Les inégalités sociales de santé au Québec
| , , ,II. Théories et méthodes
11. L’analyse multiniveaux : une méthode prometteuse
Note de l’auteur
Ce chapitre est une version modifiée d’un article publié en 2004 dans le périodique Santé, Société et Solidarité sous le titre « L’analyse multiniveaux : avancées récentes et retombées pour l’étude des inégalités sociales et de santé ».
Texte intégral
1L’essor des études sur les inégalités sociales de santé qui utilisent l’analyse multiniveaux (Blakely et Subramanian, 2006 ; Evans, 2002 ; Oakes et Kaufman, 2006 ; Riva et al., 2007) permet de mettre en relief certaines avancées. On sait que la santé des individus et des populations est fonction de déterminants sociaux situés à différents niveaux de l’écologie humaine (Smedley et Syme, 2001). Les chercheurs tentent de mieux saisir comment divers aspects de l’environnement physique, social, familial, organisationnel et communautaire interagissent avec les caractéristiques des individus pour produire des inégalités de santé (Macintyre et Ellaway, 2000 ; 2002). Par ailleurs, certains auteurs (Robert, 1999 ; Oakes et Kaufman, 2006) ont observé que les processus qui engendrent des inégalités de santé peuvent être issus d’inégalités sociales individuelles (les vulnérabilités individuelles, par exemple) ou être liés aux conditions des milieux de vie (comme l’exposition à des agents tératogènes). Les effets des inégalités sociales doivent être expliqués en fonction de leur origine, qui peut notamment résider au niveau individuel ou dans le milieu de vie. Ainsi, les populations exposées à un milieu de vie défavorisé peuvent avoir une moins bonne santé que celles qui ne le sont pas, et l’on peut aussi concevoir que la variabilité de l’état de santé dans une population exposée à des milieux défavorisés sera plus grande. Il est également possible que les individus plus vulnérables soient davantage affectés par un milieu défavorable et mieux soutenus par un milieu favorable. L’étude des inégalités sociales et de leurs répercussions sur la santé des individus et des populations exige un traitement méthodologique et statistique qui puisse saisir cette réalité complexe.
2Les interventions en santé publique pour la réduction des inégalités sociales et de santé ciblent tantôt les individus, tantôt les environnements, et peuvent aussi viser ces deux niveaux à la fois. De plus, l’évaluation de l’impact d’une intervention exige nécessairement de tenir compte des changements qui s’opèrent dans le temps. Récemment, l’évaluation d’interventions complexes a mis l’accent sur la nécessité de développer de nouveaux outils statistiques (Bingenheimer, 2005 ; Diez-Roux, 2000, 2004 ; Gauvin et al., 2001) qui rendent opérationnel le concept de changement ainsi que l’association du changement à des stratégies d’intervention axés sur les milieux de vie ou sur les attitudes et les comportements individuels.
3Un ensemble de techniques statistiques alternativement appelées modèles linéaires hiérarchiques, modèles de régression à effets aléatoires, modèles multiniveaux, modèles mixtes et modèles bayesiens offre aux chercheurs de puissants outils pour mieux aborder ces défis méthodologiques (Bryk et Raudenbush, 1992). Des descriptions de ces techniques ont été publiées, et leur utilité dans l’étude des inégalités sociales de santé a été mise en relief (Bingenheimer, 2005 ; Diez-Roux, 2000, 2005 ; Chaix et Chauvin, 2002). Certains auteurs ont même publié des articles pratiques destinés aux utilisateurs potentiels (Merlo et al., 2005a, b, 2006a, b). Ce chapitre s’inscrit dans ce mouvement de promotion de l’analyse multiniveaux dans l’étude des inégalités sociales de santé. Il vise à décrire de nouvelles applications de cette analyse et à exposer comment ces applications pourraient contribuer à expliquer les processus sous-jacents aux inégalités sociales et de santé. À cette fin, nous décrirons l’éventail des modèles complexes qui peuvent être utilisés tout en les illustrant à l’aide d’applications avancées récemment publiées. Pour clore ce chapitre, nous discuterons de retombées précises qui peuvent être attendues d’une utilisation judicieuse de l’analyse multiniveaux.
Définitions conceptuelle, méthodologique et statistique
4Le terme « multiniveaux » réfère à la présence de plateaux, d’échelons, ou de couches. Il s’ensuit que d’un point de vue conceptuel, un modèle multiniveaux désigne un ensemble de prédictions ou d’explications qui s’étendent sur plusieurs unités d’analyse de systèmes vivants. Du point de vue méthodologique, une approche multiniveaux renvoie à la mesure ou à la manipulation de variables situées à plusieurs niveaux d’analyse de systèmes vivants. Du point de vue statistique, l’analyse multiniveaux réfère à un ensemble de techniques statistiques qui s’inscrit dans le cadre de la généralisation du modèle linéaire général et qui permet le traitement de données structurées hiérarchiquement, c’est-à-dire qui proviennent de plusieurs unités d’analyse (Raudenbush et Bryk, 2002 ; Snijders et Bosker, 1999). Typiquement, l’analyse multiniveaux permet : 1) d’estimer les sources de variance intra-unité et inter-unités à l’aide de la corrélation intraclasse ; 2) de déterminer la présence d’effets aléatoires ; et, 3) de quantifier les effets fixes.
