Confoundle · a reasoning trap

Le biais de Berkson

Ne regardez que les patients hospitalisés et deux maladies totalement indépendantes peuvent sembler voyager ensemble. La raison n'est pas biologique, c'est la porte d'entrée. Chacune des deux maladies peut vous faire hospitaliser : les personnes qui ont les deux sont donc surreprésentées à l'intérieur, et vues de là les deux paraissent liées. N'importe quel groupe filtré produit cet effet : les gens qui ont été testés, les candidats convoqués en entretien, les clients restés fidèles. Avant de croire à un schéma, demandez-vous ce qu'il fallait pour entrer dans les données.

The rule

N'étudier que les personnes qui ont franchi un filtre peut inventer une relation qui n'existe pas en dehors de lui.

What it looks like

Chez les patients hospitalisés, les problèmes de poumons et les problèmes d'articulations vont de pair. Les deux maladies sont-elles liées ?Une enquête a frappé aux portes et demandé à des milliers de gens ordinaires de quelles maladies ils souffraient. Parmi ceux qui avaient été hospitalisés dans les six mois précédents, un quart des personnes atteintes d'une maladie respiratoire avaient aussi une maladie des os ou des articulations, contre bien moins d'un dixième chez toutes les autres.

Interrogez tout le monde, et le lien disparaît.La même enquête, les mêmes personnes, les deux mêmes maladies. Sur l'ensemble des personnes interrogées, celles qui avaient une maladie respiratoire n'avaient guère plus souvent une maladie osseuse ou articulaire que les autres, et les cotes ressortent à 1,06 contre 1, autant dire rien. Le panneau de l'hôpital n'est pas un résultat sur la maladie, c'est un résultat sur l'hospitalisation. Chacune des deux maladies peut vous conduire à un lit d'hôpital : les personnes qui ont les deux s'y retrouvent donc bien plus souvent que celles qui n'en ont qu'une, et entre ces murs les deux paraissent inséparables :

Why it works

Supposons deux maladies totalement indépendantes, chacune donnant à elle seule une certaine probabilité d'être hospitalisé. Qui a la malchance d'avoir les deux dispose de deux occasions d'être admis : cette personne a donc bien plus de chances de se trouver dans le service que celle qui n'en a qu'une. Placez-vous maintenant dans le service et comptez. Les personnes atteintes de la première maladie ont bien plus souvent aussi la seconde, parce que c'est précisément ce qui a fait entrer beaucoup d'entre elles. Vous n'avez pas découvert un lien entre les maladies. Vous avez redécouvert la règle d'admission, et vous l'avez déguisée en biologie. La forme générale de tout cela est un facteur de collision, ce que l'on appelle aussi un collider : une variable vers laquelle pointent deux causes. Sélectionner sur ce facteur, en n'étudiant que les personnes hospitalisées, que les personnes testées ou que celles qui ont réussi, relie les causes entre elles dans vos données, même quand rien ne les relie dans le monde réel. La protection, c'est un échantillon défini avant le filtre, et c'est exactement pour cela que les enquêtes en population et les registres exhaustifs valent leur coût.

Source

Sackett DL. Bias in analytic research. J Chronic Dis. 1979;32(1-2):51-63, Table 2 (page 53), adapted from Roberts RS, Spitzer WO, Delmore T, Sackett DL. An empirical demonstration of Berkson's bias. J Chronic Dis. 1978;31(2):119-128.

See if it fools you

This page gives the answer away. The puzzle version shows you the same figures first and asks you to commit before the reveal.

Play this one