Les variables confondantes sont des facteurs externes (typiquement une troisième variable) dans la recherche qui peuvent interférer avec la relation entre les variables dépendantes et variables indépendantes.
En un coup d’œil
Une variable confondante modifie le risque de la condition étudiée et embrouille la “vraie” relation entre les variables. Le rôle des variables confondantes dans la recherche est crucial pour comprendre les causes de toutes sortes de conditions et phénomènes physiques, mentaux et comportementaux.
Exemples réels de variables confondantes
Des exemples typiques de variables confondantes sont souvent liés à la démographie et aux résultats sociaux et économiques.
Par exemple, les personnes dont le statut socio-économique est relativement bas pendant l’enfance tendent, en moyenne, à être financièrement moins bien loties que les autres une fois qu’elles atteignent l’âge adulte, explique Glenn Geher, PhD, professeur de psychologie à l’Université d’État de New York à New Paltz et auteur de “Own Your Psychology Major!” Bien qu’il ait dit que nous pourrions simplement penser cela parce que la pauvreté engendre la pauvreté, il affirme également qu’il existe d’autres variables qui se mêlent à la pauvreté.
Les personnes avec des moyens économiques plus faibles ont généralement moins accès à une éducation de qualité, ce qui est également lié au succès fiscal à l’âge adulte, a expliqué Geher. De plus, la pauvreté est souvent associée à un accès limité aux soins de santé et, donc, à un risque accru de résultats sanitaires négatifs. Ces facteurs peuvent également jouer un rôle dans le succès fiscal à l’âge adulte.
“En fin de compte, quand il s’agit de chercher des facteurs qui prédisent le succès économique à l’âge adulte, il y a de nombreuses variables qui prédisent ce résultat, et beaucoup de ces facteurs sont confondus les uns avec les autres,” a déclaré Geher.
L’impact des variables confondantes sur la recherche
Les chercheurs en psychologie doivent être vigilants dans le contrôle des variables confondantes, car si ce n’est pas le cas, ils peuvent tirer des conclusions inexactes.
Par exemple, lors d’un projet de recherche, l’équipe de Geher a découvert que le nombre de points de suture reçus dans l’enfance prédisait l’activité sexuelle à l’âge adulte.
Cependant, Geher a déclaré “conclure que recevoir des points de suture cause un comportement promiscue serait infondé et étrange. En fait, il est beaucoup plus probable que des résultats de santé infantiles, comme recevoir des points de suture, prédisent une instabilité environnementale durant l’enfance, ce qui a été trouvé comme ayant un impact indirect sur les résultats sexuels et relationnels à l’âge adulte,” a déclaré Geher.
En d’autres termes, le nombre de points de suture est confondu avec l’instabilité environnementale durant l’enfance. Ce n’est pas que le nombre de points de suture soit directement corrélé à l’activité sexuelle.
Un autre exemple qui montre les variables confondantes est l’idée qu’il existe une corrélation positive entre les ventes de glaces et les taux d’homicides. Cependant, en réalité, ces deux variables sont confondues par la saison, a déclaré Geher. “Elles sont toutes deux plus élevées en été lorsque les jours sont plus longs, que les températures sont plus élevées et que les gens sont plus susceptibles de croiser d’autres personnes dans des contextes sociaux, tandis qu’en hiver, lorsque le temps est froid, les gens ont tendance à rester chez eux—donc, ils sont moins susceptibles d’acheter des glaces et de tuer d’autres personnes,” a-t-il dit.
Ces deux exemples montrent comment il est dans le meilleur intérêt des chercheurs de s’assurer qu’ils contrôlent les variables confondantes pour augmenter la probabilité que leurs conclusions soient réellement fondées.
Les variables confondantes universelles dans la recherche sur un sujet particulier peuvent également être influentes. Dans une évaluation des variables confondantes qui a évalué l’effet de la consommation d’alcool sur le risque de maladies cardiaques ischémiques, les chercheurs ont trouvé une grande variation dans les confondants considérés à travers les études d’observation.
Bien que 85 des 87 études analysées par les chercheurs aient établi un lien entre l’alcool et les maladies cardiaques ischémiques, les variables confondantes qui pouvaient influencer les maladies cardiaques ischémiques incluaient le tabagisme, l’âge, l’IMC, la taille et/ou le poids. Cela signifie que ces facteurs auraient également pu affecter les maladies cardiaques, pas uniquement la consommation d’alcool.
