Retour
Sampling Methods: Stratified, Cluster, Random and Quota
Matthieu Saussaye
La méthode d'échantillonnage détermine comment vous choisissez les personnes interrogées, et elle définit la portée de vos résultats. La première distinction se fait entre l'échantillonnage probabiliste, où chaque membre de la population a une chance connue et non nulle d'être sélectionné, et l'échantillonnage non probabiliste, où ce n'est pas le cas. Seul l'échantillonnage probabiliste permet de justifier une marge d'erreur défendable.
En résumé :
L'échantillonnage aléatoire simple tire des noms au hasard à partir d'une liste complète. Propre, impartial, et souvent impossible car la liste n'existe pas.
L'échantillonnage systématique sélectionne chaque nième unité à partir d'une liste ordonnée. Plus facile à exécuter, mais échoue si la liste présente un cycle caché.
L'échantillonnage stratifié divise d'abord la population en groupes, puis échantillonne au sein de chacun d'eux. Plus précis que l'aléatoire simple lorsque les groupes diffèrent réellement.
L'échantillonnage en grappes échantillonne des groupes entiers tels que des écoles ou des districts, puis mène l'enquête en leur sein. Beaucoup moins cher sur le terrain, mais moins précis pour une même taille d'échantillon.
L'échantillonnage par quotas remplit des quotas prédéfinis par sous-groupe sans sélection aléatoire. Rapide et contrôlable, non probabiliste, et c'est la norme pour les panels en ligne.
L'échantillonnage de convenance et par boule de neige recrute toute personne accessible, ou toute personne recommandée par un répondant. Utile pour l'exploration et les groupes difficiles à atteindre, mais pas pour estimer des données globales de population.
Comparatif des méthodes d'échantillonnage
Chaque méthode présente des avantages et des inconvénients, généralement en termes de coût, de précision ou de portée des conclusions que vous pouvez en tirer.
Méthode | Fonctionnement | Idéal pour | Risque principal |
|---|---|---|---|
Aléatoire simple | Chaque unité figurant sur une liste complète a une chance égale d'être sélectionnée | Les populations disposant d'une base de sondage réelle et complète | La base de sondage existe rarement et de petits sous-groupes peuvent être omis par hasard |
Systématique | Choisir un point de départ aléatoire, puis sélectionner toutes les n-ièmes unités à partir d'une liste ordonnée | Les listes longues et le travail sur le terrain où la randomisation est difficile | La périodicité : si la liste suit un cycle calqué sur votre intervalle de sélection, l'échantillon est biaisé |
Stratifié | Diviser la population en strates, puis échantillonner de manière aléatoire au sein de chacune d'elles | Lorsque les sous-groupes diffèrent et que vous avez besoin d'estimations fiables par sous-groupe | Nécessite de connaître d'avance l'appartenance aux strates, et de procéder à une pondération si l'allocation n'est pas proportionnelle |
En grappes | Sélectionner au hasard des groupes entiers, puis interroger tous les membres ou une partie d'entre eux au sein de ces groupes | Les populations dispersées géographiquement sans liste individuelle disponible | Précision moindre par répondant, car les personnes au sein d'une même grappe ont tendance à se ressembler |
Par quotas | Remplir des quotas fixes par sous-groupe, en recrutant de manière non aléatoire jusqu'à ce que chaque quota soit atteint | Les panels en ligne, les études commerciales rapides, le contrôle de la structure de l'échantillon | Non probabiliste : le choix des personnes qui remplissent chaque quota relève de l'autosélection, il n'y a donc pas de marge d'erreur réelle |
De convenance | Interroger les personnes les plus faciles à joindre | Les études pilotes, les tests de questions, la phase exploratoire initiale | Biais inconnu et généralement important ; ne permet pas d'établir des estimations pour l'ensemble de la population |
Boule de neige | La recommandation de nouveaux répondants par les répondants existants | Les populations rares ou difficiles à joindre pour lesquelles il n'existe pas de liste | L'échantillon suit les réseaux sociaux, surreprésentant ainsi les personnes très connectées |
Les quatre premières lignes correspondent à des méthodes probabilistes. Les trois dernières ne le sont pas, et la différence n’est pas un simple détail technique : c'est ce qui sépare l'affirmation « nous estimons ce résultat à 42 %, à plus ou moins 3 points » de « 42 % des personnes que nous avons interrogées ont répondu ceci ».
