Pourquoi ajuster sur trop de variables peut introduire un biais

En analyse statistique, il est tentant de penser :

« plus j’ajoute de variables dans mon modèle, plus je contrôle les différences entre les groupes, donc plus mon résultat est fiable. »

Cette intuition est fausse.

Certaines variables doivent effectivement être prises en compte pour réduire la confusion. Mais d’autres se situent sur la chaîne causale, sont des conséquences de l’exposition ou jouent le rôle de collider.

Les ajuster peut alors :

  • supprimer une partie de l’effet réel ;
  • créer une association artificielle ;
  • augmenter l’instabilité de l’estimation.

Le bon modèle causal n’est donc pas nécessairement le modèle contenant le plus de covariables.

Le problème du « tout ajuster »

Supposons qu’une base de données contienne :

  • âge ;
  • sexe ;
  • poids ;
  • pression artérielle ;
  • diabète ;
  • hospitalisation ;
  • biomarqueurs ;
  • traitements ultérieurs.

Une stratégie naïve consisterait à mettre toutes ces variables dans une régression.

Mais elles peuvent avoir des rôles causaux très différents.

Certaines sont :

  • confondeurs ;
  • médiateurs ;
  • colliders ;
  • conséquences tardives de l’exposition.

Les traiter de la même manière peut fausser l’analyse.

Le bon ajustement dépend de la question

Supposons que l’on étudie :

activité physique → risque d’AVC.

On peut représenter :

Âge → activité physique

Âge → AVC

et

Activité physique → pression artérielle → AVC.

Si l’on cherche l’effet total de l’activité physique, on veut :

  • ajuster sur l’âge ;
  • éviter d’ajuster automatiquement sur la pression après l’exposition.

L’âge crée de la confusion.

La pression transmet une partie de l’effet.

Surajustement sur un médiateur

Le premier grand problème est le surajustement.

Structure :

X → M → Y.

Si l’on ajuste sur M, on bloque une voie causale.

Supposons :

obésité → diabète → maladie cardiovasculaire.

Si l’objectif est l’effet total de l’obésité, ajuster sur le diabète retire une partie de ce mécanisme.

Exemple

Imaginons :

RR brut = 1,80.

Après ajustement sur âge et tabagisme :

RR = 1,60.

Puis après ajout du diabète :

RR = 1,15.

On pourrait dire :

« l’association disparaît presque après ajustement sur le diabète ».

Mais si l’obésité provoque en partie la maladie cardiovasculaire précisément en augmentant le risque de diabète, cette baisse est attendue.

On a changé la question.

Effet total versus effet direct

Avant ajustement sur le médiateur :

« quel est l’effet total de X sur Y ? »

Après ajustement :

« quel est l’effet de X sur Y qui ne passe pas par M ? »

Les deux peuvent être scientifiquement intéressants.

L’erreur est de croire qu’ils mesurent la même chose.

Ajuster sur une conséquence de l’exposition

Une règle de prudence simple consiste à examiner attentivement toute variable survenant après l’exposition.

Elle peut être :

  • médiateur ;
  • conséquence de l’exposition ;
  • collider.

L’ajuster risque donc de modifier artificiellement la comparaison.

Exemple thérapeutique

Supposons :

traitement → amélioration clinique → survie.

Si l’on ajuste sur l’amélioration clinique à une semaine, on bloque une partie de l’effet du traitement.

Dire ensuite :

« à amélioration égale, le traitement n’améliore pas la survie »

peut être vrai, mais ne répond pas à la question de l’effet total.

Le collider : un problème encore plus contre-intuitif

La deuxième grande difficulté concerne les colliders.

Structure :

X → C ← Y.

C est une conséquence commune de X et Y.

Avant conditionnement sur C, X et Y peuvent être indépendants.

Après ajustement sur C, ils peuvent devenir artificiellement associés.

Exemple intuitif : admission à l’université

Supposons que l’admission dépende de :

  • excellents résultats scolaires ;
  • grandes performances sportives.