Bien que la plupart des études aient mentionné ou fait allusion à “la confusion” dans leurs sections Résumé ou Discussion, une seule a déclaré que ses principales conclusions étaient susceptibles d’être affectées par des variables confondantes. Les auteurs ont conclu que presque toutes les études ignoraient ou finissaient par écarter les variables confondantes dans leurs conclusions.
Parce que les résultats et les interprétations des études peuvent être affectés par le mélange de confondants potentiels inclus dans les modèles, les chercheurs suggèrent que “des efforts sont nécessaires pour standardiser les approches de sélection et de prise en compte des confondants dans les études d’observation.”
Techniques pour identifier les variables confondantes
La meilleure façon de contrôler les variables confondantes est de mener une “vraie recherche expérimentale”, ce qui signifie que les chercheurs manipulent expérimentalement une variable qu’ils pensent être à l’origine d’un certain résultat. Ils le font généralement en assignant au hasard des participants d’étude à différents niveaux de la première variable, appelée “variable indépendante”.
Par exemple, si les chercheurs veulent déterminer si, indépendamment d’autres facteurs, recevoir une éducation complète de haute qualité, incluant un diplôme universitaire de quatre ans d’une école respectée, cause des résultats fiscaux positifs à l’âge adulte, ils devraient trouver un groupe de participants, tel qu’un groupe de jeunes adultes issus du même large groupe socio-économique. Une fois le groupe sélectionné, la moitié d’entre eux devrait être assignée au hasard à recevoir une éducation gratuite et de haute qualité, et l’autre moitié à ne pas en recevoir.
“Cette méthodologie vous permettrait de voir s’il y a des résultats fiscaux moyens pour les deux groupes plus tard dans la vie et, le cas échéant, vous pourriez raisonnablement conclure que la cause des résultats fiscaux différents se trouve dans les différences éducatives entre les deux groupes,” a déclaré Geher. “Vous pouvez tirer cette conclusion parce que vous avez attribué au hasard les participants à ces différents groupes—un processus qui contrôle naturellement les variables confondantes.”
Cependant, avec ce processus, différents problèmes émergent. Par exemple, il ne serait pas éthique ou pratique d’assigner au hasard certains participants à un groupe “d’éducation de haute qualité” et d’autres à un groupe “sans éducation”.
“[Le contrôle des] variables confondantes par manipulation expérimentale n’est pas toujours faisable,” a déclaré Geher.
À cause de cela, il existe également des moyens statistiques de tenter de contrôler les variables confondantes, tels que la “correlation partielle”, qui examine une corrélation entre deux variables (par exemple, le SES durant l’enfance et le SES à l’âge adulte) tout en excluant les effets d’une variable confondante potentielle (par exemple, le niveau d’éducation).
Cependant, le contrôle statistique qui concerne la confusion par mesure peut pointer vers une confusion par contrôle inapproprié.
“Ce processus orienté statistiquement n’est définitivement pas considéré comme le standard d’or par rapport aux procédures expérimentales réelles, mais souvent, c’est le mieux que vous puissiez faire compte tenu des contraintes éthiques et/ou pratiques,” a déclaré Geher.
L’importance de prendre en compte les variables confondantes dans la recherche
Contrôler les variables confondantes est essentiel dans la recherche principalement parce que cela permet aux chercheurs de s’assurer qu’ils tirent des conclusions valides et précises.
“Si vous ne corrigez pas les variables confondantes, vous vous exposez à tirer des conclusions concernant les relations entre les variables qui sont simplement erronées (dans le pire des cas) ou incomplètes (dans le meilleur des cas),” a déclaré Geher.
Le contrôle des variables confondantes comprend un ensemble de compétences de base en ce qui concerne les sciences sociales et comportementales, a-t-il ajouté.
Le rôle des variables confondantes dans la recherche valide
Le comportement humain est hautement complexe et toute action unique a souvent une vaste gamme de variables qui la sous-tendent.
“Comprendre le concept de variables confondantes, ainsi que comment contrôler ces variables, contribue à une meilleure science du comportement avec des conclusions qui sont, tout simplement, plus valides que celles de recherches qui ne prennent pas efficacement en compte les variables confondantes,” a déclaré Geher.
