Omitted Variable Bias
Le biais de variable omise (Omitted Variable Bias – OVB) désigne l’erreur systématique qui affecte les estimations des coefficients dans un modèle de régression lorsque des variables indépendantes pertinentes, qui influencent la variable dépendante et sont corrélées avec les variables indépendantes incluses, sont exclues de l’analyse. Cette omission conduit à des estimations incorrectes des effets des variables incluses, car ces dernières se voient attribuer une partie de l’effet de la variable manquante.
Les concepts fondamentaux du biais de variable omise reposent sur deux conditions essentielles. Premièrement, la variable omise doit être un déterminant pertinent de la variable dépendante, c’est-à-dire qu’elle devrait théoriquement faire partie du modèle « vrai » ou complet. Si son coefficient réel est nul, son omission ne causera pas de biais. Deuxièmement, la variable omise doit être corrélée avec au moins une des variables indépendantes incluses dans le modèle. Si la variable omise n’est pas corrélée avec les régresseurs inclus, son omission n’introduira pas de biais dans les coefficients estimés de ces derniers, bien qu’elle puisse affecter l’efficacité de l’estimation et la précision de l’erreur standard. Lorsque ces deux conditions sont remplies, l’estimateur des Moindres Carrés Ordinaires (MCO) devient biaisé et incohérent, signifiant que le biais ne disparaît pas même si la taille de l’échantillon augmente indéfiniment. La variable omise se retrouve implicitement dans le terme d’erreur du modèle estimé, violant ainsi l’hypothèse cruciale d’exogénéité qui stipule que les régresseurs ne doivent pas être corrélés avec le terme d’erreur.
La direction et l’ampleur du biais sur un coefficient estimé dépendent de deux facteurs : le signe de l’effet réel de la variable omise sur la variable dépendante, et le signe de la corrélation entre la variable omise et la variable indépendante incluse dont on examine le coefficient. Si ces deux signes sont identiques (tous deux positifs ou tous deux négatifs), le biais sera positif, tendant à surestimer l’effet de la variable incluse (si son effet réel est positif) ou à sous-estimer son effet (si son effet réel est négatif, le rendant moins négatif ou positif). Inversement, si les deux signes sont opposés, le biais sera négatif. Comprendre la direction potentielle du biais est crucial pour interpréter les résultats d’une régression suspectée de souffrir de BVO.
L’importance du biais de variable omise est considérable, en particulier dans les domaines comme l’économétrie, l’épidémiologie, la sociologie, et les sciences politiques, où les données proviennent souvent d’observations plutôt que d’expériences contrôlées randomisées. Dans ces contextes, il est fréquent que de nombreuses variables interagissent et qu’il soit difficile de mesurer et d’inclure tous les facteurs pertinents. Le BVO menace directement la validité interne d’une étude, c’est-à-dire sa capacité à établir une relation causale crédible entre les variables. Des estimations biaisées peuvent conduire à des conclusions erronées sur l’ampleur ou même l’existence d’un effet, entraînant des décisions politiques ou stratégiques inefficaces ou contre-productives basées sur des preuves empiriques faussées. C’est l’un des défis majeurs de l’inférence causale à partir de données observationnelles.
Les applications pratiques où la compréhension du BVO est essentielle sont nombreuses. En économie du travail, en estimant le rendement de l’éducation sur le salaire, omettre des facteurs comme l’aptitude naturelle ou le milieu familial (probablement corrélés à la fois au niveau d’éducation atteint et au salaire futur) conduit typiquement à une surestimation de l’effet causal de l’éducation. En santé publique, étudier l’effet d’un traitement médical sans contrôler adéquatement la sévérité initiale de la maladie (corrélée au choix du traitement et à l’issue de santé) peut biaiser l’évaluation de l’efficacité du traitement. De même, analyser l’impact des dépenses de police sur la criminalité sans tenir compte des conditions socio-économiques sous-jacentes (qui influencent à la fois les décisions d’allocation des ressources policières et le taux de criminalité) est un exemple classique de risque de BVO.
