When Trends Matter: Rethinking Before-After Analyses

When Trends Matter: Rethinking Before-After Analyses

par Sabina (Women's Health Research Institute)

Sciences du vivant & de la nature Médecine & Santé MBNSanté publique et médecine préventiveMBNSEpidémiologie et statistiques médicales
🎙 Sabina (Women's Health Research Institute) 👥 251 📅 15 juin 2026 ⏱ 56 min 👁 12 📄 revue de littérature 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

interrupted time seriesARIMAbefore-after analysisCOVID-19deprivation index

Résumé

Cette vidéo, présentée par une chercheuse du Women’s Health Research Institute, constitue une formation méthodologique sur les analyses avant-après, en particulier les séries temporelles interrompues (ITS) et les modèles ARIMA. L’exposé s’appuie sur deux études publiées sur l’impact de la COVID-19 : l’une sur la prise en charge des pertes de grossesse récurrentes, l’autre sur les taux de conception. La présentatrice explique d’abord les principes de l’ITS : évaluer l’effet d’une intervention en comparant les tendances avant et après, en estimant le changement de niveau et de pente, et en construisant un contrefactuel. Elle détaille la structure de la régression, l’utilisation des moindres carrés ordinaires avec erreurs-types de Newey-West pour tenir compte de l’autocorrélation et de l’hétéroscédasticité. Elle illustre avec le premier exemple : une chute brutale des visites à la clinique au début de la pandémie, puis une reprise progressive, avec un passage aux visites virtuelles et des disparités selon la défavorisation matérielle et sociale. Ensuite, elle présente l’ARIMA comme outil de prévision, en insistant sur la nécessité de vérifier la stationnarité, d’identifier les ordres p et q via les fonctions d’autocorrélation, et de comparer les valeurs prédites aux valeurs observées. Dans le second exemple, l’ARIMA a permis d’estimer une baisse de 27% des conceptions par rapport aux prévisions. La vidéo se conclut sur des conseils pratiques et des références utiles.

222 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : la vidéo fournit une explication claire et structurée de deux méthodes quantitatives essentielles en épidémiologie, avec des exemples concrets issus de travaux publiés. L’argumentation est solide : la présentatrice justifie le choix de l’ITS ou de l’ARIMA selon la structure des données, explique les hypothèses sous-jacentes (stabilité des tendances, absence d’interruptions multiples, stationnarité) et discute des limites (nombre de points insuffisant, saisonnalité). Elle illustre chaque concept avec des graphiques et des sorties logicielles, ce qui renforce la compréhension. La démarche est transparente, avec des références à des macros et à des sources officielles. Cependant, certains passages sont un peu confus à l’oral, et la distinction entre ITS et ARIMA aurait pu être plus approfondie, notamment sur les critères de choix.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : la présentatrice s’appuie sur deux articles publiés (dans PLoS ONE et une revue spécialisée), cite des ressources techniques (macro SAS pour ITS, fichiers de StatsCan pour les indices de défavorisation) et explique les tests statistiques utilisés. Elle mentionne les limites de ses analyses (ex. regroupement des quintiles, nombre de points post-intervention). La qualité des sources est correcte, même si les références complètes ne sont pas fournies dans la description. L’adéquation titre/contenu est bonne : le titre reflète bien le thème central, à savoir l’importance de considérer les tendances dans les analyses avant-après. Aucun commentaire n’étant fourni, il n’est pas possible d’analyser les tendances du public.

253 mots

Adéquation titre / contenu

Le titre est pertinent : il annonce une réflexion sur l'importance des tendances dans les analyses avant-après, ce que la vidéo développe en comparant ITS et ARIMA.

Qualité & fiabilité

8/10

Exposé méthodologique rigoureux, appuyé sur deux études publiées et des références techniques (macro SAS, fichiers de StatsCan). La démarche est transparente, avec explication des choix statistiques et des limites. Quelques imprécisions dans l'exposé oral mais l'ensemble est fiable.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

  • Macro SAS pour interrupted time series (lien mentionné dans la vidéo) — La présentatrice mentionne avoir utilisé une macro SAS trouvée en ligne pour calculer les erreurs-types de Newey-West, mais le lien exact n'est pas fourni dans la transcription.
  • Fichiers de défavorisation matérielle et sociale de Statistique Canada — La présentatrice indique que les indices de défavorisation peuvent être téléchargés depuis le site de Statistique Canada, mais l'URL exacte n'est pas précisée.

Sources concordantes

  • Interrupted time series analysis — La méthode ITS est bien documentée et largement utilisée pour évaluer l'impact d'interventions en santé publique.
  • ARIMA models — Les modèles ARIMA sont standard pour la prévision de séries temporelles, comme mentionné dans la vidéo.

Apport & nouveautés

L’apport principal de cette vidéo est de fournir une explication pédagogique et appliquée de deux méthodes d’analyse de séries temporelles (ITS et ARIMA) dans le contexte de l’évaluation d’impact d’un événement majeur comme la pandémie de COVID-19. Elle illustre concrètement les choix méthodologiques à partir de deux études publiées, ce qui est rare dans les formations en ligne. Elle met en lumière l’importance de considérer les tendances préexistantes et de choisir la méthode adaptée à la structure des données (nombre de points, saisonnalité, autocorrélation). Elle aborde également l’intégration d’indicateurs de défavorisation sociale, un aspect souvent négligé.

Pour aller plus loin :

  • Interrupted time series analysis — Article Wikipédia détaillant la méthode, ses applications et ses limites.
  • ARIMA model — Article Wikipédia sur les modèles ARIMA, incluant les concepts de stationnarité et de différenciation.
  • Newey–West estimator — Article Wikipédia sur l’estimateur de Newey-West, utilisé pour corriger l’autocorrélation et l’hétéroscédasticité.
  • Augmented Dickey–Fuller test — Article Wikipédia sur le test de racine unitaire utilisé pour vérifier la stationnarité.
  • Statistique Canada - Indice de défavorisation matérielle et sociale — Page officielle décrivant les indices de défavorisation, bien que l’URL exacte puisse varier.

188 mots

Profil radar

Le profil radar montre des scores élevés et équilibrés sur les quatre axes (quantité, qualité, niveau technique, fiabilité), indiquant une vidéo dense et fiable, avec une forte composante technique. La fiabilité est légèrement inférieure aux autres, probablement en raison de quelques imprécisions orales et de références incomplètes.

Fiabilité 8/10