1 De la question d’enquête au fichier de données
QUESTION DE DÉPART
Que faut-il savoir d’une enquête avant d’ouvrir son fichier de données ?
Un fichier d’enquête ressemble à un objet simple : des lignes, des colonnes et des valeurs. Pourtant, aucune de ces valeurs n’arrive « naturellement » dans le fichier. Une population a été définie, des unités ont été sélectionnées ou recrutées, des questions ont été formulées, des modalités de réponse ont été proposées, un mode de collecte a été choisi, les réponses ont été codées, puis parfois corrigées, pondérées ou appariées.
Analyser une enquête consiste donc en partie à remonter cette chaîne de production. Avant de calculer une moyenne, de tracer un graphique ou d’ajuster un modèle, il faut comprendre ce que représentent les observations, qui a pu entrer dans le fichier, ce qui a été effectivement mesuré et à quelle population les résultats peuvent — ou non — être rapportés. La qualité d’une analyse ne dépend pas seulement de la technique statistique utilisée à la fin du processus : elle dépend de l’ensemble du dispositif qui a produit les données (Groves et al. 2009; Biemer 2010).
Ce premier chapitre installe ce cadre. Il ne suppose aucune connaissance de R. Son objectif est de donner le vocabulaire et les réflexes qui permettront ensuite de manipuler les données sans perdre de vue leur signification.
1.1 Objectifs d’apprentissage
À l’issue de ce chapitre, vous saurez :
- distinguer population cible, population couverte, base de sondage, échantillon, répondants et unité d’analyse ;
- relier un concept, une question de questionnaire, une variable et les valeurs observées dans le fichier ;
- reconnaître une enquête transversale, des transversales répétées et un panel longitudinal ;
- expliquer la différence de principe entre échantillonnage probabiliste et non probabiliste ;
- identifier les principales composantes de l’erreur totale d’enquête ;
- repérer les documents indispensables avant toute analyse ;
- situer le fichier dans le workflow complet qui guidera le reste du livre.
1.2 Avant le fichier : relier trois niveaux
Une difficulté fréquente consiste à commencer directement au niveau des colonnes. Or une enquête relie au moins trois niveaux de raisonnement.
| Niveau | Question centrale | Exemples |
|---|---|---|
| Scientifique | Que cherche-t-on à connaître, sur qui ? | population cible, concepts, hypothèses, période |
| Dispositif d’enquête | Comment l’information a-t-elle été obtenue ? | base, tirage ou recrutement, questionnaire, mode de collecte, relances |
| Fichier analytique | Comment cette information est-elle représentée ? | lignes, variables, codes, valeurs manquantes, poids, identifiants |
Une analyse devient fragile lorsque ces niveaux se déconnectent. Une colonne peut être parfaitement propre dans R tout en mesurant imparfaitement le concept étudié ; un modèle peut être correctement spécifié tout en portant sur une population différente de celle annoncée ; une moyenne peut être calculée sans erreur informatique tout en intégrant des codes de refus comme s’il s’agissait de valeurs réelles.
Avant toute commande R, essayez de répondre à trois questions :
- Qui veut-on décrire ou comparer ?
- Comment ces unités sont-elles arrivées dans l’enquête ?
- Comment les concepts étudiés ont-ils été transformés en variables ?
Si l’une de ces réponses manque, ce manque fait partie des limites méthodologiques de l’analyse.
1.3 De la question de recherche à la variable
1.3.1 Une enquête quantitative est un dispositif de mesure
Dans ce livre, une enquête quantitative désigne un dispositif organisé de collecte d’informations standardisées portant sur des individus, des ménages, des organisations ou d’autres unités. Elle peut servir à décrire des situations, des comportements, des opinions, des attitudes ou des trajectoires. Elle peut être administrée en face à face, par téléphone, sur papier ou en ligne ; être ponctuelle ou répétée ; concerner quelques centaines ou plusieurs dizaines de milliers d’unités.
Ce qui caractérise l’enquête n’est donc pas un logiciel ni un mode de collecte particulier, mais une chaîne de décisions :
- formuler une question de connaissance ;
- définir une population et une période ;
- sélectionner ou recruter des unités ;
- construire un instrument de mesure ;
- recueillir et coder les réponses ;
- analyser les données à la lumière du dispositif qui les a produites.
