Pourquoi deux mesures biologiques ne sont jamais identiques, et comment la statistique transforme cette variabilité en outil de décision.
À retenir
Le vivant varie : deux mesures ne sont jamais strictement identiques, c'est la règle, pas l'exception.
Trois sources de variation à distinguer : biologique (réelle, propre au sujet), de mesure (parasite, liée à la technique), d'échantillonnage (liée au fait d'observer une partie du tout).
L'écart-types résume la dispersion ; deux séries de même moyenne peuvent avoir des précisions très différentes.
Ne pas confondre exactitude (justesse, absence de biais) et précision (fidélité, faible dispersion) : ce sont deux qualités indépendantes.
La statistique ne supprime pas le hasard : elle décide sous incertitude en quantifiant le risque de se tromper. On ne prouve jamais, on parie de façon maîtrisée.
La population qu'on veut connaître, l'échantillon qu'on observe, et le tirage au sort qui relie les deux : le modèle fondateur de l'inférence.
À retenir
On veut connaître une population (le tout, souvent inaccessible) à partir d'un échantillon (la partie observée).
Le paramètre (p, μ…) décrit la population : fixe mais inconnu. L'estimation (p^, xˉ…) décrit l'échantillon : connue mais fluctuante.
Le schéma de l'urne modélise ce lien : tirer au sort n boules dans une urne de proportion p inconnue. Chaque tirage donne un p^ différent : c'est la fluctuation d'échantillonnage.
Cette fluctuation se mesure par l'erreur standardσp^=p(1−p)/n, et se juge par l'écart-réduitz=(p^−p)/σp^. Elle diminue quand n augmente.
Tout repose sur le tirage au sort : sans lui, l'échantillon n'est pas représentatif et l'estimation est biaisée. Un grand échantillon mal tiré ne vaut rien.
Comment décider entre deux hypothèses à partir d'un échantillon : le raisonnement par l'absurde, l'hypothèse nulle et le risque d'erreur qu'on accepte de courir.
À retenir
Décider en statistique, c'est parier sur une population à partir d'un échantillon, en acceptant d'avance un risque d'erreur maîtrisé.
Tout test oppose H0 (le hasard seul, aucune différence réelle) à H1 (un effet réel existe).
On raisonne par l'absurde : on suppose H0 vraie, puis on calcule le degré de signification p = probabilité d'un écart au moins aussi extrême sous H0.
Règle : p≤α⇒ on rejette H0 ; p>α⇒ on ne rejette pas. Le seuil α (souvent 5 %) est fixé à l'avance : c'est le risque assumé de rejeter H0 à tort.
On ne prouve jamais H0. Rejeter est une conclusion forte ; ne pas rejeter signifie seulement « compatible avec le hasard ». L'absence de preuve n'est pas la preuve de l'absence.
Le tableau décision × réalité, le risque α de crier au loup, le risque β de rater une vraie différence, la puissance et le rôle décisif de l'effectif.
À retenir
Un test peut se tromper de deux façons distinctes, résumées par le tableau décision × réalité.
Risque α (première espèce) : rejeter H0 à tort, voir un effet qui n'existe pas — la fausse alerte, contrôlée par le seuil (souvent 5 %).
Risque β (deuxième espèce) : ne pas rejeter H0 à tort, rater un effet réel. La puissance1−β est la probabilité de détecter un vrai effet.
À effectif fixé, α et β sont antagonistes : durcir le seuil baisse α mais monte β, et inversement. Le seuil déplace le risque, il ne le supprime pas.
Le seul moyen de réduire les deux à la fois est d'augmenter l'effectif n (l'erreur standard décroît en 1/n). D'où le calcul du nombre de sujets avant l'étude.
Un résultat non significatif sur un petit échantillon est non concluant, pas négatif : toujours se demander si la puissance était suffisante.
Encadrer la vraie proportion à partir d'une fréquence observée, et en déduire le nombre de sujets nécessaire.
À retenir
Un pourcentage observé s'accompagne toujours de son intervalle de confiance : f±1,96f(1−f)/n.
L'IC à 95 % encadre la vraie proportion ; l'interprétation porte sur la méthode : 95 % des intervalles ainsi construits contiennent p.
Il ne décrit ni la dispersion des individus, ni une probabilité attachée à l'intervalle une fois calculé.
