Paradoxe de Berkson
Le paradoxe de Berkson, également appelé biais de Berkson ou biais de sélection endogène, est un phénomène statistique dans lequel la sélection d'un échantillon peut créer, masquer ou modifier une association entre deux variables. Il survient notamment lorsque l'inclusion des individus dans un échantillon dépend de ces variables. Des variables indépendantes dans la population générale peuvent ainsi sembler statistiquement associées dans la population sélectionnée[1],[2].
| Type | |
|---|---|
| Nommé en référence à |
Ce phénomène est particulièrement étudié en épidémiologie, en biostatistique et dans l'analyse des données observationnelles. Il constitue une forme de biais de sélection et est étroitement lié au biais de collision (collider bias), qui apparaît lorsque l'analyse est conditionnée par une variable influencée par deux autres variables[2].
Principe statistique
modifierLe paradoxe de Berkson peut se produire lorsque deux variables, notées A et B, sont indépendantes dans une population, mais que l'observation est limitée à un sous-groupe défini par un mécanisme de sélection dépendant de ces variables. Dans cet échantillon sélectionné, une association statistique peut apparaître alors qu'elle n'existe pas dans la population d'origine.
Si les événements A et B sont indépendants, alors :
Cependant, cette indépendance ne garantit pas leur indépendance après conditionnement par une variable de sélection. Dans les modèles causaux représentés par des graphes orientés acycliques, une variable influencée par deux autres variables est appelée un collisionneur (collider). Conditionner l'analyse sur ce collisionneur peut induire une association statistique entre ses causes, même si celles-ci sont indépendantes dans la population d'origine[2].
Exemples
modifierTalent et apparence physique
modifierUn exemple courant du paradoxe de Berkson repose sur deux caractéristiques : le talent et l'apparence physique. Supposons que ces caractéristiques soient indépendantes dans la population générale. Si l'on étudie uniquement les célébrités, dont la sélection dépend notamment du talent, de l'apparence physique ou d'une combinaison de ces caractéristiques, une corrélation négative peut apparaître dans le groupe observé.
Les personnes moins favorisées sur l'une de ces dimensions peuvent, en moyenne, avoir besoin de présenter davantage l'autre caractéristique pour être sélectionnées. Les individus qui ne possèdent ni l'une ni l'autre sont moins susceptibles d'appartenir au groupe étudié. L'association observée chez les célébrités ne représente donc pas nécessairement celle de la population générale[2].
Études hospitalières
modifierL'exemple historique de Berkson concerne les études menées auprès de patients hospitalisés. Supposons que deux maladies, A et B, soient indépendantes dans la population générale. Si chacune peut augmenter la probabilité d'hospitalisation, les personnes admises à l'hôpital seront plus susceptibles de présenter au moins l'une des deux maladies.
Parmi les patients hospitalisés, l'absence de la maladie A peut être associée à une probabilité plus élevée de présenter la maladie B, puisque cette dernière peut constituer une autre raison d'hospitalisation. Une association artificielle peut ainsi apparaître entre les deux maladies dans les données hospitalières, sans qu'une relation équivalente existe dans la population générale. Le sens et l'ampleur de cette association dépendent toutefois du mécanisme de sélection et des relations entre les variables étudiées[1],[3].
Cet exemple montre pourquoi les résultats d'une étude portant exclusivement sur des patients hospitalisés ne peuvent pas toujours être généralisés directement à l'ensemble de la population.
Qualité des hamburgers et des frites
modifierLe paradoxe peut également être illustré par la qualité des hamburgers et celle des frites proposées par différents restaurants. Supposons que ces deux caractéristiques soient positivement corrélées dans l'ensemble des restaurants. Une personne qui évite les établissements où les deux produits sont de mauvaise qualité ne fréquente qu'un sous-ensemble de restaurants.