Les standards professionnels de l’AAPOR insistent précisément sur la transparence concernant la population, la sélection des participants, la collecte, les effectifs, les dispositions finales des cas et les traitements appliqués aux données (American Association for Public Opinion Research 2023).
Le fichier de données est le produit d’un protocole d’enquête. Il ne peut pas être interprété correctement indépendamment de ce protocole.
1.3.2 Opérationnaliser : passer d’un concept à une mesure
Supposons que l’on souhaite étudier les inégalités de pratique sportive chez les étudiant·es de master. La question substantielle pourrait être :
La pratique sportive varie-t-elle selon les conditions d’études et la situation sociale des étudiant·es ?
Cette question ne correspond encore à aucune colonne. Il faut transformer les concepts en informations observables :
- pratique sportive → fréquence de pratique au cours d’une période définie ;
- conditions d’études → temps de transport, activité salariée, volume horaire ;
- situation sociale → ressources, profession ou diplôme des parents, conditions de logement ;
- caractéristiques de comparaison → âge, genre, discipline, établissement, etc.
Ce passage d’un concept à un indicateur observable est une opération d’opérationnalisation. Elle précède le calcul statistique. Un même concept peut être mesuré de plusieurs façons, et ces choix modifient parfois substantiellement ce que l’on observe.
La réponse elle-même est également un processus. Pour répondre à une question, une personne doit notamment la comprendre, récupérer l’information pertinente en mémoire, former un jugement puis sélectionner une réponse compatible avec les modalités proposées (Tourangeau et al. 2000). Une variable doit donc toujours être reliée à la question qui l’a produite.
1.3.3 Du questionnaire au codage
Prenons une question fictive :
Q18. Au cours des sept derniers jours, pendant combien de jours avez-vous pratiqué une activité physique ou sportive pendant au moins 30 minutes ?
0 à 7 jours ; 98 = Ne sait pas ; 99 = Refus de répondre.
Dans le fichier, cette question peut devenir la variable sport_jours.
La valeur 3 peut alors être interprétée : la personne déclare trois jours de pratique selon la période et la définition données par la question. En revanche, 98 et 99 ne sont pas des quantités. Ce sont des codes décrivant deux formes de non-réponse.
Un petit extrait de fichier peut ainsi être moins évident qu’il n’y paraît :
| Variable | Valeur observée | Question à se poser avant l’analyse |
|---|---|---|
age |
24 | âge à quelle date et dans quelle unité ? |
diplome |
4 | que signifie le code 4 et l’ordre des modalités ? |
sport_jours |
98 | valeur réelle ou code spécial ? |
poids_final |
1,35 | poids de sélection, poids ajusté, poids calibré ? |
Dans un fichier d’enquête, une valeur numérique peut représenter une quantité, une catégorie, un filtre, une absence de réponse ou une information technique. Le type informatique de la colonne ne suffit pas à déterminer sa signification statistique.
1.3.4 Nominale, ordinale ou quantitative ?
Une première distinction est utile avant même d’utiliser R :
- une variable nominale distingue des catégories sans ordre intrinsèque : région, type de logement, statut matrimonial ;
- une variable ordinale comporte un ordre, mais pas nécessairement des distances égales entre catégories : « pas du tout satisfait », « peu satisfait », « assez satisfait », « très satisfait » ;
- une variable quantitative représente une quantité pour laquelle les opérations arithmétiques ont un sens : âge, durée, revenu, nombre d’enfants.
Cette distinction guidera ensuite le choix des tableaux, graphiques, résumés et modèles.
1.3.5 L’univers d’une question
Toutes les questions ne concernent pas tout le monde. Le type de contrat peut être demandé uniquement aux personnes en emploi ; une question sur la garde d’enfants uniquement aux personnes ayant un enfant d’un certain âge.
L’univers d’une variable désigne l’ensemble des unités auxquelles la question est applicable. Une case vide peut donc signifier :
- non-réponse à une question posée ;
- question non posée à cause d’un filtre ;
- question non applicable ;
- erreur de collecte ou de traitement.
Ces situations n’ont pas le même sens et ne doivent pas être fusionnées mécaniquement.
enqueter
Le livre appliquera ces principes à enqueter, une enquête entièrement synthétique construite pour l’apprentissage. Elle contient volontairement des codes spéciaux, quelques incohérences contrôlées, des poids, des strates et des grappes. Les résultats servent à apprendre à raisonner ; ils ne décrivent aucune population réelle.
