Annexe B — Arbre de choix des méthodes

C Partir de la question, pas de la fonction

Cette annexe aide à orienter une analyse. Elle ne remplace ni la documentation de l’enquête ni l’examen des hypothèses.

C.1 Étape 1 — Quelle est la question ?

Voulez-vous...
│
├── décrire une seule variable ? ───────────────→ univarié
│
├── comparer / associer deux variables ? ──────→ bivarié
│
├── estimer une association ajustée ? ─────────→ régression
│
├── étudier des changements dans le temps ? ───→ longitudinal / panel
│
└── corriger la structure de l'échantillon ? ──→ poids / calibration

Avant toute branche :

quel est l’univers de la question ?
quelles valeurs sont manquantes ou « sans objet » ?
disposez-vous de poids, strates et grappes ?

C.2 Étape 2 — Décrire une variable

Variable
│
├── qualitative nominale
│   └── effectifs, proportions, mode
│
├── qualitative ordinale
│   └── proportions ordonnées, médiane de rang si pertinent,
│       distribution complète
│
└── quantitative
    ├── centre : moyenne, médiane
    ├── dispersion : écart-type, IQR, quantiles
    └── forme : histogramme, densité, boxplot

Avec design : svymean(), svyquantile(), svytable().

C.3 Étape 3 — Comparer deux variables

C.3.1 Qualitative × qualitative

Questions typiques : le sport régulier varie-t-il selon le diplôme ?

tableau croisé ;
pourcentages en ligne ou colonne selon le dénominateur substantiel ;
test d’indépendance ;
avec design : svytable() et svychisq().

C.3.2 Quantitative × qualitative

Question : la satisfaction moyenne diffère-t-elle selon le sexe ?

moyenne/médiane par groupe ;
boxplot ;
deux groupes : t-test / alternative non paramétrique ;
plusieurs groupes : comparaison globale / modèle ;
avec design : svyby(), svyttest().

C.3.3 Quantitative × quantitative

Question : âge et satisfaction covarient-ils ?

nuage de points ;
corrélation ;
régression si l’objectif est directionnel/ajusté.

Association n’est pas causalité

La présence d’une association, même après ajustement, ne suffit pas à démontrer un effet causal.

C.4 Étape 4 — Choisir un modèle selon Y

Variable dépendante Y	Modèle de départ	Exemple
Continue	Linéaire	satisfaction 0–10
Binaire	Logistique	sport régulier oui/non
Ordinale ≥ 3 niveaux	Logistique ordinale	santé auto-évaluée
Nominale ≥ 3 catégories	Multinomiale	statut d’emploi
Comptage	Poisson / quasi-Poisson / modèle adapté	nombre de livres
Mesures répétées	Effets fixes / mixtes / modèle longitudinal	satisfaction à plusieurs vagues

Puis demander :

les hypothèses du modèle sont-elles plausibles ?
la taille des catégories est-elle suffisante ?
faut-il tenir compte du plan de sondage ?
les effets seront-ils plus lisibles en coefficients, ratios ou probabilités prédites ?

C.5 Étape 5 — Le design d’enquête

L'enquête a-t-elle des poids / strates / grappes ?
│
├── Non / échantillon aléatoire simple réellement défendable
│   └── méthodes usuelles
│
└── Oui
    ├── construire l'objet svydesign()
    ├── utiliser les versions svy* des estimateurs/tests
    └── utiliser svyglm()/svyolr() ou méthode compatible

Ne remplacez pas l’objet de design par :

lm(y ~ x, weights = poids)

sans justification. Un poids dans une fonction générale ne signifie pas nécessairement que la stratification et les grappes sont prises en compte.

C.6 Étape 6 — Les valeurs manquantes

Une valeur manque
│
├── question non applicable ?
│   └── absence structurelle → ne pas imputer comme une réponse
│
├── code NSP / refus ?
│   ├── préserver le sens
│   └── recoder en NA pour les calculs si approprié
│
└── vraie non-réponse sur variable applicable ?
    ├── faible et plausiblement ignorable → cas complets possible
    ├── non-réponse substantielle → diagnostiquer
    └── imputation multiple / sensibilité si justifié

C.7 Étape 7 — Dois-je pondérer ?

Trois questions différentes :

Décrire l’échantillon tel qu’il est ? → non pondéré peut être pertinent.
Estimer une caractéristique de la population cible ? → utiliser les poids adaptés.
Estimer un modèle ? → dépend de la question, du plan et de l’approche d’inférence ; pour ce livre, les modèles de population issus d’enquêtes complexes sont généralement présentés via {survey}.

Toujours indiquer dans le texte si le résultat est brut ou pondéré.

C.8 Étape 8 — Quel dénominateur ?

C.8.1 Pourcentage ligne

Parmi les diplômés du supérieur, quelle proportion pratique régulièrement un sport ?

Dénominateur = diplômés du supérieur.

