Populations et échantillons Anthony Sealey Université de Toronto This material is distributed under an Attribution-NonCommercial-ShareAlike 3.0 Unported.

Populations et échantillons

Anthony Sealey Université de Toronto

This material is distributed under an Attribution-NonCommercial-ShareAlike 3.0 Unported Creative Commons License, the full details of which may be found online here: http://creativecommons.org/licenses/by-nc-sa/3.0/. You may re-use, edit, or redistribute the content provided that the original source is cited, it is for non-commercial purposes, and provided it is distributed under a similar license.

Les populations et les échantillons

• Souvent les chercheurs s'intéressent à faire des déclarations générales sur les relations entre certains concepts politiques.

• La ‘population’ d’analyse est l'ensemble de toutes les choses auxquelles la relation spécifiée peut s'appliquer.

Par ex. Quelle est la population d’analyse lorsque nous avons examiné la relation entre le genre et les attitudes face au mariage entre personnes de même sexe?

• Tandis que la population est ce que l'on analyse, il est souvent impossible de recueillir des informations sur l'ensemble des choses incluses dans la population. Pour cette raison, les chercheurs recueillent souvent des informations sur un sous-ensemble de la population – appelé un échantillon – et essaient de tirer des conclusions sur la population à partir de l'information recueillie auprès de l'échantillon.

• À bien des égards, le meilleur type d'échantillon est un échantillon aléatoire, parce que la randomisation garantit généralement que les échantillons sont représentatifs et nous permet de déterminer la probabilité qu'un échantillon donné ne soit pas représentatif. Toutefois, dans de nombreux cas, les techniques d'échantillonnage non aléatoire sont plus pratiques et parfois même préférables.

Les techniques d'échantillonnage

non aléatoire 1) L'échantillonnage systématique 2) L'échantillonnage stratifié 3) L'échantillonnage en grappes 4) L'échantillonnage dirigé 5) L'échantillonnage de cas déviant  6) L'échantillonnage en

boule de neige 

Mesure, échantillonnage et erreur

• Notez que il y a deux sources possibles d'erreur du processus d'opérationnalisation de nos concepts.

• La première source d'erreur provient du processus de mesure (erreur de mesure).

• La seconde source d'erreur provient du processus d'échantillonnage (erreur d'échantillonnage).

• Toutefois, il est possible (bien que potentiellement dangereux) de considérer l'erreur d'échantillonnage comme une forme de l'erreur de mesure.

• Il convient également d'appeler l'attention sur le fait que dans l'analyse quantitative, la disponibilité de mesures influe souvent le choix de mesures.

Par ex. L'évaluation des attitudes à l'égard du féminisme dans l'enquête World Values Survey:

Comparez les perspectives sur la proposition: D059 – “Dans l'ensemble, les hommes

sont de meilleurs dirigeants politiques que les femmes.”

avec les perspectives sur cette proposition :

D062 – “Avoir un emploi, c'est bien beau, mais la plupart des femmes souhaitent réellement un foyer et des enfants.”

Maintenant, nous allons comparer la disponibilité des données:

Maintenant, nous allons comparer la disponibilité des

données:  peu de données ne sont

pas disponibles pour ‘femism1’

Maintenant, nous allons comparer la disponibilité des

données: toutes les données ne sont

pas disponibles pour ‘femism2’

• Alors, que faut-il faire? Nous utilisons ‘femism1’ (D059) non parce qu’il s’agit d’une mesure plus valide que ‘femism2’ (D062), mais parce que ‘femism2’ n’est pas disponible.

• Enfin, il est important de souligner que, dans de nombreux cas, l'opérationnalisation des mesures est souvent très controversée et afféctée par les valeurs et les croyances que les chercheurs apportent à leur recherche.

Par ex. Mesures ‘relatives’ et ‘absolues’ de la pauvreté.

Le clip sur les mesures issu de:

La Fondation Gapminder http://www.gapminder.org/videos/human-rights-democracy-statistics/

Crédibilité, transférabilité et validité

• La validité est le concept le plus facilement associé à la recherche quantitative.

• Le terme peut avoir de multiples sens dans le domaine des méthodes de recherche, mais l'idée centrale concerne les notions de l'exactitude et de la véracité.

• Tout d'abord, nous pouvons penser à la ‘validité de la mesure’. Pour être valide, une mesure doit représenter avec exactitude le concept qu'elle est destinée à opérationaliser.