IC et test sont deux faces d'une même pièce : p0 hors de l'IC ≈ test significatif à 5 % (équivalence non exacte pour un pourcentage — voir plus haut).
Diviser la largeur par 2 exige de quadrupler n ; on dimensionne l'étude avec n=1,962f(1−f)/i2.
Étudier plusieurs facteurs à la fois : plans factoriels, notion d'interaction, et pourquoi ils battent l'étude un facteur à la fois.
À retenir
Un facteur est une variable contrôlée ; ses valeurs sont ses niveaux ; son effet est la variation de réponse qu'il induit.
Interaction : l'effet d'un facteur dépend du niveau d'un autre facteur (les effets ne sont pas additifs).
Un plan factoriel teste toutes les combinaisons de niveaux : il estime chaque effet et les interactions, avec un meilleur rendement des sujets qu'une étude « un facteur à la fois ».
L'ANOVA à plusieurs facteurs donne un test F par facteur et un test F pour l'interaction.
Pièges : interpréter un effet principal en ignorant une interaction ; l'explosion du nombre de conditions (→ plans fractionnaires).
Quand n est petit : le rôle décisif de la normalité, la loi de Student et les limites des tests paramétriques.
À retenir
Les grands échantillons pardonnent (TCL) ; les petits échantillons ne pardonnent rien.
Sur petit n, la normalité des données redevient une vraie condition : le théorème central limite ne la remplace plus.
La loi de Student, à queues épaisses, compense l'incertitude sur la variance estimée : elle exige un t plus grand (2,78 pour ν=4 contre 1,96 pour n grand).
Petit n = faible puissance : un résultat non significatif ne prouve pas l'absence d'effet (« absence de preuve » ≠ « preuve d'absence »).
Si la normalité est douteuse : transformer les données, employer un test non paramétrique, ou augmenter l'effectif.
Pourquoi mesurer l'intensité d'une liaison et vouloir prédire une variable par une autre sont deux problèmes différents, l'un symétrique, l'autre non.
À retenir
Face à deux caractères quantitatifs, deux questions distinctes : la corrélation (intensité de la liaison) et la régression (prédiction d'une variable par une autre).
La corrélation est symétrique : échanger les deux variables ne change rien ; elle se résume par un seul nombre r∈[−1;+1].
La régression est asymétrique : on choisit une variable à expliquer et une variable explicative ; elle fournit une droite y=ax+b et donc une prédiction.
Un même nuage de points se lit des deux façons : décrire (r) puis, si utile, prédire (la droite).
Une liaison, même forte, n'implique ni sens de causalité ni causalité tout court.
Comment un seul nombre entre −1 et +1 résume l'intensité d'une liaison linéaire, ce que signifie r², et pourquoi juger r sans connaître n n'a aucun sens.
À retenir
r résume par un seul nombre l'intensité d'une liaison linéaire : signe = sens, valeur absolue = force, toujours entre −1 et +1.
r=0 signifie « pas de liaison linéaire », pas « pas de liaison » (penser à la courbe en U).
r2 est la part de variance de y liée à x : c'est lui qu'il faut interpréter (r=0,50⇒ seulement 25 % de variance liée).
Un r ne se juge jamais sans n : le seuil de significativité baisse quand l'effectif monte ; on teste r par t=rn−2/1−r2.
Significatif ≠ fort : sur de très grands échantillons, un r minuscule peut être significatif tout en étant sans portée.
Comment la méthode des moindres carrés ajuste la droite y = ax + b, ce que valent pente et prédiction, et pourquoi extrapoler hors du domaine observé est dangereux.
À retenir
La régression cherche la droite des moindres carrés : celle qui minimise la somme des carrés des résidus (écarts verticaux points-droite).
Elle passe par le point moyen (xˉ,yˉ) ; sa pentea dit de combien y varie par unité de x, son ordonnée b la valeur prédite en x=0.
Pente a ≠ coefficient r : a a une unité et dépend des échelles, r est un nombre pur.
Une prédiction y^=ax+b est une moyenne attendue, toujours entachée d'incertitude (écart-type des résidus sres).
Ne jamais extrapoler hors de la plage des x observés : la droite y devient une pure spéculation.
Du r de l'échantillon au ρ de la population, et pourquoi la variance totale se partage exactement en une part liée et une part résiduelle, dont r² est le ratio.