Exemples simples de l’application du modèle multiniveaux
- 1 Parmi les plus connus, on mentionnera MlWin (<www.cmm.bristol.ac.uk>) et HLM (<www.ssicentral.com>).
5Bien que les modèles mathématiques qui sont à la base de l’analyse multiniveaux aient été élaborés il y a près de trente ans, leur utilisation ne s’est généralisée qu’avec le développement de logiciels conviviaux et performants1. Les toutes premières applications de ces méthodes portaient sur les déterminants du rendement scolaire, et celles qui visaient la santé ne sont apparues qu’à la fin des années 1980. Ainsi, à partir des nombreux écrits qui mettaient en lumière la présence d’un gradient de santé en fonction du niveau de favorisation matérielle et sociale des individus (Evans, 2002), la question s’est posée de savoir si ce gradient pouvait être en partie expliqué par des variables associées à l’environnement (Pickett et Pearl, 2001). Au plan conceptuel, ce questionnement visait à mettre en lumière la viabilité de deux hypothèses explicatives (Bingenheimer et Raudenbush, 2004 ; Diez-Roux, 2001 ; Macintyre et Ellaway, 2000 ; Macintyre et al., 2002 ; O’Campo, 2003 ; Subramanian et al., 2003). La première porte sur les explications compositionnelles qui suggèrent que les gradients de santé entre les populations s’expliquent principalement par le fait que des personnes ayant des caractéristiques communes ont tendance à s’agglomérer dans les mêmes milieux de vie. Ainsi, les populations exposées à la défavorisation matérielle ont des profils de santé moins favorables, car elles sont composées d’individus plus vulnérables. La seconde, de nature contextuelle, pose que les variations dans la santé des populations sont attribuables à des facteurs environnementaux (physiques ou sociaux) plutôt qu’à des variations dans les caractéristiques de la population. Selon cette hypothèse, les populations ayant une santé plus précaire seraient celles exposées à des environnements moins favorables.
6Au cours des quinze dernières années, on a donc assisté à une multitude d’applications de l’analyse multiniveaux. En particulier, on a souvent procédé à une reprise des analyses de données colligées. Dans un premier temps, on a apparié les gens à leur quartier de résidence, leur communauté ou municipalité, leur comté ou district électoral, leur province ou État de résidence respectifs. Ensuite, on a appliqué une analyse multiniveaux simple où les individus sont imbriqués dans un milieu de vie donné.
7Deux recensions des écrits récentes (Pickett et Pearl, 2001 ; Riva et al., 2007) indiquent que même si les variables individuelles expliquent une proportion importante de la variance de divers indicateurs de santé, on retrouve de façon systématique des effets de contexte. En particulier, des indicateurs de favorisation matérielle et sociale au niveau du quartier de résidence sont associés à de meilleurs états de santé, et ce, même après un contrôle des variations compositionnelles. Toutefois, la taille des effets dépend de l’indicateur de santé utilisé, de la mesure de l’exposition, et de l’échelle spatiale particulière – les effets étant plus grands lorsque les indicateurs de santé et d’exposition sont spécifiques. En général, les données démontrent que la mortalité est inversement associée au statut socioéconomique du quartier alors que la longévité présente un lien inverse (Wilkinson, 1992). Certaines études démontrent que la proportion de personnes qui fument, qui sont sédentaires, qui rapportent une insatisfaction avec leur image corporelle, qui se perçoivent en mauvaise santé, qui adoptent des comportements dits délinquants et qui maintiennent de mauvaises habitudes alimentaires est plus élevée dans des milieux de vie défavorisés que dans des milieux plus favorisés (Berkman et Kawachi, 2000). Ces écrits sont d’autant plus remarquables qu’ils proviennent de très nombreux pays industrialisés, dont les États-Unis, l’Australie, les Pays-Bas, la Suède, la Finlande et le Canada, pour n’en nommer que quelques uns. Et bien que toutes les études portent à croire qu’il existe un gradient de santé dépendant de variations de contexte, ces effets apparaissent davantage dans les endroits où les disparités sociales sont plus grandes (aux États-Unis plus qu’au Pays-Bas, par exemple – Mackenbach, 2002). Actuellement, on se questionne sur l’interprétation de ces données et sur les stratégies à adopter pour mieux les exploiter (Diez-Roux, 2002 ; Galea et Ahern, 2006 ; Oakes, 2004).
Applications avancées de l’analyse multiniveaux
8Il semble que l’analyse multiniveaux soit bien implantée dans l’étude des inégalités sociales et de santé. Toutefois, il faut reconnaître que les applications existantes de l’analyse multiniveaux n’exploitent qu’une petite partie du potentiel de cette méthode.
Les modèles d’analyse à trois niveaux ou plus
9La plupart des applications de l’analyse multiniveaux correspondent au modèle statistique à deux niveaux où les gens sont imbriqués dans un milieu de vie donné. Toutefois, on pourrait s’intéresser à un nombre plus élevé de niveaux de structuration hiérarchique. Par exemple, les individus pourraient appartenir à des familles, et celles-ci à des quartiers. L’analyse multiniveaux peut nous aider à départager la part de la variance attribuable à chacun de ces niveaux d’imbrication. De façon analogue, on pourrait imaginer une cohorte d’individus suivis longitudinalement, les mesures répétées étant imbriquées dans les individus et ensuite dans les quartiers de résidence. On serait alors intéressé à décrire et à expliquer les profils de changement (Raudenbush, 2001) en fonction des caractéristiques des individus et de leur quartier. Ce type de modèle pourrait aussi être utile dans l’évaluation d’une intervention qui vise des changements dans les quartiers résidentiels (comme l’ajout d’une voie cyclable) pour modifier les comportements des individus (comme augmenter l’utilisation du transport actif) et pour évaluer des changements dans les inégalités sociales (comme la diminution de l’importance des disparités entre les plus favorisés et les moins favorisés en termes d’adoption de saines habitudes de vie).
