Le raisonnement causal : causes, corrélations et explications

Nous voulons constamment savoir ce qui produit quoi. Un traitement améliore-t-il réellement l’état des patients ? Une politique a-t-elle fait baisser un indicateur ? Une exposition augmente-t-elle le risque d’une maladie ? Une nouvelle procédure a-t-elle réduit les erreurs ?

Ces questions sont plus difficiles qu’elles n’en ont l’air. Observer que deux phénomènes apparaissent ensemble ne suffit généralement pas à savoir si l’un produit l’autre. Pourtant, l’erreur inverse serait tout aussi problématique : répéter mécaniquement que « corrélation n’est pas causalité » comme si une association ne pouvait jamais constituer un indice causal.

Une corrélation peut être provoquée par une relation causale. Elle peut aussi venir d’une cause commune, d’une causalité inversée, d’un biais de sélection, d’une erreur de mesure ou d’une coïncidence. Le problème du raisonnement causal consiste précisément à départager ces possibilités.

De l’association à la causalité

Supposons qu’une étude observe que les personnes pratiquant régulièrement une activité physique présentent moins de maladies cardiovasculaires.

Deux variables sont associées :

activité physique ↔ santé cardiovasculaire

Mais plusieurs structures causales peuvent produire cette association.

L’activité physique peut réellement améliorer la santé.

Une meilleure santé initiale peut permettre de pratiquer davantage d’activité physique.

D’autres facteurs — âge, revenu, tabagisme, alimentation, état de santé général — peuvent influencer à la fois l’activité physique et le risque cardiovasculaire.

Ces possibilités ne sont pas équivalentes.

Observer l’association nous donne une information. Pour répondre à une question causale, il faut comprendre quelle structure pourrait l’avoir produite.

Corrélation ne signifie pas causalité

Une corrélation indique que deux variables varient ensemble d’une certaine manière.

Une causalité affirme quelque chose de plus fort :

Modifier X modifierait, toutes choses pertinentes égales par ailleurs, Y.

Cette idée d’intervention est essentielle.

Si la consommation de glaces et les noyades augmentent simultanément pendant l’été, interdire les glaces ne devrait pas réduire les noyades. La température élevée augmente à la fois la consommation de glaces et la fréquentation des lieux de baignade.

Nous avons alors une cause commune :

chaleur → glaces

chaleur → baignades et noyades

La corrélation entre glaces et noyades est réelle.

L’interprétation causale directe est mauvaise.

Mais une corrélation peut être exactement ce qu’une causalité produit

Dire :

« Corrélation n’est pas causalité »

signifie :

une corrélation ne suffit pas, à elle seule, à établir une causalité.

Cela ne signifie pas :

« Une corrélation n’apporte aucune information causale. »

Si une exposition produit réellement un effet, nous nous attendons souvent à observer certaines associations entre exposition et résultat.

L’enjeu consiste donc à déterminer si l’association observée correspond mieux à une relation causale qu’aux explications concurrentes.

C’est pourquoi la recherche causale ne consiste pas à éviter les corrélations. Elle cherche à comprendre pourquoi elles existent.

La temporalité : la cause doit précéder l’effet

Une première contrainte paraît évidente :

une cause doit précéder son effet.

Si X apparaît systématiquement après Y, X ne peut pas expliquer l’apparition antérieure de Y de la manière proposée.

Cette règle permet d’éliminer certaines interprétations.

Mais connaître l’ordre temporel ne suffit pas.

Supposons que des personnes commencent un médicament puis présentent davantage de complications.

Le médicament précède les complications.

Cela reste compatible avec plusieurs explications : le médicament peut provoquer les complications, mais les personnes auxquelles il est prescrit peuvent aussi être initialement plus malades que les autres.

La temporalité est donc généralement nécessaire mais insuffisante pour établir une causalité.

La causalité inversée

Une association peut être interprétée dans le mauvais sens.

Supposons qu’une étude observe que les personnes dormant beaucoup présentent davantage de problèmes de santé.

On pourrait conclure :

« Dormir longtemps dégrade la santé. »

Mais certaines maladies peuvent elles-mêmes augmenter la fatigue et la durée de sommeil.

La structure pourrait donc être :

mauvaise santé → sommeil prolongé

plutôt que :

sommeil prolongé → mauvaise santé

C’est ce qu’on appelle une causalité inversée.

