Le compromis fondamental
Le compromis fondamental
L'échantillonnage probabiliste et non probabiliste se distinguent par un élément clé : la garantie que chaque membre de votre population cible a une probabilité de sélection connue et non nulle.
L'échantillonnage probabiliste offre cette garantie. Vous pouvez calculer la marge d'erreur de vos résultats et justifier ce chiffre devant un bailleur de fonds, un évaluateur ou un homologue gouvernemental. Si l'on vous demande "quel est votre niveau de confiance dans cette estimation ?", vous pouvez fournir une réponse statistique précise.
L'échantillonnage non probabiliste n'offre pas cette garantie. Vous sélectionnez les participants en fonction de l'accessibilité, de votre jugement ou de réseaux de référence. Les résultats sont réels et peuvent être obtenus avec rigueur, mais leur représentativité ne peut être calculée. Ce n'est pas un défaut en soi, mais cela implique qu'ils répondent à un type de question différent.
Le choix ne porte pas sur la rigueur intrinsèque. Un échantillon par choix raisonné bien conçu pour la recherche qualitative est plus rigoureux qu'une enquête aléatoire mal administrée. Le choix dépend de la nature des conclusions que vous souhaitez tirer.
| Facteur | Échantillonnage probabiliste | Échantillonnage non probabiliste |
|---|---|---|
| Représentativité statistique | Oui, calculable | Non |
| Base de sondage requise | Oui | Non |
| Marge d'erreur | Calculable | Non calculable |
| Généralisabilité | À la population cible définie | Ne peut pas généraliser statistiquement |
| Coût et temps | Plus élevé | Moins élevé |
| Biais | Quantifiable si la base est incomplète | Inhérent et non quantifiable |
| Mieux adapté pour | Enquêtes de couverture, situations de référence, évaluations d'impact | Informateurs clés, groupes de discussion, évaluations rapides |
Avant de vous engager dans l'une ou l'autre approche, utilisez le Calculateur d'échantillonnage pour confirmer si la taille d'échantillon nécessaire pour votre plan probabiliste est réalisable compte tenu de votre budget et de votre calendrier. Si ce n'est pas le cas, vous devrez soit ajuster vos exigences de précision, soit reconsidérer la méthode.
Méthodes probabilistes
Méthodes d'échantillonnage probabiliste
Quatre méthodes probabilistes répondent à la plupart des besoins en S&E. Chacune a des exigences spécifiques concernant la base de sondage et des implications distinctes pour la logistique de terrain et l'analyse des données.
Échantillonnage aléatoire simple (EAS) : Chaque unité de la population a une probabilité égale et connue d'être sélectionnée. Simple à comprendre et facile à analyser. Exige une liste exhaustive et précise de l'ensemble de la population. Rare en S&E sur le terrain car les listes complètes de la population sont rarement disponibles en pratique, en particulier dans les contextes ruraux ou les établissements informels où résident les bénéficiaires des programmes.
Échantillonnage systématique : Sélectionnez chaque n-ième unité d'une liste ordonnée. Par exemple, chaque 8ème ménage sur une liste d'enregistrement communautaire, ou chaque 5ème établissement de santé dans une base de données nationale d'informations sur la santé. Pratique pour les équipes de terrain car la règle de sélection est simple à expliquer et à vérifier. Fonctionne bien pour les transects de ménages. Le risque : si la liste présente une périodicité cachée (par exemple, les leaders communautaires sont listés au début de chaque bloc de village), votre échantillon sera sujet à ce biais.
Échantillonnage stratifié : Divisez la population en sous-groupes mutuellement exclusifs (strates) tels que le sexe, le district ou le quintile de richesse, puis échantillonnez aléatoirement au sein de chaque strate. Utilisez cette méthode lorsque vous avez besoin d'estimations précises pour des sous-groupes spécifiques, ou lorsque les sous-groupes diffèrent considérablement les uns des autres concernant le résultat que vous mesurez. Il est nécessaire de connaître la taille des strates avant le début de l'échantillonnage. Produit des estimations plus précises que l'EAS lorsque les strates sont internement homogènes.
