biais de variables omises

Bonjour,

petite question ouverte sur ce que vous pensez du biais de variables omises. Notamment :

Il est évident que le biais peut-être important sur les variables explicatives corrélées à la variable omises, mais :

- Peut-on le repérer graphiquement??
- Ce biais n'est-il pas parfois plus un biais d'interprétation qu'un biais mathématiques??

je veux dire par là qu'on ne pense pas forcément avoir omis une variable et qu'une des variables du modèle peut-être biaisée sans pouvoir le détecter de manière mathématiques?? et on ne s'en rend donc pas compte.

- Peut-on le corriger seulement en injectant la variable omise?

- ce problème n'est-il pas un problème super récurrent?? On n'a rarement en main toutes les causes pouvant expliquer le phénomène souhaité...

Et vous, que faites vous contre ce biais?

Niaboc

Bonjour,
Je ne suis pas bien sure de comprendre ce que tu entends par "un biais important sur les variables explicatives". Le biais se mesure en general sur le critere de jugement. En tout cas, contre ce biais, la premiere chose si possible, c'est la randomisation, qui a pour but d'equilibrer les variables observees ainsi que celles non observees (ce qui permet ensuite de ne pas se soucier de l'omission de variables importantes dans l'analyse).
Evidemment, la rando n'est pas possible dans beaucoup de cas. Alors, pour ce qui est du biais, tout dependra de la nature de la variable omise:
- si elle est correlee aux autres variables du modele, mais pas au critere de jugement, pas de probleme
- si c'est un facteur pronostique mais qu'il est equilibre entre les groupes que tu compares, pas de soucis non plus si ton objectif n'est pas de faire de la prediction
- si ta variable omise est un facteur de confusion (lie a la fois au critere de jugement est a ton exposition), la oui, ca coince, et le biais n'est pas juste un biais d'interpretation. Tu pourras observer un effet de l'exposition alors qu'il n'en existe aucun ou inversement. Si cette variable n'a pas ete mesuree, une possibilite est l'utilisation d'une variable instrumentale, qui permet d'equilibrer les groupes sur des facteurs non mesures. Le soucis c'est de pouvoir trouver un bon instrument, surtout qu'en pratique, on n'a pas vraiment moyen de verifier. Si la variable omise a ete mesuree, alors en ajustant dessus (et sous reserve qu'il n'y ait pas d'autres confondants omis), tu corriges le biais. A voir s'il vaut mieux utiliser des approches conditionnelles de type regression multivariable, ou marginales de type score de propension.

Ensuite, a ma connaissance, il n'y a pas de methodes graphiques/mathematiques pour verifier s'il manque une ou des variables dans l'analyse, d'ou l'importance des recherches biblio pour identifier les eventuels facteurs de confusion a priori. Je suis bien d'accord qu'on n'a jamais en main tous les facteurs explicatifs, mais etant donne les interdependances entre facteurs souvent mesures en pratique, ils servent bien souvent de proxy pour des variables non mesurees.

Enfin, meme si ca n'a aucune valeur de preuve, un truc pragmatique qui marche plutot pas mal pour evaluer ton risque de variable omise, c'est de regarder comment son equilibrees tes variables mesurees entre les groupes que tu compares. Si tes groupes sont parfaitement equilibres sur les variables observees, il y a assez peu de chance qu'un desequilibre existe sur une variable omise, et donc peu de risque que ton analyse soit biaisee. Si par contre tu as de gros desequilibres sur les variables mesurees, le risque est beaucoup plus grand (bien que non systematique).

Enfin bref, le probleme des variables omises est frequent, mais embetant seulement si cette variable omise est un confondant dans la relation que tu cherches a etablir. Tu fais quoi, toi dans ce genre de situations?

Ayana

En clinique, il y a forcément des "variables cachées", et comme le disait ayana, leur effet est maitrisé par la méthodologie de l'étude. Le but n'est pas de les mettre en évidence ni de les caractériser, d'autant plus que par définition nos connaissances sont toujours limitées et nombre de "variables cachées" sont probablement inconnues car liées à des mécanismes encore inconnus.

Le but est de maitriser le biais lié à leur existence par l'application d'un cadre méthodologique strict.

En pratique, que l'on soit dans l'évaluation de l'efficacité thérapeutique, la preuve de concept ou l'étude physiopat, on est toujours dans la même démarche intellectuelle:
1 - je formule une hypothèse (reposant par définition sur des mécanismes connus)
2 - je mets en oeuvre une étude me permettant de confirmer ou infirmer mon hypothèse en maitrisant au mieux les différents biais (méthodo, effectif... etc...)
3 - J'analyse mes résultats. Dans ce cadre certains biais (connus) peuvent éventuellement être pris en compte par des procédures d'ajustement, mais la majorité des biais (connus + inconnus) sont maitrisés par le cadre méthodologique.

éventuellement, on peut aller au delà en faisant un peu d'exploration, c'est à dire en laissant de coté la rigueur de l'analyse statistique réalisée "dans les règles de l'art" et en allant à la recherche de facteurs pouvant etre liés à certaines dissymétries, variabilité de réponse au traitement ou autre. Mais là, on s'éloigne vraiment de la rigueur mathématique et on va un peu à la pêche, avec l'espoir de dénicher quelques arguments pour orienter certains travaux ou approfondir certains axes de recherche. On est dans ce cas très loin de la "mise en évidence" mathématique et incontestable de quelque chose d'inconnu. On est plutot dans la démarche "ca peut valoir le coup de jeter un coup d'oeil à ce truc", pas grand chose de plus.

Je viens de lire le fichier help ci dessous, qui semble etre dans le thème de ta question. Les exemples et references en fin de doc peuvent t'orienter.

Ces méthodes sont utilisées dans le cadre des études observationnelles, donc sans randomisation ni méthodo permettant de maitriser les biais.

http://www.stata.com/manuals14/teeteffects.pdf

Je vais regarder ça!

Merci pour vos réponses en tout cas!