Le traitement A a un meilleur taux de réussite que le traitement B chez les cas légers, et aussi chez les cas graves. Et pourtant, quand on réunit les deux groupes, c'est le traitement B qui obtient le meilleur taux de réussite global. Ça semble impossible, mais ça arrive vraiment : c'est le paradoxe de Simpson.
Les chiffres ci-dessus viennent d'une célèbre étude réelle comparant des traitements des calculs rénaux (Royaume-Uni, 1986). En séparant cas légers et cas graves, le traitement A (chirurgie ouverte) est toujours meilleur ; mais comme les deux groupes comptent des nombres de patients très différents, le résultat global s'inverse quand on les réunit.
Pourquoi cela arrive-t-il ? Le taux de réussite global n'est pas la simple moyenne des taux des deux groupes : c'est une moyenne pondérée par le nombre de patients de chaque groupe. Le traitement A a été utilisé sur beaucoup plus de cas graves, dont le taux de réussite est plus bas, tandis que le traitement B a été utilisé sur beaucoup plus de cas légers, dont le taux de réussite est plus élevé. La moyenne globale de A est donc tirée vers le bas, vers le faible taux de réussite des cas graves, et celle de B tirée vers le haut, vers le taux élevé des cas légers. Autrement dit, ce n'est pas une différence d'efficacité réelle entre A et B, mais une différence de « qui a été le plus traité », une différence de composition des échantillons, qui inverse le classement global. En statistique, on parle de l'effet d'une « variable de confusion » ; ici, la variable de confusion cachée, c'est « la gravité du cas du patient ».
Quelque chose de semblable s'est produit avec les données d'admission en études supérieures de l'université de Berkeley en 1973. À ne regarder que le taux d'admission global, les candidats hommes étaient admis plus souvent que les candidates femmes, ce qui a fait soupçonner une discrimination selon le sexe. Mais une fois les données séparées par département, le taux d'admission des femmes était à peu près le même, voire plus élevé, dans la plupart des départements. La cause : les candidates postulaient davantage dans des départements prisés et très sélectifs, au taux d'admission globalement plus bas.
Le paradoxe de Simpson tient son nom d'un article du statisticien Edward Simpson paru en 1951, mais Karl Pearson avait déjà signalé un phénomène semblable dès 1899. Il reste aujourd'hui un piège à surveiller dans tous les domaines qui manipulent des données : médecine, éducation, statistiques sportives, évaluation des politiques publiques. C'est pourquoi, chaque fois que tu regardes des statistiques, il est important de prendre l'habitude de te demander s'il existe un sous-groupe selon lequel il faudrait séparer les données, au lieu de te fier au seul chiffre global. Sur notre page d'activité, tu peux passer d'une vue à l'autre (cas légers, cas graves, total) avec des boutons pour les comparer, et modifier toi-même la répartition des groupes avec un curseur pour voir exactement comment le paradoxe apparaît et disparaît.