La distribution observée dans ce sous-groupe peut différer de celle de l'ensemble des restaurants et faire apparaître une corrélation négative entre la qualité des hamburgers et celle des frites, même si leur corrélation est positive dans la population d'origine. Cet exemple illustre la manière dont un mécanisme de sélection peut modifier l'association statistique observée entre deux variables[4].
Recherches sur la COVID-19
modifierLe biais de collision a également été étudié dans les recherches portant sur la COVID-19. Au début de la pandémie, l'accès aux tests diagnostiques dépendait notamment de la présence de symptômes et de la gravité de la maladie. Limiter une analyse aux personnes testées pouvait donc induire des associations entre des facteurs de risque, même lorsque ces associations ne correspondaient pas à celles de la population générale[5].
Les chercheurs doivent donc tenir compte du processus de recrutement, de dépistage ou d'hospitalisation lorsqu'ils interprètent les associations statistiques. Une corrélation observée dans un échantillon sélectionné ne suffit pas, à elle seule, à établir une relation causale.
Conséquences méthodologiques
modifierLe paradoxe de Berkson souligne l'importance de distinguer les associations observées dans un échantillon de celles qui existent dans la population cible. Il peut affecter les études cas-témoins hospitalières, les études observationnelles et les analyses reposant sur des échantillons sélectionnés selon plusieurs critères[2].
Pour limiter ce biais, les chercheurs peuvent notamment :
- définir précisément la population cible et les critères d'inclusion ;
- examiner les facteurs qui déterminent la participation, le dépistage ou l'hospitalisation ;
- représenter les hypothèses causales au moyen de graphes orientés acycliques ;
- réaliser des analyses de sensibilité afin d'évaluer l'influence possible du processus de sélection sur les résultats[3],[5].
Ces méthodes permettent d'étudier et d'évaluer le biais de sélection, mais ne garantissent pas à elles seules son élimination. Le biais de Berkson ne signifie pas que toute association observée dans un échantillon sélectionné est artificielle. Il indique que le mécanisme de sélection doit être pris en compte avant d'interpréter cette association comme une propriété de la population générale ou comme un indice de causalité.
Voir aussi
modifierRéférences
modifier- 1 2 (en) Joseph Berkson, « Limitations of the Application of Fourfold Table Analysis to Hospital Data », Biometrics Bulletin, vol. 2, no 3, , p. 47–53 (DOI 10.2307/3002000)
- 1 2 3 4 5 (en) Felix Elwert et Christopher Winship, « Endogenous Selection Bias: The Problem of Conditioning on a Collider Variable », Annual Review of Sociology, vol. 40, , p. 31–53 (DOI 10.1146/annurev-soc-071913-043455)
- 1 2 (en) Sander Greenland, « Quantifying biases in causal models: classical confounding vs collider-stratification bias », Epidemiology, vol. 14, no 3, , p. 300–306 (DOI 10.1097/01.EDE.0000042804.12056.6C)
- ↑ (en) « File:Berkson.png », sur Wikimedia Commons
- 1 2 (en) Annie Herbert, Gareth Griffith, Gibran Hemani et Luisa Zuccolo, « The Spectre of Berkson's Paradox: Collider Bias in Covid-19 Research », Significance, vol. 17, no 4, , p. 6–7 (DOI 10.1111/1740-9713.01413)
Bibliographie
modifier- (en) Joseph Berkson, « Limitations of the Application of Fourfold Table Analysis to Hospital Data », Biometrics Bulletin, vol. 2, no 3, , p. 47–53 (DOI 10.2307/3002000)
- (en) Felix Elwert et Christopher Winship, « Endogenous Selection Bias: The Problem of Conditioning on a Collider Variable », Annual Review of Sociology, vol. 40, , p. 31–53 (DOI 10.1146/annurev-soc-071913-043455)
- (en) Annie Herbert, Gareth Griffith, Gibran Hemani et Luisa Zuccolo, « The Spectre of Berkson's Paradox: Collider Bias in Covid-19 Research », Significance, vol. 17, no 4, , p. 6–7 (DOI 10.1111/1740-9713.01413)