1.3.6 Mini-exercice — Transformer une question en variable
On pose la question suivante :
Q25. Dans quelle mesure êtes-vous satisfait·e de votre situation financière actuelle ?
1 = Pas du tout satisfait·e ; 2 = Peu satisfait·e ; 3 = Assez satisfait·e ; 4 = Très satisfait·e ; 8 = Ne sait pas ; 9 = Refus.
- Proposez un nom court de variable.
- La variable est-elle nominale, ordinale ou quantitative ?
- Les codes
8et9appartiennent-ils à l’échelle de satisfaction ? - Quelle information faudrait-il encore connaître pour interpréter correctement les valeurs manquantes ?
- Un nom possible est
satisfaction_financiereousat_fin. - Il s’agit d’une variable ordinale : les modalités 1 à 4 sont ordonnées, sans supposer que l’écart entre 1 et 2 soit identique à celui entre 3 et 4.
- Non.
8et9décrivent deux formes de non-réponse. - Il faut notamment connaître l’univers de la question, les éventuels filtres et la manière dont les non-réponses ont été recodées lors de la production du fichier.
1.4 Qui le fichier représente-t-il ?
1.4.1 Population cible et population couverte
La population cible est l’ensemble des unités auxquelles la recherche souhaite se rapporter. Elle doit être définie suffisamment précisément pour savoir qui en fait partie. « Les jeunes » est trop vague ; on peut en revanche définir :
les personnes âgées de 18 à 29 ans résidant en France métropolitaine au 1er janvier 2026.
Cette définition précise au moins une condition d’éligibilité, un territoire et une période. La population cible peut également être constituée de ménages, entreprises, établissements, laboratoires, associations ou communes.
La population couverte est celle que le dispositif permet effectivement d’atteindre. Elle peut différer de la cible. Une liste d’adresses peut omettre certains ménages ; un fichier administratif peut être périmé ; une enquête uniquement en ligne peut rendre la participation plus difficile pour certaines catégories.
1.4.2 Base de sondage
Dans une enquête reposant sur un tirage, la base de sondage (sampling frame) est le support opérationnel à partir duquel les unités sont sélectionnées : registre, liste d’adresses, fichier d’entreprises, liste d’établissements, etc.
Elle n’est pas nécessairement une copie parfaite de la population cible. Certaines unités peuvent manquer (sous-couverture) et d’autres être présentes alors qu’elles ne sont plus éligibles (sur-couverture) (Groves et al. 2009; Eurostat 2008).
1.4.3 Unité statistique et unité d’analyse
L’unité statistique est l’entité sur laquelle l’information est recueillie ou enregistrée. L’unité d’analyse est l’entité sur laquelle porte effectivement l’analyse. Les deux coïncident souvent, mais pas toujours.
Une enquête auprès d’un membre du ménage peut, par exemple, recueillir des informations sur la personne et sur le ménage. Un fichier longitudinal peut contenir une ligne par personne × vague. Un fichier d’entreprises peut contenir plusieurs établissements appartenant à une même société.
Une ligne n’est pas nécessairement « une personne ». Avant d’utiliser nrow() comme nombre d’individus, il faut savoir ce que représente une ligne.
1.4.4 Échantillon, éligibles et répondants
L’échantillon sélectionné est l’ensemble des unités tirées ou recrutées pour participer. Après contact, certaines peuvent se révéler inéligibles. Parmi les unités éligibles, toutes ne répondent pas nécessairement. Les répondants constituent celles pour lesquelles une participation a été obtenue.
On obtient donc une chaîne de sélection :
À chaque passage, des unités peuvent être exclues, perdues ou surreprésentées. C’est pourquoi l’analyste doit être capable de reconstituer cette chaîne avant d’interpréter une estimation.
| Notion | Question opérationnelle |
|---|---|
| Population cible | À qui veut-on rapporter les résultats ? |
| Population couverte / base | Qui peut effectivement être atteint ou sélectionné ? |
| Échantillon | Qui a été sélectionné ou recruté ? |
| Répondants | Qui a effectivement participé ? |
| Unité d’analyse | Que représente une observation dans l’analyse ? |
Pour chaque enquête, essayez de remplir ces cinq lignes. Si l’une d’elles reste inconnue, notez-le explicitement dans votre fiche méthodologique.