Structure :

niveau académique → admission ← niveau sportif.

Dans toute la population, les deux talents peuvent être indépendants.

Mais parmi les admis, une personne avec de faibles résultats scolaires a plus probablement compensé par un excellent niveau sportif.

On crée une association négative entre les deux talents en sélectionnant sur l’admission.

L’ajustement peut donc créer un biais

C’est une idée fondamentale.

On ajuste généralement pour supprimer des associations indésirables.

Mais lorsqu’on conditionne sur un collider, on ouvre une voie statistique qui était auparavant bloquée.

L’ajustement fabrique le problème.

Exemple médical

Supposons :

tabagisme → hospitalisation

et

infection grave → hospitalisation.

Si l’on étudie uniquement les personnes hospitalisées, on conditionne sur l’hospitalisation.

Parmi ces patients, tabagisme et infection grave peuvent devenir artificiellement associés.

Pourquoi ?

Une personne hospitalisée malgré l’absence de tabagisme doit, en moyenne, avoir davantage d’autres raisons d’être hospitalisée.

Inversement, une personne hospitalisée en partie à cause du tabac peut nécessiter moins d’autres facteurs.

Cette sélection crée une dépendance artificielle.

Sélection sur les malades

Un problème similaire survient lorsqu’on analyse uniquement les personnes ayant développé la maladie.

Supposons :

exposition A → maladie ← exposition B.

Si l’on sélectionne uniquement les malades, A et B peuvent devenir artificiellement associés.

C’est important dans de nombreuses études de pronostic.

Exemple vaccination et infection

Supposons :

vaccination → risque d’infection

et

intensité d’exposition au virus → risque d’infection.

L’infection est influencée par les deux.

Si l’on analyse uniquement les personnes infectées, vaccination et niveau d’exposition peuvent devenir associés même s’ils étaient indépendants dans la population générale.

Si l’intensité d’exposition influence aussi la gravité, l’estimation du vaccin sur la gravité parmi les infectés peut être biaisée.

Conditionner ne signifie pas seulement « mettre dans une régression »

On conditionne sur une variable lorsqu’on :

  • l’ajuste dans un modèle ;
  • stratifie dessus ;
  • sélectionne un sous-groupe défini par elle ;
  • apparie dessus ;
  • restreint la population.

Toutes ces opérations peuvent ouvrir un biais de collider.

Descendants d’un collider

Le problème peut également apparaître lorsqu’on ajuste sur une conséquence du collider.

Structure :

X → C ← Y

puis

C → D.

Conditionner sur D peut fournir de l’information sur C et ouvrir partiellement la voie entre X et Y.

Il faut donc être prudent avec les conséquences des variables de sélection.

Ajuster sur une variable post-traitement

Dans un essai randomisé, une variable mesurée après le traitement peut être particulièrement dangereuse.

Supposons :

traitement → observance

et

motivation → observance

ainsi que

motivation → résultat.

Si l’on compare uniquement les personnes très observantes, la randomisation initiale ne protège plus totalement.

Observants versus non-observants

Les personnes qui suivent parfaitement un traitement peuvent aussi :

  • consulter davantage ;
  • avoir des comportements plus sains ;
  • être plus motivées.

Une analyse :

« chez ceux qui ont réellement pris le traitement »

peut donc réintroduire de la confusion malgré une randomisation initiale.

Ajustement sur les survivants

Supposons qu’une exposition influence la survie jusqu’à un moment donné.

Si l’on analyse uniquement les personnes encore vivantes à cette date, la survie devient une variable de sélection post-exposition.

On peut alors introduire un biais de survie.

Ce mécanisme est souvent interprétable comme un biais de collider.

Exemple

Traitement → survie à 5 ans

et

fragilité → survie à 5 ans

puis

fragilité → déclin cognitif.

Si l’on analyse uniquement les survivants à 5 ans, traitement et fragilité peuvent devenir associés.