- 2 Bien entendu, il ne faut pas croire que cette affirmation réfute l’importance de politiques publiq (...)
10C’est d’ailleurs une application de l’analyse multiniveaux à quatre niveaux qu’ont réalisée Pampalon et collègues (1999) afin de mieux comprendre les déterminants de la perception de la santé au Québec. Ces auteurs ont procédé à une nouvelle analyse des données des Enquêtes Sociales et de Santé de l’Institut de la statistique du Québec et ont appliqué un modèle d’analyse à quatre niveaux, où les individus sont imbriqués dans les ménages, eux-mêmes imbriqués dans les secteurs locaux, qui sont à leur tour imbriqués dans les régions socio-sanitaires. Ils ont relevé qu’après avoir contrôlé pour des variables individuelles (comme l’âge, le sexe, les habitudes de vie, l’éducation, le revenu, le soutien social), il existait une variabilité entre les ménages et les secteurs locaux, mais pas au niveau des régions. Ceci porte à croire que pour la santé perçue, les effets de contexte seraient situés au niveau des environnements locaux et non au niveau des grandes régions2. Cette extension du modèle d’analyse nous permet de mieux saisir la réalité complexe des inégalités sociales et de santé qui peuvent se situer à différents niveaux de l’écologie humaine.
Les différents types de données
11Dans la plupart des études existantes, les auteurs ont traité des données continues ou dichotomiques. Pour les premières (comme l’indicateur de l’indice de masse corporelle), on considère le modèle hiérarchique comme une généralisation du modèle linéaire général. Pour des données multiniveaux de type dichotomique ou binaire (comme la présence ou l’absence d’une incapacité quelconque), le modèle utilisé est une généralisation du modèle logistique. Notons toutefois que les données relatives à plusieurs phénomènes d’inégalités sociales et de santé ne sont ni continues ni dichotomiques mais plutôt ordinales (par exemple : poids inférieur aux normes, poids normal, embonpoint, obésité) ou nominales (pas physiquement actif, physiquement actif via transport actif, physiquement actif via l’activité physique de loisir). Par ailleurs, les données de type continu ne suivent pas toujours la distribution normale (postulée dans le modèle linéaire général usuel). Enfin, plusieurs phénomènes comme la criminalité ou la délinquance requièrent des distributions de type Poisson. Les modèles d’analyse multiniveaux peuvent être adaptés à tous ces types de données (voir Raudenbush et Bryk, 2002).
L’« écométrie »
12Une des applications les plus prometteuses de l’analyse multiniveaux (voir Diez-Roux, 2002) se rapporte à son application au développement d’instruments de mesure des environnements. En particulier, Raudenbush et Sampson (1999a) soulignent que la pratique usuelle des chercheurs, qui consiste à appliquer les méthodes psychométriques pour valider les mesures des environnements, est en fait erronée. Jusqu’à présent, lorsqu’on tente d’obtenir des mesures de concepts se rapportant à des variables environnementales ou à des variables organisationnelles, on procède à l’agrégation d’une série d’éléments mesurant le concept étudié. De ce fait, on procède selon l’approche psychométrique usuelle, où l’unité de mesure initiale est l’individu. Bien qu’utile, ce type d’agrégation mène à des biais tels que la sous-estimation des erreurs standards de mesure, et tend à masquer des nuances conceptuelles qui peuvent être importantes. De plus, les variations attribuables à différentes sources pertinentes (ex. : items, évaluateurs) ne sont pas estimées, et de ce fait, elles sont souvent ignorées. Or, la construction des mesures des environnements fournit des bases de données ayant une structure hiérarchique. En effet, les observations relatives à l’environnement sont souvent mesurées en demandant aux individus appartenant aux environnements d’intérêt de se prononcer sur la présence ou sur la qualité de différentes caractéristiques de l’environnement. On produit ainsi des bases de données hiérarchiques qui comportent des observations d’éléments imbriqués dans des observateurs qui sont eux-mêmes imbriqués dans des environnements. De telles situations se prêtent bien à l’analyse multiniveaux. Raudenbush et Sampson (1999a) ont élaboré des arguments en faveur du développement d’une nouvelle méthodologie, l’écométrie, qui permet d’obtenir des indices de validité et de fidélité adaptés à la nature « écologique » des mesures environnementales ou organisationnelles.