1.4.5 Mini-exercice — Reconstruire la chaîne de sélection
Une équipe souhaite étudier les conditions de travail des enseignant·es du secondaire. Elle dispose d’une liste des enseignant·es titulaires exerçant dans 300 établissements publics. Elle tire au sort 3 000 personnes et obtient 1 820 questionnaires exploitables.
- Quelle est la population cible si l’étude prétend parler de « l’ensemble des enseignant·es du secondaire en France » ?
- Quelle population la base disponible couvre-t-elle réellement ?
- Quel est l’échantillon sélectionné ?
- Combien y a-t-il de répondants exploitables ?
- Quel problème apparaît avant même de discuter du taux de réponse ?
- La population cible annoncée est l’ensemble des enseignant·es du secondaire en France.
- La base ne couvre que les enseignant·es titulaires des 300 établissements publics présents dans la liste.
- L’échantillon sélectionné comprend 3 000 personnes.
- Le fichier exploitable comprend 1 820 répondants.
- Il existe immédiatement un problème de couverture : privé, contractuel·les et établissements absents de la liste peuvent être exclus. Augmenter le nombre de réponses ne corrigerait pas ce décalage de champ.
1.5 La dimension temporelle de l’enquête
La structure temporelle détermine les questions auxquelles les données peuvent répondre.
| Structure | Échantillon au fil du temps | Ce que l’on peut étudier principalement |
|---|---|---|
| Transversale | une observation à une période donnée | situation et associations à cette période |
| Transversales répétées | nouveaux échantillons comparables à plusieurs dates | évolution agrégée de la population |
| Panel / longitudinale | mêmes unités suivies au moins en partie | transitions et trajectoires individuelles |
Une enquête transversale peut montrer qu’en 2026 certaines catégories déclarent plus souvent une mauvaise santé. Elle ne permet pas, à elle seule, de montrer comment la santé d’une même personne a évolué.
Des transversales répétées permettent de suivre l’évolution d’un indicateur dans la population, mais pas nécessairement les trajectoires individuelles. À l’inverse, un panel permet d’étudier entrée ou sortie de l’emploi, changement d’opinion ou mobilité résidentielle, au prix de problèmes spécifiques : appariement des vagues, changements de composition et attrition. Ces questions seront reprises au chapitre 23.
Avant d’interpréter une variation entre deux dates, demandez-vous : compare-t-on les mêmes personnes, ou deux échantillons différents de la même population ?
1.6 Échantillonnage et possibilité de généraliser
1.6.1 Pourquoi travailler sur un échantillon ?
Observer toute la population est souvent trop coûteux, trop long ou impossible. L’enquête utilise donc généralement un sous-ensemble d’unités. Le problème méthodologique n’est pas seulement d’obtenir « beaucoup de réponses », mais de comprendre par quel mécanisme les observations disponibles se rattachent à la population cible.
1.6.2 Échantillonnage probabiliste
Dans un échantillonnage probabiliste, la sélection repose sur un mécanisme aléatoire permettant de connaître ou de calculer les probabilités d’inclusion. Dans le cas très simple d’une population de 100 000 personnes où 1 000 sont tirées avec la même probabilité :
\[ \pi_i = \frac{1\,000}{100\,000}=0{,}01, \]
et le poids de base vaut :
\[ w_i = \frac{1}{\pi_i}=100. \]
Dans ce plan simplifié, une personne sélectionnée représente donc environ 100 unités de la population pour l’estimation. Les plans réels peuvent comporter probabilités inégales, stratification, grappes, plusieurs degrés de tirage, corrections de non-réponse et calibration. Le chapitre 9 développera ces éléments.
1.6.3 Échantillonnage non probabiliste
Dans un échantillon non probabiliste, les probabilités individuelles d’inclusion ne sont pas connues à partir d’un mécanisme de tirage. C’est le cas d’un questionnaire librement accessible, d’un recrutement via réseaux sociaux ou de certains panels de volontaires.
Ces données peuvent être utiles, mais la généralisation vers une population repose alors sur des informations et des hypothèses supplémentaires. On ne peut pas transposer mécaniquement les formules d’incertitude d’un échantillonnage probabiliste sans expliciter ce qui justifie l’inférence (American Association for Public Opinion Research 2023).