À retenir
ρ est le coefficient exact et inconnu de la population ; r n'en est qu'une estimation fluctuante calculée sur l'échantillon.
La variabilité de y se décompose exactement : SCEtot=SCEexp+SCEres (totale = liée + résiduelle).
r2=SCEexp/SCEtot : la fraction de variance liée à x ; ici 640/776≈0,82, et 1−r2≈0,18 est la part résiduelle.
« Variance expliquée » est un terme statistique (lien), pas causal.
Un r2 ne se juge pas sans son effectif : petit n, valeur facilement surestimée.
Comment une troisième variable peut fabriquer ou masquer une corrélation, comment la corrélation partielle la neutralise, et pourquoi corrélation n'est jamais causalité.
À retenir
Un facteur de confusionz, lié à la fois à x et à y, peut fabriquer ou masquer une corrélation apparente entre x et y.
La corrélation partiellerxy⋅z mesure la liaison x–yà z constant ; si le lien passait tout entier par z, elle tombe à zéro (café–risque : 0,50→0,02).
La régression multiple généralise l'idée : chaque coefficient est l'effet propre d'une variable, les autres étant maintenues constantes — d'où les résultats « ajustés ».
Corrélation ≠ causalité : une liaison peut venir de x→y, de y→x, d'un facteur commun ou du hasard ; r ne les distingue pas.
La causalité se démontre par l'expérimentation et le raisonnement, jamais par un coefficient de corrélation seul.
Quand la normalité n'est pas acquise, on remplace les valeurs mesurées par leur rang : une idée simple, robuste aux valeurs extrêmes, au prix d'un peu de puissance.
À retenir
Les tests non paramétriques ne supposent aucune forme de distribution : on les emploie face aux petits effectifs, aux distributions asymétriques et aux variables ordinales.
Le principe : remplacer chaque valeur par son rang dans le classement général, puis raisonner uniquement sur ces rangs.
Conséquence majeure : la robustesse aux valeurs extrêmes. Une donnée aberrante ne pèse que d'un rang, jamais de son ampleur.
Le prix à payer est une légère perte de puissance (environ 5 %) lorsque les données sont réellement normales — un coût faible au regard de la sécurité gagnée.
Les ex æquo reçoivent la moyenne des rangs correspondants ; leur abondance doit rester exceptionnelle.
Classer toutes les valeurs ensemble, sommer les rangs d'un groupe, en déduire la statistique U (ou W) : l'équivalent non paramétrique du t de Student sur deux échantillons.
À retenir
Le test de Mann-Whitney (= somme des rangs de Wilcoxon) est l'équivalent non paramétrique du t de Student pour deux groupes indépendants.
Méthode : classer ensemble les n1+n2 valeurs, sommer les rangs d'un groupe (RA), en déduire UA=RA−2nA(nA+1), retenir U=min(UA,UB).
Sur notre exemple (6 contre 6) : RA=25, U=4 ; valeur critique =5 à 5 % bilatéral, donc on rejette l'hypothèse nulle.
Décision sur petits effectifs : rejet si U≤ valeur critique de la table. Sur grands effectifs : approximation normale via Z.
Ne jamais confondre avec le Wilcoxon apparié : ici les groupes sont indépendants.
Pour des mesures avant/après sur les mêmes sujets : calculer les différences intra-paires, ranger leurs valeurs absolues, sommer les rangs par signe — l'équivalent non paramétrique du t apparié.
À retenir
Le test T de Wilcoxon apparié est l'équivalent non paramétrique du t apparié : deux mesures sur les mêmes sujets (avant / après).
Méthode : calculer les différencesd, écarter les nulles, ranger les ∣d∣, puis sommer les rangs par signe en W+ et W− ; la statistique est T=min(W+,W−).
Sur notre exemple (n=7 après exclusion d'une paire nulle) : W+=1, W−=27, donc T=1 ; valeur critique =2 à 5 % bilatéral, on rejette l'hypothèse nulle.
Décision : rejet si T≤ valeur critique de la table.
Il est plus puissant que le test des signes (il tient compte de l'amplitude des différences) mais suppose leur distribution à peu près symétrique.
Étendre Mann-Whitney à K groupes indépendants : classer toutes les valeurs, comparer les rangs moyens de chaque groupe, en déduire la statistique H — l'équivalent non paramétrique de l'analyse de variance.