Cela peut fausser l’étude du déclin cognitif ultérieur.

Le problème des « répondeurs »

Supposons qu’on analyse uniquement les personnes ayant répondu au traitement.

La réponse est influencée par :

  • traitement ;
  • caractéristiques individuelles.

Sélectionner les « répondeurs » peut donc créer une population artificiellement différente.

On ne peut pas forcément généraliser le résultat à tous les patients traités.

Ajuster sur une variable affectée par l’exposition peut créer plusieurs problèmes à la fois

Une variable post-exposition peut être :

  • médiateur ;
  • collider ;
  • proxy d’une conséquence commune.

Dans les systèmes complexes, ces rôles peuvent se mélanger.

C’est pourquoi la règle :

« ajoutez toutes les variables importantes »

est méthodologiquement dangereuse.

Le biais M

Une structure célèbre est parfois appelée M-bias.

Schématiquement :

X ← U1 → C ← U2 → Y.

C est associé à deux causes non observées.

X et Y peuvent être non associés par cette voie tant que C n’est pas conditionné.

Ajuster sur C ouvre le chemin :

X ← U1 → C ← U2 → Y.

On crée alors une association artificielle.

Pourquoi le M-bias est important

Il montre qu’une variable peut être :

  • associée à l’exposition ;
  • associée au résultat ;

et pourtant ne pas devoir être ajustée.

La simple observation de corrélations n’est donc pas suffisante pour choisir les covariables.

Le prétraitement n’est pas toujours synonyme de confondeur

Supposons qu’une variable soit mesurée avant X.

Cela exclut qu’elle soit causée par X, mais elle peut tout de même être :

  • un collider de causes antérieures ;
  • un instrument ;
  • une variable inutile.

« Mesuré avant » est une indication utile, pas une preuve qu’il faut ajuster.

Instrument et amplification du biais

Supposons :

Z → X → Y

et qu’un confondeur non mesuré U influence X et Y.

Z prédit fortement X mais ne cause pas directement Y.

Ajuster sur Z n’est pas nécessaire pour bloquer la confusion.

Dans certaines situations, contrôler fortement un instrument peut même amplifier le biais dû à U.

Pourquoi ?

En retirant une grande partie de la variation de X qui est liée à Z mais non confondue, le modèle peut laisser proportionnellement davantage de variation liée au confondeur non mesuré.

C’est ce qu’on appelle parfois bias amplification.

Ce phénomène rappelle qu’une variable prédictive de l’exposition n’est pas forcément utile à l’ajustement causal.

Ajouter une variable peut augmenter la variance

Même lorsqu’une variable ne crée pas de biais, elle peut réduire la précision.

Si elle apporte peu d’information utile mais est fortement corrélée avec d’autres covariables, le modèle peut devenir plus instable.

On peut observer :

  • erreurs standards plus grandes ;
  • estimations sensibles aux données.

Multicolinéarité

Supposons que l’on ajuste simultanément sur :

  • poids ;
  • IMC ;
  • tour de taille ;
  • masse grasse.

Ces variables sont fortement corrélées.

Le modèle peut avoir du mal à attribuer précisément leurs contributions respectives.

C’est le problème de multicolinéarité.

Multicolinéarité ≠ biais causal automatique

La multicolinéarité affecte surtout :

  • précision ;
  • stabilité des coefficients.

Elle n’implique pas forcément que l’effet principal soit biaisé.

Mais elle montre encore qu’ajouter davantage de variables n’est pas toujours bénéfique.

Ajuster sur des variables très rares

Une covariable rare peut aussi créer des cellules presque vides.

Par exemple, dans une petite étude :

  • 150 personnes ;
  • 12 covariables ;
  • 20 événements.

Le modèle peut devenir surparamétré.

Les estimations deviennent instables.

Surparamétrisation

Chaque paramètre consomme de l’information statistique.

