3 Pour aller plus loin
Lors des cours et projets, les données sont généralement “propres” : on a un fichier de données bien documenté, avec des variables correctement codées et peu de valeurs manquantes. Dans la vraie vie, ce n’est (CLAIREMENT) pas toujours le cas. Ici, nous présentons plein de petites choses que vous pourriez rencontrer, et des conseils pour les gérer. Ce n’est pas un cours en tant que tel, donc vous ne serez pas évalués dessus !
3.1 Du questionnaire au fichier de données
Dans beaucoup d’études, les variables proviennent d’un questionnaire, d’un dossier médical informatisé, d’une base administrative ou d’un dispositif de mesure. Le passage de la question scientifique au fichier analysable est une étape critique.
On peut distinguer trois niveaux :
- Le concept que l’on souhaite étudier : état de santé, exposition, gravité, niveau socio-économique.
- La mesure retenue : score, question, biomarqueur, code diagnostique, prescription.
- Le codage informatique : variable numérique, chaîne de caractères, dates, indicateurs 0/1, modalités.
Quand cela est possible, avoir une vraie valeur numérique est préférable à un codage arbitraire, car elle est bien plus riche en information ; lire la Section 3.6 pour en savoir plus.
3.2 Dictionnaire de données
Une bonne pratique consiste à construire un dictionnaire de données. Pour chaque variable, il précise (ce sont des exemples, pas une liste exhaustive) :
- le nom court de la variable ;
- le libellé complet ;
- l’unité de mesure ;
- le type de variable ;
- les modalités et leur codage ;
- les valeurs manquantes autorisées ;
- les règles de contrôle de cohérence.
| Variable | Libellé | Type | Codage ou unité |
|---|---|---|---|
age |
Âge à l’inclusion | quantitative continue | années |
sex |
Sexe déclaré | qualitative binaire | 0 = femme, 1 = homme |
smoke |
Statut tabagique | qualitative nominale | jamais, ancien, actuel |
sbp |
Pression artérielle systolique | quantitative continue | mmHg |
death_1y |
Décès à un an | qualitative binaire | 0 = non, 1 = oui |
Le codage numérique d’une variable qualitative ne doit pas faire oublier sa nature. Une variable “groupe sanguin” codée 1, 2, 3, 4 reste qualitative nominale.
Un dictionnaire de données utile ne se limite pas à une liste de noms de colonnes. Il doit permettre à une personne extérieure au recueil de comprendre exactement ce qui a été mesuré, dans quelle unité, avec quelles modalités, et comment les valeurs particulières ont été enregistrées. Si, dans vos données, vous pensez avoir trouvé une incohérence ou toute autre variable non documentée, essayez de vous référer au dictionnaire de données !
3.3 Quand les données ne correspondent pas au dictionnaire
Le dictionnaire de données est indispensable, mais il n’est pas toujours parfaitement cohérent avec le fichier reçu (d’où son importance …). Il faut donc vérifier concrètement la correspondance entre les deux.
Les problèmes fréquents sont :
- une variable présente dans le dictionnaire mais absente du fichier, ou l’inverse ;
- un nom de variable modifié entre deux versions du fichier ;
- un codage inversé (p. ex., 0 = homme dans le fichier alors que le dictionnaire indique 0 = femme) ;
- des modalités non documentées, comme “inconnu”, “autre”, 9, 99 ou 999 ;
- une unité différente de celle annoncée, par exemple poids en grammes au lieu de kilogrammes ;
- une date stockée sous forme de texte, avec plusieurs formats mélangés ;
- plusieurs lignes par patient alors que le dictionnaire annonce une ligne par patient.
Ces incohérences doivent être corrigées ou documentées avant l’analyse. Sinon, les résultats peuvent être numériquement exacts mais scientifiquement faux.