À retenir
Le test de Kruskal-Wallis compare K groupes indépendants : c'est l'équivalent non paramétrique de l'ANOVA à un facteur et la généralisation de Mann-Whitney.
Méthode : classer ensemble les N valeurs, calculer les sommes de rangs Ri, puis H=N(N+1)12∑iniRi2−3(N+1).
Sur notre exemple (3 régimes, 4 rats chacun) : RA=11, RB=26, RC=41, d'où H≈8,65.
Décision : comparer H à un khi-deux à K−1 degrés de liberté. Ici 8,65>5,99 : on rejette.
C'est un test global : un résultat significatif appelle des comparaisons deux à deux corrigées pour savoir quels groupes diffèrent.
Calculer une corrélation sur les rangs plutôt que sur les valeurs : le coefficient rₛ capte toute liaison monotone, même non linéaire, et résiste aux valeurs extrêmes.
À retenir
Le coefficient de Spearmanrs est la corrélation de Pearson appliquée aux rangs de X et de Y.
Il capte toute liaison monotone, même courbe (non linéaire), et résiste aux valeurs extrêmes ; il ne suppose aucune normalité.
Sans ex æquo : rs=1−n(n2−1)6∑d2, où d est la différence de rangs de chaque paire.
Sur notre exemple (n=7, relation exponentielle) : ∑d2=2, d'où rs≈0,96, bien au-dessus du seuil critique ≈0,79 : liaison significative.
Pearson mesure l'alignement linéaire ; Spearman la tendance monotone. Un rs nul signifie « pas de tendance monotone », pas « aucune relation ».
Une méthode en quatre questions pour passer de vos données au test adapté : nature des variables, nombre de groupes, appariement, normalité.
À retenir
Le choix du test se décide en quatre questions ordonnées : nature des variables → nombre de groupes → appariement → normalité.
Deux qualitatives : écart-réduit pour comparer des proportions, χ² pour croiser des répartitions (Fisher si petits effectifs).
Quantitatif comparé entre groupes : test t (2 groupes), ANOVA / F (≥ 3 groupes) si la normalité tient ; sinon Mann-Whitney, Wilcoxon (apparié), Kruskal-Wallis.
Deux quantitatives liées : corrélation / régression de Pearson, ou Spearman sur les rangs si les données s'y prêtent mal.
L'appariement (mêmes sujets, paires) impose sa version dédiée : t apparié, Wilcoxon.
Un test paramétrique mal choisi ne se rattrape pas par un beau calcul : le choix du test précède le calcul.
Bien qualifier chaque variable avant tout calcul, et distinguer ce que l'expérimentateur fixe de ce qu'il laisse au hasard : deux questions qui commandent le choix de la méthode.
À retenir
Avant tout calcul, qualifiez chaque variable : qualitative (nominale / ordinale) ou quantitative (discrète / continue).
Des chiffres ne font pas une variable quantitative : codes numériques et scores ordinaux restent qualitatifs ; n'en faites pas la moyenne à la légère.
Distinguez le contrôlé (valeur fixée par l'expérimentateur) de l'aléatoire (valeur subie) : c'est un rôle dans le protocole, pas une propriété de la grandeur.
Deux variables aléatoires → corrélation (lien symétrique, coefficient r). Une variable contrôlée + une aléatoire → régression (on prédit y à partir de x).
Contrôler un facteur (doses fixées, randomisation) renforce la preuve causale ; observer sans contrôler n'établit que des associations.
Comment vérifier d'un coup d'œil qu'une distribution est à peu près normale, reconnaître la forme d'un écart, et en tirer les bonnes conséquences pratiques.
À retenir
Les tests paramétriques (t, ANOVA, Pearson) supposent une distribution à peu près normale ; il faut le vérifier.
La droite de Henry (ou QQ-plot) porte les valeurs observées face aux écarts-réduits attendus sous normalité : une loi normale donne une droite.
Points alignés = compatible avec la normale ; arc = asymétrie ; S = queues anormales ; points isolés aux bouts = valeurs aberrantes possibles.
Face à un écart : tenter une transformation (souvent le log pour les traînes à droite), sinon basculer vers un test non paramétrique.
Le graphique montre la forme de l'écart ; les tests formels (Shapiro) ne donnent qu'un p, trompeur sur très petit ou très grand échantillon. Combinez les deux.