C.8.2 Pourcentage colonne

Parmi les personnes pratiquant régulièrement, quelle est la distribution des diplômes ?

Dénominateur = pratiquants réguliers.

Le logiciel ne choisit pas le dénominateur à votre place : la question substantielle le fait.

C.9 Étape 9 — Test ou intervalle de confiance ?

Si la question principale est :

« Quelle est la proportion ? »

un estimateur et son intervalle de confiance sont centraux.

Si la question est :

« Les distributions diffèrent-elles ? »

un test peut compléter l’estimation.

Évitez de réduire une analyse à la seule question « p < 0,05 ? ».

C.10 Étape 10 — Modèle ou simple comparaison ?

Utilisez un modèle lorsque vous avez besoin de :

quantifier une relation continue ;
ajuster sur plusieurs variables ;
tester une interaction ;
produire des prédictions ;
représenter une structure longitudinale ou hiérarchique.

N’utilisez pas un modèle complexe uniquement parce qu’il est disponible.

C.11 Tableau de synthèse

Question	Variable(s)	Outil descriptif	Outil d’inférence / modèle avec design
Proportion d’une modalité	Qualitative	`svymean()` sur indicatrice	`svyciprop()`
Distribution	Qualitative	`svytable()`	IC / tests selon question
Moyenne	Quantitative	`svymean()`	`confint()`
Médiane / quantiles	Quantitative	`svyquantile()`	IC de quantiles
Tableau croisé	Quali × quali	`svytable()`	`svychisq()`
Moyenne par groupe	Quant × quali	`svyby()`	`svyttest()` / `svyglm()`
Y continu ajusté	Plusieurs X	—	`svyglm()` gaussien
Y binaire ajusté	Plusieurs X	—	`svyglm(..., quasibinomial())`
Y ordinal	Plusieurs X	—	`svyolr()`
Y comptage	Plusieurs X	—	`svyglm(..., quasipoisson())`
Panel	individu × temps	trajectoires / transitions	`plm()`, `lmer()` + réflexion sur poids

C.12 Cinq arrêts obligatoires

Avant de cliquer sur Render ou d’envoyer une table :

Univers — qui est réellement dans le dénominateur ?
Codage — les codes spéciaux ont-ils été traités ?
Design — le plan de sondage est-il respecté ?
Incertitude — un IC ou une mesure de précision est-il nécessaire ?
Conclusion — le texte affirme-t-il davantage que ce que le plan et les données permettent ?