Avec trop peu d’événements par rapport à la complexité du modèle, on risque :

  • surajustement aux données ;
  • coefficients extrêmes ;
  • mauvaise reproductibilité.

Le modèle paraît sophistiqué mais apprend en partie le bruit de l’échantillon.

Ajustement et machine learning

Un algorithme prédictif peut sélectionner des dizaines ou centaines de variables pour optimiser la prédiction.

Cela peut être excellent pour prévoir Y.

Mais pour estimer l’effet causal de X, inclure automatiquement toutes ces variables peut être inapproprié.

Prédiction et causalité ont des objectifs différents.

Exemple

Supposons qu’un biomarqueur soit une conséquence précoce du traitement.

Il prédit très bien le résultat.

Un algorithme prédictif voudra probablement l’utiliser.

Mais dans une analyse causale de l’effet total du traitement, cette variable peut être un médiateur qu’il ne faut pas conditionner.

La causalité doit guider le modèle

Le choix des variables devrait donc commencer par :

« quel rôle causal joue cette variable ? »

et non :

« améliore-t-elle le R² ou l’AUC ? »

Les critères prédictifs ne suffisent pas pour construire une analyse causale.

Un DAG avant la régression

Une pratique utile consiste à dessiner le DAG avant le modèle.

On identifie :

  • exposition ;
  • résultat ;
  • causes communes ;
  • médiateurs ;
  • variables de sélection.

Puis seulement on choisit l’ensemble d’ajustement.

Cela réduit la tentation d’utiliser toutes les variables disponibles.

Ensemble minimal suffisant

Un DAG peut permettre d’identifier un ensemble minimal suffisant d’ajustement.

Cela signifie :

  • suffisamment de variables pour bloquer les chemins non causaux pertinents ;
  • sans variables supplémentaires inutiles.

Plusieurs ensembles minimaux peuvent parfois exister.

Exemple

Supposons :

Z1 → Z2 → X

et

Z1 → Y.

Selon la structure exacte, ajuster sur Z1 peut suffire à bloquer la voie de confusion.

Ajouter Z2 n’est pas nécessairement utile.

Le DAG permet d’éviter un modèle inutilement complexe.

« Ajusté sur toutes les variables significatives »

Cette stratégie est particulièrement mauvaise pour la causalité.

Une variable peut avoir :

p = 0,40

avec Y dans l’échantillon et pourtant être un confondeur conceptuellement important.

À l’inverse, un collider peut avoir :

p < 0,001

et ne pas devoir être ajusté.

La significativité statistique ne détermine pas le rôle causal.

Sélection stepwise

Les procédures automatiques de type :

  • forward selection ;
  • backward elimination ;
  • stepwise regression

choisissent souvent les variables en fonction de critères purement statistiques.

Elles peuvent être utiles pour certains objectifs prédictifs, mais ne constituent pas une bonne méthode pour déterminer quels confondeurs causalement pertinents contrôler.

Ajuster sur une cause du résultat

Une variable qui cause Y mais n’est pas liée à X n’est pas un confondeur classique.

L’inclure peut parfois améliorer la précision.

Cela peut être utile.

Mais il faut distinguer :

nécessaire à l’identification

et

utile à la précision.

Ajuster sur une cause de l’exposition

Une variable qui cause X mais n’a pas d’autre voie vers Y n’est pas nécessairement un confondeur.

L’ajouter peut aider dans certains modèles, être neutre ou parfois amplifier certains biais liés à des confondeurs non mesurés.

Encore une fois, il n’existe pas de règle « plus = mieux ».

Le biais de surajustement peut réduire un effet réel

Supposons :

traitement → réduction inflammation → réduction mortalité.

Si on ajuste sur l’inflammation après traitement, l’effet du traitement peut presque disparaître.

Un lecteur pourrait croire que l’intervention est inefficace.

En réalité, on a statistiquement retiré le mécanisme par lequel elle fonctionne.

Exemple causal simple

Sans ajustement sur le médiateur :

RR = 0,70.

