Proportions égales par catégorie, mélanges différents
Données inventées, réponses complètes à la même question de sept jours à trois mois. Numérateur : critère satisfait ; dénominateur : personnes de la case. Aucune estimation causale.
| Situation avant le choix | Messages choisis | Messages non choisis |
|---|---|---|
| Plan préparé | 10/50 = 20 % | 30/150 = 20 % |
| Plan en préparation | 15/150 = 10 % | 5/50 = 10 % |
| Ensemble | 25/200 = 12,5 % | 35/200 = 17,5 % |
Refaire un titre entièrement fictif
Tous les chiffres sont inventés, sans preuve sur un service de SMS. Des adultes imaginaires reçoivent la même information initiale et choisissent ou non des messages de soutien. Il n’y a pas de répartition aléatoire. Avant ce choix, certains ont préparé un plan, d’autres le préparent encore. Catégories et chiffres sont créés pour la démonstration, pas pour décrire une préparation ou des taux réels.
À trois mois, tous répondent à la même question sur l’absence de cigarettes pendant les sept jours précédents ; supposons toutes les réponses connues. Parmi les utilisateurs, 10/50 avec un plan et 15/150 en préparation satisfont le critère : 25/200 = 12,5 %. Sans messages, ce sont 30/150 et 5/50 : 35/200 = 17,5 %. Un titre pourrait annoncer cinq points de pourcentage de moins chez les utilisateurs.
Mais 10/50 et 30/150 font tous deux 20 %, et 15/150 et 5/50 font 10 %. Le total diffère par le mélange inventé : les utilisateurs comprennent davantage de personnes de la catégorie à 10 %. Cela explique le calcul, sans démontrer que de vrais messages nuisent ni qu’un effet causal est nul.
Notre exemple permet ‘Les utilisateurs par choix ont une proportion totale observée plus basse, avec une composition initiale différente’, pas ‘Les messages ont réduit l’arrêt’. Aucun résultat randomisé, intervalle ou service réel n’est fourni. Utilisez des méthodes publiques et des tableaux agrégés, sans saisir votre tabagisme ou vos données médicales.
Une seule répartition ne contrôle pas tout
Cochrane définit la confusion par des causes communes au choix d’intervention et au résultat. Une analyse adaptée peut utiliser les facteurs initiaux enregistrés ; facteurs non enregistrés, erreurs de mesure et hypothèses du modèle restent à examiner. Une catégorie ne certifie pas un contrôle complet. Ajuster sur une variable modifiée par l’intervention peut même introduire un biais.
Dans un vrai rapport, cherchez ce qui a été mesuré avant l’usage, comment et pourquoi la méthode convient. Vérifiez aussi le début du suivi et la mesure comparable. ‘Grande base’ ou ‘ajusté’ ne remplace pas l’explication. Une autre sélection pourrait faire paraître les utilisateurs avantagés ; le sens du biais n’est pas fixé.
Changer la porte d’entrée dans les groupes
Un autre essai pourrait attribuer l’offre de messages au hasard, les futures attributions étant cachées jusqu’à confirmation de l’inclusion. Il comparerait des offres attribuées, pas des utilisateurs auto-sélectionnés. Correctement réalisée, la randomisation empêche les facteurs pronostiques initiaux de déterminer l’attribution, en moyenne, même s’ils n’ont pas été mesurés. Elle ne garantit pas un équilibre exact dans chaque échantillon ; un déséquilibre compatible avec le hasard ne prouve pas un défaut.
Cacher la future attribution n’est pas la même chose que mettre en aveugle ensuite. Alterner les inclusions ou utiliser la date de naissance ne remplace pas une séquence aléatoire imprévisible. Lisez le procédé réel.
Données manquantes, mesures différentes ou choix de résultats peuvent encore biaiser un essai. Regrouper selon l’usage réel ou exclure les non-utilisateurs peut réintroduire une sélection. L’effet d’attribution et celui du respect de l’offre sont des questions différentes, avec leurs analyses et hypothèses sur les données manquantes.
L’observation garde des questions utiles
Des études non randomisées peuvent compléter des durées longues, événements rares ou contextes mal couverts par les essais. Leur capacité d’inférence causale dépend des caractéristiques du plan et des hypothèses, pas seulement du nom cohorte. Décrire à qui une offre est accessible a aussi de la valeur, sans être son effet causal.
Une aide personnelle se demande ailleurs
En France, l’annuaire de Tabac info service et le médecin traitant offrent des voies vers un professionnel qualifié. Le tableau fictif et le nom d’un plan de recherche ne choisissent ni accompagnement ni traitement pour vous.
À retenir
Questions fréquentes
Un plus grand échantillon observationnel résout-il le problème ?
Pas automatiquement. Davantage de personnes n’efface ni différences systématiques ni erreurs de mesure. Précision et faible biais ne sont pas la même propriété.
Sources
Les affirmations centrales de cette page ont été vérifiées à partir des sources suivantes.
- Cochrane: Cochrane Handbook, chapter 8 — randomization, concealment and analysis
Sources vérifiées: 2026-10-04
- Cochrane: Cochrane Handbook, chapter 25 — confounding and selection in non-randomized studies
Sources vérifiées: 2026-10-04
- Cochrane: Cochrane Handbook, chapter 24 — complementary questions and design features
Sources vérifiées: 2026-10-04
- Tabac info service / Santé publique France: Trouver un tabacologue
Sources vérifiées: 2026-10-04
Lecture des plans d’étude, sans évaluer un service réel, prévoir un résultat individuel ou choisir un traitement. Chiffres fictifs ; aucune saisie personnelle recueillie.