_(6008495935).jpg){kind=link}
- Publication
- Mise à jour
Les variables initiales peuvent améliorer la précision ou tenir compte de caractéristiques de conception dans l’analyse. Choisir les covariables du modèle après examen des résultats du traitement peut affaiblir la crédibilité de l’interprétation obtenue, surtout si seuls les modèles favorables sont conservés.
Définir la question et les hypothèses
Évaluez la justification clinique et pronostique, le moment de la mesure et la qualité des données. La forme fonctionnelle, les définitions des catégories et le traitement des valeurs manquantes comptent autant que la liste des variables. Discutez pourquoi ajuster sur une variable après traitement peut répondre à une autre question qu’ajuster sur une véritable caractéristique avant traitement.
Exemple d’étude hypothétique
Dans une étude hypothétique, l’équipe propose de retenir comme modèle principal la combinaison de covariables donnant la plus petite valeur p. Le statisticien distingue le modèle prédéfini de cette recherche. Des modèles supplémentaires peuvent être rapportés avec une justification transparente de leur sélection et un statut exploratoire, au lieu de ne conserver que le résultat le plus séduisant.
Points de contrôle de la conception
- Consignez chaque covariable avec sa justification scientifique et sa source de données.
- Précisez les transformations et les règles de catégorisation des variables continues avant l’examen des résultats.
- Testez comment les covariables manquantes modifient la population contribuant à chaque analyse.
Consigner la décision et ses limites
Un plan accepté inclut la structure du modèle et les règles pour les cas particuliers, et pas seulement les noms des variables. La faisabilité du modèle prévu peut être évaluée sur des données en insu. Déclarez le moment et les conséquences des changements éclairés par les résultats. La seule bonne qualité d’ajustement du modèle n’établit ni sa correspondance avec la question scientifique ni l’absence de biais systématique.
Questions fréquentes
- Davantage de covariables est-il toujours préférable ?
- Non. Une complexité inutile et une information limitée peuvent affecter la stabilité du modèle.
- Peut-on ajuster sur une variable après traitement ?
- Son objectif et son interprétation causale nécessitent une évaluation distincte ; il ne s’agit pas d’un ajustement initial ordinaire.