Après ajustement sur M :

RR = 0,97.

Ce changement peut être exactement ce que l’on attend si M transmet presque tout l’effet.

Il ne s’agit pas forcément d’une « correction ».

Ajuster sur l’hospitalisation

Supposons qu’une exposition augmente le risque d’hospitalisation et qu’un autre facteur de risque augmente également l’hospitalisation et la mortalité.

Analyser uniquement les hospitalisés peut rendre l’exposition artificiellement associée à ce facteur.

Ce type de sélection peut générer des résultats paradoxaux.

« Paradoxes » épidémiologiques

Certaines associations surprenantes observées chez :

  • hospitalisés ;
  • survivants ;
  • personnes diagnostiquées

peuvent venir du conditionnement sur une variable de sélection.

Ces paradoxes ne démontrent pas automatiquement une biologie mystérieuse.

Ils peuvent résulter de la structure du design.

Obesity paradox

L’obesity paradox observé dans certaines populations malades a notamment suscité des discussions sur :

  • causalité inverse ;
  • biais de survie ;
  • sélection ;
  • colliders.

Cela ne signifie pas que toutes les observations soient entièrement expliquées par un seul biais, mais illustre l’importance de la population conditionnée.

Conditionnement sur un diagnostic

Supposons qu’une maladie puisse être diagnostiquée plus facilement :

  • chez les personnes exposées ;
  • chez celles ayant certains symptômes.

Étudier uniquement les diagnostiqués peut sélectionner une population dont la composition dépend de plusieurs causes.

L’association entre exposition et pronostic peut alors être biaisée.

Détection et sélection

Les variables de détection sont souvent sous-estimées.

Le fait d’entrer dans :

  • un registre ;
  • un hôpital ;
  • une cohorte ;
  • un groupe diagnostiqué

peut dépendre simultanément de l’exposition et du résultat ou de ses déterminants.

Conditionner sur cette entrée doit être analysé causalement.

Le problème de la correction « par principe »

On rencontre parfois une phrase comme :

« Nous avons ajusté sur toutes les variables susceptibles d’influencer le résultat. »

C’est insuffisant.

Une variable peut influencer le résultat tout en étant :

  • médiateur ;
  • conséquence de l’exposition.

Elle ne doit donc pas forcément être contrôlée.

La question correcte

Il faut plutôt demander :

« Quelles variables sont nécessaires pour bloquer les chemins non causaux entre exposition et résultat ? »

C’est une question de structure.

Pas une simple liste de facteurs pronostiques.

Ajustement et estimand

Le choix des variables dépend aussi de l’estimand, c’est-à-dire de l’effet précis que l’on souhaite estimer.

Par exemple :

  • effet total ;
  • effet direct ;
  • effet chez les traités ;
  • effet d’une stratégie.

Un ajustement approprié pour un estimand peut être incorrect pour un autre.

Exemple

Supposons :

traitement → biomarqueur → survie.

Pour l’effet total :

ne pas bloquer le biomarqueur.

Pour certains effets directs :

il faut au contraire traiter explicitement la médiation.

La question scientifique doit donc précéder le choix du modèle.

Ajustement post-exposition et analyses de sous-groupes

Une autre erreur consiste à définir des sous-groupes selon une variable apparue après l’exposition.

Par exemple :

effet du traitement chez les patients qui ont développé une complication.

Si le traitement influence lui-même la complication, ce sous-groupe est post-randomisation.

La comparaison peut être fortement biaisée.

Principal stratification

Il existe des cadres causaux plus avancés, comme la principal stratification, pour poser certaines questions impliquant des événements post-traitement.

Mais ils montrent justement que ces analyses nécessitent des hypothèses beaucoup plus complexes qu’une simple stratification naïve.

Ajustement et données manquantes

Le fait d’avoir une mesure disponible peut lui-même dépendre :

  • de l’exposition ;
  • de l’état de santé.

Analyser uniquement les dossiers complets peut donc conditionner sur une variable de sélection.

