Interaction et modification de l’effet
Facteurs de confusion
Un facteur de confusion est une variable qui peut déformer l’association observée entre une exposition et un résultat de santé.
Il est typiquement associé à la fois :
- à l’exposition ;
- au résultat.
Sans prise en compte correcte, il peut faire croire qu’une exposition est causale alors qu’elle ne l’est pas, masquer un effet réel ou modifier fortement son ampleur apparente.
Exemple classique
Supposons qu’on observe :
consommation de café → cancer du poumon.
On pourrait conclure que le café augmente le risque.
Mais imaginons que les gros buveurs de café soient aussi plus souvent fumeurs.
Le tabagisme est alors associé :
- au café ;
- au cancer du poumon.
On peut représenter la situation :
tabac → consommation de café
et
tabac → cancer du poumon.
L’association café-cancer peut donc être, au moins en partie, une conséquence du tabagisme.
Le confondeur crée une voie non causale
Dans un raisonnement causal, on peut distinguer :
voie causale souhaitée : X → Y
et
voie parasite : X ← Z → Y.
Ici, Z est le facteur de confusion.
Il crée une association entre X et Y sans passer par un effet causal de X sur Y.
Exemple avec l’âge
Supposons qu’on constate que les personnes prenant beaucoup de médicaments ont une mortalité plus élevée.
L’âge peut être un facteur de confusion parce que :
- les personnes âgées prennent davantage de médicaments ;
- l’âge augmente fortement la mortalité.
On observe donc :
médicaments ↔ mortalité
alors qu’une partie de l’association vient de :
âge → médicaments
et
âge → mortalité.
Trois conditions intuitives
Pour qu’une variable soit un confondeur classique, elle doit en général :
- être associée à l’exposition ;
- être une cause ou un marqueur causal du résultat ;
- ne pas être simplement une conséquence de l’exposition.
Cette troisième condition est essentielle.
Si la variable se situe sur la chaîne causale, elle est plutôt un médiateur qu’un confondeur.
Exemple de médiateur
Supposons :
activité physique → baisse de la pression artérielle → diminution du risque d’AVC.
La pression artérielle est ici un médiateur possible.
Si l’on veut mesurer l’effet total de l’activité physique sur les AVC, ajuster sur la pression peut enlever une partie de l’effet réel.
Il serait donc faux de traiter automatiquement la pression comme un simple facteur de confusion.
Confusion et médiation ne sont pas la même chose
Un confondeur explique artificiellement une partie de l’association.
Un médiateur transmet réellement une partie de l’effet causal.
Les deux peuvent être corrélés à l’exposition et au résultat.
C’est leur position dans la structure causale qui fait la différence.
Exemple pédagogique
Supposons une population fictive avec deux groupes d’âge.
Chez les jeunes :
| Exposition | Maladie |
|---|---|
| Exposés | 5 % |
| Non-exposés | 5 % |
Chez les personnes âgées :
| Exposition | Maladie |
|---|---|
| Exposés | 20 % |
| Non-exposés | 20 % |
Dans chaque groupe d’âge, l’exposition n’a aucun effet.
Mais supposons que les exposés soient beaucoup plus âgés en moyenne.
Globalement, ils présenteront davantage de maladies.
L’exposition semblera dangereuse simplement parce qu’elle est associée à l’âge.
Le paradoxe de Simpson
Dans certaines situations, l’association globale peut même s’inverser après stratification.
C’est une forme du paradoxe de Simpson.
Une exposition peut sembler :
- dangereuse dans l’ensemble ;
- neutre ou protectrice dans chaque sous-groupe pertinent.
Cela montre pourquoi les moyennes brutes peuvent être trompeuses.
Mais toute variable associée aux deux n’est pas automatiquement un confondeur
C’est un point crucial.
Supposons :
exposition → médiateur → maladie.
Le médiateur est associé à l’exposition et au résultat.
