Randomisation stratifiée

En statistique , la randomisation stratifiée est une méthode d' échantillonnage qui stratifie d'abord l'ensemble de la population étudiée en sous-groupes ayant les mêmes attributs ou caractéristiques, appelés strates, puis suit un échantillonnage aléatoire simple à partir des groupes stratifiés, où chaque élément au sein du même sous-groupe est sélectionné de manière impartiale à n'importe quelle étape du processus d'échantillonnage, de manière aléatoire et entièrement par hasard. La randomisation stratifiée est considérée comme une subdivision de l'échantillonnage stratifié et doit être adoptée lorsque des attributs partagés existent partiellement et varient considérablement entre les sous-groupes de la population étudiée, de sorte qu'ils nécessitent des considérations particulières ou des distinctions claires lors de l'échantillonnage. Cette méthode d'échantillonnage doit être distinguée de l'échantillonnage en grappes , où un échantillon aléatoire simple de plusieurs grappes entières est sélectionné pour représenter l'ensemble de la population, ou de l'échantillonnage systématique stratifié, où un échantillonnage systématique est effectué après le processus de stratification.

La randomisation stratifiée est extrêmement utile lorsque la population cible est hétérogène et montre efficacement comment les tendances ou les caractéristiques étudiées diffèrent entre les strates. Lors de la réalisation d'une randomisation stratifiée, les 8 étapes suivantes doivent être suivies :

1. Définir une population cible.
2. Définir les variables de stratification et décider du nombre de strates à créer. Les critères de définition des variables de stratification comprennent l'âge , le statut socioéconomique , la nationalité , la race , le niveau d'éducation et d'autres et doivent être conformes à l'objectif de la recherche. Idéalement, 4 à 6 strates devraient être utilisées, car toute augmentation des variables de stratification augmentera la probabilité que certaines d'entre elles annulent l'impact d'autres variables.
3. Utilisez une base d'échantillonnage pour évaluer tous les éléments de la population cible. Apportez ensuite des modifications en fonction de la couverture et du regroupement.
4. Énumérez tous les éléments et examinez le résultat de l'échantillonnage. Chaque strate doit être mutuellement exclusive et s'additionner pour couvrir tous les membres de la population, tandis que chaque membre de la population doit appartenir à une strate unique , avec d'autres membres présentant un minimum de différences.
5. Prendre des décisions sur les critères de sélection d'échantillons aléatoires. Cela peut être fait manuellement ou à l'aide d'un programme informatique conçu à cet effet.
6. Attribuez un numéro aléatoire et unique à tous les éléments, puis triez ces éléments en fonction de leur numéro attribué.
7. Examinez la taille de chaque strate et la distribution numérique de tous les éléments dans chaque strate. Déterminez le type d'échantillonnage, soit un échantillonnage stratifié proportionnel ou disproportionné.
8. Procéder à l'échantillonnage aléatoire sélectionné tel que défini à l'étape 5. Au minimum, un élément doit être choisi dans chaque strate afin que l'échantillon final comprenne des représentants de chaque strate. Si deux éléments ou plus de chaque strate sont sélectionnés, les marges d'erreur des données collectées peuvent être calculées.

La randomisation stratifiée peut également faire référence à l’attribution aléatoire de traitements aux sujets, en plus de faire référence à l’échantillonnage aléatoire de sujets d’une population, comme décrit ci-dessus.

Dans ce contexte, la randomisation stratifiée utilise un ou plusieurs facteurs pronostiques pour créer des sous-groupes qui, en moyenne, ont des caractéristiques d'entrée similaires. Le facteur patient peut être déterminé avec précision en examinant les résultats des études précédentes.

Le nombre de sous-groupes peut être calculé en multipliant le nombre de strates pour chaque facteur. Les facteurs sont mesurés avant ou au moment de la randomisation et les sujets expérimentaux sont divisés en plusieurs sous-groupes ou strates en fonction des résultats des mesures.

Au sein de chaque strate, plusieurs stratégies de randomisation peuvent être appliquées, qui impliquent la randomisation simple , la randomisation bloquée et la minimisation .

La randomisation simple est considérée comme la méthode la plus simple pour répartir les sujets dans chaque strate. Les sujets sont assignés à chaque groupe de manière purement aléatoire pour chaque affectation. Même si elle est facile à mettre en œuvre, la randomisation simple est généralement appliquée dans les strates contenant plus de 100 échantillons, car une petite taille d'échantillon rendrait l'affectation inégale.

