Les études multifactorielles 151
Tableau XI – Exemple d’analyse discriminante sur la mortalité
un mois après une hémorragie digestive chez les patients cirrhotiques.
.
Analyse discriminante unidimensionnelle
Covariables
Coefficient
de Mahalanobis
P
% de sujets
bien classés
Ascite
0,364
< 0,01
63
Bilirubinémie
0,303
< 0,01
70
Temps de Quick
0,286
< 0,01
67
Cause de l’hémorragie
0,158
< 0,05
61
Médicaments gastro-agressifs
0,154
< 0,05
58
Type de l’hémorragie
0,085
ns
48
Etc.
Analyse discriminante multidimensionnelle
Covariables
Coefficient
de Mahalanobis
% de sujets bien classés
Ascite
0,364
63
Ascite + bilirubinémie
0,587
72
Ascite + bilirubinémie + cause
de l’hémorragie
0,764
72
Ascite + bilirubinémie + cause
+ Quick
0,864
75
17 covariables
1,710
79
Cet exemple montre encore que, si le coefficient de Mahalanobis augmente en ajoutant des variables dans le modèle, le passage des quatre
variables les plus discriminantes aux 17 variables étudiées dans le
modèle, le gain en malades bien classés ne passe que de 75 % à 79 %.
Les malfaçons des études multifactorielles
Une malfaçon courante des études multifactorielles est l’inclusion
d’un nombre de covariables trop important par rapport à l’effectif
de l’échantillon étudié et surtout d’événements. On admet généralement que l’on ne doit pas inclure plus d’une covariable pour dix
événements dans l’échantillon étudié. Par exemple, si dans une étude
multifactorielle sur le pronostic vital des exérèses pelviennes dans