Mais l’ajuster peut justement supprimer une partie de l’effet causal.
La simple règle :
« associé à X et à Y = confondeur »
est donc insuffisante.
Le raisonnement temporel aide
Une bonne question est :
La variable existait-elle avant l’exposition ?
Si oui, elle peut plus facilement être un confondeur.
Si elle est apparue après l’exposition, elle peut être un médiateur ou une conséquence.
Mais la temporalité seule ne suffit pas ; il faut comprendre le mécanisme causal.
Le rôle des DAG
Les DAG, ou graphes causaux orientés acycliques, sont très utiles pour représenter ces relations.
Par exemple :
Âge → Traitement
Âge → Mortalité
Traitement → Mortalité
On peut alors voir que l’âge ouvre une voie non causale entre traitement et mortalité.
L’ajustement sur l’âge cherche à bloquer cette voie.
Une voie de confusion classique
On peut écrire :
X ← Z → Y
Cette structure est appelée une backdoor path.
Elle crée une association entre X et Y qui ne correspond pas à l’effet causal direct de X sur Y.
L’objectif de l’ajustement est de bloquer ces voies non causales pertinentes.
Exemple social
Supposons qu’on observe que les personnes consommant davantage de fruits ont une mortalité plus faible.
Cette association peut en partie venir de facteurs comme :
- revenu ;
- niveau d’éducation ;
- activité physique ;
- tabagisme.
Ces variables influencent à la fois :
- les habitudes alimentaires ;
- le risque de maladie.
L’effet apparent des fruits peut donc être confondu.
Confusion résiduelle
Même après ajustement, le facteur de confusion peut être imparfaitement mesuré.
Supposons qu’on ajuste sur le tabagisme avec seulement :
fumeur / non-fumeur.
Mais parmi les fumeurs, certains consomment :
- 3 cigarettes par jour ;
- 40 cigarettes par jour.
L’ajustement binaire ne capture pas toute la différence.
Une partie de la confusion peut rester.
C’est la confusion résiduelle.
Une variable mal mesurée reste un mauvais ajustement
Si le revenu, l’alimentation ou l’activité physique sont mesurés approximativement, ajuster statistiquement dessus ne supprime pas complètement leur effet.
Le modèle ne peut corriger que ce qui a été suffisamment bien observé.
Facteurs non mesurés
Le problème est encore plus important lorsqu’un confondeur potentiel n’est pas mesuré du tout.
Aucun ajustement classique ne peut alors l’introduire dans le modèle.
C’est l’une des grandes limites des études observationnelles.
La randomisation
La randomisation est particulièrement puissante parce qu’elle vise à rendre l’exposition indépendante des facteurs de confusion, connus ou inconnus, en moyenne.
Dans un grand essai correctement randomisé :
- âge ;
- tabagisme ;
- gravité ;
- facteurs non mesurés
devraient être répartis de manière comparable entre les groupes, sous réserve des fluctuations aléatoires.
C’est pourquoi la randomisation possède une grande force causale.
La randomisation n’exige pas de connaître tous les confondeurs
C’est un avantage majeur.
Dans une étude observationnelle, il faut tenter d’identifier les facteurs pertinents.
Dans un essai randomisé, la méthode elle-même cherche à équilibrer aussi les facteurs inconnus.
Cela ne garantit pas un équilibre parfait dans un petit échantillon, mais réduit fortement le problème systématique.
Restriction
Une manière de contrôler la confusion est de restreindre l’étude.
Supposons que l’âge soit un confondeur important.
On pourrait recruter uniquement des personnes âgées de 50 à 60 ans.
Les différences d’âge deviennent beaucoup plus faibles.
Mais cette stratégie limite la généralisation à d’autres âges.
Appariement
Dans une étude cas-témoins, on peut apparier cas et témoins sur :
- âge ;
- sexe ;
- lieu.
L’objectif est de rendre les groupes plus comparables.
