Effectifs fictifs avant tout remplacement des données manquantes
Même évaluation à six mois et même critère cigarette sur sept jours. Inconnu signifie résultat indisponible, non tabagisme observé. Aucun essai réel.
| État du résultat | A | B |
|---|---|---|
| Personnes randomisées | 100 | 100 |
| Critère rempli, connu | 20 | 10 |
| Critère non rempli, connu | 60 | 50 |
| Résultat inconnu | 20 | 40 |
Un résultat manquant n’est pas toujours une personne perdue de vue
Une mesure peut manquer malgré une visite, ou un dossier être indisponible. La perte de contact n’est qu’un cas possible. Arrêter l’intervention attribuée n’est pas non plus nécessairement perdre le résultat : une évaluation ultérieure peut avoir été recueillie.
Gardez distincts tabagisme observé, déclaration absente et vérification absente. Si le critère demande une vérification, lisez sa définition. Classer une personne comme ne remplissant pas un critère documenté n’observe pas son comportement et ne permet pas de juger ses raisons.
Ce que cherche à éviter la convention
Un article méthodologique de 2012 consacré à un essai sur Internet présente l’idée habituelle : les personnes ayant arrêté pourraient répondre davantage. Le taux calculé parmi les seuls répondants pourrait alors être trop favorable. C’est une hypothèse sur le mécanisme de réponse, non un fait général sur les absents.
Attribuer la non-abstinence à tous les résultats manquants maintient ces personnes au dénominateur et facilite le calcul. Cela ne retrouve pas leurs résultats et ne supprime pas l’incertitude. L’article conteste notamment l’idée d’un effet comparatif automatiquement prudent. Son contexte et son modèle ne valent pas pour tous les accompagnements.
Une table garde les inconnus à leur place
Les effectifs sont entièrement inventés, sans essai ni traitement réel. A et B comprennent chacun 100 personnes randomisées. À six mois, le critère est l’absence de cigarette pendant les sept jours précédents. Supposons corrects tous les résultats disponibles ; seuls les résultats inconnus restent ouverts.
Dans A : 20 remplissent le critère, 60 ne le remplissent pas, 20 sont inconnus. Dans B : 10, 50 et 40. En comptant tous les inconnus comme non-abstinents, on obtient 20/100 = 20 % contre 10/100 = 10 %, soit dix points de pourcentage pour A moins B. Le calcul ne rend pas les inconnus connus.
Deux proportions basses peuvent produire une différence trop haute
Pour tester seulement la logique, imaginez qu’aucun des 20 inconnus de A ne remplisse le critère, mais que 15 des 40 inconnus de B le remplissent. Les proportions complètes seraient 20/100 et 25/100. A moins B vaudrait moins cinq points, et non plus dix. La première règle abaissait ou conservait les proportions, mais surestimait leur différence dans cette situation hypothétique.
Ce n’est ni un résultat attribué aux absents, ni un scénario validé comme plausible pour un véritable essai, ni une preuve en faveur de B. Ce contre-exemple mathématique montre uniquement que deux proportions abaissées ne garantissent pas une différence abaissée. De vraies analyses de sensibilité exigent des justifications liées à l’étude, absentes ici.
Retirer les inconnus ne révèle pas davantage la vérité. Les seuls dossiers disponibles donneraient 20/80 = 25 % et 10/60 ≈ 16,7 %. Ces dénominateurs différents décrivent les répondants ; les présenter comme les proportions complètes demanderait d’autres hypothèses.
Changer l’hypothèse sans changer discrètement la question
Dans le protocole ou le plan statistique, retrouvez population, critère, comparaison, règle principale et vérifications prévues. ICH E9(R1) distingue la sensibilité d’un même estimand —l’effet visé— d’une analyse répondant à une autre question. Une autre population ou un autre temps de suivi n’est pas simplement une autre hypothèse de données manquantes.
Les alternatives justifiées changent-elles sensiblement la conclusion ? Lesquelles étaient prévues ou ajoutées après coup ? Leur plausibilité dépend du contexte et des informations, pas du calcul le plus commode. Il n’existe pas de seuil universel de pertes sans biais. Même des effectifs manquants égaux ne prouvent pas des causes ou des résultats inconnus identiques.
Pour un rapport réel, gardez effectifs disponibles et manquants par groupe, raisons connues, critère, délai, règle et résultats de sensibilité. Sans ces derniers, dites que les documents lus ne montrent pas la dépendance de la conclusion aux hypothèses. N’inventez pas une garantie de robustesse et ne recherchez pas les informations privées des participants.
Résumer sans combler les inconnus par des certitudes
On peut écrire pour l’exercice : « Sous la règle attribuant la non-abstinence à tous les manquants, les proportions fictives sont 20 % et 10 %, avec dix points d’écart. Cette règle ne prouve pas le comportement des absents ni un effet comparatif minimal. » Aucun intervalle de confiance ni bénéfice causal n’a été fourni.
Une règle statistique ne choisit pas l’accompagnement
En France, Tabac info service propose des voies d’accompagnement. Les questions personnelles se discutent avec un professionnel de santé qualifié ou un service de tabacologie, non à partir du codage des manquants. Les lecteurs d’autres pays francophones doivent vérifier les ressources de leur territoire.
À retenir
Sources
Les affirmations centrales de cette page ont été vérifiées à partir des sources suivantes.
- Cochrane: Cochrane Handbook chapter 8, §8.5 — bias due to missing outcome data
Sources vérifiées: 2026-10-04
- International Council for Harmonisation: ICH E9(R1), adopted 20 November 2019 — estimands, assumptions and sensitivity analysis
Sources vérifiées: 2026-10-04
- BMC Medical Research Methodology: Jackson et al., 2012 — missing-data assumptions in an Internet smoking-cessation trial
Sources vérifiées: 2026-10-04
- Santé publique France: Tabac info service — accompagnement
Sources vérifiées: 2026-10-04
Lecture générale de recherche, sans jugement individuel, prévision personnelle ni choix de traitement. Chiffres inventés ; aucune donnée personnelle demandée, conservée ou transmise.