Biostatistiques (9) – Analyse multivariée

🧠 Définition

L’analyse multivariée est une méthode statistique qui permet d’étudier l’effet simultané de plusieurs variables explicatives (Xi) sur une seule variable dépendante (Y). Elle est indispensable pour contrôler les facteurs de confusion et identifier les associations indépendantes.

---

🎯 Objectifs

• Déterminer les facteurs prédictifs indépendants d’un événement : décès, succès thérapeutique, durée d’hospitalisation, etc.

• Ajuster les résultats pour des variables confondantes (âge, comorbidités, etc.).

---

		📊 Régression linéaire multiple Forme générale : Y = b₁X₁ + b₂X₂ + ... + a ➤ Dans SPSS : Menu : Analyse → Régression → Linéaire Dépendante : Y Indépendantes : X₁, X₂, ... (possibilité de les introduire en blocs pour une approche hiérarchique) Options utiles : Statistiques : cocher intervalle de confiance, corrélations partielles, colinéarité, Durbin-Watson Tracé : ZRESID (résidus) vs ZPRED (valeurs prédites) pour vérifier les conditions du modèle Interprétation : Tableau ANOVA : p-value (sig) → significativité globale du modèle Tableau Coefficients : B : estimation de l’effet p : significativité R² : proportion de la variance expliquée par le modèle 🔍 Régression multiple hiérarchique Permet d’introduire les variables confondantes dans un bloc séparé, afin d’analyser leur effet ajusté. ➤ Dans SPSS : Menu : Analyse → Régression → Linéaire Méthode : "Entrez" ou "Étape par étape" Ajouter les variables confondantes dans un second bloc Cocher les mêmes options statistiques But : comparer les modèles avec et sans ajustement. ✅ Régression logistique binaire Utile lorsque Y est binaire (ex. : décès oui/non) ➤ Dans SPSS : Menu : Analyse → Régression → Logistique binaire Y = variable dépendante dichotomique X = co-variables (nominales ou quantitatives) Options : Cocher IC pour les OR Interpréter le tableau Variables de l’équation : p-value (sig) B : effet logistique OR (Odds Ratio) avec IC 🧩 En résumé L’analyse multivariée est un outil puissant pour passer de l’observation à l’inférence causale. Elle permet de démêler les effets bruts des effets ajustés, et d’identifier les vrais déterminants d’un événement clinique. 👉 Un indispensable pour tout médecin souhaitant interpréter ou publier des données de qualité.