13Plus spécifiquement, l’écométrie vise à développer des indices métrologiques pour les environnements ou les organisations qui reflètent bien la complexité de leurs structures. L’écométrie est issue de l’intégration de trois méthodologies bien connues, soit la théorie de la généralisabilité, la théorie des réponses aux items (TRI ou « item-response theory ») et les modèles statistiques d’analyses multiniveaux. La théorie de la généralisabilité consiste à expliciter les sources d’erreur qui affectent la précision de la mesure et à documenter leurs effets non seulement dans un contexte de recherche, mais aussi dans la prise de décision. L’application de la TRI permet d’encadrer le traitement des sources d’erreur et de renseigner le chercheur sur la précision de la mesure ainsi que sur les conditions optimales de son utilisation. La TRI modélise conjointement le trait latent mesuré et les caractéristiques des items qui servent à le mesurer. À l’aide d’une fonction logistique, on modélise la probabilité qu’une « bonne » réponse faite à un item soit fonction de l’habileté du répondant, de la difficulté de l’item, de sa discrimination, voire d’une réponse au hasard. L’examen de « cartes » de difficulté permet d’évaluer si les items se répartissent selon une échelle graduée de difficulté ou bien si l’échelle comporte des « trous ». La TRI produit également des estimations de l’habileté des répondants et de la précision de ces mesures. Les modèles d’analyses multiniveaux, quant à eux, permettent d’examiner les sources de variabilité dans des données structurées de façon hiérarchique. De ce fait, ils permettent au chercheur de déterminer la distribution de variance entre les différents niveaux d’analyse et d’explorer l’association d’une variable dépendante avec des variables prédictives relevant de différents niveaux. L’intégration de ces trois méthodes à l’aide de l’écométrie permet au chercheur de réduire les biais qui caractérisent présentement les mesures écologiques et d’obtenir ainsi de meilleures estimations de la validité et de la fidélité.
14Dans une étude – possiblement la première de l’écométrie – Raudenbush et Sampson (1999a) ont colligé des données en observant le désordre physique et social dans 23 816 segments de rues situés dans 80 quartiers de la ville de Chicago. Les observateurs circulaient en camionnette et filmaient les rues à l’aide d’appareils vidéos. Les vidéo-clips ont servi à coder la présence ou l’absence de 14 indicateurs de désordre physique (comme la présence ou l’absence de mégots de cigarettes, de débris, de graffitis) et de désordre social (e. g., présence ou absence de personnes qui flânent, de personnes qui se livrent au commerce de stupéfiants). Les analyses écométriques ont permis de préciser la contribution de chaque item aux échelles globales et d’établir un profil différencié de la fidélité selon le niveau (élevée pour les quartiers et faibles pour les parties de rue). Elles ont également établi que des niveaux plus élevés de désordre physique et social étaient associés à la concentration de la pauvreté et de la violence perçue. En somme, l’avènement récent de la méthodologie écométrique permet de mieux instrumenter l’étude des inégalités sociales et de santé et, de ce fait, d’en améliorer la validité.
- 3 Voir <www.cflri.ca/fra> pour le manuel de l’utilisateur.
15Dans les applications plus récentes, Gauvin et collègues (2005) ont validé un instrument de mesure du potentiel de vie active dans les quartiers3. Plus spécifiquement, après avoir formé des évaluateurs à l’utilisation d’une échelle en 18 items, ils ont colligé des données sur les environnements de quartiers dans 112 secteurs de recensement sur l’île de Montréal. Les analyses écométriques appuient la fiabilité et la validité des mesures portant sur le potentiel de vie active des quartiers. On remarque notamment que la dimension de la sécurité d’un quartier est associée au niveau de favorisation matérielle des populations qu’on y retrouve. Par ailleurs, dans les quartiers où la densité de destinations est élevée, on retrouve un niveau plus bas de favorisation matérielle des résidents. Cependant, ces quartiers sont aussi caractérisés par une proportion élevée de répondants qui utilisent la marche comme moyen de transport pour aller au travail. Enfin, la densité des destinations élevée d’un quartier est associée à une sécurité et à une convivialité faibles. Ces associations mettent en relief le fait que les inégalités sociales de santé se manifestent de plusieurs façons et à plusieurs niveaux de l’écologie humaine.
16Toujours pour ce qui est des applications récentes, Mujahid et al. (2007) ont validé des mesures des environnements de quartiers en lien avec les facteurs de risque cardiovasculaire. Plutôt que de former des observateurs, ils ont colligé les perceptions des résidents de quartiers. Un questionnaire en plusieurs items demandait aux résidents de se prononcer sur les dimensions suivantes des quartiers : aspects esthétiques, potentiel piétonnier, disponibilités de commerces d’alimentation santé, sécurité, violence, cohésion sociale et activités avec les voisins du quartier. Ici encore, les analyses écométriques démontrent la fiabilité des sous-échelles de même que les liens avec des indicateurs agrégés du statut socioéconomique des résidents de quartier : la favorisation est généralement associée un profil de quartier plus favorable à la santé cardiovasculaire.
Les modèles à classification croisée
17Jusqu’ici, nous n’avons discuté que de modèles qui permettent de traiter des données purement hiérarchiques, où chaque unité d’analyse d’un niveau inférieur est imbriquée dans une seule unité d’analyse de niveau supérieur. Or, plusieurs phénomènes pertinents vis-à-vis des inégalités sociales et de santé ne présentent pas cette caractéristique. Par exemple, des enfants qui résident dans un quartier peuvent fréquenter une école située dans un autre quartier. Ces enfants sont influencés à la fois par l’exposition aux caractéristiques des quartiers et aux caractéristiques des écoles, mais l’appartenance à l’école n’est pas strictement conditionnée par le quartier de résidence. Cette situation exige une méthodologie particulière permettant de discerner les effets associés aux variables de quartier de ceux associés aux variables de l’institution scolaire. De même, on pourrait imaginer des personnes qui utiliseraient les services de santé offerts soit dans des organisations situées dans leur quartier de résidence, soit dans leur quartier de travail. Leur santé serait influencée par les services reçus à différents endroits ne présentant aucun lien hiérarchique entre eux.
