Utiliser le bootstrap par grappes pour analyser des données imbriquées avec quelques grappes

Les essais randomisés par grappes impliquant des participants imbriqués au sein de groupes de traitement et de contrôle intacts sont couramment réalisés dans divers domaines éducatifs, psychologiques et biomédicaux. Cependant, le recrutement et le maintien de groupes intacts présentent diverses difficultés pratiques, financières et logistiques pour les évaluateurs, et souvent, les essais randomisés par grappes sont réalisés avec un faible nombre de grappes (~20 groupes). Bien que des modèles multi-niveaux soient souvent utilisés pour analyser des données imbriquées, les chercheurs peuvent s'inquiéter de résultats potentiellement biaisés en raison du faible nombre de groupes étudiés. Le bootstrap par grappes a été proposé comme procédure alternative pour l'analyse de données groupées bien qu'il ait très peu été utilisé dans les études éducatives et psychologiques. En utilisant une simulation de Monte Carlo qui variait le nombre de grappes, la taille moyenne des grappes et les corrélations intraclasse, nous avons comparé les erreurs standards utilisant le bootstrap par grappes avec celles dérivées de la régression des moindres carrés ordinaires et des modèles multi-niveaux. Les résultats indiquent que le bootstrap par grappes, bien qu'il soit plus exigeant sur le plan computationnel, peut être utilisé comme procédure alternative pour l'analyse de données groupées lorsque les effets de traitement au niveau du groupe sont d'un intérêt primaire. Du matériel supplémentaire montrant comment effectuer des régressions par bootstrap par grappes en utilisant R est également fourni.