3.3.1 Analyses univariées
D’abord, les 492 participants sélectionnés ont été comparés en analyse univariée à l’ensemble des 605 participants de la cohorte pour déterminer si une différence significative se signalait sur le plan des caractéristiques socio-démographiques et de consommation entre ces deux groupes. Afin d’examiner l’association entre le binge de cocaïne et les troubles de santé mentale, nous avons débuté par séparer les 492 participants sélectionnés en 2 groupes, selon notre variable dépendante : d’un côté, ceux ayant présenté au moins un épisode de binge dans le mois précédent l’entrevue initiale et, de l’autre, ceux ayant répondu à la négative à cette question, soit n’ayant jamais présenté d’épisode de binge au courant de leur vie ou n’en ayant pas présenté dans le mois précédent l’entrée dans l’étude. À partir de ces deux groupes, nous avons testé l’indépendance des variables socio-démographiques, de consommation et d’exposition avec la variable dépendante. À noter que, de façon générale, les variables sélectionnées sont des variables catégorielles nominales à deux niveaux, ou dichotomiques. Dans le cas particulier du revenu total, les trois quartiles supérieurs sont comparés à tour de rôle au quartile inférieur. Ainsi, chacune des analyses univariées correspond à une distribution de chi-carré (c2) à un seul degré de liberté et l’on peut effectuer un tableau croisé 2X2 afin de
Figure 2 : Distribution de chi-carré
L’hypothèse nulle correspond à lorsque les deux variables sont indépendantes. Plus le c2 augmente, plus la distance entre les effets observés et les effets attendus s’éloigne et plus
les variables risquent d’être associées l’une à l’autre, ou dépendantes. Dans un tel cas, on pourrait dire que la connaissance d’une variable d’exposition (comme un diagnostic psychiatrique) permet de se prononcer sur la présence potentielle de la variable dépendante (le binge de cocaïne). L’erreur alpha acceptée dans notre analyse pour la signification statistique est de 0,05 et produisant un intervalle de confiance à 95 % pour les rapports de cotes générés (OR), c’est-à-dire que l’on accepte qu’il y ait jusqu’à 5 % de risque de rejeter l’hypothèse nulle d’indépendance des variables alors que celle-ci est vraie. Des données similaires ont été obtenues au Pearson chi-square test utilisant le logiciel IBM SPSS et le Wald chi-square test utilisant le logiciel SAS v9.3 puisque les deux sont des tests de base de la distribution c2 telle
que décrite ci-dessus pour les tableaux 2X2. Les résultats du Wald chi-square test sont ceux qui figurent sur les tableaux inclus dans ce rapport.
3.3.2 Analyses multivariées
Les analyses mutlivariées ont été effectuées séparément pour chacun des diagnostics psychiatriques qui atteignaient une erreur alpha de 0,20 ou moins lors de l’analyse univariée. Cet intervalle plus large que la signification statistique a été choisi afin de permettre à toutes les variables d’exposition pouvant possiblement rejeter l’hypothèse nulle d’indépendance avec le binge de cocaïne de s’exprimer en fonction de variables socio-démographiques et de consommation qui pourraient influencer la relation entre la variable dépendante et la variable d’exposition. Ainsi, toutes les dites variables de confusion potentielles testées en analyse univariée ont été considérées dans l’analyse multivariée par régression logistique. Toutefois, suivant le purposeful selection procedure202, seules celles qui rejetait l’hypothèse nulle
d’indépendance avec le binge de cocaïne de façon statistiquement significative (avec un statistique p de 0,05 ou moins une fois incluse dans la régression logistique) ou encore celles avec un effet de confusion ont été conservées dans le modèle final. Un effet de confusion était retrouvé lorsque l’ajout ou le retrait de l’une de ces variables modifiait n’importe lequel des coefficients de régression par plus de 20 %.
La régression logistique a été choisie, car ce type de modèle linéaire généralisé permet d’analyser la relation de notre variable dépendante dichotomique (oui/non) à de multiples variables indépendantes. Dans ce type d’analyse statistique, la probabilité de prédire qu’un évènement survienne (le binge) est obtenue en optimisant les coefficients de régression qui représentent le poids qu’a chacune des variables indépendantes dans cette prédiction. L’hypothèse nulle est ici que l’ensemble des variables indépendantes du modèle (ou prédicteurs) n’expliquent pas la présence ou l’absence de la variable dépendante ; autrement dit, que la combinaison de ces variables n’est pas meilleure que la simple chance pour prédire si un individu a présenté un épisode de binge dans le dernier mois.
Enfin, pour s’assurer de la validité des modèles générés, ceux-ci ont été testés avec le Hosmer-Lemeshow Goodness-of-Fit Test. Ce test est utilisé de façon générale pour valider que les données entrées dans un modèle de régression logistique n’entrent pas en conflit avec les suppositions générées par celui-ci. En divisant l’échantillon en quantiles, la concordance entre les fréquences prédites et observés est évaluée. En somme, des rapports de cotes ajustés (AOR) avec des intervalles de confiance à 95 % ont été calculés à l’aide du logiciel SAS v9.3. L’interprétation de ces rapports de cotes est une estimation du risque relatif qu’un facteur prédise que l’individu le présentant exprime la variable dépendante si > 1 ou, à l’inverse, protège cet individu si < 1.