Échantillonnage en grappes : Regroupez les unités en grappes (villages, écoles, zones de desserte des établissements de santé), sélectionnez aléatoirement des grappes, puis enquêtez sur toutes les unités ou un sous-ensemble aléatoire d'unités au sein de chaque grappe sélectionnée. C'est le choix pratique lorsqu'une liste complète de la population n'existe pas, ce qui est la norme dans les enquêtes de terrain. Le compromis est que les individus au sein des grappes sont plus similaires entre eux que ne le seraient des individus sélectionnés aléatoirement, ce qui augmente la variance par rapport à l'EAS. Ce facteur d'inflation est appelé l'effet de plan. Voir l'échantillonnage en grappes pour des conseils techniques sur le calcul de l'effet de plan et l'ajustement de la taille de l'échantillon en conséquence.
Choisir la bonne méthode probabiliste
| Méthode | Utiliser quand | Éviter quand |
|---|---|---|
| Aléatoire simple | Une liste de population complète et précise existe | Aucune liste disponible, population géographiquement dispersée |
| Systématique | Une liste séquentielle est disponible (enregistrement, transect) | La liste présente des schémas d'ordonnancement cachés |
| Stratifié | Des comparaisons de sous-groupes sont requises, les strates diffèrent considérablement | L'appartenance à la strate est inconnue avant l'échantillonnage |
| En grappes | Aucune liste de population complète, la population est géographiquement regroupée | Le budget permet une sélection individuelle et une liste existe |
La méthode la plus couramment utilisée sur le terrain en S&E du développement international est l'échantillonnage en grappes avec probabilité proportionnelle à la taille (PPT) : les grappes sont sélectionnées aléatoirement avec une probabilité proportionnelle à leur population estimée, puis un nombre fixe d'unités est sélectionné aléatoirement au sein de chaque grappe. Elle permet de pallier l'absence de listes de population, gère les tailles de grappes inégales et est facile à vérifier sur le terrain.
Si votre programme dessert plusieurs districts et nécessite des comparaisons de sous-groupes (femmes et hommes, communautés de traitement et de comparaison), l'échantillonnage stratifié produit des estimations de sous-groupes plus précises, mais il est nécessaire de disposer de données de population par strate avant de commencer. Pour des conseils sur ce dilemme spécifique, voir échantillonnage en grappes vs stratifié.
En cas de doute entre les méthodes, privilégiez par défaut l'échantillonnage en grappes avec ajustement de l'effet de plan. C'est la méthode probabiliste la plus pratique sur le terrain et la plus justifiable lorsqu'une liste complète de la population n'est pas disponible, ce qui est fréquent dans la majorité des enquêtes auprès des ménages menées dans les pays à revenu faible et intermédiaire.
Méthodes non probabilistes
Méthodes d'échantillonnage non probabiliste
Cinq méthodes non probabilistes englobent l'éventail des contextes de S&E qualitatifs et à accès restreint. Chacune est légitime pour certaines finalités et inappropriée pour d'autres.
Échantillonnage par choix raisonné (ou par jugement) : Vous sélectionnez les participants en fonction de caractéristiques spécifiques ou d'une expertise directement pertinente pour votre question de recherche. C'est l'approche privilégiée pour les entretiens avec des informateurs clés, les panels d'experts et la sélection de sites d'étude de cas. Les critères de sélection et d'exclusion doivent être explicitement documentés et justifiés dans votre section méthodologique.
Échantillonnage de convenance : Vous sélectionnez toute personne facilement accessible au moment de la collecte des données. C'est la méthode la plus facile à exécuter et la plus susceptible d'introduire des biais de sélection. Acceptable lorsque de réelles contraintes d'accès rendent les autres méthodes impraticables, mais cette limitation doit être clairement indiquée dans le rapport et les résultats ne doivent pas être généralisés au-delà des personnes interrogées.
