{"id":817094,"date":"2023-01-06T11:00:00","date_gmt":"2023-01-06T18:00:00","guid":{"rendered":"https:\/\/www.questionpro.com\/blog\/score-de-propension\/"},"modified":"2023-09-20T09:27:25","modified_gmt":"2023-09-20T09:27:25","slug":"score-de-propension","status":"publish","type":"post","link":"https:\/\/www.questionpro.com\/blog\/fr\/score-de-propension\/","title":{"rendered":"Score de propension : Construction et \u00e9valuation"},"content":{"rendered":"\n

Un score de propension est utile lorsqu’on utilise des donn\u00e9es d’observation pour estimer l’effet d’un traitement sur un r\u00e9sultat et lorsqu’il est probable qu’il y ait un biais de s\u00e9lection<\/a> parce que le traitement n’a pas \u00e9t\u00e9 administr\u00e9 au hasard. Elle est de plus en plus utilis\u00e9e dans la recherche<\/a> cardiovasculaire et a \u00e9t\u00e9 utilis\u00e9e pour \u00e9liminer les biais dans les \u00e9tudes d’observation dans divers domaines.<\/p>\n\n

Depuis sa publication initiale en 1983, ces scores sont largement utilis\u00e9s pour \u00e9tayer la causalit\u00e9 dans les recherches qui ne peuvent pas recourir \u00e0 l’assignation al\u00e9atoire. Les concepts qui sous-tendent l’utilisation de ces m\u00e9thodologies sont complexes, m\u00eame si leur utilit\u00e9 est importante.<\/p>\n\n

Dans ce blog, nous expliquerons les techniques de construction et d’\u00e9valuation du score de propension.<\/p>\n\n

Qu’est-ce qu’un score de propension ?<\/h2>\n\n

Le score de propension est la probabilit\u00e9 qu’un traitement soit attribu\u00e9 en fonction des caract\u00e9ristiques de base observ\u00e9es. Il s’agit d’un score d’\u00e9quilibre puisqu’il d\u00e9termine si la distribution des covariables de base enregistr\u00e9es est \u00e9gale entre les participants trait\u00e9s et non trait\u00e9s. Une \u00e9tude d’observation<\/a> non randomis\u00e9e peut \u00eatre con\u00e7ue et analys\u00e9e \u00e0 l’aide du score de propension pour ressembler \u00e0 certaines des caract\u00e9ristiques uniques d’un essai contr\u00f4l\u00e9 randomis\u00e9.<\/p>\n\n

Lorsque l’affectation al\u00e9atoire \u00e0 une condition n’est pas pratique, les scores offrent une alternative pour tenir compte des facteurs de confusion. En raison des d\u00e9s\u00e9quilibres entre les groupes de traitement et de contr\u00f4le lorsque l’affectation al\u00e9atoire ne peut \u00eatre utilis\u00e9e, l’effet de la condition de traitement (\u00e9galement appel\u00e9e variable de regroupement) sur le r\u00e9sultat est biais\u00e9<\/a>.<\/p>\n\n

Les scores de propension sont couramment utilis\u00e9s dans la recherche cardiovasculaire et ont \u00e9t\u00e9 utilis\u00e9s pour \u00e9liminer les biais dans les \u00e9tudes d’observation dans divers domaines.<\/p>\n\n

Techniques de construction et d’\u00e9valuation des scores de propension<\/h2>\n\n
    \n
  1. Choix des variables pour le score de propension<\/li>\n<\/ol>\n\n

    Les notations de propension incluent les variables de traitement et de r\u00e9sultat afin de r\u00e9duire les risques de confusion. La premi\u00e8re \u00e9tape de la cr\u00e9ation d’un score de propension consiste \u00e0 utiliser une analyse de r\u00e9gression<\/a> logit ou probit avec le traitement comme variable de r\u00e9sultat et les facteurs de confusion potentiels comme variables explicatives.<\/p>\n\n

    La s\u00e9lection des covariables permet d’\u00e9quilibrer le biais et l’efficacit\u00e9. Le score de propension devrait r\u00e9duire le biais si une variable est li\u00e9e au r\u00e9sultat mais pas au traitement, car une variable li\u00e9e au traitement peut affecter le r\u00e9sultat.<\/p>\n\n

    Attention : <\/strong>Exclure les variables li\u00e9es au traitement. Un score de propension affect\u00e9 par le traitement cache une partie de l’impact du traitement. Exclure les covariables qui pr\u00e9disent parfaitement l’\u00e9tat du traitement, car les distributions des covariables du groupe de traitement et du groupe t\u00e9moin doivent se chevaucher.<\/p>\n\n

      \n
    1. \u00c9quilibre du score de propension entre le groupe de comparaison et le groupe de traitement<\/li>\n<\/ol>\n\n

      Apr\u00e8s avoir calcul\u00e9 le score de chaque observation, il faut s’assurer que les scores des groupes de traitement et de comparaison se chevauchent.<\/p>\n\n

      Les effets du traitement ne peuvent \u00eatre d\u00e9duits pour un individu trait\u00e9 sans un score de propension comparable. Le soutien standard est jug\u00e9 subjectivement \u00e0 l’aide d’un graphique des scores de propension entre les groupes de traitement et de comparaison.<\/p>\n\n

      Attention : <\/strong>Les scores de propension \u00e9quilibrent les facteurs mesur\u00e9s et non les facteurs non mesur\u00e9s. Les variables non mesur\u00e9es peuvent fausser les estimations de l’effet du traitement. Au fur et \u00e0 mesure que les facteurs mesur\u00e9s et non mesur\u00e9s se rapprochent, ce biais peut augmenter.<\/p>\n\n