Les études longitudinales, qui observent les phénomènes dans le temps, peuvent aider à examiner cette question, même si elles ne suppriment pas automatiquement tous les autres problèmes.

Le facteur de confusion

Une des difficultés les plus importantes est le facteur de confusion, ou *confounder*.

Supposons que nous observions :

X associé à Y

mais qu’une variable Z influence à la fois X et Y.

Nous pouvons alors attribuer à X un effet qui vient en réalité, entièrement ou partiellement, de Z.

Par exemple, une comparaison simple pourrait montrer que des personnes possédant certains comportements ont une meilleure santé. Mais ces personnes peuvent aussi différer par l’âge, le niveau d’éducation, le revenu, le tabagisme ou l’accès aux soins.

L’épidémiologie et les méthodes modernes d’inférence causale consacrent une grande partie de leur travail à identifier et contrôler correctement ces structures. Les graphes causaux dirigés, ou DAG, sont notamment utilisés pour représenter explicitement les relations supposées entre variables et déterminer quelles variables doivent être prises en compte pour réduire certains biais.

Contrôler davantage de variables n’est pas toujours mieux

Une réaction intuitive consiste à penser :

« Pour éviter les facteurs de confusion, contrôlons toutes les variables disponibles. »

Ce n’est pas toujours une bonne stratégie.

Certaines variables se situent sur le chemin causal entre l’exposition et le résultat. Les contrôler peut retirer une partie de l’effet que l’on cherche précisément à mesurer.

D’autres variables, appelées colliders dans les modèles causaux, peuvent au contraire créer un biais lorsqu’on conditionne dessus.

Le raisonnement causal moderne ne consiste donc pas simplement à ajouter beaucoup de variables à une régression statistique. Il demande une hypothèse préalable sur la structure causale du problème. Les méthodes de sélection des variables peuvent donner des résultats très différents selon cette structure, et aucune stratégie automatique n’est uniformément optimale.

Le biais de sélection

Une association peut aussi apparaître parce que les individus observés ne constituent pas un échantillon neutre de la population qui nous intéresse.

Supposons que nous étudiions uniquement des patients hospitalisés.

Deux facteurs différents peuvent augmenter la probabilité d’être hospitalisé.

Dans cet échantillon particulier, ils peuvent alors sembler associés même s’ils ne le sont pas de la même manière dans la population générale.

Le problème ne concerne plus seulement ce qui provoque la maladie, mais ce qui a déterminé l’entrée des individus dans notre observation.

La sélection peut ainsi créer ou modifier des associations.

C’est l’une des raisons pour lesquelles une étude peut être statistiquement impeccable tout en répondant mal à une question causale.

Une comparaison causale implique un monde alternatif

Dire :

« X a causé Y »

invite souvent implicitement à comparer ce qui s’est produit avec ce qui se serait produit sans X.

Si un patient reçoit un traitement et guérit, la question causale est :

Aurait-il guéri de la même manière s’il n’avait pas reçu le traitement ?

Mais nous ne pouvons pas observer simultanément le même patient traité et non traité au même moment.

C’est le problème fondamental de l’inférence causale : pour un individu donné, un seul des deux résultats potentiels est observable.

Les méthodes causales cherchent donc à construire une comparaison crédible permettant d’approcher ce contrefactuel inaccessible.

Pourquoi la randomisation est si puissante

L’essai randomisé constitue une stratégie particulièrement efficace.

Des participants comparables sont répartis aléatoirement entre un groupe recevant l’intervention et un groupe témoin.

La randomisation ne rend pas les individus identiques. Elle vise à rendre l’attribution du traitement indépendante des caractéristiques initiales et, dans un échantillon suffisamment grand, à équilibrer en moyenne les facteurs pronostiques connus et inconnus.

Si les groupes évoluent ensuite différemment, l’intervention devient une explication beaucoup plus crédible de cette différence.

C’est pourquoi les essais randomisés jouent un rôle majeur lorsqu’ils sont éthiquement et pratiquement possibles.

Un essai randomisé n’est pourtant pas magique

La randomisation ne protège pas contre tous les problèmes.

Les participants peuvent abandonner l’étude, ne pas suivre le traitement attribué ou deviner leur groupe. Les mesures peuvent être mauvaises. L’échantillon peut différer de la population à laquelle on voudrait appliquer le résultat. Une durée d’étude trop courte peut manquer certains effets.