Échantillonnage en boule de neige : Les participants existants orientent d'autres participants à l'étude. Utilisé pour atteindre des populations cachées, stigmatisées ou difficiles d'accès : personnes vivant avec le VIH, personnes déplacées internes, migrants sans papiers, survivantes de violences basées sur le genre. Ne peut pas produire de résultats statistiquement représentatifs, mais constitue parfois la seule approche éthique pour atteindre ces communautés.
Échantillonnage par quotas : Fixez des nombres cibles pour les sous-groupes (par exemple, 25 femmes et 25 hommes) et remplissez ces quotas par convenance au sein de chaque groupe. En apparence, il ressemble à l'échantillonnage stratifié, mais il manque de tirage aléatoire au sein des sous-groupes, ce qui signifie que le biais de sélection n'est pas quantifiable. Fréquent dans les évaluations rapides et les études de marché. Acceptable lorsque l'échantillonnage aléatoire stratifié n'est pas réalisable et que vous avez besoin d'une représentation approximative des sous-groupes.
Échantillonnage par variation maximale : Sélectionnez des participants qui présentent la plus grande diversité possible selon des variables clés : âge, géographie, exposition au programme, type de subsistance, origine ethnique. Utilisé dans les études qualitatives spécifiquement pour capturer l'éventail complet des expériences et des perspectives plutôt que pour estimer une tendance centrale ou une moyenne. L'objectif est l'étendue conceptuelle, et non la représentativité statistique.
Quand le non-probabiliste a du sens
L'échantillonnage non probabiliste est pertinent dans trois scénarios.
Collecte de données qualitatives : Les groupes de discussion, les entretiens avec des informateurs clés, les études de cas et la plupart des analyses de processus de changement significatif utilisent des méthodes non probabilistes par nature. L'objectif est la profondeur et la variété des perspectives, et non une estimation statistiquement représentative. Il n'y a pas de problème inhérent à cette approche ; c'est l'approche méthodologiquement appropriée pour l'enquête qualitative et elle a une base de preuves solide et établie dans la science de l'évaluation.
Contextes à accès restreint : Lorsque vous opérez dans des zones de conflit actif, travaillez avec des populations déplacées, ou dans des communautés où l'établissement d'une base de sondage est impossible dans les délais impartis, un échantillon non probabiliste, avec une logique de sélection clairement documentée et justifiée, est préférable à un plan probabiliste qui ne peut être exécuté correctement. Un échantillon de convenance, honnêtement reconnu et délimité, est plus justifiable qu'un échantillon "aléatoire" qui ne l'était pas réellement en pratique.
Évaluations opérationnelles rapides : Lorsque la rapidité est la contrainte principale et que les résultats serviront à éclairer des décisions opérationnelles internes plutôt qu'à des fins de reddition de comptes publique ou de rapports aux bailleurs de fonds sur les chiffres de couverture, les méthodes non probabilistes sont acceptables. Cette limitation doit apparaître clairement dans le rapport et les résultats doivent être interprétés avec prudence.
Ne choisissez pas l'échantillonnage non probabiliste dans le but d'éviter le coût ou la logistique liés à une base de sondage. Si vos résultats seront utilisés pour rapporter les taux de couverture, l'atteinte des bénéficiaires ou l'efficacité du programme à un public externe quel qu'il soit, l'échantillonnage probabiliste est indispensable. Ce coût fait partie intégrante du programme, il ne s'agit pas d'un supplément facultatif.