18L’extension du modèle d’analyse multiniveaux qui permet l’analyse de ce type de données s’appelle le modèle à classification croisée (cross-classified). Les individus y sont imbriqués simultanément dans deux unités d’analyse (Raudenbush et Bryk, 2002). Une application récente de ce modèle, réalisée par Curtis et al. (2004), a établi que les gens qui avaient vécu dans des endroits caractérisés par une défavorisation matérielle élevée en 1939 présentaient des probabilités plus élevées d’avoir des maladies chroniques en 1981 et ce même après avoir contrôlé les caractéristiques du milieu de vie le plus récent. Cette avancée de l’analyse multiniveaux permet de traiter rigoureusement les influences des inégalités sociales à différents moments de la vie et constitue une approche qui pourrait s’avérer féconde.
Les modèles de médiation au niveau supérieur de la hiérarchie
19Dans les sciences sociales comme en épidémiologie, la recherche systématique de variables permettant d’expliquer la relation entre deux variables fait partie intégrante de la conceptualisation et de la théorisation. On parle de recherche de variables « médiatrices » (en sciences sociales) ou « intermédiaires » (en épidémiologie). Plusieurs auteurs (McKinnon et al., 2007 ; Rothman et Greenland, 2001) ont expliqué comment l’existence de liens avec des variables médiatrices pouvait être documentée de façon statistique. Une des avancées récentes de l’analyse multiniveaux consiste à documenter l’effet de variables médiatrices ou intermédiaires sur les variables situées au niveau supérieur de la hiérarchie.
20Ainsi, Raudenbush et Sampson (1999b) ont étudié la question de savoir si la relation, fréquemment observée aux États-Unis, entre les caractéristiques sociodémographiques des habitants d’un endroit et la violence présente à ce même endroit pouvait s’expliquer par le contrôle social informel dans ces milieux de vie. À l’aide des données provenant du Project on Human Development in Chicago Neighborhoods, ils ont proposé des façons de documenter l’effet de variables intermédiaires. Sur un échantillon de 342 quartiers de Chicago, les auteurs ont examiné si les liens entre la concentration de la pauvreté, l’isolation ethnique et la proportion d’immigrants ainsi que la violence perçue par les résidents s’expliquent par le contrôle social informel. L’application de l’analyse multiniveaux qui intègre l’examen d’effets indirect (lien entre les caractéristiques de la population et la violence perçue via le degré de contrôle social informel) et direct (lien direct entre ces mêmes variables en présence du contrôle social informel) permet de quantifier ces effets. En particulier, bien que la concentration de pauvreté, l’isolation ethnique et la proportion d’immigrants soient associées à la violence perçue, lorsqu’on procède au contrôle statistique du niveau de contrôle social informel, on constate que seule la concentration de pauvreté est associée à la violence perçue. Il n’y a plus de liens significatifs entre l’isolation ethnique, la proportion d’immigrants et la violence perçue. De plus, le lien entre le contrôle social informel et la violence perçue est très significative : un meilleur contrôle social informel est associé à une plus faible violence perçue. Finalement, on constate que le lien entre la concentration de pauvreté et la violence perçue est partiellement expliqué par le niveau de contrôle social informel. L’étude de liens en médiation nécessite toutefois la spécification de relations de causalité (les « causal pathways »), exercice qui s’avère encore trop peu répandu dans ces études (Bingenheimer, 2005 ; Diez-Roux, 2004 ; O’Campo, 2003 ; Riva et al., 2007).
L’analyse multiniveaux et les autres techniques d’analyse avancées
21Les analyses multiniveaux présentent des caractéristiques méthodologiques semblables à d’autres stratégies d’analyse utilisées dans la recherche psychosociale en santé (voir Leyland et Goldstein, 2001). Par exemple, les modèles multiniveaux présentent des liens avec la modélisation par équations structurales (ou SEM, « Structural Equation Modeling ») qui, sous sa forme la plus générale, traduit des hypothèses causales (entre autres, du type des modèles de médiation discutés ci-haut) en une série d’équations structurales reliant les variables latentes de l’étude. Ces dernières sont mesurées à l’aide de variables observées, structurées selon des modèles de mesure. L’ensemble des liens hypothétiques est capté par la matrice de variance-covariance des paramètres, qui fait l’objet d’un test d’ajustement à l’aide de la matrice de variance-covariance des données. Des avancées récentes dans les logiciels spécialisés de la SEM, tel que Mplus de Muthén et Muthén (2004) permettent un traitement intégré d’un modèle causal selon une décomposition des sources de variation intra et inter unités. De ce fait, l’intégration graduelle des techniques multiniveaux et de la modélisation structurale ouvre des avenues de développement intéressantes pour l’analyse écométrique.
22Les analyses multiniveaux peuvent aussi être adaptées aux questions généralement posées dans le cadre d’analyses de survie (comme l’identification de déterminants variables et non variables qui prédisent la survie, ou le temps jusqu’à la mortalité). Mentionnons aussi l’existence d’une classe spéciale de modèles de croissance qui peuvent être adaptés pour mieux comprendre la transition d’un état vers un autre (Collins, 2001 ; Raudenbush, 2001). Finalement, la publication récente d’exemples d’écométrie a aussi fait ressortir certaines limites de l’analyse multiniveaux. En particulier, Messer (2007) met en relief le fait que l’écométrie ne permet pas d’intégrer la dimension spatiale des observations qui fait souvent partie intégrante des mesures des environnements. Ce sont des avancées de ce type qui ont commencé à percer (Chaix et al., 2006) mais qui demanderont de nouvelles conceptualisations des phénomènes à l’étude.