Il existe des nuances importantes concernant le BVO. Il faut le distinguer de la simple erreur de mesure ou de la multicolinéarité. Alors que la multicolinéarité (forte corrélation entre variables incluses) augmente la variance des estimateurs sans introduire de biais, le BVO introduit un biais systématique. Une autre nuance concerne la différence entre l’inférence causale et la prédiction. Si l’objectif est uniquement de prédire la variable dépendante, un modèle avec des variables omises peut parfois fournir de bonnes prédictions, surtout si les corrélations observées dans l’échantillon se maintiennent dans la population cible. Cependant, pour comprendre les relations de cause à effet ou évaluer l’impact d’interventions, le BVO reste une préoccupation majeure. De plus, la notion de « variable pertinente » dépend du cadre théorique et de la question de recherche spécifique.
Plusieurs concepts sont étroitement liés au biais de variable omise. L’endogénéité est un terme plus général qui décrit toute situation où une variable explicative est corrélée avec le terme d’erreur; le BVO est l’une des principales causes d’endogénéité, aux côtés de l’erreur de mesure dans les régresseurs et de la simultanéité. L’erreur de spécification est un terme plus large qui englobe le BVO, mais aussi d’autres erreurs comme une forme fonctionnelle incorrecte. Les variables confondantes, un terme courant en épidémiologie, désignent des variables associées à la fois à l’exposition (variable indépendante) et au résultat (variable dépendante) et qui peuvent fausser l’estimation de l’association si elles ne sont pas contrôlées; c’est essentiellement le même concept que la variable omise causant un biais. Les méthodes visant à atténuer le BVO, comme l’utilisation de variables instrumentales, les modèles à effets fixes ou aléatoires sur données de panel, les expériences naturelles, ou le Regression Discontinuity Design, sont également des concepts liés importants. L’exogénéité, l’hypothèse que les régresseurs ne sont pas corrélés au terme d’erreur, est l’antonyme de la situation créée par le BVO.
L’identification formelle et la préoccupation concernant le biais de spécification, dont le BVO est un cas majeur, se sont développées avec la formalisation de l’économétrie et de la théorie de la régression au milieu du 20ème siècle. Les travaux d’économètres comme Henri Theil dans les années 1950 ont contribué à caractériser mathématiquement les conséquences de l’omission de variables pertinentes. La « révolution de la crédibilité » en économie empirique depuis les années 1980, mettant l’accent sur l’identification causale robuste, a considérablement accru l’attention portée au BVO et au développement de stratégies pour le surmonter. Cette évolution reflète une prise de conscience croissante que la simple corrélation ne suffit pas pour guider l’action et que l’identification des effets causaux nécessite une attention rigoureuse aux sources potentielles de biais, notamment le BVO.
Le principal défi associé au biais de variable omise est l’identification et la mesure des variables potentiellement omises. Souvent, ces variables sont difficiles voire impossibles à observer directement (par exemple, le talent, l’effort, la culture organisationnelle). Même lorsqu’une variable omise potentielle est identifiée, obtenir des données fiables la concernant peut être impossible. Un autre défi est que tenter de « résoudre » le problème en incluant un grand nombre de variables de contrôle peut introduire d’autres problèmes : cela peut augmenter la multicolinéarité, réduire la précision des estimations, ou même introduire un biais si l’on inclut des variables qui ne sont pas de « bons » contrôles (comme des colliders ou des variables intermédiaires sur le chemin causal). Il n’y a pas d’avantage intrinsèque au BVO lui-même, car c’est une source d’erreur. Cependant, la compréhension du concept de BVO est avantageuse car elle incite les chercheurs à réfléchir de manière critique à leurs modèles, à justifier le choix des variables incluses et exclues, à envisager des sources alternatives de données ou des méthodes d’estimation plus robustes, et à interpréter leurs résultats avec prudence, en reconnaissant les limites potentielles liées aux variables non observées. La gestion du BVO reste un aspect fondamental et souvent difficile de la recherche empirique quantitative.