= alpha j :
Traitement
Moyenne
alpha alpha j
o.o5 =o.,o / ! Traitement
; Moyenne
=0.05 =O.lO j
8
Le--
-+-
.
--
SPT
:
2.28
a
a i/
E P
1
1.79 a a
: I
E P
1.87
a b
b /:
SPT
i
1.39
a
b
E O T
1.58
bc bc
:
1
E()T
i
0.35
b c
j
:
/
T A
1.34
C
C
TA
j
0.19
b c
/
~--- -
-~-_
-
Essai Fertilisation de Niébé
(kg par $ Dépensé)
80
AI.- TA (QUAD)
60
- EOT (LIN)
-SPT [LIN)
-EP (QUAD)
40
A Env.
20
0
0.6
0.8
1
1.2
1.4
1.6
1.8
2
2.2
IE
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 89
Domaines de Recommendation
(Essai Niébé)
Type de Terre
d’Evaluation :
d’Evaluation:
kg/$ dépensé
FFI
I
FP2
FS1
FP3
FS2
E P
: EPouSPT
FS3
TD
Analyse d’Adaptabiiit8
Essai Varietal d’Arachide au Nord-Cameroun
1800
1600
1400
1200
1000
8 0 0
6 0 0
400
2 0 00
AAA
‘---2 AU& A -&A
AA -AL i A
L
0
2 0 0
400
6 0 0
8 0 0 1 0 0 0
1200
1400
1600
IE
Varietés
... 28-206 - m416 - ib77 - icgs27
5021
* = Env.
-~. _. ..-.._------._-...--~. .-----.------__-
~_--~
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 90
Essai Varietal de Mil au Sénégal,
en Station, 1992-93
I
1215
1480
1683
2395
IE
Varietes
- 1 -2 - 3
4 - 5 - 6 w-7
~-
,
Séminaire sur la conception et analyse des essais en milieu réel
Support de Cours - Page 9 1
Essai
Essai
Essai
Vérification
Validation
Complexité
Exploratoire
(Potentialité)
(Adaptation)
No. de donnees, répétitions,
_.
-.
. . _. _
---__ .__
-..-- _.
traitements, temoins.
De l’essai
_._ -,
..^
_x
__ _ .-. -”
Partitipation et contrôle
_ _ _. - -.--
des chercheurs
_
-M-C’
__
,----
___-----
----
---
---
_
--------
No. d’environnements
.----
-_
.----_
Environnementale
-. .--.-
..-___
,.,
---. - _ --- .I-___
-.. --~. . .-”-___
Dispositifs
RCBD
RCBD, analyses
Blocs Disperses, mis
Split-plot
combinées sur sites
en place en groupes
? = possible, mais peut-
Carré Latin
(Blocs dispers&
être pas le meilleur choix
Split-split plot?
mais en groupes?)
Split-plot??
Lattice?
Blocs Incomplets?
Split-plot?
Essais multi-locaux
Démonstrations
b
Recherche classique
Vulgarisation
J 7: Russe/~ 1996
Unités de liaison pour un lien
recherche-développement efficace
J.T: Russell, 1995
Recherche-développement au nord du Cameroun
PNFVA
SODECOTON
IRA
_.. -.-_
(Agriculture)
(MESIRES)
Nation
-
.-.
__
Chef de
Directeur
Service (?)
de I’IRA
.-
_
Province
Délégué
Centre de
Provinical
Recherche
& C.d.S.
& SMSs
PU)
Départment
_-
.
Délégué
Départemental
& C.d.S.
_ _ _--
- --.
Chef de
Arrondissement
Secteur
d’Arrondissement /
Chef de
Zone
Liste des Participants
1995 Nom
Prénoms
Spécialité
Unite
1
Bandiane
Souleye
Agroforestier
Basse et Moyenne Casamance
2 Beye
Amadou M.
Sélectionneur
Basse et Moyenne Casamance
3
Diaw
Samba
Pytopathologiste
Basse et Moyenne Casamance
4 Diop
OllIlXU
Economiste
Basse et Moyenne Casamance
5
Djiba
Saliou
Entomologiste
Basse et Moyenne Casamance
6 Sonko
Lamine
Malherbologiste
Basse et Moyenne Casamance
7 Toure
Ndeye Khady
Economiste
Basse et Moyenne Casamance
8 Boggio
David
Biometricien
Ceraas
9 Diouf
Oumar
Physiologiste
Ceraas
10 Ba
Mamadou A.
Veterinaire
SOHC-Kolda
11
Bodian
Alphousseyni
Phyto-éco-forestier
SOHC-Kolda
12
Seck
Momar Talla
Veterinaire
SOHC-Kolda
1 3 Badiane
Djibril
Entomologiste
SOHC-Tambacounda
14 Diadhiou
Hamet Diaw
Biologiste peches
Zone Maritime
1 5 Diallo
Mamadou
Biologiste peches
Zone Maritime
16 Fall
Massa1
Veterinaire
Zone Maritime
17 Fall
Cheikh A.
Généticien-sélectionneur
Zone Niayes
18 Sarr
Mamadou
Gestion Station
Zone Niayes
1996 Nom
Prénoms
Spécialité
Unite
1 Balde
Mamadou
Sélectionneur
Bambey
2 Diaite
Malaine
Agroforestier
Kaolack
3 Diangar
Saliou
?f?
, !“cdy
4 Diouf
Thiaka
Sélectionneur
St. Louis
5 Diouf
Meissa
Sélectionneur
CDH
6 Fofana
Amadou
Sélectionneur
Kolda
7 Gaye
Matar
/
i{ If ,y
.3
r
L
l 7 _ Y
z i c
8
Kante
Samba
Ing&ieur Machnisme
St. Louis
9Lo
Cheikh
Agronome
CDH
10 Niang
Youga
&!:Y’
‘i)j,<
11
Ndiaye
Abbdou
Sélectionneur
Kaolack
12 Ndiaye
Mamdou
Agronome
Bambey
1 3 Ndoye
Ousmane
Sélectionneur
Bambey
14 Nguer
Massaer
jt LdLi:~
15
Sail
Cheikh
Zootechnicien
St. Louis
1 6 Senghc?r
Paul
Séltxtionneur
St. LOGiS
1 7 Sene
Modou
Pédoiogue
Kaolack
18 Thiaw
Samba
Agronome
Tambacounda