Exemples sectoriels
Exemples sectoriels
Santé : enquête de couverture vaccinale en milieu rural en Afrique de l'Ouest
Une équipe de santé de district devait évaluer la couverture vaccinale contre la rougeole dans 40 zones de santé en l'absence de registre des ménages. En utilisant l'échantillonnage en grappes avec probabilité proportionnelle à la taille (PPT) : 20 villages ont été sélectionnés avec une pondération PPT, puis 7 ménages ont été sélectionnés aléatoirement par grappe pour un total de 140 entretiens. L'effet de plan de 1,8 a été appliqué, réduisant la taille effective de l'échantillon à 78, ce qui restait conforme aux exigences de précision de plus ou moins 8 points de pourcentage avec un niveau de confiance de 95 %. L'estimation de la couverture résultante a été utilisée pour les rapports de programme et le tableau de bord du ministère de la santé du district. La méthode était vérifiable sur le terrain : les enquêteurs pouvaient montrer aux superviseurs exactement quels ménages avaient été sélectionnés et pourquoi.
Éducation : comprendre l'abandon scolaire dans les zones urbaines d'Afrique de l'Est
Une équipe de recherche étudiant les raisons pour lesquelles les filles quittent l'école secondaire dans les établissements informels urbains visait une compréhension approfondie, plutôt qu'un chiffre de prévalence. Aucune base de sondage n'existait pour la population des jeunes ayant abandonné l'école. Ils ont eu recours à l'échantillonnage par choix raisonné : 6 écoles sélectionnées en fonction de la variation des taux d'abandon (2 faibles, 2 moyens, 2 élevés), 5 groupes de discussion avec des filles ayant abandonné l'école, et 12 entretiens avec des informateurs clés (enseignants, parents et leaders communautaires). L'objectif était de cartographier les mécanismes et les obstacles, et non d'estimer le nombre de filles ayant abandonné l'école dans la ville. L'échantillonnage probabiliste n'était ni faisable ni approprié pour cette question de recherche.
WASH : couverture des latrines dans un programme de sécurité alimentaire
Un programme de sécurité alimentaire en Afrique australe devait évaluer la couverture des latrines en fin de projet dans 6 villages cibles. Aucune liste de population n'était disponible. L'équipe a utilisé l'échantillonnage systématique : les équipes de terrain ont parcouru des transects de ménages et ont enquêté chaque 8ème ménage rencontré. La méthode était simple, vérifiable sur le terrain et suffisante au regard de la marge d'erreur acceptable selon les exigences de rapport du programme. Il est crucial que l'équipe ait documenté les points de départ des transects et l'intervalle de saut afin que l'approche d'échantillonnage puisse être examinée et reproduite à la fin du projet.
Moyens de subsistance : cartographie des acteurs du système de marché en Afrique de l'Est
Un programme de moyens de subsistance cherchait à comprendre les obstacles rencontrés par les femmes commerçantes dans un système de marché régional. Aucune liste d'acteurs du marché n'existait et la population n'était pas délimitée de manière opérationnelle. L'équipe a utilisé l'échantillonnage en boule de neige en commençant par les leaders connus des associations de femmes, puis en s'étendant via des références aux commerçantes, courtiers, fournisseurs d'intrants et prestataires de transport. L'objectif était de cartographier le système de marché et d'identifier les points d'entrée pour le soutien du programme, et non de quantifier ou de profiler statistiquement la population de commerçantes. Les résultats ont directement orienté le choix des acteurs de la chaîne de valeur que le programme a priorisés pour les activités de renforcement des capacités.
Pièges courants
Pièges courants
Piège 1 : confondre échantillonnage de convenance et aléatoire. Dans le langage courant, "aléatoire" évoque le hasard ou l'imprévu. En statistique, cela signifie que chaque unité a une probabilité de sélection connue et quantifiable. Ces deux notions ne sont pas interchangeables. Qualifier un échantillon de convenance d'aléatoire dans votre rapport est inexact et nuira à votre crédibilité auprès de tout évaluateur externe attentif. Utilisez le terme correct et expliquez clairement votre approche de sélection.