Échantillonnage probabiliste versus non probabiliste
L'échantillonnage probabiliste signifie que chaque unité de la population a une probabilité connue et non nulle d'être sélectionnée, et que cette sélection est effectuée par un mécanisme aléatoire que vous contrôlez. Statistique Canada, Méthodes et pratiques d'enquête, 2010 énonce les deux critères : « l'un est que les unités soient sélectionnées au hasard, le second est que toutes les unités de la population d'enquête aient une probabilité d'inclusion non nulle dans l'échantillon et que ces probabilités puissent être calculées ». C'est cette propriété qui permet de calculer l'erreur d'échantillonnage. Une marge d'erreur est une déclaration sur la mesure dans laquelle les résultats varieraient d'un échantillon aléatoire répété à l'autre. Sans sélection aléatoire, le calcul n'a rien à décrire.
L'échantillonnage non probabiliste signifie que la sélection dépend d'autre chose que du hasard : qui était disponible, qui s'est porté volontaire, qui a été recommandé par un ami, qui était encore dans le panel et disposé à répondre à 21 heures. L'échantillon qui en résulte peut tout de même être informatif et c'est ce que la plupart des études de Market Research commerciales utilisent réellement. Ce qu'il ne peut pas faire, c'est soutenir l'affirmation selon laquelle la différence entre votre échantillon et la population n'est qu'un bruit d'échantillonnage. L'AAPOR soutient depuis longtemps que « déclarer une marge d'erreur d'échantillonnage avec des échantillons à participation volontaire ou auto-identifiés est trompeur » (Baker et al., Groupe de travail de l'AAPOR sur l'échantillonnage non probabiliste, 2013).
Deux notes pratiques qui dépassent le débat sur la pureté méthodologique :
En pratique, presque plus rien n'est purement probabiliste. La non-réponse signifie que même un tirage aléatoire parfait se retrouve avec un ensemble auto-sélectionné de personnes qui ont accepté de répondre. C'est l'une des raisons pour lesquelles les taux de réponse importent tant : un faible taux de réponse érode la propriété même qui rendait la conception probabiliste.
Non probabiliste ne signifie pas pour autant sans valeur. Un échantillon par quotas bien géré à partir d'un grand panel, redressé selon des données de population connues, constitue la base habituelle des études de Market Research commerciales. Comme l'a conclu le groupe de travail de l'AAPOR (Baker et al., 2013), les échantillons non probabilistes « peuvent être appropriés pour faire des inférences statistiques, mais la validité des inférences repose sur la pertinence des hypothèses sous-jacentes au modèle et sur la manière dont les écarts par rapport à ces hypothèses affectent les estimations spécifiques ». La démarche honnête consiste à décrire la méthode plutôt qu'à l'habiller d'une marge d'erreur qu'elle n'a pas méritée.
Échantillonnage aléatoire simple et systématique
Aléatoire simple
Prenez une liste complète de la population, la base de sondage, et tirez-y au sort. Chaque unité a la même probabilité de sélection. C'est le plan de référence, celui auquel toutes les autres méthodes sont comparées, et il est sans biais par construction.
Son problème pratique est la base de sondage. Une liste complète et à jour de « toutes les personnes d'un pays » ou de « tous les acheteurs d'une catégorie » n'existe généralement pas. Lorsqu'une base de sondage existe, comme votre propre base de données clients ou un annuaire du personnel, l'échantillonnage aléatoire simple est simple et constitue généralement le bon choix par défaut.
Il présente une faiblesse statistique qu'il convient de connaître. Les tirages aléatoires peuvent, par hasard, sous-représenter un petit sous-groupe. Si vous avez besoin de chiffres fiables pour un groupe qui représente 4 % de la population, l'échantillonnage aléatoire simple vous en donnera peu, sans aucune garantie sur ce nombre minimal.
Systématique
Ordonnez la base de sondage, choisissez un point de départ aléatoire, puis prenez chaque n-ième unité. Avec 10 000 enregistrements et une cible de 500, vous prenez un enregistrement sur 20. C'est plus facile à exécuter que de tirer 500 nombres au hasard, et cela répartit l'échantillon uniformément sur toute la liste.