• Un aspect de la ‘validité de la mesure’ est la ‘validité apparente’. Une mesure a une validité apparente s‘il s'agit d'une opérationnalisation appropriée du concept.

Par ex. Qu'est-ce qui a une plus grande validité apparente comme une mesure de ‘l'activisme pour défendre les animaux’: si quelqu'un possède un animal domestique ou si une personne verse un don aux refuges pour animaux?

• Le texte examine également les notions de la ‘validité convergente’ et de la ‘validité divergente’. Ces notions de la validité sont applicables aux indicateurs. On dit que les indicateurs ont une validité convergente si les variables sont considérées comme des indicateurs de la même mesure et qu'ils produisent des résultats analogues dans la plupart des cas.

Par ex. On dit que les indicateurs ‘l'opposition aux mariages homosexuels’ et ‘l'opposition aux droits à l'avortement’ ont une ‘validité convergente’ s'ils sont considérés comme des indicateurs de la mesure du ‘traditionalisme moral’ et qu'ils produisent des résultats analogues dans la plupart des cas.

• On dit que les indicateurs ont une ‘validité divergente’ si les variables sont considérées comme des indicateurs de la même mesure mais ils produisent des résultats contraires dans la plupart des cas.

Par ex. On dit que les indicateurs ‘l'appui au mariage homosexuel’ et ‘l'opposition aux droits à l'avortement’ ont une ‘validité divergente’ s'ils sont considérés comme des indicateurs de la mesure du ‘traditionalisme moral’ mais ils produisent des résultats contraires dans la plupart des cas.

• On peut également appliquer la notion de validité pour les études elles-mêmes. Une exemple est la notion de la ‘validité externe’. On dit qu’une analyse a une validité externe si ses résultats peuvent être généralisés à partir d'un échantillon inclus dans l'analyse aux cas en dehors de l'échantillon.

• La crédibilité et la transférabilité sont des concepts qui ont été développés par les chercheurs qualitatifs comme des parallèles avec les notions de la mesure et de la validité externe dans la recherche quantitative.

• On dit que la recherche qualitative est ‘crédible’ si les données utilisées dans une analyse qualitative correspondent à un monde à décrire; l’analyse qualitative doit être crédible.

• On dit que la recherche qualitative est ‘transférable’ si les résultats peuvent être appliqués à d'autres contextes.

Fiabilité

• Une autre caractéristique importante des mesures quantitatives est la fiabilité. On dit qu’une mesure est fiable si elle obtient de façon constante des résultats comparables dans divers contextes.

• Dans la recherche qualitative, l'attribut analogue se réfère à l'idée de la cohérence entre les données recueillies et les conclusions tirées (les résultats).

• Une autre façon de penser à ce sujet est de se demander: si d'autres chercheurs répétaient l'analyse des données recueillies, seraient les résultats cohérents?

Corroboration et reproductibilité

• Certains chercheurs qualitatives font aussi une distinction entre les idées de la corroboration et de la reproductibilité. Cette distinction est cependant très subtile et exagère probablement la mesure dans laquelle les analyses quantitatives sont en fait réplicable.

• L'idée centrale pour les deux approches est de se demander: si nous devions refaire l'étude, seraient les conclusions les mêmes?

Résumé terminologique

Recherche quantitative

Recherche qualitative

Validité de la mesure

Crédibilité

Validité externe TransférabilitéFiabilité Fiabilité

Reproductibilité Corroboration

Validité, fiabilité et biais

• Comme nous l'avons vu, la notion de ‘validité’ a de nombreuses possibilités d'utilisation.

• Cependant, il y a deux critères importants qui permettent de conceptualiser la validité: la fiabilité et le biais. Les mesures valides doivent être fiables et sans biais.

• Un estimateur fiable ou cohérent est un estimateur qui tend à produire des estimations qui ne sont pas très différentes les uns des autres (c'est à dire la variance des estimés est faible).

• Un estimateur sans biais est un estimateur pour lequel la moyenne de toutes les statistiques de l'échantillon possibles est égale au paramètre de population qu'il estime.

Par ex. #1:

Fiable mais biaisé

Par ex. #2:

Sans biais mais pas fiable

Par ex. #3:

Biaisé et pas fiable

Par ex. #4:

Fiable et sans biais

Représentation schématique de

certains aspects du concept de validité

Validité

Validité interne

Validité de la mesure

Fiabilité

Validité apparen

te Absence de biais

Validité converge

nte

Validité externe