Mais un appariement doit être pris en compte dans l’analyse.
Et apparier sur la mauvaise variable peut être inutile ou même problématique.
Surappariement
On parle de surappariement lorsque l’on apparie sur une variable :
- très liée à l’exposition ;
- mais pas réellement confondante ;
- ou parfois située sur une voie causale.
Cela peut réduire artificiellement la capacité à détecter un effet.
Plus de contrôle n’est donc pas toujours mieux.
Stratification
Une autre méthode consiste à analyser séparément les niveaux du confondeur.
Par exemple :
effet chez les 40–49 ans
effet chez les 50–59 ans
effet chez les 60–69 ans.
Si l’association change fortement par rapport à l’estimation brute, cela suggère que l’âge jouait un rôle important.
Standardisation
On peut aussi recalculer les résultats comme si les groupes avaient la même structure d’âge ou d’autres caractéristiques.
La standardisation permet ainsi de comparer des populations qui diffèrent fortement sur un facteur connu.
Régression multivariée
Une méthode très fréquente consiste à utiliser une régression incluant plusieurs variables simultanément.
On peut alors estimer l’association entre X et Y « ajustée sur » :
- âge ;
- sexe ;
- tabagisme ;
- revenu.
C’est utile, mais l’expression « ajusté sur » ne signifie pas que tout biais a disparu.
Ajustement statistique ≠ randomisation
Même un modèle très sophistiqué ne peut corriger que :
- les variables mesurées ;
- suffisamment bien mesurées ;
- correctement modélisées ;
- correctement choisies.
La randomisation agit en amont, sur la construction de la comparaison.
L’ajustement agit en aval, après observation.
Les deux ne sont pas équivalents.
Propensity score
Le score de propension estime la probabilité de recevoir l’exposition ou le traitement en fonction des variables observées.
On peut ensuite :
- apparier ;
- pondérer ;
- stratifier.
L’objectif est de rendre les groupes plus comparables sur les facteurs mesurés.
Limite du score de propension
Il ne protège pas contre un confondeur totalement non mesuré.
Si une variable importante n’entre pas dans le modèle, le score ne peut pas équilibrer ce qui n’a jamais été observé.
Le score de propension n’est donc pas une randomisation artificielle complète.
Pondération par probabilité inverse
Une autre méthode consiste à pondérer les individus selon leur probabilité d’avoir reçu l’exposition qu’ils ont effectivement reçue.
L’objectif est de créer une pseudo-population dans laquelle l’exposition est moins liée aux facteurs observés.
Cette méthode est puissante mais dépend :
- du bon modèle ;
- de la présence de suffisamment de chevauchement entre groupes.
Positivité
Pour comparer causalement deux groupes, il faut que chaque type de participant ait une probabilité non nulle de recevoir chacune des expositions comparées.
Supposons qu’un traitement soit toujours administré aux patients extrêmement graves et jamais aux patients légers.
On ne dispose alors d’aucune comparaison directe chez certaines catégories.
C’est un problème de positivité ou de chevauchement.
Extrapolation statistique
Un modèle peut néanmoins produire un chiffre.
Mais il extrapole hors des données réellement disponibles.
Une estimation mathématique peut alors sembler précise alors qu’aucune vraie comparaison empirique n’existe pour certains profils.
Confusion par indication
C’est l’un des exemples les plus importants en médecine.
Les médecins ne choisissent pas les traitements au hasard.
Ils les prescrivent en fonction :
- de la gravité ;
- du pronostic ;
- des contre-indications ;
- de l’âge.
Ces mêmes facteurs influencent le résultat.
Comparer directement traités et non-traités crée donc souvent une forte confusion.
Exemple
Supposons qu’un antibiotique puissant soit réservé aux infections les plus graves.
Mortalité :
- traités : 20 % ;
- non-traités : 5 %.
