27 Nov Comment réaliser une analyse explicative ?
Plusieurs étapes sont nécessaires pour réaliser une analyse explicative :
- Formaliser l’hypothèse de recherche
- Choisir la variable à expliquer Y
- Choisir les variables explicatives X
- Déterminer les covariables explicatives et d’ajustement
- Vérifier que les conditions d’application sont réunies
- Vérifier la robustesse du modèle
Formaliser l’hypothèse de recherche
Toute recherche nécessite de poser des hypothèses. Ce peut être par exemple : « notre nouveau protocole de service permet-il de réduire le nombre de réhospitalisations ? » Parfois cette hypothèse est facile à expliciter, parfois, elle est plus complexe.
pvalue.io permet de vous aider à la formaliser, en posant l’hypothèse suivante : « X a une influence sur Y ». A votre charge de déterminer le X et le Y pertinent. Dans l’exemple sur les réhospitalisations, X serait : le protocole de service (codé par exemple en 2 classes : « ancien » et « nouveau »), et Y la présence d’une réhospitalisation à 30 jours (codé par exemple en oui/non ou 0/1). L’hypothèse serait donc : « Le protocole de service a une influence sur la réhospitalisation à 30 jours ».
Cependant, il existe de nombreux biais possibles, et il est donc souvent nécessaire d’ajouter des covariables explicatives ou d’ajustement. Ces covariables sont les variables liées à Y.
Sélection des variables
Ainsi, pvalue.io vous demande d’abord de sélectionner les variables connues ou supposées liées à Y. Ce sont des (co)variables explicatives. Ensuite, logiciel de statistiques pvalue.io sélectionne automatiquement les (co)variables d’ajustement non connues liées à Y. Pour les études explicatives, nous n’avons pas besoin d’obtenir l’estimation de l’influence des variables d’ajustement, uniquement des variables explicatives. Si ces variables sont numériques, une transformation spline cubique naturelle peut être réalisée.
Vérifier que les conditions d’application sont réunies
Cette étape de vérification est indispensable et fait appel à des mécanismes de détection automatique (par exemple la vérification de la normalité), ou non (par exemple la vérification de la linéarité de X en fonction de Y, ou des risques proportionnels).
Vérifier la robustesse du modèle
Après une analyse explicative, il est nécessaire de vérifier la robustesse du modèle statistiques en supprimant les variables les plus influentes du modèle statistique. Cette procédure n’est pas encore implémentée.
Aucun commentaire