Traissac Pierre, Martin-Prével Yves, Delpeuch Francis, Maire Bernard. (1999). Régression logistique vs autres modèles linéaires généralisés pour l'estimation de rapports de prévalences. Revue d'Epidémiologie et de Santé Publique, 47, p. 593-604.
Titre du document
Régression logistique vs autres modèles linéaires généralisés pour l'estimation de rapports de prévalences
Année de publication
1999
Type de document
Article
Auteurs
Traissac Pierre, Martin-Prével Yves, Delpeuch Francis, Maire Bernard
Source
Revue d'Epidémiologie et de Santé Publique, 1999,
47, p. 593-604
Dans une étude transversale, pour quantifier l'association entre l'exposition à un facteur F et un état dichotomique M (éventuellement ajustée sur divers facteurs de confusion), dans le cadre du modèle multiplicatif, l'indice d'association le plus naturel est le rapport de prévalences, pour lequel le calcul d'un intervalle de confiance nécessite un estimateur sans biais et une estimation correcte de la variance. L'odds ratio et la régression logistique sont cependant très populaires dans la littérature épidémiologique. Mais l'odds ratio per se étant difficilement interprétable, son estimation est souvent interprétée comme un rapport de prévalences, or ce n'est possible que si la condition de maladie rare est vérifiée. En outre, dans la régression logistique, le calcul de la variance d'estimation repose sur l'hypothèse de dispersion binomiale, qui n'est pas nécessairement vérifiée par les données ; dans le cas, fréquent, de la surdispersion, cela conduit à une sous-estimation du risque de première espèce. Dans le cadre du modèle linéaire généralisé, il est aisé de choisir une autre fonction de lien que la fonction logit. Par exemple, le choix de la fonction de lien log (modèle log-binomial) permet d'obtenir directement des estimations de rapports de prévalence ajustés. De même, il est possible d'adapter le modèle aux données par le choix d'une distribution autre que binomiale dans la famille exponentielle ou par l'estimation d'un paramètre de dispersion. Mise à part une certaine pratique routinière, il n'existe donc pas de raison d'utiliser systématiquement l'odds ratio et la régression logistique lorsque leur emploi n'est pas imposé par le type d'étude. (Résumé d'auteur)