Le piège réside dans la périodicité. Si la liste présente un motif répétitif dont le cycle s'aligne sur votre intervalle, l'échantillon touchera systématiquement le même type d'unité à chaque fois. Une liste de visites en magasin ordonnée par jour, échantillonnée tous les 7 jours, peut se retrouver entièrement composée de lundis. Statistique Canada (2010) utilise ce même exemple pour le flux de circulation et ajoute l'aspect délicat : « dans la plupart des cas, la périodicité n'est pas connue à l'avance ». Vérifiez l'ordre avant de faire confiance au plan de sondage ; si l'ordre est significatif, randomisez-le d'abord.
Quand l'échantillonnage stratifié l'emporte sur l'aléatoire simple
L'échantillonnage stratifié divise la population en strates mutuellement exclusives, telles que la région, la taille de l'entreprise ou la tranche d'âge, puis tire un échantillon aléatoire au sein de chaque strate. Chaque unité a toujours une probabilité de sélection connue, ce qui en fait une méthode probabiliste.
Il l'emporte sur l'échantillonnage aléatoire simple dans deux situations.
Vous avez besoin d'estimations pour des sous-groupes
Si le rapport doit dire quelque chose sur chaque région séparément, un échantillon aléatoire simple vous donne le nombre de répondants que chaque région veut bien recevoir, ce qui peut être insuffisant pour tirer des conclusions. Un échantillon stratifié vous permet de fixer à l'avance le nombre d'unités par strate. Le suréchantillonnage d'une strate petite mais importante est une pratique courante, et le prix à payer est que vous devez redresser les résultats selon les proportions réelles de la population avant de présenter un total général. Omettez le redressement et votre chiffre national sera discrètement la moyenne d'une population artificielle.
Les strates diffèrent sur ce que vous mesurez
C'est l'argument de la précision, et c'est celui que l'on oublie souvent. Lorsque la variation au sein de chaque strate est faible et que la variation d'une strate à l'autre est grande, la stratification élimine la variabilité inter-strate de votre erreur d'échantillonnage. Pour une taille d'échantillon fixe, une estimation stratifiée de la moyenne globale est alors plus précise qu'une estimation aléatoire simple. Statistique Canada (2010) énonce directement cette condition : pour surpasser l'échantillonnage aléatoire simple, « il doit y avoir une forte homogénéité au sein de la strate... et les strates elles-mêmes doivent être aussi différentes que possible », ce qui se produit « si les variables de stratification sont corrélées avec la variable d'enquête d'intérêt ».
Le corollaire est tout aussi important : si les strates ne diffèrent pas sur votre indicateur, stratifier par celles-ci n'apporte presque rien. Stratifier une enquête client par l'initiale du prénom est valide mais inutile. Choisissez des strates dont vous avez des raisons de penser qu'elles sont liées à ce que vous mesurez.
La condition préalable est que vous devez connaître la strate de chaque unité avant l'échantillonnage. C'est facile pour une base de données clients avec un champ région, mais impossible pour une caractéristique que vous ne pouvez apprendre qu'en la demandant. Lorsque le critère de classification ne peut être connu qu'à partir de l'enquête elle-même, vous réalisez généralement un échantillonnage par quotas, et non un échantillonnage stratifié.
Comment l'échantillonnage en grappes troque la précision contre le coût du terrain
L'échantillonnage en grappes inverse la logique de la stratification. Au lieu d'échantillonner au sein de chaque groupe, vous sélectionnez aléatoirement des groupes entiers, puis vous interrogez à l'intérieur des groupes sélectionnés. Échantillonnez 30 écoles sur 900, puis enquêtez auprès des élèves de ces 30 écoles. Dans un échantillonnage en grappes à un degré, vous interrogez tout le monde dans les grappes choisies ; dans un échantillonnage à deux degrés, vous échantillonnez également à l'intérieur de celles-ci.
