L’estimation de l’effet d’une exposition à l’aide de données observationnelles nécessite habituellement le contrôle pour des variables confondantes. La sélection de ces variables peut cependant être une tâche difficile ; le contrôle pour trop de variables peut réduire la puissance statistique et un contrôle insuffisant peut engendrer un biais. L’utilisation de méthodes de sélection de variables basées sur les données peut être une solution à ce problème. Toutefois, la majorité des approches classiques de sélection de variables peut introduire un biais dans les estimations en plus de produire des intervalles de confiance avec un taux de couverture inférieur à celui désiré. L’algorithme Bayesian causal effect estimation (BCEE) est une approche bayésienne qui permet de tenir compte de l’incertitude associée à la sélection des variables confondantes et ainsi de produire des inférences appropriées. Intuitivement, BCEE cherche à favoriser les modèles effectuant un contrôle suffisant pour les variables confondantes associées simultanément à l’exposition et à l’issue. Afin d’améliorer la puissance statistique, BCEE vise également à éviter de contrôler pour les variables qui ne sont qu’uniquement associées à l’exposition. Cette présentation illustrera l’application de BCEE pour l’estimation de l’effet du tabagisme sur la tension artérielle systolique en utilisant des données du Framingham Heart Study. Les étapes importantes de l’analyse effectuée avec le package R BCEE seront présentées. Nous verrons que l’estimation de l’effet obtenue sans effectuer de contrôle est insensée alors que l’estimation produite en contrôlant pour toutes les variables est plausible, mais imprécise. BCEE permet d’obtenir un résultat vraisemblable et plus précis.

Voir la présentation en format PDF…