Le paradoxe de Berkson : les hôpitaux peuvent créer de fausses corrélations

Deux facteurs de risque non apparentés peuvent sembler négativement corrélés à l'intérieur d'un hôpital, car l'un ou l'autre peut être la raison pour laquelle un patient a été sélectionné dans l'échantillon.

Le paradoxe de Berkson est un biais de collision en action : conditionner sur le fait d'être sélectionné peut créer des relations qui ne sont pas présentes dans l'ensemble de la population.

Par l'équipe de rédaction de Math Says Yes

Examiné par des humains selon nos normes en matière de sources et de corrections.

Comment nous évaluons le contenu

LE PIÈGE

Oublier que l'échantillon a été sélectionné par un résultat affecté par les deux variables, de sorte que les relations à l'intérieur du groupe sélectionné peuvent être artificielles.

Une porte d'hôpital sélectionnant des points de deux nuages de risques indépendants, créant un motif incliné à l'intérieur.

Le piège de la sélection

Un hospitalier contient des personnes qui ont été admises, et non l'ensemble de la — le paradoxe de Berkson commence par un échantillon sélectionné de la sorte. Si deux conditions différentes peuvent chacune augmenter le risque d'admission, alors l'admission est une conséquence partagée de ces conditions. Ne regarder que les patients admis signifie que tu as conditionné sur cette conséquence partagée, et le conditionnement peut modifier les relations entre ses causes.

Ce que montrent les chiffres

10%

tout le monde

10%

hôpital : diabétique

36%

hôpital : sans diabète

À titre d'illustration : les deux groupes ont 10 % de maladie de la vésicule biliaire à l'extérieur ; la sélection à l'hôpital élève le taux des patients hospitalisés non diabétiques à 36 %.

Pourquoi une fausse relation apparaît

Supposons que la condition A et la condition B ne soient pas corrélées dans la générale, mais que l'une ou l'autre puisse amener quelqu'un à l'hôpital. À l'intérieur de l'hôpital, un patient qui a déjà A a une raison d'être là, il est donc peut-être moins susceptible d'avoir également besoin de B comme raison de sa sélection. L' peut par conséquent montrer une association négative même lorsque la population n'en a aucune.

Où cela se manifeste

Le même schéma apparaît en dehors de la médecine. Parmi les étudiants admis, les notes aux examens et un talent extrascolaire inhabituel peuvent sembler négativement corrélés, car l'une ou l'autre force peut aider quelqu'un à être admis. Parmi les créateurs à succès, le réseau et la compétence technique peuvent sembler interchangeables, car l'un ou l'autre peut aider à passer le filtre du succès. Chaque fois que tu n'étudies que les personnes qui ont passé une porte, cette porte peut créer des relations qui n'étaient pas là auparavant.

Comment l'utiliser

Avant de faire confiance à une relation à l'intérieur d'un groupe sélectionné, demande comment les gens sont entrés dans ce groupe. Les variables comparées ont-elles influencé la sélection ? Si c'est le cas, l'association est peut-être un artéfact de sélection. La correction la plus propre consiste à analyser la plus large ou à modéliser explicitement le processus de sélection. À tout le moins, évite de faire des affirmations sur la population à partir d'un créé par le résultat que tu essaies d'expliquer.

Exemple concret

Pense à une école d'art sélective qui admet les candidats soit pour des compétences exceptionnelles en dessin, soit pour une théorie du design exceptionnelle. Parmi les étudiants admis, les meilleurs dessinateurs peuvent sembler plus faibles en théorie en , car le dessin seul suffisait pour faire admettre un grand nombre d'entre eux. Cette relation négative n'a pas besoin d'exister parmi tous les candidats. Elle peut être créée en ne regardant que les personnes qui ont franchi une porte que l'un ou l'autre trait pouvait ouvrir.

Quand cela s'applique

Recherche le paradoxe de Berkson chaque fois que l'ensemble de données est constitué de cas admis, diagnostiqués, retenus, embauchés, approuvés ou filtrés d'une autre manière. L'avertissement est le plus fort lorsque les variables comparées ont également contribué à déterminer l'entrée dans l'ensemble de données. Il est plus faible lorsque la sélection est aléatoire ou indépendante des variables. La question pratique est simple : la porte d'entrée de l' dépend-elle des éléments que tu compares maintenant ?

Ce que les gens comprennent mal

L'erreur est d'oublier que l' a déjà franchi une porte. Dans un hôpital, une école d'élite, une liste restreinte ou un ensemble de données de fondateurs à succès, la règle d'entrée a modifié la composition des cas. Les relations à l'intérieur de ce groupe sélectionné peuvent décrire la porte d'entrée autant qu'elles décrivent la sous-jacente.

Note sur la source

L'article de Berkson de 1946 est la source principale de l'avertissement concernant les données hospitalières. Il étaye l'affirmation centrale de la page selon laquelle les relations observées à l'intérieur d'un clinique sélectionné peuvent différer des relations dans la plus large. La page étend cette même logique de sélection aux écoles, au recrutement, aux créateurs et à d'autres ensembles de données filtrés.

FAQ

Qu'est-ce que le paradoxe de Berkson en termes simples ?

C'est une fausse association qui apparaît après avoir examiné uniquement des cas sélectionnés, tels que des patients hospitalisés, lorsque la sélection dépend de l'une ou l'autre des variables comparées.

Le paradoxe de Berkson est-il une forme de biais d'échantillonnage ?

Oui. Plus précisément, il s'agit d'un biais de collision : conditionner sur une conséquence partagée peut créer une relation artificielle entre des causes par ailleurs non apparentées.