Un essai répond également à une question précise sur une intervention, une population, une dose, une durée et des critères de jugement déterminés.

Sa grande force concerne surtout l’identification causale interne.

Elle ne transforme pas chaque résultat en vérité universelle.

Les études observationnelles ne sont pas des études « sans causalité »

L’erreur inverse consiste à croire qu’une étude observationnelle ne pourrait jamais soutenir une conclusion causale.

Ce serait historiquement et méthodologiquement faux.

Beaucoup de questions importantes ne peuvent pas être randomisées. On ne va pas assigner des personnes à fumer pendant trente ans pour déterminer si le tabac provoque le cancer du poumon.

L’inférence doit alors combiner plusieurs types d’éléments : ampleur et cohérence des associations, temporalité, relation dose-réponse, mécanismes biologiques, comparaisons entre populations, changements après réduction d’exposition et élimination d’explications concurrentes.

L’histoire du lien entre tabagisme et cancer du poumon constitue un exemple majeur.

Le tabac et le cancer du poumon : une causalité sans essai randomisé

En 1950, Richard Doll et Austin Bradford Hill publient une étude devenue classique montrant une association très forte entre tabagisme et carcinome pulmonaire.

Cette seule étude n’a pas clos le débat.

D’autres recherches ont ensuite montré la cohérence de l’association, sa force, des relations avec la quantité fumée, la temporalité et des résultats convergents provenant de plusieurs méthodes. Le rapport du *Surgeon General* américain de 1964 conclut finalement que le tabagisme constitue une cause du cancer du poumon en s’appuyant sur un ensemble d’arguments causaux, sans essai randomisé assignant des personnes au tabagisme.

Cet épisode rappelle un principe essentiel :

une conclusion causale peut résulter de la convergence de plusieurs sources de preuve dont aucune ne constitue isolément une démonstration parfaite.

Les « critères » de Bradford Hill ne sont pas un test automatique

En 1965, Austin Bradford Hill présente neuf aspects à considérer lorsqu’on passe d’une association observée à une interprétation causale : force de l’association, cohérence entre études, spécificité, temporalité, gradient biologique, plausibilité, cohérence avec les connaissances existantes, expérimentation et analogie.

Ils sont aujourd’hui très souvent appelés critères de Bradford Hill.

Cette appellation peut être trompeuse.

Hill ne proposait pas une checklist dans laquelle il suffirait de cocher neuf cases. Les références méthodologiques contemporaines rappellent qu’il les présentait comme des considérations aidant le jugement causal et qu’aucune, à l’exception pratique de la temporalité, ne constitue une condition nécessaire dans tous les cas.

Une association faible peut être causale.

Une relation causale peut manquer de mécanisme connu.

Une causalité peut exister sans relation dose-réponse simple.

Les « critères » sont donc mieux compris comme des questions guidant l’enquête.

Une cause n’est pas nécessairement nécessaire ni suffisante

Le vocabulaire causal devient encore plus clair si l’on reprend la distinction étudiée précédemment.

Le tabagisme n’est pas une condition nécessaire du cancer du poumon : des non-fumeurs peuvent développer ce cancer.

Il n’est pas non plus suffisant : tous les fumeurs ne développent pas un cancer du poumon.

Cela n’empêche aucunement le tabagisme d’être une cause majeure.

Il augmente la probabilité du résultat.

Beaucoup de causes biologiques, sociales et comportementales fonctionnent ainsi : elles participent à un ensemble de facteurs plutôt qu’elles ne déterminent seules un résultat.

Demander :

« X est-il vraiment la cause ? »

peut donc être moins informatif que demander :

« De combien X modifie-t-il le risque de Y, chez qui, dans quelles conditions et par quels mécanismes ? »

Une cause peut avoir des effets différents selon le contexte

Une intervention peut être bénéfique dans une population et neutre ou nocive dans une autre.

Cela ne crée pas nécessairement une contradiction.

Les effets causaux peuvent dépendre de l’âge, de la durée d’exposition, d’autres traitements, d’un état biologique préalable ou de nombreuses interactions.

Cette question est centrale lorsqu’on généralise les résultats d’une étude.

Une relation causale ne se résume donc pas toujours à :

X → Y

Elle peut plutôt prendre la forme :

dans certaines conditions C, X modifie la probabilité de Y.