Le risque α qu'on fixe, le risque β qui dépend de l'effet et de l'effectif, la puissance qui les relie, et pourquoi « non significatif » ne veut jamais dire « pas de différence ».
À retenir
Deux erreurs : faux positif (risque α) et faux négatif (risque β).
α est fixé a priori (souvent 0,05) ; il ne dépend pas des données.
βdépend de la taille de l'effet, de l'effectif n, de la variabilité et de α. À n fixé, α et β varient en sens inverse.
La puissance=1−β est la capacité à détecter un effet réel ; on la vise à 0,80 au minimum. On l'augmente surtout en augmentant n.
Le nombre de sujets nécessaire se calcule avant l'étude à partir de α, de la puissance, de la différence à détecter et de la variabilité : n∝σ2/Δ2 (viser un effet deux fois plus petit ≈ quatre fois plus de sujets).
« Non significatif » ≠ « pas de différence » : un résultat négatif peut simplement traduire un manque de puissance. L'absence de preuve n'est pas la preuve de l'absence.
Ce que signifie « ± 3 points », pourquoi la précision suit 1/√n, et pourquoi un gros échantillon mal recruté reste faux.
À retenir
Un pourcentage de sondage s'accompagne toujours d'une marge d'erreur : la demi-largeur de son intervalle de confiance à 95 %.
Dans le cas le plus défavorable, cette marge vaut environ 1/n ; d'où le « ± 3 points » d'un sondage sur 1 000 personnes.
« 52 % ± 3 » signifie que le vrai pourcentage est vraisemblablement dans [49%;55%] ; deux chiffres dont les intervalles se chevauchent ne sont pas départageables.
On dimensionne le sondage avec n≈1/m2 : diviser la marge par 2 exige de quadrupler l'effectif.
La marge d'erreur ne capture que le hasard du tirage ; le biais de représentativité (échantillon ≠ population cible) est le vrai danger, et un gros échantillon mal recruté reste faux.
Se et Sp caractérisent le test ; VPP et VPN caractérisent un résultat — et la VPP dépend crucialement de la prévalence.
À retenir
Quatre cases : VP, FP, FN, VN, selon test (ligne) et statut réel (colonne).
Se=VP/(VP+FN) (détecter les malades) et Sp=VN/(VN+FP) (innocenter les sains) : propriétés intrinsèques du test.
VPP=VP/(VP+FP) et VPN=VN/(VN+FN) : ce que vaut un résultat pour ce patient.
La VPP dépend de la prévalence : plus la maladie est rare, plus un test positif risque d'être un faux positif — d'où la confirmation systématique en dépistage.
Les rapports de vraisemblance (LR+=Se/(1−Sp), LR−=(1−Se)/Sp) résument le test indépendamment de la prévalence.
Comment le seuil arbitre entre sensibilité et spécificité, ce que trace la courbe ROC, et ce que mesure l'aire sous la courbe (AUC).
À retenir
Pour un test à mesure continue, le seuil arbitre entre sensibilité et spécificité : les augmenter simultanément est impossible.
Seuil bas → Se élevée, Sp faible (beaucoup de faux positifs) ; seuil haut → l'inverse.
La courbe ROC trace Se en fonction du taux de faux positifs (1−Sp) pour tous les seuils ; plus elle monte vers le coin supérieur gauche, meilleur est le test.
L'AUC (0,5 = hasard, 1 = parfait) mesure le pouvoir discriminant global, indépendamment du seuil et de la prévalence.
Le choix du seuil est clinique : privilégier la Se pour ne rien manquer, la Sp pour éviter les décisions lourdes à tort ; à défaut, maximiser J=Se+Sp−1.
Prospectif ou rétrospectif, quelle mesure de risque chaque schéma autorise, et pourquoi la randomisation seule casse la confusion.
À retenir
Cohorte : on part de l'exposition et l'on suit dans le temps → risque et risque relatif ; coûteuse, inadaptée aux maladies rares.
Cas-témoins : on part de la maladie et l'on remonte l'exposition → odds ratio seulement ; rapide, idéale pour les maladies rares, mais sujette au biais de mémoire.
Les deux sont observationnelles et exposées au facteur de confusion (association ≠ causalité).
L'essai randomisé attribue le traitement au hasard : la randomisation équilibre les facteurs de confusion connus et inconnus → preuve causale.