100 000 réponses auto-sélectionnées peuvent rester très éloignées de la population cible. À l’inverse, un échantillon probabiliste plus petit peut offrir un cadre d’inférence mieux contrôlé. La taille améliore la précision sous certaines conditions ; elle ne supprime pas les problèmes de couverture ou de sélection.
1.6.4 « Représentatif » de quoi ?
Dire qu’un échantillon est « représentatif » sans autre précision est peu informatif. Il est plus utile de demander :
- de quelle population ?
- selon quel mécanisme de sélection ou de recrutement ?
- pour quelles caractéristiques observées ?
- après quels ajustements ou pondérations ?
- avec quelles limites de couverture et de non-réponse ?
Une enquête peut reproduire exactement la distribution de l’âge et du sexe et rester déséquilibrée sur d’autres caractéristiques liées au phénomène étudié.
Le taux de réponse est une information importante sur le déroulement de l’enquête, mais il ne mesure pas directement le biais de non-réponse. Le biais dépend de la manière dont les répondants et non-répondants diffèrent sur les variables pertinentes pour l’estimation (American Association for Public Opinion Research 2023).
1.7 Penser la qualité avec l’erreur totale d’enquête
La « marge d’erreur » ne résume pas à elle seule la qualité d’une enquête. Le cadre de l’erreur totale d’enquête (Total Survey Error, TSE) invite à considérer les différentes sources d’écart entre le phénomène que l’on souhaite connaître et ce que l’enquête permet finalement d’estimer (Biemer 2010; Groves et Lyberg 2010).
Pour ce livre, cinq familles constituent une bonne grille de départ :
| Source d’erreur | Comment elle peut apparaître | Question pour l’analyste |
|---|---|---|
| Couverture | certaines unités ne peuvent pas être atteintes | qui manque du dispositif avant même la collecte ? |
| Échantillonnage | seul un sous-ensemble de la population est observé | quel plan produit l’incertitude d’échantillonnage ? |
| Non-réponse | certaines unités sélectionnées ne répondent pas | les non-répondants peuvent-ils différer sur l’objet étudié ? |
| Mesure | formulation, mémoire, mode ou contexte affectent la réponse | la variable mesure-t-elle bien le concept visé ? |
| Traitement | codage, recodage, appariement ou pondération introduisent une erreur | quelles transformations ont été appliquées au fichier ? |
Ces composantes peuvent se cumuler et interagir. Une enquête en ligne sur la précarité étudiante peut, par exemple, souffrir à la fois d’une couverture incomplète, d’une réponse différentielle, d’une question financière ambiguë et d’erreurs de codage. Aucun test statistique effectué à la fin ne peut, à lui seul, annuler ces problèmes.
R permet de calculer très vite des statistiques sophistiquées. Cette puissance rend d’autant plus nécessaire de vérifier que les données et le design autorisent l’interprétation envisagée. Un calcul exact peut conduire à une conclusion scientifiquement trompeuse si la donnée est mal comprise.
1.8 La documentation fait partie des données
1.8.1 Les métadonnées ne sont pas un supplément
Les métadonnées décrivent le contenu, la production, la qualité et les conditions d’utilisation des données. Dans les systèmes de statistique officielle, elles servent précisément à rendre les résultats interprétables et comparables (Eurostat 2026, 2021).
Avant de commencer une analyse, il faut donc rechercher au minimum :
| Document | Ce qu’il permet de comprendre |
|---|---|
| Questionnaire | formulation, modalités, filtres, ordre des questions |
| Dictionnaire / codebook | noms, labels, codes, univers, unités, formats |
| Description du champ | population cible, éligibilité, territoire, période |
| Échantillonnage / recrutement | base, sélection, strates, grappes ou procédures de recrutement |
| Collecte | dates, modes, relances, règles de terrain |
| Non-réponse | dispositions finales, taux de résultat, limites connues |
| Poids | poids de base, ajustements, calibration, trimming éventuel |
| Notes de version | corrections du fichier, changements de questionnaire, ruptures de série |
Cette logique de transparence est cohérente avec les standards professionnels de documentation des enquêtes (American Association for Public Opinion Research 2023; Eurostat 2021).
1.8.2 Un dictionnaire n’est pas une simple liste de noms
Pour chaque variable, un dictionnaire utile devrait, lorsque l’information existe, préciser :
- nom informatique et libellé ;
- question source ;
- type de variable ;
- modalités et codes ;
- codes de non-réponse ;
- univers de la question ;
- unité et période de référence ;
- transformations déjà appliquées ;
- vague ou module d’appartenance.