Le cas de la Women's Health Initiative

L’histoire des traitements hormonaux de la ménopause constitue un exemple particulièrement instructif parce qu’elle est parfois racontée de manière beaucoup trop simple.

Avant les grands essais randomisés, plusieurs études observationnelles suggéraient que les utilisatrices de traitements hormonaux postménopausiques présentaient un risque de maladie coronarienne environ 40 à 50 % plus faible.

Cela avait contribué à l’idée d’un effet cardiovasculaire protecteur.

La Women's Health Initiative (WHI) a ensuite randomisé 16 608 femmes ménopausées âgées de 50 à 79 ans entre une combinaison d’œstrogènes conjugués plus médroxyprogestérone et un placebo. L’essai a été interrompu avant la durée initialement prévue lorsque l’évaluation globale des risques et bénéfices est devenue défavorable ; ses résultats ne confirmaient pas l’effet protecteur coronarien attendu pour cette population et ce traitement.

Une histoire pédagogique séduisante serait donc :

« Les études observationnelles avaient tort à cause des facteurs de confusion ; l’essai randomisé a révélé la vérité. »

La réalité est plus intéressante.

Pourquoi les résultats semblaient-ils contradictoires ?

Les femmes utilisant spontanément un traitement hormonal dans les cohortes observationnelles différaient des non-utilisatrices sur plusieurs caractéristiques susceptibles d’influencer leur santé cardiovasculaire.

Le healthy-user bias et d’autres formes de confusion ont donc probablement contribué à certaines associations favorables.

Mais ce n’est pas toute l’histoire.

L’âge auquel le traitement était initié, le temps écoulé depuis la ménopause, la formulation hormonale et la manière d’analyser l’initiation du traitement semblent également importants.

Des analyses ultérieures de cohortes observationnelles conçues pour mieux reproduire la structure de l’essai WHI ont obtenu des estimations beaucoup plus proches de celles de l’essai randomisé.

D’autres travaux ont suggéré que l'effet cardiovasculaire pouvait varier selon le moment où le traitement commence par rapport à la ménopause, même si l’ampleur exacte de cette hypothèse du timing a elle-même fait l’objet de débats.

Ce que WHI enseigne réellement

La bonne leçon n’est donc pas :

étude observationnelle = trompeuse ; essai randomisé = vérité.

Elle est plus exigeante :

la question causale exacte, la population étudiée, le moment de l’exposition, la structure du plan d’étude et la manière dont on traite la confusion peuvent profondément modifier l’interprétation d’une association.

Un essai randomisé offre un puissant contrôle de certains facteurs de confusion.

Une étude observationnelle bien conçue peut néanmoins fournir des informations causales importantes et parfois examiner des populations ou durées qui ne sont pas accessibles à l’essai.

La convergence de méthodes différentes est souvent plus instructive que la recherche d’une hiérarchie simpliste où une méthode annulerait automatiquement toutes les autres.

Corrélation, confusion et causalité inversée : une même observation peut avoir plusieurs histoires

Supposons que l’on observe :

Les personnes consommant davantage du produit X présentent moins de maladie Y.

Au moins quatre récits sont immédiatement possibles.

X réduit Y.

Y réduit la consommation de X, ce qui produit une causalité inverse.

Z influence à la fois X et Y, créant une confusion.

La sélection des participants ou la mesure produit artificiellement l’association.

Il peut également exister une combinaison de plusieurs mécanismes.

Le raisonnement causal consiste donc moins à demander :

« L’association est-elle statistiquement significative ? »

qu’à demander :

« Quelle structure causale pourrait produire les données que nous observons, et comment pouvons-nous distinguer ces structures ? »

Significatif ne signifie pas causal

Une valeur *p* faible ne transforme pas une association en causalité.

La significativité statistique répond, sous certaines hypothèses, à une question concernant la compatibilité des données avec un modèle statistique.

Elle ne nous dit pas automatiquement pourquoi les variables sont associées.

Une étude portant sur des millions d’observations peut détecter très précisément une association entièrement produite par un facteur de confusion.

L’inférence statistique et l’inférence causale sont donc liées mais distinctes.

La précision d'une association ne garantit pas la correction de son interprétation causale.

Un mécanisme renforce une interprétation, mais n’est pas toujours indispensable

Comprendre comment X pourrait produire Y peut renforcer fortement une hypothèse causale.

Le mécanisme peut générer de nouvelles prédictions, expliquer les délais observés ou montrer pourquoi certains groupes devraient être davantage affectés.