3.4 Valeurs manquantes
Les valeurs manquantes ne sont pas un simple détail. Elles peuvent modifier les résultats et introduire un biais ! Sans rentrer profondément dans les détails, on distingue classiquement :
- valeurs manquantes complètement aléatoires (MCAR) : l’absence de donnée ne dépend ni de la variable manquante ni des autres variables ;
- valeurs manquantes dépendant de variables observées (MAR) : l’absence de donnée dépend d’informations disponibles, par exemple l’âge ou le centre ;
- valeurs manquantes dépendant de la valeur non observée elle-même (MNAR) : l’absence de donnée dépend de la valeur qui manque.
Avant l’analyse, il faut décrire (a minima) :
- le nombre de valeurs manquantes par variable ;
- les profils de sujets avec données manquantes ;
- et ce qu’on décide d’en faire : analyse en cas complets ou imputation.
Ceci mériterait un cours à part entière, ce qui n’est pas le but de cette UE.
L’analyse en cas complets (c.-à-d. que l’on enlève les sujets avec valeurs manquantes) est simple, mais elle n’est pas forcément valide. Elle suppose que la sélection des sujets conservés n’introduit pas de biais pour la question étudiée, ce qui doit être discuté plutôt que supposé. En réalité, il faut utiliser des méthodes d’imputation multiple, mais elles sont plus complexes et ne sont pas abordées dans ce cours.
3.5 Valeurs aberrantes et incohérences
Une valeur aberrante est une valeur très éloignée du reste des observations ou incompatible avec le contexte. Elle peut correspondre à une erreur de saisie, à un problème d’unité, à une fusion de fichiers incorrecte, ou à une observation rare mais réelle.
Exemples :
- âge \(< 0\) ou hors d’une limite plausible (p. ex., 12 ans alors qu’on étudie des adultes) ;
- pression artérielle systolique inférieure à la diastolique ;
- date de décès antérieure à la date d’inclusion ;
- IMC incompatible avec le poids et la taille enregistrés ;
- doublons d’identifiants alors qu’une seule ligne par sujet est attendue.
Une valeur aberrante ne doit pas être supprimée mécaniquement. Il faut d’abord chercher son origine : erreur de saisie, unité incorrecte, modalité spéciale, observation vraie mais rare, ou règle de recueil mal comprise.
Un exemple serait la mesure d’un marqueur par un laboratoire. De manière classique, ce que vous mesurez est compris entre 0 et 100. Soudainement, vous observez une valeur de 350 : est-ce une erreur de saisie ?
En réalité, deux autres explications peuvent être envisagées : 1/ le laboratoire a changé d’unité de mesure - par exemple, en passant des mg/L aux ng/mL - sans que vous en ayez été informé ; ou 2/ il a changé de méthode de mesure, d’appareil ou de lot de réactifs, ce qui a modifié l’échelle des valeurs obtenues. Ce type de variation systématique d’origine technique est généralement appelé un effet de lot - ou batch effect en anglais.
3.6 Variables dérivées, classes et seuils
Il est fréquent de créer des variables dérivées ou de transformer des variables avant analyse :
- regrouper des modalités rares ;
- créer des classes d’âge ;
- transformer une variable continue en variable binaire ;
- calculer un score composite ;
- standardiser une mesure.
Ces transformations peuvent être utiles, mais elles ont un coût : elles simplifient l’information, mais peuvent aussi en supprimer une partie.
La catégorisation arbitraire d’une variable continue réduit la puissance statistique, peut créer des seuils artificiels et peut masquer une relation non linéaire.
3.7 Représentativité et généralisation
Un échantillon sert souvent à répondre à une question sur une population plus large. Il faut donc TOUJOURS se demander si les conclusions que l’on tire de l’échantillon pourraient être valides pour la population cible. La validité de cette généralisation dépend du mode de sélection des sujets et de la structure de l’échantillon.
La représentativité peut être discutée selon :
- les caractéristiques sociodémographiques des sujets inclus ;
- les centres inclus ;
- la période de recueil ;
- les critères d’inclusion ;
- la participation ou non des sujets sollicités.