La raison de procéder ainsi est presque toujours le coût. Si l'entretien implique des déplacements physiques, concentrer votre travail sur le terrain dans 30 endroits plutôt que de le disperser sur 900 modifie le budget d'un ordre de grandeur. L'échantillonnage en grappes fonctionne également lorsqu'il n'existe aucune liste d'individus, mais qu'une liste de grappes est disponible. Il n'y a pas de registre de chaque ménage, mais il existe une liste de districts.
Le coût de cette méthode est la précision. Les personnes au sein d'une même grappe ont tendance à se ressembler, et cette similitude est mesurée par la corrélation intraclasse. Parce qu'ils sont semblables, chaque répondant supplémentaire issu d'une grappe déjà échantillonnée apporte moins d'informations nouvelles que ne le ferait un répondant indépendant. Le résultat est un effet de plan, que Statistique Canada (2010) définit comme « le ratio de la variance d'échantillonnage d'un estimateur sous un plan donné par rapport à la variance d'échantillonnage d'un estimateur sous un échantillonnage aléatoire simple de même taille ». La même source note que l'échantillonnage en grappes « est généralement une stratégie d'échantillonnage moins efficace statistiquement que l'échantillonnage aléatoire simple » et est choisi parce que « l'échantillonnage en grappes peut réduire considérablement le coût de la collecte, en particulier si la population est dispersée et que des entretiens personnels sont menés ». Votre taille d'échantillon effective se retrouve ainsi plus petite que votre effectif brut.
Deux implications en découlent directement :
De nombreuses petites grappes valent mieux que quelques grandes. Ajouter des grappes apporte plus de précision que d'ajouter des répondants au sein de grappes existantes. Statistique Canada (2010) : « Lorsque les unités voisines sont similaires, il est plus efficace statistiquement de sélectionner de nombreuses petites grappes plutôt que quelques grappes plus grandes. »
L'analyse doit prendre en compte le plan de sondage. Les erreurs types calculées comme si l'échantillon était aléatoire simple sont trop petites, ce qui fait apparaître des différences comme significatives alors qu'elles ne le sont pas. Utilisez des méthodes d'estimation tenant compte du plan d'échantillonnage.
L'échantillonnage stratifié et l'échantillonnage en grappes sont souvent confondus car tous deux impliquent des groupes. La distinction est pourtant simple : la stratification échantillonne dans chaque groupe et augmente la précision, tandis que l'échantillonnage en grappes n'échantillonne que certains groupes et réduit les coûts.
Échantillonnage par quotas, et comment il fonctionne en pratique
L'échantillonnage par quotas fixe des objectifs de ciblage pour des sous-groupes, puis recrute jusqu'à ce que chaque objectif soit atteint. Une étude peut ainsi spécifier 500 répondants répartis par âge, genre et région pour correspondre aux proportions nationales. Une fois que la cellule des 25-34 ans est pleine, les répondants ultérieurs de cette tranche d'âge sont filtrés et exclus.
Structurellement, il ressemble à l'échantillonnage stratifié : la population est divisée en cellules avec un effectif prévu pour chacune. La différence est décisive. Dans l'échantillonnage stratifié, les unités de chaque strate sont sélectionnées de manière aléatoire à partir d'une base de sondage. Dans l'échantillonnage par quotas, ce n'est pas le cas : les premières personnes qui se présentent et se qualifient sont intégrées. Cela en fait une méthode non probabiliste, peu importe si les marges correspondent parfaitement au recensement. Statistique Canada (2010) trace la même frontière : « Dans l'échantillonnage probabiliste, les unités sont sélectionnées de manière aléatoire alors que dans l'échantillonnage par quotas, on utilise une méthode non aléatoire », et « les unités contactées qui ne souhaitent pas participer sont simplement remplacées par des unités qui le souhaitent, ignorant de fait le biais de non-réponse ».
Pourquoi il domine malgré tout la Market Research commerciale :
Il est rapide et prévisible. Vous connaissez la structure de votre échantillon final avant même le début du terrain.
Il n'a pas besoin de base de sondage. Uniquement d'un questionnaire de filtrage (screener) qui identifie la cellule à laquelle appartient un répondant.
Il garantit les effectifs des sous-groupes. Les segments sur lesquels vous avez promis de faire un rapport disposeront de suffisamment de répondants pour être analysés.
