Cours d'échantillonnage

Leçon 1 • Aperçu des types de plans d'échantillonnage

Cartographie des plans probabilistes et non probabilistes à un haut niveau. Prépare les étudiants à choisir des méthodes appropriées dans les chapitres ultérieurs.

Leçon 2 • Populations et échantillons définis

Clarifie la distinction entre une population cible et un échantillon tiré. Établit le vocabulaire utilisé dans toutes les décisions d'échantillonnage subséquentes.

Leçon 3 • Erreur d'échantillonnage et biais

Différencie l'erreur d'échantillonnage aléatoire du biais systématique et explique leur impact sur les conclusions. Fournit une base pour évaluer la qualité de l'échantillon tout au long du cours.

Leçon 1 • Estimation des paramètres à partir de l'EAS

Dérive les estimateurs de la moyenne, de la proportion et du total dans le cadre de l'EAS et calcule leurs erreurs types. Relie les formules d'estimation au concept de distributions d'échantillonnage.

Leçon 2 • Construction d'une base de sondage

Explique ce qu'est une base de sondage, comment en construire une et les erreurs courantes liées à la base. Une base solide est un prérequis pour toutes les méthodes d'échantillonnage probabiliste.

Leçon 3 • Comparaison de l'efficacité de l'EAS et de l'échantillonnage systématique

Évalue l'efficacité relative, le coût et les contraintes pratiques de chaque méthode. Les étudiants choisissent entre l'échantillonnage aléatoire simple (SRS) et l'échantillonnage systématique pour des scénarios donnés.

Leçon 4 • Mécanismes de l'échantillonnage aléatoire simple

Couvre les méthodes de loterie, de table de nombres aléatoires et de sélection par logiciel. Les étudiants exécutent des procédures d'EAS et vérifient la sélection à probabilité égale.

Leçon 1 • Post-stratification et pondération

Aborde l'ajustement des poids après la collecte des données lorsque la pré-stratification était incomplète. Présente le calage et le redressement comme des outils de correction pratiques.

Leçon 2 • Principes de la stratification

Explique pourquoi la division d'une population en strates homogènes réduit la variance globale. Relie la logique de stratification aux gains de précision par rapport à l'EAS.

Leçon 3 • Allocation proportionnelle et optimale

Contraste l'allocation proportionnelle avec l'allocation optimale de Neyman et les variantes sous contrainte de coût. Les étudiants calculent les tailles d'échantillon par strate selon chaque règle.

Leçon 1 • Effet de plan et ajustement de la taille de l'échantillon

Quantifie l'effet de plan (DEFF) et l'utilise pour augmenter les exigences de taille d'échantillon de l'EAS. Les étudiants recalculent les tailles d'échantillon requises pour les plans par grappes.

Leçon 2 • Échantillonnage avec probabilité proportionnelle à la taille

Détaille les méthodes de sélection PPS, y compris le PPS systématique et la méthode de Lahiri. Montre comment le PPS permet d'obtenir des échantillons autopondérés dans des plans à grappes inégales.

Leçon 3 • Plans à deux degrés et à plusieurs degrés

Étend l'échantillonnage par grappes à deux degrés ou plus avec un sous-échantillonnage au sein des grappes sélectionnées. Aborde la complexité de l'estimation et la décomposition de la variance entre les degrés.

Leçon 4 • Logique et compromis de l'échantillonnage par grappes

Explique pourquoi la formation de grappes réduit les coûts de déplacement et de listage tout en augmentant la variance. Contrastre conceptuellement l'échantillonnage par grappes avec l'échantillonnage stratifié.

Leçon 1 • Échantillonnage boule de neige et en réseau

Couvre les chaînes de référencement par répondants pour les populations difficiles à joindre. Présente l'échantillonnage dirigé par les répondants comme une extension probabiliste des méthodes boule de neige.

Leçon 2 • Échantillonnage théorique et raisonné dans la recherche qualitative

Aborde les stratégies de variation maximale, de cas déviant et de saturation théorique. Relie la logique non probabiliste aux normes de validité de la recherche qualitative.

Leçon 3 • Évaluation de la qualité des échantillons non probabilistes

Fournit des critères pour évaluer la rigueur en l'absence d'échantillonnage probabiliste. Les étudiants appliquent des normes de transparence et d'adéquation à l'usage aux plans non probabilistes.

Leçon 4 • Échantillonnage de convenance et raisonné

Décrit la sélection basée sur la disponibilité et le jugement ainsi que leurs risques de biais inhérents. Identifie les contextes de recherche où ces méthodes sont défendables.

Leçon 1 • Taille de l'échantillon pour les proportions

Adapte la formule de taille pour les résultats binaires et aborde l'hypothèse prudente de p=0,5. Les étudiants calculent les tailles pour des proportions uniques et multiples.

Leçon 2 • Ajustements pour les plans complexes

Applique les multiplicateurs d'effet de plan et l'inflation due à la non-réponse aux calculs de taille d'échantillon de base. Intègre les ajustements de stratification et de formation de grappes des chapitres précédents.

Leçon 3 • Analyse de puissance pour le test d'hypothèse

Relie la taille de l'échantillon à la puissance statistique, à la taille de l'effet et aux taux d'erreur de type I et II. Les étudiants utilisent les courbes de puissance pour justifier les tailles d'échantillon pour les études comparatives.

Leçon 4 • Taille de l'échantillon basée sur la précision pour les moyennes

Dérive la formule de taille d'échantillon pour estimer une moyenne de la population avec une marge d'erreur spécifiée. Nécessite une connaissance de l'estimation de la variance des chapitres précédents.

Leçon 1 • Modes de collecte de données

Compare les modes en personne, téléphonique, postal et en ligne sur le plan du coût, de la couverture et de la qualité des réponses. Les étudiants sélectionnent les modes appropriés à leur base de sondage et à leur population.

Leçon 2 • Stratégies de non-réponse et de relance

Identifie les sources de non-réponse unitaire et par item et conçoit des protocoles de relance pour les réduire. Relie les taux de non-réponse au risque de biais établi au chapitre 1.

Leçon 3 • Principes de conception de questionnaires

Couvre la formulation des questions, la construction des échelles de réponse et les effets d'ordre. Relie la qualité de l'instrument à l'exactitude des données échantillonnées.

Leçon 4 • Formation des intervieweurs et contrôle de la qualité

Établit des protocoles pour former les intervieweurs et surveiller la qualité de la collecte de données. Aborde les effets de l'intervieweur comme source d'erreur de mesure.

Leçon 1 • Gestion des données manquantes et imputation

Distingue les mécanismes de données manquantes au hasard et non manquantes au hasard et applique les méthodes d'imputation par hot-deck et multiple. Évalue l'impact de l'imputation sur les estimations.

Leçon 2 • Construction des poids d'enquête

Dérive les poids de base à partir des probabilités de sélection et applique les ajustements pour la non-réponse et le calage. S'appuie sur les concepts de stratification et de formation de grappes des chapitres précédents.

Leçon 3 • Estimation de la variance pour les échantillons complexes

Couvre la linéarisation de Taylor, la répétition équilibrée et les méthodes jackknife pour l'estimation de la variance. Les étudiants sélectionnent la méthode appropriée pour leur plan.

Leçon 4 • Rapports et communication des résultats

Structure les rapports d'enquête avec des énoncés de précision appropriés, des limites et des divulgations de plan. Traduit les estimations techniques en résultats accessibles pour divers publics.