Conséquences de l'ignorance du clustering dans la régression linéaire

CONTEXTE : Le clustering des observations est un phénomène courant dans la recherche épidémiologique et clinique. Des études antérieures ont souligné l'importance d'utiliser une analyse multiniveau pour tenir compte de ce clustering, mais en pratique, des méthodes ignorant le clustering sont souvent employées. Nous avons utilisé des données simulées pour explorer les circonstances dans lesquelles le fait de ne pas tenir compte du clustering dans la régression linéaire pourrait conduire à des conclusions erronées importantes. MÉTHODES : Nous avons simulé des données suivant la spécification du modèle à intercept aléatoire sous différents scénarios de clustering d'un résultat continu et d'une variable explicative continue ou binaire unique. Nous avons ajusté des modèles à intercept aléatoire (RI) et des modèles de moindres carrés ordinaires (OLS) et comparé les estimations des effets avec la valeur "vraie" utilisée dans la simulation. Nous avons également évalué la précision relative des estimations des effets et exploré dans quelle mesure la couverture par des intervalles de confiance à 95 % et les taux d'erreur de type I étaient appropriés. RÉSULTATS : Nous avons constaté que les estimations des effets des deux types de modèle de régression étaient en moyenne non biaisées. Cependant, les écarts par rapport à la valeur "vraie" étaient plus importants lorsque la variable de résultat était plus regroupée. Pour une variable explicative continue, ils avaient également tendance à être plus grands pour le modèle OLS que pour le modèle RI, et lorsque la variable explicative était moins groupée. La précision des estimations des effets du modèle OLS était surestimée lorsque la variable explicative variait davantage entre qu'au sein des clusters, et était quelque peu sous-estimée lorsque la variable explicative était moins groupée. Le modèle non ajusté pour le cluster a donné de mauvais taux de couverture par des intervalles de confiance à 95 % et des taux d'erreur de type I élevés lorsque la variable explicative était continue. Avec une variable explicative binaire, les taux de couverture par des intervalles de confiance à 95 % et les taux d'erreur de type I déviaient des valeurs nominales lorsque la variable de résultat était plus groupée, mais la direction de la déviation variait en fonction de la prévalence globale de la variable explicative et de l'étendue du clustering. CONCLUSIONS : Dans cette étude, nous avons identifié les circonstances dans lesquelles l'application d'un modèle de régression OLS à des données groupées est plus susceptible de mener à des inférences statistiques trompeuses. Le potentiel d'erreur est le plus grand lorsque la variable explicative est continue et que la variable de résultat est plus groupée (le coefficient de corrélation intraclasse est ≥ 0,01).