Retombées anticipées
23Les données permettant de comprendre les processus sous-jacents aux inégalités sociales et de santé et de les modifier proviennent de plusieurs unités d’analyse et mènent souvent à la création de bases de données à structure hiérarchique. Dans ce contexte, l’analyse multiniveaux et ses avancées récentes offrent des outils statistiques qui permettent d’aborder l’étude des inégalités sociales de santé sous un nouvel angle. Bien que l’analyse multiniveaux suscite l’enthousiasme en santé publique (Diez-Roux, 2000 ; Subramanian, Jones et Duncan, 2003), il existe toujours un certain nombre d’enjeux sur lesquels les méthodologues doivent se pencher (Courgeau, 2003). Un problème important porte sur la façon de conceptualiser les niveaux d’analyse. À notre avis, cet enjeu n’a pas encore trouvé de solution définitive et continuera de faire l’objet de discussions, soulignons ici toutefois les cinq niveaux d’analyse qui semblent préoccuper le plus les chercheurs (Gauvin et al., 2001) : les mesures répétées intra-sujets, les analyses inter-personnes, les petits groupes, les quartiers et les communautés. En d’autres mots, il faut se pencher davantage sur les définitions conceptuelles et opérationnelles des inégalités sociales de santé et identifier à quels niveaux d’analyse elles se situent (Cummins et al., 2005 ; Diez-Roux, 2004 ; O’Campo, 2003).
24Un deuxième enjeu porte sur l’interprétation des résultats de l’analyse multiniveaux – présentement objet de controverse (voir Lynch, Harper et Davey Smith, 2003 ; Oakes, 2006 ; Diez-Roux, 2004). En effet, on s’interroge actuellement sur l’utilité de l’analyse multiniveaux pour solidifier l’inférence causale dans les associations entre les environnements de quartier et leurs retombées sur la santé. Loin d’être négatifs, ces échanges devraient clarifier les choix méthodologiques et d’interprétation et ainsi contribuer à assurer une plus grande validité à la recherche.
25Par ailleurs, il est probable que les chercheurs voudront réviser leurs choix des unités de randomisation dans les études expérimentales. Ils devront aborder les questions suivantes : Sous quelles conditions et à partir de quelles unités d’analyse doit-on randomiser ? La randomisation est-elle possible dans les études relatives à l’intervention sur les inégalités sociales de santé ? Quand et comment procéder ? À ce propos, certains auteurs ont soulevé la possibilité d’utiliser une nouvelle technique d’« appariement par score de propension » (propensity score matching techniques) qui permettrait de surmonter les problèmes de comparabilité des individus et des milieux lorsque la randomisation n’est pas possible ou qu’elle est éthiquement proscrite (Oakes et Johnson, 2006 ; Sturmer et al., 2007).
26L’optimisation de la puissance des analyses multiniveaux constitue un autre problème. Comment estimer la puissance dans le contexte d’une base de données à structure hiérarchique ? Est-il préférable de colliger de nombreuses données pour les unités inférieures et de limiter le nombre des unités supérieures ou est-il préférable du point de vue de la puissance de colliger peu d’unités inférieures dans un grand nombre d’unités supérieures ? Bref, comment détermine-t-on la taille optimale des échantillons dans le contexte d’une étude multiniveaux ? Face à ces questions, il faut reconnaître que le calcul de la puissance dans le contexte de l’analyse multiniveaux est rendu plus complexe par la présence d’une corrélation intraclasse et par la variabilité des estimations des unités (Snijders et Bosker, 1999).
La place future de l’analyse multiniveaux dans la recherche en santé publique
27En santé publique, l’analyse multiniveaux constitue un outil de recherche novateur et utile. Elle permet notamment un examen cohérent des liens entre les variables des différents niveaux d’analyses. Les chercheurs qui s’intéressent aux inégalités sociales de santé conviendront facilement que ses caractéristiques pratiques et théoriques sont particulièrement bien adaptées à cette problématique. La disponibilité des ces nouvelles techniques d’analyse permettra vraisemblablement à la communauté des chercheurs de consolider sa base de connaissances relatives aux inégalités sociales et de santé, et ainsi de promouvoir des politiques publiques scientifiquement fondées, justes et équitables.
Bibliographie
Références
Berkman, L. F. et I. Kawachi (dir.) (2000), Social Epidemiology, New York, Oxford University Press.
Bingenheimer J. B. (2005), « Multilevel models and scientific progress in social epidemiology », Journal of Epidemiology Communiy Health, vol. 59, p. 438-439.
Bingenheimer, J. B. et S. W. Raudenbush (2004), « Statistical and substantive inferences in public health : issues in the application of multilevel models », Annual Review of Public Health, vol. 25, p. 53-77.
Blakely, T. A. et S. V. Subramanian (2006), « Multilevel studies », dans J. M., Oakes et J. S. Kaufman (dir.), Methods in social epidemiology, San Francisco, Jossey-Bass.
Bryk, T. A. et S. W. Raudenbush (1992), Hierarchical linear models, Newbury Park (Californie), Sage.