La randomisation par blocs , parfois appelée randomisation par blocs permutés, applique des blocs pour attribuer des sujets de la même strate de manière égale à chaque groupe de l'étude. Dans la randomisation par blocs, le ratio d'attribution (ratio du nombre d'un groupe spécifique sur les autres groupes) et la taille des groupes sont spécifiés. La taille du bloc doit être un multiple du nombre de traitements afin que les échantillons de chaque strate puissent être assignés aux groupes de traitement avec le ratio prévu. Par exemple, il devrait y avoir 4 ou 8 strates dans un essai clinique concernant le cancer du sein où l'âge et les statuts ganglionnaires sont deux facteurs pronostiques et chaque facteur est divisé en deux niveaux. Les différents blocs peuvent être assignés aux échantillons de plusieurs manières, y compris par liste aléatoire et programmation informatique.

La randomisation par blocs est couramment utilisée dans les expériences avec un échantillon de taille relativement importante pour éviter l'allocation déséquilibrée d'échantillons ayant des caractéristiques importantes. Dans certains domaines avec des exigences strictes de randomisation tels que les essais cliniques , l'allocation serait prévisible lorsqu'il n'y a pas de processus d'aveuglement pour les conducteurs et que la taille du bloc est limitée. La randomisation par blocs permutés dans les strates pourrait éventuellement provoquer un déséquilibre des échantillons entre les strates lorsque le nombre de strates augmente et que la taille de l'échantillon est limitée. Par exemple, il est possible qu'aucun échantillon ne soit trouvé répondant aux caractéristiques de certaines strates.

Afin de garantir la similarité de chaque groupe de traitement, la méthode de « minimisation » est utilisée, ce qui est plus direct que le bloc permuté aléatoirement au sein des strates. Dans la méthode de minimisation, les échantillons de chaque strate sont assignés aux groupes de traitement en fonction de la somme des échantillons de chaque groupe de traitement, ce qui permet de maintenir l'équilibre du nombre de sujets au sein du groupe. Si les sommes de plusieurs groupes de traitement sont les mêmes, une randomisation simple serait effectuée pour attribuer le traitement. En pratique, la méthode de minimisation doit suivre un enregistrement quotidien des attributions de traitement par facteurs pronostiques, ce qui peut être fait efficacement en utilisant un ensemble de fiches pour l'enregistrement. La méthode de minimisation évite efficacement le déséquilibre entre les groupes mais implique moins de processus aléatoire que la randomisation par blocs car le processus aléatoire n'est effectué que lorsque les sommes de traitement sont les mêmes. Une solution envisageable consiste à appliquer une liste aléatoire supplémentaire qui fait que les groupes de traitement avec une somme plus petite de totaux marginaux ont une chance plus élevée (par exemple ¾) tandis que les autres traitements ont une chance plus faible (par exemple ¼).

L'échantillonnage aléatoire stratifié est utile et productif dans les situations nécessitant des pondérations différentes sur des strates spécifiques. De cette façon, les chercheurs peuvent manipuler les mécanismes de sélection de chaque strate pour amplifier ou minimiser les caractéristiques souhaitées dans le résultat de l'enquête.

La randomisation stratifiée est utile lorsque les chercheurs souhaitent rechercher des associations entre deux ou plusieurs strates, car l'échantillonnage aléatoire simple entraîne une plus grande probabilité de représentation inégale des groupes cibles. Elle est également utile lorsque les chercheurs souhaitent éliminer les facteurs de confusion dans les études observationnelles , car l'échantillonnage aléatoire stratifié permet d'ajuster les covariances et les valeurs p pour des résultats plus précis.

L'échantillonnage aléatoire stratifié présente également un niveau de précision statistique plus élevé que l'échantillonnage aléatoire simple, en raison de la grande pertinence des éléments choisis pour représenter la population. Les différences au sein des strates sont bien moindres que celles entre les strates. Par conséquent, comme les différences entre les échantillons sont minimisées, l' écart type sera resserré en conséquence, ce qui se traduira par un degré de précision plus élevé et une faible erreur dans les résultats finaux. Cela réduit efficacement la taille de l'échantillon nécessaire et augmente la rentabilité de l'échantillonnage lorsque le financement de la recherche est limité.