Piège 2 : utiliser l'échantillonnage par choix raisonné pour les estimations de couverture. L'échantillonnage par choix raisonné vous informe sur les cas que vous avez sélectionnés, et non sur la population dont ils sont issus. Si vous menez des entretiens avec 15 agents de santé communautaires sélectionnés de manière raisonnée et que 12 disent avoir reçu une formation, cela représente 80 % de votre échantillon. Ce n'est pas 80 % de tous les ASC du district. Rapporter cela comme un chiffre de couverture est une erreur de catégorie qui invalide la conclusion.
Piège 3 : ignorer l'effet de plan dans les échantillons en grappes. Analyser les données d'échantillons en grappes comme s'il s'agissait de données d'échantillons aléatoires simples conduit à des intervalles de confiance trop étroits. Vos estimations présentent une variance plus élevée que ce que les hypothèses de l'EAS ne prennent en compte, car les individus au sein des grappes sont plus similaires entre eux que ne le seraient des individus sélectionnés aléatoirement. Ajustez la taille de votre échantillon en fonction de l'effet de plan avant la collecte des données et tenez-en compte dans l'analyse. Voir comment choisir la taille de l'échantillon pour des conseils sur le calcul de l'effet de plan.
Piège 4 : manque de documentation de la logique de sélection pour les échantillons non probabilistes. Chaque échantillon non probabiliste exige une documentation écrite : qui a été sélectionné, les critères utilisés, qui a été exclu et pourquoi, ainsi que la manière dont les participants ont été approchés. Sans cette documentation, votre méthodologie ne peut pas être reproduite, évaluée pour un biais systématique ou justifiée lors d'un examen de la qualité de l'évaluation. Un paragraphe dans la section méthodologique est le strict minimum.
Piège 5 : présenter des modèles qualitatifs sous forme de pourcentages. "80 % des personnes interrogées ont mentionné X" dans un échantillon par choix raisonné de 10 implique une précision statistique inexistante. Les modèles qualitatifs sont des thèmes, des tendances et des mécanismes, et non des distributions. Présentez-les comme "la majorité des participants ont décrit" ou "dans tous les sites de groupes de discussion, un thème récurrent était", et non sous forme de pourcentages qui impliquent une marge d'erreur quantifiable.
Ressources associées
Si vous prenez une décision d'échantillonnage pour une enquête ou une évaluation à venir, ces ressources vous guideront pour les prochaines étapes.
Pour les calculs : Le Calculateur d'échantillonnage calcule la taille d'échantillon nécessaire en fonction de la taille de la population, de la précision souhaitée et du niveau de confiance. Il ajuste l'effet de plan lorsque vous utilisez l'échantillonnage en grappes et intègre une marge pour la non-réponse. Effectuez ce calcul avant de finaliser votre budget de collecte de données.
Pour les détails de la méthode : Les Méthodes d'échantillonnage offrent une taxonomie complète des approches probabilistes et non probabilistes avec des conseils sur leur application respective dans les contextes de S&E. L'Échantillonnage aléatoire couvre les définitions techniques et la distinction importante entre la sélection aléatoire (qui est inclus) et l'affectation aléatoire (qui bénéficie de l'intervention), une source fréquente de confusion dans les évaluations d'impact.
Pour la documentation de l'échantillonnage qualitatif : L'Échantillonnage par choix raisonné explique comment documenter et justifier une stratégie de sélection par choix raisonné afin de satisfaire les examinateurs et de répondre aux normes de qualité d'évaluation courantes.
Pour les comparaisons méthode par méthode : La page Échantillonnage en grappes vs stratifié vous aide à choisir entre les deux approches probabilistes les plus courantes une fois que vous avez confirmé la nécessité d'un échantillonnage probabiliste. Comment choisir la taille de l'échantillon aborde le calcul de n et l'ajustement de l'effet de plan une fois votre méthode confirmée.
Si votre programme utilise à la fois la collecte de données quantitatives et qualitatives, consultez la page Qualitatif vs quantitatif vs méthodes mixtes pour savoir comment articuler les deux volets et éviter l'erreur courante de traiter les résultats qualitatifs comme s'ils avaient une valeur quantitative.