Dans enqueter, le fichier data/documentation/dictionnaire_variables.xlsx jouera ce rôle. Nous apprendrons au chapitre 5 à l’utiliser avant toute conversion de labels ou recodage.
1.8.3 Construire une fiche d’identité de l’enquête
Une page suffit souvent pour éviter de nombreuses erreurs plus tard. Avant l’analyse, notez :
| Élément | À renseigner |
|---|---|
| Enquête / version | … |
| Population cible et période | … |
| Unité d’analyse | … |
| Base ou recrutement | … |
| Dates et mode(s) de collecte | … |
| Échantillon sélectionné / répondants | … |
| Plan : strates, grappes, plusieurs degrés | … |
| Poids disponibles et finalité | … |
| Identifiant unique | … |
| Principaux codes spéciaux / filtres | … |
| Documentation consultée | … |
Cette fiche n’est pas de la bureaucratie : elle résume les conditions dans lesquelles les résultats pourront être interprétés.
1.9 Le workflow EnquêteR
Le reste du livre suit l’ordre d’une analyse réelle plutôt qu’un catalogue de fonctions. Chaque phase répond à une question méthodologique précise.
| Phase | Question centrale | Chapitres |
|---|---|---|
| Comprendre | quelle question, quelle population, quelle source ? | 1 |
| Organiser | comment rendre le travail traçable et reproductible ? | 2–3 |
| Importer | comment lire les fichiers sans perdre labels et types ? | 4–5 |
| Diagnostiquer | quelles anomalies, incohérences et valeurs manquantes ? | 6–7 |
| Construire | quels recodages et variables dérivées sont justifiés ? | 8 |
| Définir le design | comment intégrer poids, strates et grappes ? | 9 |
| Décrire | que montrent distributions, comparaisons, figures et tableaux ? | 10–13 |
| Quantifier l’incertitude | quelle précision et quels tests sont adaptés ? | 14–16 |
| Modéliser | quelles associations ajustées et quelles prédictions ? | 17–20 |
| Approfondir | comment traiter imputation, calibration et longitudinal ? | 21–23 |
| Communiquer | comment produire un résultat transparent, éthique et reproductible ? | 24–25 |
À chaque nouvelle méthode, quatre questions reviendront :
- Que contient réellement le fichier ?
- Que calcule R ?
- Que signifie statistiquement le résultat ?
- Que peut-on raisonnablement conclure ?
1.10 Exercice de synthèse
1.10.1 Niveau A — Appliquer : reconstruire la chaîne de production
Une enquête cherche à mesurer les conditions de logement des étudiant·es d’une université. L’université dispose d’un fichier de 32 000 inscriptions. Un tirage aléatoire de 4 000 personnes est réalisé. 2 300 répondent au questionnaire en ligne. Une variable loyer contient le montant mensuel déclaré, 9998 = Ne sait pas et 9999 = Refus. Un poids final est fourni dans poids_final.
- Identifiez la population cible, la base de sondage, l’échantillon sélectionné et les répondants.
- Expliquez pourquoi
9998et9999ne doivent pas entrer dans le calcul d’un loyer moyen. - Citez quatre documents ou informations méthodologiques à consulter.
- Expliquez pourquoi
poids_finaldoit être documenté avant de publier une moyenne ou un pourcentage.
- Sous l’hypothèse que le champ est bien celui annoncé, la population cible est celle des étudiant·es inscrit·es ; le fichier de 32 000 inscriptions est la base ; les 4 000 personnes tirées forment l’échantillon ; les 2 300 personnes ayant répondu sont les répondants avant autres exclusions analytiques.
9998et9999sont des codes de non-réponse. Les traiter comme des loyers gonflerait artificiellement la moyenne.- Il faut notamment consulter questionnaire, dictionnaire, champ et échantillonnage, dates et modes de collecte, informations de non-réponse et documentation des poids.
- Le poids peut refléter des probabilités de sélection inégales et/ou des ajustements ultérieurs. Sans documentation, on ne sait pas quelle population ni quel paramètre l’estimation pondérée vise exactement.
1.10.2 Niveau B — Choisir : jusqu’où peut-on généraliser ?
Deux équipes souhaitent estimer la proportion d’étudiant·es qui envisagent d’abandonner leurs études.