Les niveaux de preuve (méta-analyse d'ECR > ECR > cohorte > cas-témoins > série de cas > avis d'expert) hiérarchisent les schémas, mais le bon schéma reste celui qu'impose la question.
Un biais est une erreur systématique, distincte de la fluctuation aléatoire ; savoir reconnaître les trois grandes familles et les moyens de les contrôler.
À retenir
Un biais est une erreur systématique ; il persiste et se renforce quand l'échantillon grandit, contrairement au hasard.
Sélection : erreur d'entrée/sortie des sujets. Classement (information) : erreur de mesure de l'exposition ou de la maladie.
Confusion : une tierce variable liée à l'exposition et à la maladie (café–cancer confondu par le tabac) fabrique une association trompeuse.
Contrôle : randomisation (neutralise même l'inconnu), appariement et ajustement (seulement le connu et mesuré), mesures en aveugle, recrutement exhaustif.
Biais ≠ manque de puissance : le premier décale la vérité, le second l'estime imprécisément. Plus de patients corrige le second, jamais le premier.
Une période de suivi pendant laquelle l'événement ne peut pas survenir par construction, attribuée à tort au groupe exposé, qui surestime le bénéfice apparent d'un traitement.
À retenir
Le temps immortel est une période de suivi pendant laquelle l'événement ne peut pas survenir par construction, souvent entre l'inclusion et l'exposition.
Attribué à tort au groupe exposé, il lui offre du temps sans risque et lui retire les décès précoces : il surestime toujours le bénéfice du traitement.
Signature : le groupe « traité » doit avoir survécu assez longtemps pour être traité, donc être classé comme tel.
Correction : faire débuter le suivi à l'exposition, modéliser l'exposition comme dépendante du temps, ou utiliser une analyse landmark.
C'est un piège classique des études observationnelles ; un plus grand échantillon ne le corrige jamais.
Pourquoi la survie n'est pas un simple pourcentage, comment la censure impose la courbe en escalier de Kaplan-Meier, et comment comparer deux courbes avec le test du log-rank.
À retenir
La survie n'est pas un simple pourcentage : la censure (suivi incomplet) impose d'exploiter chaque patient à hauteur du temps observé.
Un sujet censuré apporte une information partielle (« sans événement jusqu'à tel jour ») ; la censure doit être non informative.
La fonction de survieS(t)=P(T>t) est une courbe, estimée en escalier par Kaplan-Meier ; les censures y font des traits, pas des marches.
La médiane de survie est le temps où S^(t) atteint 0,50 ; elle peut être « non atteinte » si la courbe reste haute.
Le test du log-rank compare deux courbes entières (observés vs attendus cumulés) et suit un χ2 ; il dit s'il y a une différence, pas de combien.
Passer de deux courbes à un modèle : le risque instantané, le modèle à risques proportionnels de Cox, le hazard ratio et son interprétation, l'ajustement et l'hypothèse des risques proportionnels.
À retenir
Le modèle de Cox passe des courbes à un modèle du risque instantané h(t)=h0(t)eβ1x1+…, sans imposer de forme au risque de base.
Le hazard ratio vaut HR=eβ : HR=0,70 signifie −30 % de risque instantané, HR>1 un risque accru ; HR=1 pas d'effet.
Un intervalle de confiance du HR qui exclut 1 rend l'effet significatif.
L'ajustement multivarié neutralise les facteurs de confusion et fournit un HR « toutes choses égales par ailleurs ».
Tout repose sur l'hypothèse des risques proportionnels (HR constant dans le temps) : à vérifier ; des courbes qui se croisent l'invalident.
Prédire une variable binaire, comprendre pourquoi la régression linéaire échoue, passer par les odds et le logit, et interpréter les coefficients en odds ratios ajustés.
À retenir
La régression logistique prédit une issue binaire (0/1) en modélisant la probabilitép que Y=1.
La régression linéaire échoue : elle prédit des probabilités hors de [0 ; 1] et suppose une relation droite là où la forme est sigmoïde.
On modélise le logitln[p/(1−p)] (les log-odds), sans borne, de façon linéaire, puis on revient à p par la sigmoïde.
Chaque coefficient exponentié donne un odds ratio (OR=eβ) ; le modèle fournit des OR ajustés qui neutralisent les facteurs de confusion (lien G-2 et G-6).
Piège : l'OR n'égale le risque relatif que si l'événement est rare ; sur un événement fréquent, il exagère l'effet.