Nous en avons parlé, (si vous n’avez pas vu : c’est ici) dans une étude, on se focalise sur un échantillon pour généraliser les résultats mesurés à une population. Pour ceci, l’échantillon doit être représentatif de la population ; i.e. avoir des caractéristiques comparables à la population (notez que je fais référence aux échantillons empiriques ; plus de détails et de nuances ici).
Nous l’avons vu, il arrive souvent que l’on n’arrive pas à obtenir un échantillon avec les mêmes caractéristiques que la population (on n’arrive pas à interroger assez de femmes, ou pas assez de CSP+, ou pas assez de retraités, etc.). La première chose à faire est alors de vérifier que l’échantillon est représentatif malgré les différences sur ces caractéristiques (cf. ici).
Mais que faire quand le test d’ajustement du khi² vous apprends que votre échantillon n’est pas représentatif de votre population (pour mémoire, dans mon exemple sur la note consacrée au test d’ajustement du khi², j’avais volontairement pris un échantillon qui était représentatif malgré les différences avec la population sur les caractéristiques de représentativité) ?
La première possibilité est d’interroger plus d’individus des catégories mal représentées. Bien sur, cela n’est faisable que si le budget et le temps nécessaires sont disponibles… et que les individus qui « manquent » sont joignables.
L’autre possibilité, fréquemment utilisée dans les études, est de recourir au(x) redressement(s).
Le principe des redressements est en fait d’estimer les réponses des non-répondants (les individus qu’on n’a pas réussi à interroger en nombre suffisant) grâce aux réponses des répondants.
Concrètement, il s’agit d’appliquer un coefficient de pondération (coefficient de redressement ; celui-ci est calculé par tous les logiciels statistiques) aux questionnaires enregistrés.
Exemple : si nous n’avons réussi qu’à obtenir 45% de femmes dans notre échantillon alors qu’il devait en contenir 52% pour être représentatif de notre population, le redressement va pondérer les questionnaires remplis par des femmes par un coefficient de 1.15 (52% divisé par 45%). De plus, le redressement va, logiquement, appliquer un coefficient de 0.87 aux questionnaires remplis par les hommes (48% divisé par 55%).
| Catégories | % obtenus | % souhaités | Coeff. de redressement |
| Femmes | 45% | 52% | 1.15 |
| Hommes | 55% | 8.0% | 0.87 |
Le principe des redressements est finalement assez simple : il s’agit de baisser ou d’augmenter le poids de certains questionnaires afin de faire coller les critères de l’échantillon avec ceux de la population. Le but est bien sûr d’appliquer les coefficients trouvés à toutes les réponses du questionnaire.
Si le but est simple, j’ai tendance à penser que les redressements doivent être utilisés avec beaucoup de pédagogie et de prudence. Les redressements « créent » en effet des réponses virtuelles (même si basées sur les réponses mesurées). Cela peut-être perturbant pour un client qui ne vient pas des études d’avoir à faire à des effectifs qui ne sont pas vraiment concrets…
L’autre prudence à avoir est de ne pas exagérer un redressement… Quelle légitimité d’un redressement qui multiplie le poids d’une catégorie d’individu par 10 ? De mon côté, je ne connais pas de recommandation « officielle » (statistiquement parlant) sur les limites à considérer pour les redressements. J’ai tendance à me méfier d’un redressement effectué sur moins de 50 individus et / ou d’un redressement qui va multiplier le poids de certains individus par plus de 2 (mais bien sur, cela est à étudier au cas par cas, en fonction de l’homogénéité des comportements et de la difficulté du terrain).
| Si vous souhaitez en savoir encore plus sur les redressements, je vous ai trouvé un dossier encore plus complet sur les redressements ; cliquez ici. |
| Cliquez ci-dessus pour afficher le dossier complet |
| Réduire |