Conclure :
« l’antibiotique multiplie la mortalité par quatre »
serait absurde si les patients traités étaient beaucoup plus malades au départ.
Confusion par contre-indication
L’inverse peut aussi arriver.
Un médicament potentiellement risqué peut ne pas être prescrit aux personnes les plus fragiles.
Les utilisateurs sont alors sélectionnés parmi les personnes suffisamment robustes.
Le traitement peut sembler artificiellement protecteur.
Healthy user bias
Les personnes adoptant une intervention préventive peuvent également adopter d’autres comportements favorables.
Par exemple, les utilisateurs réguliers d’un traitement préventif peuvent :
- mieux suivre les recommandations ;
- faire davantage d’exercice ;
- consulter plus tôt.
L’exposition devient associée à un ensemble de comportements sains.
Exemple des vitamines
Supposons que les utilisateurs de compléments vitaminiques présentent moins de maladies dans une cohorte.
Cela peut refléter :
- effet réel du complément ;
- alimentation différente ;
- niveau socio-économique ;
- meilleur suivi médical.
Une association observationnelle ne suffit pas à isoler l’effet du complément lui-même.
Confusion négative
Un confondeur peut également masquer un effet réel.
Supposons qu’une exposition dangereuse soit plus fréquente chez les personnes jeunes.
L’âge jeune réduit fortement la mortalité.
L’effet dangereux de l’exposition peut alors être partiellement compensé par la jeunesse des exposés.
L’association brute sous-estime le risque.
Une association peut s’inverser
Dans certains cas extrêmes, la confusion peut faire passer :
effet nuisible réel
à
apparence protectrice.
C’est pourquoi il faut se méfier des comparaisons brutes lorsque les groupes sont très différents au départ.
Évaluer la confusion par changement d’estimation
Une pratique ancienne consiste parfois à comparer :
estimation brute
et
estimation ajustée.
Si elles diffèrent beaucoup, on conclut qu’il y avait confusion.
C’est informatif, mais insuffisant comme méthode unique de sélection des variables.
Une variable peut être causalement importante même si elle change peu l’estimation dans un échantillon particulier.
La sélection automatique des covariables par p-value est risquée
Choisir les variables d’ajustement uniquement parce qu’elles sont statistiquement associées au résultat peut conduire à :
- oublier de vrais confondeurs ;
- ajuster sur des médiateurs ;
- ajuster sur des colliders.
Le choix doit être principalement causal et conceptuel.
Le rôle des connaissances antérieures
Avant l’analyse, il faut réfléchir :
Quelles variables causent l’exposition ?
Quelles variables causent le résultat ?
Lesquelles précèdent l’exposition ?
Cette réflexion utilise :
- littérature ;
- biologie ;
- contexte social ;
- pratique clinique.
La statistique seule ne découvre pas automatiquement la bonne structure causale.
Confusion et interaction
Il faut aussi distinguer :
confusion : déforme l’association globale ;
interaction / modification d’effet : l’effet causal est réellement différent selon le niveau d’une variable.
Une variable peut parfois jouer des rôles différents selon la question.
Exemple
Supposons que l’âge influence à la fois :
- probabilité de traitement ;
- mortalité.
Il peut être confondeur.
Mais il peut aussi modifier réellement l’effet du traitement.
Il faut donc parfois :
- ajuster pour la confusion ;
- puis examiner l’interaction.
Ce sont deux questions distinctes.
Ajustement excessif
Une erreur fréquente consiste à penser :
« ajoutons toutes les variables disponibles ».
Mais si l’on ajuste sur :
- médiateurs ;
- colliders ;
- conséquences de l’exposition,
on peut introduire ou amplifier un biais.
Le meilleur modèle n’est pas nécessairement celui comportant le plus de covariables.
Exemple de surajustement
Supposons :
obésité → diabète → maladie cardiovasculaire.
Si l’on cherche l’effet total de l’obésité et qu’on ajuste sur le diabète, on bloque une partie de son mécanisme causal.