Chaix, B. et P. Chauvin (2002), « La contribution de l’analyse multiniveaux dans l’analyse contextuelle dans le domaine de l’épidémiologie sociale : une recension des écrits », Revue d’épidémiologie et de santé publique, vol. 50, p. 489-499.
Chaix, B., J. Merlo, S. V. Subramanian et al. (2005). « Comparison of a spatial perspective with the multilevel analytical approach in neighborhood studies : the case of mental and behavioral disorders due to psychoactive substance use in Malmö, Sweden, 2001 », American Journal of Epidemiology, vol. 162, p. 171-82.
Chaix, B., M. Rosvall, J. Lynch et al. (2006), « Disentangling contextual effects on cause-specific mortality in a longitudinal 23-year follow-up study : impact of population density or socioeconomic environment? », International Journal of Epidemiology, vol. 35, p. 633-643.
Collins, L. M. et A. G. Sayer (2001), New methods for the analysis of change, Washington, DC, American Psychological Association.
Courgeau, D. (2003), Methodology and epistemology of multilevel analysis : Approaches from different social sciences, Boston, Kluwer Academic Press.
Cummins, S. et al. (2005), « Measuring neighbourhood social and material context : generation and interpretation of ecological data from routine and non-routine sources », Health and Place, vol. 11, p. 249-260.
Curtis, S. et al. (2004), « Area effects on health variation over the life-course : analysis of the longitudinal study sample in Englad using new data on area of residence in childhood », Social Science and Medicine, vol. 58, p. 57-74.
Diez-Roux, A. V. (2000), « Multilevel analysis in public health research », Annual review of Public Health, vol. 21, p. 171-192.
— (2002), « Invited Commentary : Places, people, and health », American Journal of Epidemiology, vol. 155, n ° 6, p. 516-519.
— (2004), « Estimating neighborhood health effects : the challenge of causal inference in a complex world », Social Science and Medicine, vol. 58, p. 1953-1960.
— (2001), « Investigating neighborhood and area effects on health », American Journal of Public Health, vol. 91, p. 1783-1789.
— (2004), « The study of group-level factors in epidemiology : rethinking variables, study designs, and analytical approaches », Epidemiological Reviews, vol. 26, p. 104-111.
Evans, R. (2002), « Interpreting and addressing inequalities in health : From Black to Acheson to Blair to…? », 7th Annual Lecture to the Office of Health Economics, Londres, Office of Health Economics.
Galea, S. et J. Ahern (2006), « Invited commentary : Considerations about specificity of associations, causal pathways, and heterogeneity in multilevel thinking », American Journal of Epidemiology, vol. 163, p. 1079-1082.
Gauvin, L., L. Lévesque et L. Richard (2001), « Helping People Initiate and Maintain a More Active Lifestyle : A Public Health Framework for Studies of Physical Activity Promotion » dans R. N. Singer, H. Hausenblaus et C. Janelle (dir.), Handbook of research on sport and exercise psychology (2nd edition), New York, Wiley, p. 718-739.
Gauvin, L. et al. (2005), « From walkability to active living potential. An “ecometric” validation study », American Journal of Preventive Medicine, vol. 28, suppl. 2, p. 126-133.
Glass, T. A. et J. L. Balfour (2003), « Neighborhoods, aging and physical disabilities », dans I. Kawachi et L. F. Berkman (dir.), Neighborhoods and Health, New York, Oxford University Press.
Krieger, N. (2001), « Theories for social epidemiology in the 21st century : an ecosocial perspective », International Journal of Epidemiology, vol. 30, p. 668-677.
Leyland, A. H. et H. Goldstein (2001), Multilevel Modeling of Health Statistics, New York, Wiley.
Lynch, J., S. Harper et G. D. Smith (2003), « Commentary : Plugging leaks and repelling boarders – where to next for the SS income inequality? », International Journal of Epidemiology, vol. 32, p. 1029-1036.
Macintyre, S. et A. Ellaway (2000), « Ecological approaches : Rediscovering the role of the physical and social environment », dans L. F. Berkman et I. Kawachi (dir.), Social Epidemiology, New York, Oxford University Press, p. 332-348.
Macintyre, S., A. Ellaway et S. Cummins (2002), « Place effects on health : how can we conceptualise and measure them? », Social Science and Medicine, vol. 55, p. 125-139.
Mackenbach J. P. (2002), « Income inequality and population health », British Medical Journal, vol. 324, p. 1-2.
Merlo, J. et al. (2005a), « A brief conceptual tutorial on multilevel analysis in social epidemiology : investigating contextual phenomena in different groups of people », Journal of Epidemiology and Community Health, vol. 59, p. 729-736.
— (2005b), « A brief conceptual tutorial on multilevel analysis in social epidemiology : interpreting neighbourhood differences and the effect of neighbourhood characteristics on individual health », Journal of Epidemiology and Community Health, vol. 59, p. 1022-1029.
— (2005c), « A brief conceptual tutorial of multilevel analysis in social epidemiology : linking the statistical concept of clustering to the idea of contextual phenomenon », Journal of Epidemiology and Community Health, vol. 59, p. 443-449.
— (2006), « A brief conceptual tutorial of multilevel analysis in social epidemiology : using measures of clustering in multilevel logistic regression to investigate contextual phenomena », Journal of Epidemiology and Community Health, vol. 60, p. 290 – 297.