Mais l’absence d’un mécanisme connu ne réfute pas automatiquement une causalité.

Des effets peuvent être observés de manière robuste avant que leur mécanisme soit compris.

Inversement, inventer un mécanisme biologiquement plausible ne suffit jamais à établir que l’effet existe réellement.

La plausibilité mécanistique constitue donc une pièce du dossier, pas un substitut aux données.

Intervention et expérience naturelle

La randomisation expérimentale n’est pas la seule manière d’obtenir une variation informative.

Des changements de législation, seuils administratifs, loteries d’attribution, événements naturels ou différences institutionnelles peuvent parfois produire des situations où des groupes comparables sont exposés différemment à un facteur.

On parle notamment d’expériences naturelles ou de méthodes quasi expérimentales.

Leur qualité dépend de la crédibilité des hypothèses permettant de traiter cette variation comme suffisamment indépendante des autres causes du résultat.

Encore une fois, ce n’est pas le nom de la méthode qui établit la causalité.

C’est la solidité du raisonnement reliant le plan d’étude à la comparaison contrefactuelle recherchée.

Cas pratique — « Depuis la réforme, le chômage a baissé »

Un gouvernement adopte une réforme.

Un an plus tard, le chômage est plus faible.

Peut-on conclure :

« La réforme a fait baisser le chômage » ?

La chronologie est compatible avec cette hypothèse.

Mais elle ne suffit pas.

La conjoncture économique internationale a pu s’améliorer. D’autres politiques ont été mises en place. La composition démographique a pu changer. Une tendance à la baisse pouvait déjà être engagée.

À l’inverse, répondre :

« Corrélation n’est pas causalité, donc on ne peut rien dire »

serait également excessif.

L’analyse doit rechercher une comparaison plus informative : régions différemment exposées, groupes concernés ou non concernés, évolution avant et après réforme, pays comparables, mécanisme attendu et autres changements survenus au même moment.

La question correcte devient :

« Les observations correspondent-elles davantage à ce que nous attendrions si la réforme avait un effet qu’à ce que nous attendrions sans cet effet ? »

Cas pratique — Une nouvelle procédure et les erreurs

Un service introduit une nouvelle procédure.

Les erreurs passent de 20 par mois à 10.

Cette diminution constitue un indice causal possible.

Pour l’interpréter, il faut notamment demander si le nombre d’actes est resté comparable, si les règles de déclaration ont changé, si les équipes sont les mêmes, si une autre mesure a été introduite simultanément et si la baisse persiste.

Si plusieurs services mettent en place la procédure à des moments différents et présentent ensuite une évolution comparable tandis que des services témoins n’enregistrent pas la même baisse, l’interprétation causale devient plus forte.

Le raisonnement causal progresse donc par comparaisons capables d’éliminer progressivement des explications concurrentes.

Le contrefactuel au cœur de la causalité

Une manière puissante de résumer la question est :

Que se serait-il passé pour les mêmes unités, au même moment, si la cause supposée avait été différente ?

Nous ne pouvons généralement pas observer directement cette situation.

Le travail méthodologique consiste à construire le meilleur substitut possible : groupe témoin randomisé, population comparable, évolution historique, modèle causal ou autre stratégie appropriée.

Cette manière de penser explique pourquoi le simple « avant/après » est souvent fragile.

Le monde sans intervention ne reste pas nécessairement identique au monde précédent.

Beaucoup d’autres choses changent avec le temps.

Une cause peut être réelle sans expliquer toute la variation

Supposons qu’un traitement réduise réellement la pression artérielle.

Cela ne signifie pas que toutes les différences de pression entre individus proviennent de ce traitement.

De même, identifier une cause réelle d’un phénomène ne montre pas qu’il s’agit de la cause unique, ni même de la cause principale.

Cette confusion apparaît souvent dans les débats :

« X joue un rôle »

devient :

« Tout est causé par X ».

Les phénomènes complexes ont généralement plusieurs causes agissant à différents niveaux.

Une bonne explication causale indique autant que possible l’ampleur et les limites de la contribution attribuée au facteur étudié.

La causalité ne se résume pas à une flèche

Les schémas simples :

X → Y

sont utiles pour apprendre.

Dans la réalité, nous pouvons avoir :

X → M → Y

où M constitue un mécanisme intermédiaire ;

Z → X et Z → Y

où Z constitue une source de confusion ;

X → Y, mais seulement lorsque C est présent ;

ou plusieurs causes qui interagissent.