Ce qu'il cache, c'est l'identité de ceux qui composent chaque cellule. Faire correspondre la population sur l'âge et le genre ne rend pas l'échantillon représentatif sur le reste. Les personnes qui répondent à des sondages en ligne pour une faible récompense diffèrent de celles qui ne le font pas, de manières que les quotas démographiques ne mesurent jamais : temps disponible, intérêt pour le sujet et nombre de sondages auxquels elles répondent par semaine. Le contrôle des quotas sur la démographie est un minimum, pas une garantie. Si vous achetez un échantillon auprès d'un panel, la composition et la gestion de ce panel comptent tout autant que votre grille de quotas, ce qui est le sujet de la panel research.
Quotas croisés ou simples
Une grille de quotas simples (non croisés) définit des objectifs indépendants : 50 % de femmes, 20 % de personnes âgées de 18 à 24 ans. Chaque marge s'avère correcte alors que la combinaison peut être fortement biaisée, par exemple si la quasi-totalité de vos 18-24 ans sont des hommes. Les quotas croisés spécifient les cellules elles-mêmes, comme 10 % de femmes âgées de 18 à 24 ans. Le croisement permet un meilleur contrôle mais est plus difficile à remplir, car les cellules rares deviennent le goulot d'étranglement à la fin du terrain. Croisez les variables qui interagissent avec votre indicateur principal, et laissez le reste sous forme de marges simples.
Échantillonnage de convenance et par boule de neige
L'échantillon de convenance consiste à interroger les personnes les plus faciles à atteindre : votre liste d'e-mails, vos abonnés sur les réseaux sociaux, les passants dans la rue. Le biais est inconnu en termes de taille et de direction, et il est généralement important. Vos abonnés ne sont pas votre marché, ils sont la partie de votre marché qui vous apprécie déjà.
Cela ne le rend pas inutile pour autant. C'est la bonne méthode pour tester si un questionnaire est compréhensible, pour des travaux exploratoires préliminaires où vous cherchez à déterminer quelles devront être les questions, et pour identifier les problèmes avant d'engager un budget. La règle est que les résultats sont des hypothèses, non des estimations. N'associez jamais de pourcentage à une population globale à partir d'un échantillon de convenance.
L'échantillonnage par boule de neige recrute par recommandation : chaque répondant en parraine d'autres. Il existe pour toucher des populations sans base de sondage et à faible incidence, comme les personnes atteintes d'une maladie rare ou les titulaires d'un poste très spécialisé. Il fonctionne là où rien d'autre ne marche, et il hérite de la forme du réseau social qu'il traverse, surreprésentant les personnes très connectées et se regroupant au sein de communautés. Présentez-le pour ce qu'il est : un échantillon constitué par chaînes de parrainage, décrit plutôt que projeté.
La taille de l'échantillon est une décision distincte
La taille de l'échantillon et la méthode d'échantillonnage sont deux questions différentes, et les confondre est fréquent. La méthode détermine si votre échantillon est systématiquement biaisé. La taille détermine l'importance du bruit aléatoire autour de votre estimation.
Un grand échantillon mal constitué n'est pas préférable à un petit échantillon bien construit. Augmenter la taille d'un échantillon biaisé rend l'estimation plus précisément fausse : l'intervalle de confiance se resserre autour d'un chiffre qui n'a jamais été centré sur la vérité. Le choix de la méthode vient en premier.
Comment votre choix d'échantillonnage limite ce que vous pouvez affirmer
Chaque plan d'échantillonnage autorise une formulation spécifique dans votre rapport. Rédiger une affirmation plus forte que ce que la méthodologie permet est le moyen le plus courant pour qu'une recherche devienne trompeuse sans que personne ne mente.
Échantillon probabiliste avec un taux de réponse satisfaisant : « Nous estimons 42 % de la population, avec une marge d'erreur de plus ou moins 3 points et un niveau de confiance de 95 %. »
Échantillon probabiliste stratifié : la même affirmation, avec en plus des déclarations fiables sur les sous-groupes, à condition que les résultats soient pondérés pour correspondre aux proportions de la population.
Échantillon en grappes : la même affirmation, mais avec des erreurs types calculées en fonction du plan. La taille effective de l'échantillon est inférieure au nombre d'entretiens réalisés.