Dans la vie réelle, l’échantillonnage aléatoire stratifié peut être appliqué aux résultats de sondages électoraux, aux enquêtes sur les disparités de revenus entre les groupes sociaux ou aux mesures des opportunités d’éducation entre les nations.

Dans les essais cliniques , les patients sont stratifiés en fonction de leur origine sociale et individuelle, ou de tout facteur pertinent pour l'étude, afin de faire correspondre chacun de ces groupes au sein de l'ensemble de la population de patients. L'objectif est de créer un équilibre entre les facteurs cliniques et pronostiques, car les essais ne produiraient pas de résultats valables si la conception de l'étude n'était pas équilibrée. L'étape de randomisation stratifiée est extrêmement importante pour tenter de garantir qu'aucun biais, délibéré ou accidentel, n'affecte la nature représentative de l'échantillon de patients étudié. Elle augmente la puissance de l'étude, en particulier dans les essais cliniques de petite taille (n < 400), car ces traits cliniques connus stratifiés sont censés affecter les résultats des interventions. Elle permet d'éviter l'apparition d' erreurs de type I , qui sont très appréciées dans les études cliniques. Elle a également un effet important sur la taille de l'échantillon pour les essais d'équivalence de contrôle actif et, en théorie, facilite l'analyse des sous-groupes et l'analyse intermédiaire .

Les avantages de la randomisation stratifiée incluent :

1. La randomisation stratifiée peut refléter avec précision les résultats de la population générale, car des facteurs influents sont appliqués pour stratifier l'ensemble des échantillons et équilibrer les caractéristiques vitales des échantillons entre les groupes de traitement. Par exemple, l'application d'une randomisation stratifiée pour constituer un échantillon de 100 personnes de la population peut garantir l'équilibre entre les hommes et les femmes dans chaque groupe de traitement, tandis que l'utilisation d'une randomisation simple pourrait aboutir à seulement 20 hommes dans un groupe et 80 hommes dans un autre groupe.
2. La randomisation stratifiée peut avoir une variance plus faible que d'autres méthodes d'échantillonnage telles que l'échantillonnage en grappes , l'échantillonnage aléatoire simple et l'échantillonnage systématique ou les méthodes non probabilistes, car les mesures au sein des strates peuvent être réalisées avec un écart type plus faible . La randomisation de strates divisées est plus facile à gérer et moins coûteuse dans certains cas que la simple randomisation d'échantillons généraux.
3. Il est plus facile pour une équipe d’être formée à stratifier un échantillon en raison de l’exactitude de la nature de la randomisation stratifiée.
4. Parfois, une randomisation stratifiée est souhaitable pour obtenir des estimations des paramètres de population pour des groupes au sein de la population.

Les limites de la randomisation stratifiée incluent :

1. La randomisation stratifiée divise d'abord les échantillons en plusieurs strates en fonction des facteurs pronostiques, mais il est possible que les échantillons ne puissent pas être divisés. Dans l'application, l'importance des facteurs pronostiques n'est pas strictement approuvée dans certains cas, ce qui peut entraîner des biais supplémentaires. C'est pourquoi le potentiel des facteurs à produire des effets doit être vérifié avant que les facteurs ne soient inclus dans la stratification. Dans certains cas où l'impact des facteurs sur le résultat ne peut être approuvé, une randomisation non stratifiée est suggérée.
2. La taille du sous-groupe est considérée comme ayant la même importance si les données disponibles ne peuvent pas représenter la population globale du sous-groupe. Dans certaines applications, la taille du sous-groupe est décidée en fonction de la quantité de données disponibles au lieu d'adapter la taille des échantillons à la taille du sous-groupe, ce qui introduirait un biais dans les effets des facteurs. Dans certains cas où les données doivent être stratifiées par variances, les variances des sous-groupes diffèrent considérablement, ce qui ne permet pas de garantir que la taille de l'échantillon de chaque sous-groupe soit proportionnelle à la population globale du sous-groupe.
3. Les résultats seront moins bons que ceux des autres méthodes si les strates ne sont pas choisies intelligemment. Cela se produit notamment si la variance au sein des strates est élevée.
4. Le processus d’affectation des échantillons en sous-groupes pourrait impliquer un chevauchement si les sujets répondent à la norme d’inclusion de plusieurs strates, ce qui pourrait entraîner une fausse représentation de la population.