L’ajustement des données manquantes demande également un raisonnement causal.

Complete case analysis

Supposons qu’un biomarqueur soit davantage mesuré chez :

  • patients graves ;
  • patients exposés.

Restreindre l’étude aux personnes ayant ce biomarqueur enregistré peut sélectionner une population non représentative causalement.

Une analyse de cas complets n’est pas automatiquement neutre.

Le rôle de la pré-spécification

Définir à l’avance :

  • ensemble d’ajustement ;
  • DAG ;
  • analyses principales

réduit la tentation d’ajouter ou retirer des covariables selon l’effet obtenu.

Cela protège aussi contre le p-hacking.

Comparer plusieurs ensembles peut être utile

Il est néanmoins raisonnable de montrer :

  • estimation brute ;
  • modèle principal causalement justifié ;
  • analyses de sensibilité.

Par exemple :

ModèleRR
Brut1,40
Ajustement principal1,18
Ajustement alternatif1,16

Cette transparence permet d’évaluer la robustesse.

Mais le « modèle maximal » n’est pas la référence absolue

Présenter le modèle contenant toutes les variables comme forcément le plus fiable est une mauvaise habitude.

Le modèle maximal peut être précisément celui qui contient :

  • médiateurs ;
  • colliders ;
  • instruments inutiles.

La complexité n’est pas une preuve de qualité.

Une bonne analyse peut être plus simple

Supposons que le DAG montre que seuls :

  • âge ;
  • tabagisme

sont nécessaires pour bloquer toutes les voies de confusion mesurées.

Un modèle avec ces deux variables peut être causalement préférable à un modèle comportant vingt covariables.

La simplicité est ici la conséquence d’une meilleure identification, pas d’une analyse superficielle.

Le problème des modèles « ajustés au maximum » dans les articles

De nombreuses publications présentent successivement :

Modèle 1 : brut

Modèle 2 : âge + sexe

Modèle 3 : + IMC + diabète + pression + biomarqueurs…

Le lecteur peut supposer que le dernier modèle est nécessairement le meilleur.

Mais si certaines variables du modèle 3 sont des conséquences de l’exposition, il estime un autre effet.

Il faut connaître le rôle causal des variables.

Exemple alimentation

Supposons :

régime alimentaire → poids → diabète → mortalité.

Si l’on ajuste sur :

  • poids ;
  • diabète,

l’effet alimentaire total peut être fortement réduit.

Cela ne signifie pas que l’alimentation n’a pas d’effet.

On a peut-être précisément contrôlé ses principaux mécanismes.

Exemple exposition professionnelle

Supposons :

exposition toxique → maladie respiratoire → arrêt de travail → mortalité.

Ajuster sur l’arrêt de travail après l’exposition peut être problématique.

Il s’agit d’une conséquence du processus causal et potentiellement d’une variable de sélection.

« Toutes choses égales par ailleurs » peut décrire un monde impossible

Supposons que l’exposition provoque nécessairement une augmentation du biomarqueur M.

Dire :

« comparons exposés et non exposés à biomarqueur M identique »

revient à comparer des sous-populations particulières où la relation naturelle entre exposition et M a été neutralisée.

Ce contraste peut ne pas correspondre à l’effet total d’une intervention réaliste.

Les coefficients conditionnels ne sont pas toujours des effets causaux simples

Dans les modèles non linéaires, ajouter des variables peut modifier un coefficient même sans véritable confusion au sens intuitif.

Des phénomènes comme la non-collapsibilité peuvent notamment affecter des mesures comme l’odds ratio.

Non-collapsibilité de l’odds ratio

Un odds ratio ajusté peut différer de l’odds ratio brut même si la variable ajoutée n’est pas un confondeur.

Cela vient de propriétés mathématiques de la mesure.

Il faut donc éviter d’interpréter toute variation du coefficient après ajustement comme preuve de confusion.