Échantillon par quotas issu d'un panel : « Parmi 1 000 répondants du panel contrôlés par quotas afin de correspondre aux proportions nationales d'âge, de genre et de région, 42 % ont répondu X. » Décrivez la méthode ; ne présentez pas de marge d'erreur d'échantillonnage comme si la sélection avait été aléatoire.
Échantillon de convenance : « Parmi 180 de nos propres clients ayant répondu, 42 % ont répondu X. » Aucune projection n'est possible au-delà de ces seuls répondants.
Échantillon par boule de neige : « Parmi 60 répondants recrutés par recommandation, la plupart ont décrit X. » Formulation qualitative uniquement.
La pondération ne convertit pas une méthode en une autre
La pondération ajuste votre échantillon afin que sa structure corresponde aux données de population connues sur les variables que vous pondérez. C'est classique, c'est utile, et cela corrige de réels déséquilibres. Cela ne transforme pas pour autant un échantillon non probabiliste en un échantillon probabiliste. La pondération ne peut corriger les biais que sur les variables pondérées et sur ce qui y est étroitement lié. Elle ne peut pas corriger une différence comportementale entre répondants et non-répondants qui n'aurait aucun lien avec l'âge, le genre ou la région. De plus, de fortes pondérations augmentent la variance, ce qui réduit la taille réelle de l'échantillon ; un échantillon fortement pondéré est donc moins précis que ne le suggère son effectif brut.
Indiquez toujours la méthodologie
Une note méthodologique doit mentionner la population cible, la base de sondage ou l'origine des répondants, la méthode de sélection, les quotas ou strates utilisés, les dates de terrain, la taille finale de l'échantillon et toute pondération appliquée. Si un lecteur ne peut pas reconstituer la manière dont les répondants ont intégré votre échantillon, il ne peut pas en évaluer les chiffres. Cela est d'autant plus crucial lorsque l'échantillonnage n'est pas probabiliste : Baker et al. (2013) soutiennent que « chaque fois que des méthodes d'échantillonnage non probabilistes sont utilisées, la responsabilité de décrire les méthodes de tirage de l'échantillon, de collecte des données et d'inférence est plus lourde que pour les échantillons probabilistes ». C'est aussi ce qui distingue une étude sérieuse d'un simple graphique avec un pourcentage, et c'est un point qu'il convient de vérifier avant de confier un projet à une externe research agency.
Choisir une méthode : un parcours de décision rapide
Disposez-vous d'une liste exhaustive de la population ? Si oui, l'échantillonnage aléatoire simple ou systématique est envisageable. Si non, passez aux plans par quotas ou en grappes.
Avez-vous besoin de données fiables sur des sous-groupes spécifiques ? Si oui, stratifiez sur ces sous-groupes ou fixez-leur des quotas, et prévoyez une pondération.
Le travail de terrain est-il coûteux sur le plan géographique ? Si oui, optez pour les grappes et intégrez l'effet de plan dans le calcul de la taille de votre échantillon.
La population est-elle rare et sans liste de base ? Privilégiez un échantillonnage boule de neige ou un recrutement ciblé, présentés de manière descriptive.
Êtes-vous dans une démarche d'exploration plutôt que d'estimation ? Un échantillon de convenance convient parfaitement. Précisez-le simplement dans le rapport.
La méthode la plus adaptée est généralement la plus rigoureuse que vos critères de sélection et votre budget vous permettent réellement d'appliquer. Le discernement réside ensuite dans sa description rigoureuse, ce qui relève de la même discipline que celle qui sépare les affirmations qualitatives des affirmations quantitatives.
Références
Baker, R., Brick, J. M., Bates, N. A., Battaglia, M., Couper, M. P., Dever, J. A., Gile, K. J., et Tourangeau, R. Report of the AAPOR Task Force on Non-Probability Sampling. American Association for Public Opinion Research, juin 2013.
Statistique Canada. Méthodes et pratiques d'enquête, Catalogue n° 12-587-X. Statistique Canada, 2010.
Soignez la structure de l'échantillon, mais aussi sa profondeur
L'échantillonnage détermine qui répond. Il ne dit rien de ce que vous apprenez de chacun d'eux. La plupart des études résolvent le premier problème avec soin, pour ensuite se contenter de deux clics et d'un commentaire d'un seul mot de la part de chaque répondant qu'elles ont eu tant de mal à recruter.