Les DAG causaux rendent justement visibles certaines de ces structures et permettent d’identifier plus clairement les conséquences de différents ajustements statistiques. Ils ne découvrent cependant pas automatiquement la structure causale : leurs flèches doivent être fondées sur des connaissances, hypothèses et contraintes temporelles.

Un graphique causal ne remplace donc pas le raisonnement causal.

Il le rend explicite.

Une méthode pratique pour examiner une affirmation causale

Lorsqu’une affirmation dit :

X cause Y,

plusieurs questions peuvent guider l’examen.

X précède-t-il réellement Y ?

Quelle comparaison soutient l’effet causal ?

Une cause commune pourrait-elle expliquer l’association ?

Y pourrait-il influencer X ?

La sélection ou la mesure pourrait-elle créer l’association ?

Existe-t-il un mécanisme plausible ou des prédictions supplémentaires ?

L’association apparaît-elle dans plusieurs populations ou méthodes ?

L’effet change-t-il lorsqu’on modifie X ?

Quelles observations seraient attendues si X n’avait aucun effet ?

Aucune réponse unique ne décide toujours la causalité.

Le jugement dépend de la cohérence de l’ensemble du dossier.

À retenir

Une corrélation indique que deux variables varient ensemble.

Une relation causale affirme qu’une modification de l’une produirait une modification de l’autre dans des conditions pertinentes.

Une association peut provenir d’une causalité directe, d’une causalité inversée, d’une cause commune, d’un biais de sélection ou d’autres mécanismes.

C’est pourquoi :

corrélation ≠ preuve suffisante de causalité.

Mais cela ne signifie pas :

corrélation = aucune information causale.

Les essais randomisés constituent une stratégie particulièrement puissante pour identifier certains effets causaux parce que la randomisation réduit systématiquement la confusion initiale entre groupes. Ils restent néanmoins soumis à des limites de mesure, d’adhésion, de suivi et de généralisation.

Les études observationnelles peuvent elles aussi contribuer fortement à une conclusion causale lorsqu’elles reposent sur des comparaisons crédibles et que différentes sources de preuve convergent. L’histoire du tabac et du cancer du poumon en fournit un exemple majeur.

Le cas de la Women's Health Initiative montre quant à lui pourquoi l’opposition « observationnel faux / randomisé vrai » est trop simple : confusion initiale, moment d’initiation du traitement, population étudiée et conception de l’analyse participent tous à l’interprétation.

La question causale centrale reste finalement contrefactuelle :

« Que se serait-il probablement produit si la cause supposée avait été différente ? »

Nous observons rarement directement cette alternative.

La qualité d’un raisonnement causal dépend donc largement de notre capacité à construire une comparaison crédible avec ce monde que nous ne pouvons pas observer.

Pour aller plus loin

L’histoire du lien entre tabagisme et cancer du poumon constitue un cas classique d’inférence causale à partir d’éléments observationnels convergents. L’article de Doll et Hill de 1950 et le rapport du *Surgeon General* de 1964 permettent de suivre la transformation progressive d’une association épidémiologique en conclusion causale.

Le texte d’Austin Bradford Hill de 1965, *The Environment and Disease: Association or Causation?*, reste historiquement fondamental. Il est préférable de parler de ses « aspects » ou considérations causales plutôt que d’une checklist de critères obligatoires : Hill lui-même soulignait qu’aucun de ses neuf points ne pouvait fournir à lui seul une preuve indiscutable.

Pour une introduction aux outils contemporains, les travaux sur les graphes causaux dirigés montrent comment représenter explicitement confusion, sélection, médiation et autres structures importantes avant de décider quelles variables contrôler. Ils rappellent également qu’un modèle statistique ne peut pas déterminer à lui seul la structure causale du monde.

Enfin, la littérature consacrée à la Women's Health Initiative fournit un excellent cas d’école pour comprendre pourquoi les divergences entre études observationnelles et essais randomisés doivent être expliquées plutôt que simplement transformées en hiérarchie méthodologique caricaturale. L’analyse de Prentice et ses collègues documente l’écart initial avec les estimations observationnelles, tandis que des analyses ultérieures montrent qu’une meilleure émulation de la question posée par l’essai réduit fortement certaines divergences.

14 sur 20Retour à la catégorie