Messer, L. C. (2007), « Invited commentary : Beyond the metrics for measuring neighbourhood effects », American Journal of Epidemiology, vol. 165, p. 868-871.
McKinnon, D. P., A. J. Fairchild et M. S. Fritz (2007), « Mediation analysis », Annual Review of Psychology, vol. 58, p. 593-614.
Mujahid, M. S, et al. (2007), « Assessing the measurement properties of neighborhood scales : From psychometrics to ecometrics », American Journal of Epidemiology, vol. 165, p. 858-867.
Muthén, L. K. et B. O. Muthén (2004), Mplus. Statistical Analysis with Latent Variables, Los Angeles, Muthén et Muthén.
Oakes, J. M. et J. S. Kaufman (dir.) (2006), Methods in social epidemiology, San Francisco, Jossey-Bass.
O’Campo, P. (2003), « Invited commentary : advancing theory and methods for multilevel models of residential neighborhoods and health », American Journal of Epidemiology, vol. 157, p. 9-13.
Oakes, J. M. (2004), « The (mis) estimation of neighbourhood effects : causal inference for a practicable social epidemiology », Social Science and Medicine, vol. 58, p. 1929-1952.
Oakes, J. M. et T. R. Church (2007), « Invited commentary : Advancing propensity score methods in epidemiology », American Journal of Epidemiology, vol. 165, p. 1119-1121.
Oakes, J. M. et P. J. Johnson (2007), « Propensity score matching for social epidemiology » dans J. M. Oakes et J. S. Kaufman (dir.), Methods in social epidemiology, San Francisco, Jossey-Bass, p. 370-392.
Pampalon R. et al. (1999), « Geographies of health perception in Québec : a multilevel perspective », Social Science and Medicine, vol. 48, p. 1483-1490.
Pickett, K. E. et M. Pearl (2001), « Multilevel analyses of neighbourhood socioeconomic context and health outcomes : a critical review », Journal of Epidemiology and Community Health, vol. 55, p. 111-122.
Raudenbush, S. W. (2001), « Comparing personal trajectories and drawing causal inferences from longitudinal data », Annual Review of Psychology, vol. 52, p. 501-525.
Raudenbush, S. W. et R. J. Sampson (1999a), « Ecometrics : Toward a science of assessing ecological settings, with application to the systematic social observations of neighborhoods », Sociological Methodology, vol. 29, n 1, vol. 1-41.
— (1999b), « Assessing direct and indirect effects in multilevel designs with latent variables », Sociological Methods and Research, vol. 28, p. 123-153.
Raudenbush, S. W. et A. Bryk (2002), Hierarchical linear models : Applications and data analysis methods (2nd edition), Newbury Park, Sage.
Riva, R., L. Gauvin et T. A. Barnett, T. A. (2007), « Toward the next generation of research into small area effects on health : a synthesis of multilevel investigations published since July 1998 », Journal of Epidemiology and Community Health, vol. 61, p. 853-861.
Robert, S. A. (1999), « Socioeconomic position and health : The independent contribution of community socioeconomic context », Annual Review of Sociology, vol. 25, p. 489-516.
Rothman, K. J. et S. Greenland (1998), Modern epidemiology, Philadelphie, Lippincott, Williams & Wilkins.
Séguin, A.-M. et A. German (2000), « The Social Sustainability of Montréal : A Local or a State Matter? », dans M. Polèse et R. Stren (dir.), The Social Sustainability of Cities. Diversity and the Management of Change, Toronto, University of Toronto Press, p. 39-67.
Smedley, B. D. et S. L. Syme (dir.) (2001), Promoting health. Intervention strategies from social and behavioral research, Washington DC, National Academy Press.
Snijders, T. et R. Bosker (1999), Multilevel analysis : An introduction to basic and advanced multilevel modeling, Thousand Oaks, CA, Sage.
Sturmer, T., S. Schneeweiss, K. J. Rothman, J. Avorn et R. J. Glynn (2007), « Performance of propensity score calibration – a simulation study », American Journal of Epidemiology, vol. 165, p. 1110-1118.
Subramanian, S. V., K. Jones et C. Duncan (2003), « Multilevel methods for public health research », dans I. Kawachi et L. F. Berkman (dir.), Neighborhoods and health, New York, Oxford Univesity Press, p. 65-111.
Subramanian, S. V. (2004), « The relevance of multilevel statistical methods for identifying causal neighborhood effects », Social Science and Medicine, vol. 58, p. 1961-1967.
Wilkinson, R. G. (1992), « Income distribution and life expectancy », British Medical Journal, vol. 304, p. 165-168.
Notes
1 Parmi les plus connus, on mentionnera MlWin (<www.cmm.bristol.ac.uk>) et HLM (<www.ssicentral.com>).
2 Bien entendu, il ne faut pas croire que cette affirmation réfute l’importance de politiques publiques pouvant s’appliquer à des régions entières. En effet, certains auteurs (Séguin et German, 2000) ont démontré que les politiques peuvent avoir pour effet de concentrer la pauvreté dans certains secteurs locaux. Ainsi, cette analyse multiniveaux révèle des inégalités qui se manifestent au niveau local. La question de savoir comment lutter contre ces inégalités nécessiterait une toute autre base de données.
3 Voir <www.cflri.ca/fra> pour le manuel de l’utilisateur.
Le texte et les autres éléments (illustrations, fichiers annexes importés) sont sous Licence OpenEdition Books, sauf mention contraire.