SmartInterview gère la gestion des quotas pour que les cellules se remplissent exactement comme vous l'avez défini, et réalise l'entretien lui-même par voix ou par texte grâce à une IA qui relance les réponses floues dans la propre langue du répondant. Les réponses ouvertes vous reviennent codées par thèmes, de sorte que la profondeur qualitative est quantifiable aux côtés de vos données contrôlées par quotas.
Concevez votre prochaine étude de bout en bout : commencez gratuitement ou contactez notre équipe.
.
Foire Aux Questions
Quelle est la différence entre l'échantillonnage stratifié et l'échantillonnage en grappes ?
Tous deux divisent la population en groupes, mais ils les utilisent de manière opposée. L'échantillonnage stratifié prélève un échantillon dans chaque groupe, ce qui augmente la précision lorsque les groupes diffèrent sur ce que vous mesurez. L'échantillonnage en grappes sélectionne de manière aléatoire un sous-ensemble de groupes et ne réalise l'enquête qu'au sein de ces derniers, ce qui réduit les coûts du terrain mais diminue la précision car les personnes au sein d'une même grappe se ressemblent.
Qu'est-ce qu'un échantillon stratifié ?
Un échantillon stratifié est obtenu en divisant d'abord la population en strates mutuellement exclusives, telles que la région ou la taille de l'entreprise, puis en prélevant un échantillon aléatoire au sein de chaque strate. Cela nécessite de connaître la strate de chaque unité avant l'échantillonnage. Cela garantit un nombre suffisant de répondants dans chaque sous-groupe et, lorsque les strates diffèrent sur le résultat, produit une estimation globale plus précise qu'un échantillonnage aléatoire simple de même taille.
Quand faut-il utiliser l'échantillonnage en grappes ?
Utilisez-le lorsque la population est géographiquement dispersée, que le travail de terrain nécessite des déplacements, et qu'il n'existe pas de liste d'individus mais qu'une liste de grappes est disponible. Concentrer les entretiens dans un nombre limité de lieux sélectionnés au hasard réduit considérablement les coûts. Prévoyez un budget pour l'effet de plan : les réponses au sein d'une même grappe étant corrélées, vous aurez besoin de plus de répondants que pour un échantillonnage aléatoire simple afin d'atteindre la même précision.
La méthode des quotas est-elle identique à l'échantillonnage stratifié ?
Non. Elles se ressemblent car toutes deux fixent des objectifs de comptage par sous-groupe, mais l'échantillonnage stratifié sélectionne les unités de manière aléatoire au sein de chaque strate à partir d'une base de sondage, tandis que la méthode des quotas accepte toute personne qualifiée jusqu'à ce que chaque cellule soit remplie. Cela fait de l'échantillonnage stratifié une méthode probabiliste avec une marge d'erreur calculable, et de la méthode des quotas une méthode non probabiliste sans marge d'erreur.
Quelle est la différence entre l'échantillonnage probabiliste et non probabiliste ?
Dans l'échantillonnage probabiliste, chaque membre de la population a une chance connue et non nulle d'être sélectionné, et la sélection est aléatoire, ce qui rend l'erreur d'échantillonnage calculable. Dans l'échantillonnage non probabiliste, la sélection dépend de la disponibilité, de l'auto-sélection ou du parrainage. Les échantillons non probabilistes peuvent tout de même être informatifs, mais vous ne pouvez pas prétendre que l'écart entre votre échantillon et la population n'est qu'un bruit aléatoire.
Le redressement par pondération corrige-t-il un échantillon biaisé ?
Seulement en partie. La pondération corrige le déséquilibre sur les variables sur lesquelles vous pondérez, et sur les caractéristiques qui leur sont étroitement liées. Elle ne peut pas corriger les différences entre les répondants et les non-répondants qui ne sont pas liées à ces variables, et elle ne transforme pas un échantillon non probabiliste en un échantillon probabiliste. Des poids importants augmentent également la variance, réduisant la taille effective de l'échantillon en deçà du nombre d'entretiens que vous avez réellement collectés.