--- title: "Arbre de choix des méthodes" --- # Partir de la question, pas de la fonction Cette annexe aide à **orienter** une analyse. Elle ne remplace ni la documentation de l'enquête ni l'examen des hypothèses. ## Étape 1 — Quelle est la question ? ```text Voulez-vous... │ ├── décrire une seule variable ? ───────────────→ univarié │ ├── comparer / associer deux variables ? ──────→ bivarié │ ├── estimer une association ajustée ? ─────────→ régression │ ├── étudier des changements dans le temps ? ───→ longitudinal / panel │ └── corriger la structure de l'échantillon ? ──→ poids / calibration ``` Avant toute branche : - quel est l'univers de la question ? - quelles valeurs sont manquantes ou « sans objet » ? - disposez-vous de poids, strates et grappes ? ## Étape 2 — Décrire une variable ```text Variable │ ├── qualitative nominale │ └── effectifs, proportions, mode │ ├── qualitative ordinale │ └── proportions ordonnées, médiane de rang si pertinent, │ distribution complète │ └── quantitative ├── centre : moyenne, médiane ├── dispersion : écart-type, IQR, quantiles └── forme : histogramme, densité, boxplot ``` Avec design : `svymean()`, `svyquantile()`, `svytable()`. ## Étape 3 — Comparer deux variables ### Qualitative × qualitative Questions typiques : le sport régulier varie-t-il selon le diplôme ? - tableau croisé ; - pourcentages en ligne ou colonne selon le dénominateur substantiel ; - test d'indépendance ; - avec design : `svytable()` et `svychisq()`. ### Quantitative × qualitative Question : la satisfaction moyenne diffère-t-elle selon le sexe ? - moyenne/médiane par groupe ; - boxplot ; - deux groupes : t-test / alternative non paramétrique ; - plusieurs groupes : comparaison globale / modèle ; - avec design : `svyby()`, `svyttest()`. ### Quantitative × quantitative Question : âge et satisfaction covarient-ils ? - nuage de points ; - corrélation ; - régression si l'objectif est directionnel/ajusté. ::: {.callout-warning title="Association n'est pas causalité"} La présence d'une association, même après ajustement, ne suffit pas à démontrer un effet causal. ::: ## Étape 4 — Choisir un modèle selon Y | Variable dépendante Y | Modèle de départ | Exemple | |---|---|---| | Continue | Linéaire | satisfaction 0–10 | | Binaire | Logistique | sport régulier oui/non | | Ordinale ≥ 3 niveaux | Logistique ordinale | santé auto-évaluée | | Nominale ≥ 3 catégories | Multinomiale | statut d'emploi | | Comptage | Poisson / quasi-Poisson / modèle adapté | nombre de livres | | Mesures répétées | Effets fixes / mixtes / modèle longitudinal | satisfaction à plusieurs vagues | Puis demander : 1. les hypothèses du modèle sont-elles plausibles ? 2. la taille des catégories est-elle suffisante ? 3. faut-il tenir compte du plan de sondage ? 4. les effets seront-ils plus lisibles en coefficients, ratios ou probabilités prédites ? ## Étape 5 — Le design d'enquête ```text L'enquête a-t-elle des poids / strates / grappes ? │ ├── Non / échantillon aléatoire simple réellement défendable │ └── méthodes usuelles │ └── Oui ├── construire l'objet svydesign() ├── utiliser les versions svy* des estimateurs/tests └── utiliser svyglm()/svyolr() ou méthode compatible ``` Ne remplacez pas l'objet de design par : ```r lm(y ~ x, weights = poids) ``` sans justification. Un poids dans une fonction générale ne signifie pas nécessairement que la stratification et les grappes sont prises en compte. ## Étape 6 — Les valeurs manquantes ```text Une valeur manque │ ├── question non applicable ? │ └── absence structurelle → ne pas imputer comme une réponse │ ├── code NSP / refus ? │ ├── préserver le sens │ └── recoder en NA pour les calculs si approprié │ └── vraie non-réponse sur variable applicable ? ├── faible et plausiblement ignorable → cas complets possible ├── non-réponse substantielle → diagnostiquer └── imputation multiple / sensibilité si justifié ``` ## Étape 7 — Dois-je pondérer ? Trois questions différentes : 1. **Décrire l'échantillon tel qu'il est ?** → non pondéré peut être pertinent. 2. **Estimer une caractéristique de la population cible ?** → utiliser les poids adaptés. 3. **Estimer un modèle ?** → dépend de la question, du plan et de l'approche d'inférence ; pour ce livre, les modèles de population issus d'enquêtes complexes sont généralement présentés via `{survey}`. Toujours indiquer dans le texte si le résultat est brut ou pondéré. ## Étape 8 — Quel dénominateur ? ### Pourcentage ligne > Parmi les diplômés du supérieur, quelle proportion pratique régulièrement un sport ? Dénominateur = diplômés du supérieur. ### Pourcentage colonne > Parmi les personnes pratiquant régulièrement, quelle est la distribution des diplômes ? Dénominateur = pratiquants réguliers. Le logiciel ne choisit pas le dénominateur à votre place : la question substantielle le fait. ## Étape 9 — Test ou intervalle de confiance ? Si la question principale est : > « Quelle est la proportion ? » un estimateur et son intervalle de confiance sont centraux. Si la question est : > « Les distributions diffèrent-elles ? » un test peut compléter l'estimation. Évitez de réduire une analyse à la seule question « p < 0,05 ? ». ## Étape 10 — Modèle ou simple comparaison ? Utilisez un modèle lorsque vous avez besoin de : - quantifier une relation continue ; - ajuster sur plusieurs variables ; - tester une interaction ; - produire des prédictions ; - représenter une structure longitudinale ou hiérarchique. N'utilisez pas un modèle complexe uniquement parce qu'il est disponible. ## Tableau de synthèse | Question | Variable(s) | Outil descriptif | Outil d'inférence / modèle avec design | |---|---|---|---| | Proportion d'une modalité | Qualitative | `svymean()` sur indicatrice | `svyciprop()` | | Distribution | Qualitative | `svytable()` | IC / tests selon question | | Moyenne | Quantitative | `svymean()` | `confint()` | | Médiane / quantiles | Quantitative | `svyquantile()` | IC de quantiles | | Tableau croisé | Quali × quali | `svytable()` | `svychisq()` | | Moyenne par groupe | Quant × quali | `svyby()` | `svyttest()` / `svyglm()` | | Y continu ajusté | Plusieurs X | — | `svyglm()` gaussien | | Y binaire ajusté | Plusieurs X | — | `svyglm(..., quasibinomial())` | | Y ordinal | Plusieurs X | — | `svyolr()` | | Y comptage | Plusieurs X | — | `svyglm(..., quasipoisson())` | | Panel | individu × temps | trajectoires / transitions | `plm()`, `lmer()` + réflexion sur poids | ## Cinq arrêts obligatoires Avant de cliquer sur *Render* ou d'envoyer une table : 1. **Univers** — qui est réellement dans le dénominateur ? 2. **Codage** — les codes spéciaux ont-ils été traités ? 3. **Design** — le plan de sondage est-il respecté ? 4. **Incertitude** — un IC ou une mesure de précision est-il nécessaire ? 5. **Conclusion** — le texte affirme-t-il davantage que ce que le plan et les données permettent ?