        \n
      1. \u00c9quilibre des covariables entre les groupes de traitement et de contr\u00f4le au sein des blocs du score de propension<\/li>\n<\/ol>\n\n

        L’\u00e9quilibrage par score de propension n’a pas de technique id\u00e9ale. Apr\u00e8s avoir \u00e9quilibr\u00e9 le score entre les blocs entre les groupes de traitement et de comparaison, v\u00e9rifiez l’\u00e9quilibre des covariables \u00e0 l’int\u00e9rieur des blocs. Cela garantit que le score de propension est d\u00e9fini correctement et distribu\u00e9 de mani\u00e8re similaire entre les groupes au sein de chaque bloc.<\/p>\n\n

        L’\u00e9quilibre dans la moyenne ne sugg\u00e8re pas l’\u00e9quilibre dans les moments d’ordre sup\u00e9rieur, mais un d\u00e9s\u00e9quilibre dans la moyenne n\u00e9cessite de resp\u00e9cifier le score de propension. Au lieu de cela, calculez les diff\u00e9rences standardis\u00e9es.<\/p>\n\n

        Attention : <\/strong>Ne pas utiliser la statistique c ou l’AUC pour \u00e9valuer la performance. Ces mesures sont probl\u00e9matiques car elles sont cens\u00e9es r\u00e9duire les facteurs de confusion et non les pr\u00e9dire.<\/p>\n\n

          \n
        1. Choix des strat\u00e9gies d’appariement et de pond\u00e9ration<\/li>\n<\/ol>\n\n

          Apr\u00e8s avoir d\u00e9velopp\u00e9 un score de propension \u00e9quilibr\u00e9, choisissez comment comparer les groupes de traitement et de comparaison. Les compromis en mati\u00e8re de biais et d’efficacit\u00e9 doivent \u00eatre pris en compte.<\/p>\n\n

          Les proc\u00e9dures de comparaison les plus courantes sont l’appariement et la pond\u00e9ration. Quelle que soit la faiblesse de la correspondance, les techniques d’appariement permettent de faire correspondre un individu trait\u00e9 \u00e0 l’individu de comparaison dont le score de propension est le plus \u00e9lev\u00e9 et le plus identique.<\/p>\n\n

          Les techniques d’appariement permettent de faire correspondre une personne trait\u00e9e \u00e0 la personne de comparaison dont le score de propension est le plus identique, quel que soit le calibre.<\/p>\n\n

            \n
          1. \u00c9quilibre des covariables \u00e0 la suite de l’appariement ou de la pond\u00e9ration de l’\u00e9chantillon en fonction du score de propension<\/li>\n<\/ol>\n\n

            Apr\u00e8s avoir \u00e9tabli une approche d’appariement ou de pond\u00e9ration, il est essentiel d’\u00e9valuer l’efficacit\u00e9 de l’\u00e9quilibre entre les groupes de traitement et de comparaison. Le score de propension doit \u00eatre pr\u00e9sp\u00e9cifi\u00e9 si les groupes de traitement et de comparaison ne sont pas \u00e9quilibr\u00e9s.<\/p>\n\n

            La comparaison des diff\u00e9rences standardis\u00e9es est un premier test c\u00e9l\u00e8bre, comme l’\u00e9quilibrage des marches. Les diff\u00e9rences moyennes plus mineures et les moments d’ordre sup\u00e9rieur sont meilleurs pour les facteurs de confusion susceptibles d’affecter gravement le r\u00e9sultat.<\/p>\n\n

            Attention : <\/strong>Les estimations de l’effet de traitement sont affect\u00e9es par la restriction de l’\u00e9chantillon \u00e0 un support commun. L’effet d’une th\u00e9rapie ne peut \u00eatre d\u00e9termin\u00e9 que pour les personnes ayant des scores de propension dans les groupes de traitement et de comparaison.<\/p>\n\n

            Conclusion<\/h2>\n\n

            De nombreuses analyses statistiques utilisent ces scores. Compte tenu du co\u00fbt croissant des essais cliniques randomis\u00e9s et de la popularit\u00e9 grandissante des \u00e9tudes d’observation en tant que m\u00e9thodologie de recherche, leur utilisation devrait augmenter au fil du temps.<\/p>\n\n

            Lorsqu’elle peut \u00eatre int\u00e9gr\u00e9e dans les phases de conception des \u00e9tudes, la m\u00e9thodologie tend \u00e0 produire les avantages les plus significatifs (gr\u00e2ce \u00e0 l’appariement ou \u00e0 la stratification).<\/p>\n\n

            Outre les \u00e9conomies de temps et d’argent, ces avantages comprennent \u00e9galement une \u00e9valuation plus pr\u00e9cise des effets de la th\u00e9rapie. Cette \u00e9conomie est rendue possible par la possibilit\u00e9 d’\u00e9viter de recruter des personnes qui pourraient ne pas convenir \u00e0 des enqu\u00eates particuli\u00e8res.<\/p>\n\n

            Il s’agit d’un outil suppl\u00e9mentaire dont les chercheurs disposent lorsqu’ils tentent d’\u00e9valuer les effets des traitements dans des \u00e9tudes susceptibles d’\u00eatre biais\u00e9es. Ce score est l’une des nombreuses techniques qui peuvent \u00eatre utilis\u00e9es pour analyser les donn\u00e9es des \u00e9tudes d’observation.<\/p>\n\n

            QuestionPro est plus qu’un logiciel d’enqu\u00eate. Notre biblioth\u00e8que de recherche InsightsHub traite les donn\u00e9es. QuestionPro peut vous aider \u00e0 prendre rapidement des d\u00e9cisions critiques en vous aidant \u00e0 comprendre les clients et d’autres questions. Utilisez la suite de recherche de niveau entreprise d\u00e8s maintenant !<\/p>\n\n

            <\/p>