PyDA Course
📖 Leçon 18 Avancé ⏱ 35 minutes ⚡ +100 XP ColabKagglenbviewerBinderDeepnoteGitHub régression-multiple · facteur-de-confusion · ajustement · inférence-causale

Ajuster pour une seconde variable

La régression multiple comme remède au paradoxe de Simpson : ce que signifie un coefficient ajusté, et quand l'ajustement empire les choses.

🎯 Ce que vous apprendrez :
  • Lire un coefficient de régression multiple comme un effet à autres variables fixées
  • Montrer comment une comparaison non ajustée s'inverse quand une variable de groupement est incluse
  • Distinguer un facteur de confusion d'un médiateur et d'un collider
  • Expliquer pourquoi ajuster sur la mauvaise variable crée du biais au lieu d'en retirer

Ce que cela signifie

La régression multiple ajuste un modèle avec plus d’un prédicteur :

y^=b0+b1x1+b2x2+⋯\hat{y} = b_0 + b_1 x_1 + b_2 x_2 + \cdots

Chaque coefficient se lit avec une clause attachée : à autres prédicteurs fixés, une augmentation d’une unité de x1x_1 est associée à b1b_1 unités de variation de yy. Cette clause est tout l’intérêt. Inclure x2x_2 retire de b1b_1 la partie de la relation qui pourrait tout aussi bien être attribuée à x2x_2.

C’est la forme numérique de l’analyse par groupes de la leçon sur le paradoxe de Simpson. Rassembler sans ajustement produit le nombre confondu ; ajuster produit celui à l’intérieur des groupes.

Ce que cela apporte

C’est la bête de somme de la statistique appliquée. Presque aucune relation réelle n’est assez propre pour se lire dans une régression à une variable, et rapporter un coefficient non ajusté est la façon dont les données observationnelles produisent des absurdités confiantes.

Cela vous donne aussi une façon d’énoncer ce que vous avez contrôlé, ce qui est une phrase bien plus utile que « nous avons trouvé une corrélation ».

Exemple travaillé

Données de type admissions, deux programmes et deux niveaux de candidats :

ProgrammeCandidats fortsAdmisCandidats faiblesAdmis
A20188024
B9072102

Étape 1 — comparaison non ajustée. Programme A : 42 admis sur 100, soit 42 %. Programme B : 74 sur 100, soit 74 %. B semble bien plus accueillant.

Étape 2 — à l’intérieur de chaque niveau. Parmi les candidats forts, A admet 90 % et B 80 %. Parmi les candidats faibles, A admet 30 % et B 20 %. A est meilleur dans les deux cas.

Étape 3 — le mécanisme. B a reçu bien plus de candidats forts (90 contre 20), et les candidats forts sont admis à un taux plus élevé partout. Le taux rassemblé de B est élevé à cause de qui a postulé, pas de la façon dont les candidats ont été traités.

Étape 4 — ajustez. Régressez l’admission sur le programme et le niveau du candidat. Le coefficient du programme mesure maintenant la différence entre candidats de même niveau : il change de signe, en faveur de A.

python
import pandas as pd
import statsmodels.formula.api as smf

df = pd.DataFrame({
    'programme': ['A']*100 + ['B']*100,
    'strength':  ['strong']*20 + ['weak']*80 + ['strong']*90 + ['weak']*10,
    'admitted':  [1]*18 + [0]*2 + [1]*24 + [0]*56 + [1]*72 + [0]*18 + [1]*2 + [0]*8,
})

# Sans ajustement : programme seul
print(smf.logit('admitted ~ C(programme)', df).fit().params)

# Ajusté : mêmes données, en contrôlant par la force du candidat
print(smf.logit('admitted ~ C(programme) + C(strength)', df).fit().params)

Le coefficient du programme passe de fortement positif pour B à négatif. Mêmes lignes, même arithmétique ; seule la question a changé.