L’estimation répond alors à une autre question :
effet non médié par le diabète.
Ce n’est pas faux, mais ce n’est plus l’effet total.
Exemple de collider
Supposons :
tabagisme → hospitalisation ← infection grave.
Si l’on sélectionne uniquement les hospitalisés ou qu’on ajuste sur l’hospitalisation, tabagisme et infection peuvent devenir artificiellement associés.
L’ajustement peut donc parfois créer un biais plutôt que le supprimer.
Backdoor criterion
Dans les DAG, on cherche un ensemble de variables permettant de bloquer toutes les voies non causales entrant « par l’arrière » dans l’exposition, sans bloquer les voies causales d’intérêt.
C’est l’idée du backdoor criterion.
Elle formalise le choix des variables d’ajustement.
Les DAG ne donnent pas automatiquement la vérité
Un graphe causal dépend de nos hypothèses.
Si le graphe est faux ou incomplet, l’ajustement recommandé peut être incorrect.
Les DAG sont donc des outils pour rendre les hypothèses explicites, pas une machine automatique à découvrir la causalité.
Confusion temporelle
Le temps peut lui-même agir comme confondeur.
Supposons qu’un traitement soit davantage utilisé à partir de 2025.
Dans le même temps :
- soins intensifs s’améliorent ;
- diagnostic devient plus précoce.
Comparer les patients traités en 2025 aux non-traités de 2020 mélange l’effet du traitement avec l’évolution générale des soins.
Confusion par calendrier
C’est particulièrement important pendant une épidémie.
Les patients traités à différentes périodes peuvent connaître :
- variants différents ;
- immunité différente ;
- charge hospitalière différente ;
- autres traitements différents.
Le calendrier doit donc être pris en compte.
Confusion géographique
Comparer des régions peut mélanger l’exposition étudiée avec :
- densité ;
- climat ;
- richesse ;
- système de santé ;
- structure d’âge.
Une corrélation géographique brute est particulièrement vulnérable à la confusion.
Confusion sociale
Les facteurs sociaux sont souvent fortement corrélés entre eux.
Revenu, diplôme, logement, profession, alimentation et accès aux soins s’entrecroisent.
Il peut être difficile d’isoler un effet unique.
Cela explique pourquoi certaines associations sociales restent difficiles à interpréter causalement malgré de grandes bases de données.
Mesurer parfaitement tous les confondeurs est impossible
L’objectif réaliste n’est pas :
« éliminer toute confusion imaginable ».
Il est plutôt de montrer que la conclusion reste crédible face aux principaux confondeurs plausibles.
C’est une question de degré de confiance.
Analyses de sensibilité pour confondeurs non mesurés
Il existe des méthodes permettant d’évaluer :
« Quelle force devrait avoir un confondeur non mesuré pour expliquer entièrement l’association ? »
Si une très faible confusion suffirait, le résultat est fragile.
Si un facteur extrêmement puissant serait nécessaire, l’association est plus robuste.
E-value
L’E-value est un outil proposé pour quantifier la force minimale qu’un confondeur non mesuré devrait avoir avec l’exposition et le résultat afin d’expliquer entièrement une association donnée, sous certaines hypothèses.
Elle peut être informative.
Mais elle ne remplace pas l’analyse causale globale.
Contrôles négatifs
Une autre stratégie consiste à utiliser des contrôles négatifs.
Par exemple, une exposition ne devrait théoriquement pas influencer un certain résultat.
Si une association apparaît malgré tout, cela peut indiquer :
- confusion résiduelle ;
- biais.
Ces méthodes peuvent révéler des problèmes cachés dans le design.
Triangulation
La meilleure protection contre la confusion est souvent la convergence de méthodes différentes.
Supposons qu’un effet soit observé dans :
- cohorte ajustée ;
- expérience naturelle ;
- essai randomisé ;
- mécanisme biologique.
