Michel Huguier et Pierre-Yves Boëlle, Biostatistiques pour le clinicien
ISBN : 978-2-8178-0463-7, © Springer-Verlag Paris 2013
2
Les études multifactorielles
Dans les sciences de la vie, s’il est intéressant d’étudier les forces
d’association entre deux variables, on est beaucoup plus souvent
confronté à l’étude des corrélations qu’il peut y avoir entre plusieurs
covariables explicatives et une variable que l’on cherche à expliquer.
C’est, par exemple, le cas des facteurs qui peuvent intervenir dans une
mortalité postopératoire, facteurs liés au malade lui-même comme son
âge, ses antécédents cardiovasculaires ou respiratoires, etc. ou liés à sa
maladie : cancer avec ou sans métastases ganglionnaires, hépatiques ou
encore du type de l’intervention réalisée.
La première étape d’une étude multifactorielle (multivariate en
anglais) est une étude unifactorielle qui consiste, parmi toutes les
variables explicatives qui ont été proposées dans l’étude, à sélectionner celles qui montrent une association statistiquement significative
avec la variable expliquée. On retient habituellement pour faire cette
sélection un seuil de signification qui peut être de p = 0,20 et même
0,25, c’est-à-dire supérieur au p = 0,05 habituel. Ce choix d’un seuil
plus élevé a pour objectif de privilégier la puissance, c’est-à-dire de
sélectionner les variables associées, même si l’association est faible, par
rapport au risque de première espèce qui conduit à sélectionner des
variables qui ne sont pas associées. Il peut, en effet, arriver que, combinées à d’autres variables, les associations deviennent plus fortes.
Bien entendu, une analyse multifactorielle ne peut étudier que les covariables incluses dans l’étude. L’énoncé de cette évidence a pour seul
but de souligner l’importance qu’il y a de bien réfléchir au choix des
covariables que l’on introduit dans le modèle. D’autre part, pour éviter
d’être confronté au problème de données manquantes, il convient de
faire des études prospectives.
Les analyses multifactorielles ont ainsi deux objectifs supplémentaires
par rapport aux analyses unifactorielles :
1) Faire disparaître les covariables liées entre elles au profit de la seule ou
des seules qui sont indépendantes. Cela équivaut à tenir compte des associations entre ces covariables. On aura cependant intérêt, lorsque plusieurs
ISBN : 978-2-8178-0463-7, © Springer-Verlag Paris 2013
2
Les études multifactorielles
Dans les sciences de la vie, s’il est intéressant d’étudier les forces
d’association entre deux variables, on est beaucoup plus souvent
confronté à l’étude des corrélations qu’il peut y avoir entre plusieurs
covariables explicatives et une variable que l’on cherche à expliquer.
C’est, par exemple, le cas des facteurs qui peuvent intervenir dans une
mortalité postopératoire, facteurs liés au malade lui-même comme son
âge, ses antécédents cardiovasculaires ou respiratoires, etc. ou liés à sa
maladie : cancer avec ou sans métastases ganglionnaires, hépatiques ou
encore du type de l’intervention réalisée.
La première étape d’une étude multifactorielle (multivariate en
anglais) est une étude unifactorielle qui consiste, parmi toutes les
variables explicatives qui ont été proposées dans l’étude, à sélectionner celles qui montrent une association statistiquement significative
avec la variable expliquée. On retient habituellement pour faire cette
sélection un seuil de signification qui peut être de p = 0,20 et même
0,25, c’est-à-dire supérieur au p = 0,05 habituel. Ce choix d’un seuil
plus élevé a pour objectif de privilégier la puissance, c’est-à-dire de
sélectionner les variables associées, même si l’association est faible, par
rapport au risque de première espèce qui conduit à sélectionner des
variables qui ne sont pas associées. Il peut, en effet, arriver que, combinées à d’autres variables, les associations deviennent plus fortes.
Bien entendu, une analyse multifactorielle ne peut étudier que les covariables incluses dans l’étude. L’énoncé de cette évidence a pour seul
but de souligner l’importance qu’il y a de bien réfléchir au choix des
covariables que l’on introduit dans le modèle. D’autre part, pour éviter
d’être confronté au problème de données manquantes, il convient de
faire des études prospectives.
Les analyses multifactorielles ont ainsi deux objectifs supplémentaires
par rapport aux analyses unifactorielles :
1) Faire disparaître les covariables liées entre elles au profit de la seule ou
des seules qui sont indépendantes. Cela équivaut à tenir compte des associations entre ces covariables. On aura cependant intérêt, lorsque plusieurs