Facteur de confusion, médiateur, collider

  • Un facteur de confusion affecte à la fois le prédicteur et le résultat. Ajuster dessus est le bon geste — le niveau du candidat ci-dessus.
  • Un médiateur se situe sur le chemin entre prédicteur et résultat (traitement → guérison → survie). Ajuster dessus retire une partie de l’effet même que vous mesurez, donc c’est généralement une erreur.
  • Un collider est causé par les deux (deux symptômes causés par la même maladie). Ajuster dessus peut créer une association qui n’existe pas.

La distinction est structurelle, et elle ne se lit pas dans les données. Elle exige de savoir ce qui cause quoi.

🧩 Défi, réfléchissez d'abord, puis révélez

Une étude trouve que, parmi les patients hospitalisés, ceux qui faisaient plus d’exercice avaient de moins bons résultats. Faut-il conclure que l’exercice est nocif ?

💡 Réponse : Non. L'hospitalisation est ici un collider : une maladie grave comme l'exercice peuvent y mener. Conditionner sur l'admission à l'hôpital sélectionne un groupe où les deux deviennent associés dans la direction opposée à la réalité. L'analyse a ajusté sur la mauvaise variable par l'acte même de sélectionner l'échantillon.

Quand l’utiliser

  • Comparer des groupes qui diffèrent d’une manière mesurable que vous pouvez contrôler.
  • Rapporter un effet qu’un lecteur qualifierait sinon de confondu.
  • Vérifier si une découverte non ajustée survit à l’ajustement ; si le coefficient bouge beaucoup, le nombre non ajusté mesurait autre chose.

Limites

  • Cela n’ajuste que sur ce que vous avez mesuré. La confusion non mesurée subsiste, et c’est généralement la menace dominante dans le travail observationnel.
  • Ajuster sur un médiateur ou un collider ajoute du biais au lieu d’en retirer.
  • La colinéarité entre prédicteurs rend les coefficients instables et difficiles à interpréter séparément.
  • La forme fonctionnelle compte. Ajuster des droites quand la relation se courbe déforme chaque coefficient.
  • Un coefficient ajusté n’est toujours pas un effet causal à moins que le plan d’étude ne le justifie.

Pièges courants

  • Ajuster sur tout ce que vous avez. Plus de covariables n’est pas plus de rigueur ; chacune exige une justification.
  • Lire un coefficient sans sa clause « à autres variables fixées ».
  • Supprimer une variable parce qu’elle n’est pas significative, ce qui peut biaiser les autres.
  • Rapporter seulement le modèle ajusté, en cachant combien l’ajustement a déplacé la réponse.

🧩 Défis

🧩 Défi, réfléchissez d'abord, puis révélez

Le coefficient non ajusté d’un programme de formation est de +4 points. Après ajustement sur l’aptitude préalable, il est de +1. Quelles sont les deux lectures possibles, et comment les distingueriez-vous ?

💡 Réponse : Soit le bénéfice apparent du programme était surtout de la sélection (des personnes plus capables se sont inscrites, et leur aptitude portait les 4 points), soit l'aptitude préalable est un médiateur que le programme améliore. Distinguez en demandant si l'aptitude préalable a été mesurée avant le début du programme. Si elle est antérieure, c'est un facteur de confusion et +1 est l'estimation honnête ; si elle a été mesurée après, elle peut se situer sur le chemin causal et l'ajustement retire un effet réel.

🤔 Questions socratiques

  • Pourquoi le coefficient ajusté retire-t-il un facteur de confusion mais pas un médiateur ?
  • Si l’ajustement fait passer un coefficient de +4 à +1, lequel rapporteriez-vous ?
  • Deux prédicteurs peuvent-ils être si corrélés qu’aucun coefficient n’est interprétable ? Que regarderiez-vous ?
  • Pourquoi sélectionner l’échantillon peut-il équivaloir à ajuster sur une variable ?

✅ Vérification rapide

1. Comment lire un coefficient dans une régression multiple ?

2. Sur quelle variable faut-il ajuster ?

régression-multiplefacteur-de-confusionajustementinférence-causale