analyse multifactorielle l.f.
multivariate analysis
La plupart des maladies ont des causes multiples, le plus souvent reliées les unes aux autres et s’il est intéressant d’étudier les forces d’association entre deux variables, on est plus souvent confronté aux corrélations qui peuvent exister entre plusieurs covariables explicatives et une variable que l’on cherche à expliquer.
Avant de débuter une analyse multivariée, on réalise une étude univariée ou unifactorielle qui consiste, parmi toutes les variables explicatives proposées dans l’étude, à sélectionner celles qui montrent une association statistiquement significative avec la variable expliquée. La statistique peut prouver la relation mais non la causalité.
Les logiciels de statistique permettent d’accéder à des analyses complexes qui permettent de quantifier l’association entre la variable expliquée et des facteurs qui lui sont liés, les variables explicatives.
L’intérêt des analyses multivariées est d’éliminer les covariables statistiquement significatives en analyse univariée car liées entre elles. L’analyse multivariée ne retient que les variables indépendantes, sans redondance. Elle permet d’établir la force des liaisons sous forme d’odds-ratio et de déterminer des scores prédictifs. Bien entendu, l’analyse multivariée ne peut concerner que les variables incluses dans le modèle et antérieurement analysées en étude univariée, d’où l’importance de bien les sélectionner avant de débuter l’analyse.
Les principales analyses multifactorielles sont la régression multiple, la régression logistique, le modèle de Cox, l’analyse discriminante.
D. R. Cox, Sir, statisticien britannique (1972)
Étym. gr. analusis : décomposition
→ analyse unifactorielle, régression multiple, régression logistique, Cox (modèle de), analyse discriminante, odds ratio
[E1]
Édit. 2020