- Enquête A : 1 500 étudiant·es sont tiré·es aléatoirement dans un fichier couvrant tous les inscrits ; 920 répondent.
- Enquête B : un lien est diffusé sur les réseaux sociaux de l’université ; 8 700 personnes répondent ; aucun mécanisme de tirage n’est disponible.
- Laquelle offre, en principe, le cadre le plus direct pour une inférence probabiliste vers la population des inscrits ?
- Le fait que B ait beaucoup plus de réponses suffit-il à la rendre « plus représentative » ?
- Quelles informations supplémentaires faut-il examiner dans les deux cas ?
- A, car elle part d’une base couvrant la population et d’un mécanisme probabiliste identifiable.
- Non. La taille de B ne supprime pas l’auto-sélection des participants.
- Pour A : couverture, probabilités de sélection, non-réponse, modes et poids. Pour B : canaux de recrutement, caractéristiques des participants, quotas ou ajustements éventuels et hypothèses utilisées pour généraliser. Dans les deux enquêtes, il faut également examiner le questionnaire et les risques de mesure.
1.10.3 Niveau C — Analyser : concevoir la fiche d’identité d’une enquête
On souhaite étudier le télétravail et la satisfaction professionnelle parmi les personnels d’un grand organisme public. Rédigez une fiche méthodologique d’une page précisant :
- population cible et unité d’analyse ;
- base ou stratégie de recrutement ;
- structure temporelle ;
- trois variables centrales et leur mesure ;
- deux risques de couverture ou de sélection ;
- deux risques de mesure ;
- documents qui devront accompagner le fichier final ;
- informations nécessaires avant toute généralisation à l’ensemble des personnels.
Il n’existe pas une solution unique. Une bonne réponse rend surtout cohérents population, recrutement, mesure et conclusion visée.
Une proposition pourrait être : population cible = tous les agents en poste à une date définie ; unité d’analyse = agent ; base = fichier RH actualisé ; enquête transversale pour une photographie ou panel pour suivre l’évolution après une réforme ; mesure du télétravail par nombre de jours sur une période explicite et satisfaction par une échelle documentée.
Les risques peuvent inclure une base RH incomplète, une réponse plus faible de certains groupes, une définition ambiguë du télétravail ou un effet du contexte organisationnel sur les réponses de satisfaction. Le fichier final devrait être accompagné du questionnaire, dictionnaire, règles d’éligibilité, méthode de sélection, dates et modes de collecte, dispositions finales, documentation des poids et notes de version.
1.11 À retenir
- Un fichier d’enquête est l’aboutissement d’un processus de production de données.
- Une analyse doit relier trois niveaux : question scientifique, dispositif d’enquête, fichier analytique.
- Population cible, population couverte, échantillon et répondants ne sont pas interchangeables.
- Une ligne n’est pas toujours une personne : l’unité d’analyse doit être connue.
- Une variable doit être interprétée à partir de sa question source, son univers, ses modalités et ses codes.
- Transversale, transversales répétées et panel ne permettent pas les mêmes conclusions temporelles.
- Un grand nombre de réponses ne corrige pas automatiquement couverture, auto-sélection ou non-réponse.
- La « marge d’erreur » n’est qu’une partie de la qualité : couverture, non-réponse, mesure et traitement comptent aussi.
- Questionnaire, dictionnaire et documentation méthodologique font partie des données nécessaires à l’analyse.
- Le workflow EnquêteR commence par comprendre et documenter, avant de nettoyer, pondérer, tester ou modéliser.
1.12 Pour aller plus loin
Pour les fondements de la méthodologie d’enquête, Survey Methodology propose une vue d’ensemble de la conception, de la collecte et des sources d’erreur (Groves et al. 2009). Le cadre de l’erreur totale d’enquête est développé par Biemer (2010) et replacé dans son évolution par Groves et Lyberg (2010). Le processus cognitif de réponse aux questions est approfondi par Tourangeau et al. (2000).
Pour la transparence des enquêtes et les taux de résultat, voir les Standard Definitions de l’AAPOR (American Association for Public Opinion Research 2023). Pour l’échantillonnage, la qualité et les métadonnées de la statistique officielle européenne, voir les ressources d’Eurostat (Eurostat 2008, 2021, 2026).
Le chapitre suivant introduit R et RStudio. Nous y traduirons les notions de variable, valeur, type et objet dans un environnement de travail reproductible.