Les pièges du cerveau : le biais de sélection

Deuxième guerre mondiale, les combats font rage jusque dans les airs. La Royal Air Force voudrait que ses bombardiers reviennent en plus grand nombre, une fois qu’ils ont attaqué les positions allemandes. Ils étudient les impacts de balles des avions qui ont réussi à rentrer, renforcent ces zones et là, surprise : le nombre de bombardiers qui reviennent au bercail baisse encore. C’est le mathématicien Abraham Wald qui en trouvera l’explication : en n’observant que les avions revenus à bon port, l’armée britannique étudiait un échantillon non représentatif de la population totale des engins envoyés au combat. Elle était victime du biais du survivant, l’une des variantes du biais de sélection.  

En pleine pandémie du Covid, citoyennes et commentateurs ont souvent tiré des conclusions sur l’efficacité de l’hydroxychloroquine ou de n’importe quel autre médicament sous l’influence de ce biais. L’erreur consistait alors à n’observer que l’échantillon des gens guéris et d’oublier que les expérimentations avaient généralement été faites sur des populations plus larges, dont certains membres n’avaient pas vu leur santé s’améliorer après la prise de telle ou telle médication. Il y avait un écart entre la population cible (le groupe global étudié) et les informations analysées lorsqu’on ne s’intéressait qu’aux personnes ayant réagi positivement à l’hydroxychloroquine ou à d’autres produits. 

Le biais de sélection est un vrai problème lorsqu’on réalise une étude statistique, qui peut aussi jouer au moment du recrutement des personnes ou données à analyser : est-ce que vous consultez un groupe réellement représentatif de la population cible, ou est-ce que les personnes du groupe présentent des caractéristiques qui les lient entre eux et les différencient de la situation en condition réelle ? Si tu cherches des volontaires pour participer à une étude, ceux-ci peuvent aussi faire jouer le biais d’auto-sélection : ils acceptent de participer parce qu’ils t’aiment bien, ou parce qu’ils se sentent très concernés par la question que tu étudies. Les deux sont très bien, mais souvent, ces personnes présentent des caractéristiques différentes de celles qui refusent de participer à ton étude. Cela biaise ton échantillon, car dans l’idéal, il te faudrait tester ton hypothèse sur les deux profils de personnes. 

Pour en savoir plus, tu peux lire cet article et celui-là sur le biais de sélection en marketing ou celui-ci sur ces biais dans les études statistiques. Quant à Abraham Wald, sache que son conseil fut de blinder les zones peu impactées des avions rentrés auprès de la Royal Air Force. Son raisonnement était le suivant : tous ceux qui ont été touchés à ces endroits-là sont tombés sur le champ de bataille. Ces zones sont les points faibles des bombardiers, ce sont elles qu’il faut renforcer.