Hazard ratio et conditionnement dynamique

Les hazard ratios ont eux aussi des propriétés d’interprétation complexes.

Au fil du temps, les personnes encore à risque dans chaque groupe peuvent différer car certaines ont déjà connu l’événement.

La population comparée change.

Cela montre que certaines mesures conditionnelles demandent une interprétation prudente même dans des analyses bien conduites.

Le bon ordre de travail

Une stratégie causale rigoureuse peut suivre :

  1. définir la question ;
  2. définir l’exposition et le comparateur ;
  3. préciser l’effet recherché ;
  4. dessiner le DAG ;
  5. identifier les chemins de confusion ;
  6. choisir un ensemble d’ajustement ;
  7. seulement ensuite construire le modèle statistique.

L’ordre inverse est dangereux.

Ce qu’un logiciel ne peut pas décider

Un logiciel peut :

  • ajuster une régression ;
  • sélectionner des variables ;
  • calculer une p-value.

Il ne peut pas savoir à partir des données seules si :

diabète

est :

  • un confondeur ;
  • un médiateur ;
  • un collider

pour votre question particulière.

Cette connaissance vient du modèle causal.

Les données ne sont pas inutiles pour autant

Elles peuvent aider à :

  • estimer les effets ;
  • vérifier le chevauchement ;
  • identifier des incohérences ;
  • comparer des prédictions.

Mais elles ne remplacent pas le raisonnement causal sur l’ordre et le mécanisme des variables.

Une leçon d’esprit critique

Lorsque vous voyez une étude annoncer :

« résultat corrigé après ajustement sur 25 facteurs »,

ne supposez pas que 25 est meilleur que 5.

Demandez :

Quels sont les vrais confondeurs ?

Certaines variables ont-elles été causées par l’exposition ?

A-t-on ajusté sur un médiateur ?

A-t-on sélectionné sur un collider ?

Les covariables ont-elles été choisies avant l’analyse ?

Quel effet cherche-t-on réellement à estimer ?

Une longue liste de covariables peut être impressionnante visuellement tout en cachant un mauvais modèle causal.

À retenir

Ajuster statistiquement consiste à conditionner la comparaison sur certaines variables.

Cette opération peut être indispensable lorsqu’elle bloque une voie de confusion :

X ← Z → Y.

Mais elle peut être nuisible lorsqu’elle bloque un médiateur :

X → M → Y

ou ouvre un chemin passant par un collider :

X → C ← Y.

Les principales erreurs sont donc :

  • surajustement sur des médiateurs ;
  • biais de collider ;
  • conditionnement sur des conséquences de l’exposition ;
  • sélection post-traitement ;
  • ajout de variables prédictives mais causalement inappropriées ;
  • surparamétrisation et instabilité.

Le principe fondamental est :

l’ajustement n’est pas une opération de nettoyage automatique des données. C’est une intervention sur la structure statistique de la comparaison.

Chaque variable ajoutée peut modifier les chemins par lesquels exposition et résultat sont associés.

La bonne question n’est donc jamais :

« combien de variables avons-nous contrôlées ? »

mais :

« avons-nous contrôlé exactement les variables nécessaires pour bloquer les associations non causales sans détruire ou créer artificiellement les voies qui nous intéressent ? »

En causalité, un modèle plus complexe peut être moins juste qu’un modèle plus simple.

Pour aller plus loin

Sander Greenland, Judea Pearl et James Robins — travaux sur les diagrammes causaux. Des références majeures pour comprendre pourquoi certaines variables doivent être ajustées tandis que d’autres introduisent un biais.

Miguel Hernán et James Robins — Causal Inference: What If. Une référence essentielle pour les problèmes de variables post-traitement, de sélection et de confusion dépendant du temps.

Judea Pearl — Causality. Une référence fondamentale sur les colliders, les chemins ouverts ou fermés et le choix causal des ensembles d’ajustement.

Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence importante pour le surajustement, la confusion et l’interprétation des modèles multivariés.