Il devient beaucoup plus difficile d’attribuer toute la relation au même facteur de confusion.
Une seule étude observationnelle reste limitée
Même une excellente étude observationnelle ne peut généralement pas garantir l’absence de tout confondeur non mesuré.
Cela ne la rend pas inutile.
Elle peut fournir une preuve forte si :
- effet important ;
- design solide ;
- mesure correcte ;
- analyses de sensibilité ;
- réplication.
La confiance est graduelle, pas binaire.
« Corrélation après ajustement » n’est pas automatiquement causalité
Une formulation fréquente est :
« l’association persiste après ajustement sur de nombreux facteurs ».
C’est plus convaincant qu’une association brute.
Mais il faut demander :
Quels facteurs ?
Comment mesurés ?
Pourquoi ceux-là ?
Existe-t-il des confondeurs non mesurés ?
Le mot « ajusté » ne doit pas être traité comme un sceau de causalité.
Exemple complet
Supposons qu’une cohorte trouve que les personnes dormant 9 heures ou plus ont une mortalité accrue.
Avant d’interpréter le sommeil long comme cause, il faut envisager :
- âge ;
- dépression ;
- maladies chroniques ;
- faible activité ;
- maladie préclinique.
Certaines conditions peuvent à la fois augmenter le temps passé au lit et la mortalité.
L’association peut donc être partiellement confondue ou relever de causalité inverse.
Une intervention serait le test décisif conceptuel
La question causale devient :
« Si l’on faisait dormir artificiellement davantage des personnes comparables, leur risque augmenterait-il ? »
Cette formulation montre immédiatement que l’association observationnelle ne répond pas entièrement à la question.
Le raisonnement contrefactuel aide à identifier la confusion.
Une leçon d’esprit critique
Face à une association, demandez :
Quelles variables pourraient expliquer à la fois l’exposition et le résultat ?
Ont-elles été mesurées ?
Sont-elles antérieures à l’exposition ?
Ont-elles été correctement ajustées ?
A-t-on au contraire ajusté sur des médiateurs ou colliders ?
Les groupes restent-ils réellement comparables ?
La question n’est pas simplement :
« l’étude a-t-elle ajusté ? »
mais :
« l’ajustement correspond-il à une structure causale crédible ? »
À retenir
Un facteur de confusion est une variable qui crée ou déforme une association entre exposition et résultat parce qu’elle influence les deux.
La structure classique est :
X ← Z → Y.
La confusion peut :
- créer une fausse association ;
- amplifier un effet ;
- réduire un effet ;
- parfois inverser sa direction.
On peut la réduire par :
- randomisation ;
- restriction ;
- appariement ;
- stratification ;
- standardisation ;
- régression ;
- pondération.
Mais l’ajustement statistique ne fonctionne correctement que si les bons facteurs ont été identifiés et suffisamment bien mesurés.
Il faut donc distinguer soigneusement :
confondeur : cause commune de l’exposition et du résultat ;
médiateur : transmet une partie de l’effet causal ;
collider : conséquence commune dont le contrôle peut créer un biais.
La règle fondamentale est ainsi :
il ne faut pas ajuster sur toutes les variables disponibles ; il faut ajuster sur les variables nécessaires pour reconstruire une comparaison causale crédible.
Pour aller plus loin
Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence centrale sur la confusion, l’ajustement et les méthodes épidémiologiques classiques.
Miguel Hernán et James Robins — Causal Inference: What If. Une référence majeure pour comprendre les confondeurs dans le cadre contrefactuel et les méthodes de pondération.
Judea Pearl — Causality. Une référence fondamentale sur les voies causales, le critère backdoor et la distinction entre confondeurs, médiateurs et colliders.
Sander Greenland, Judea Pearl et James Robins — travaux sur les graphes causaux en épidémiologie. Ils ont joué un rôle important dans la formalisation moderne du choix des variables d’ajustement.