Cours d'échantillonnage

Leçon 1 • Aperçu des types de plans d'échantillonnage

Cartographie le paysage des plans probabilistes et non probabilistes à un niveau élevé. Prépare les étudiants à choisir les méthodes appropriées dans les chapitres suivants.

Leçon 2 • Populations et échantillons définis

Clarifie la distinction entre une population cible et un échantillon prélevé. Établit le vocabulaire utilisé tout au long des décisions d'échantillonnage ultérieures.

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 sous EAS et calcule leurs erreurs standard. Relie les formules d'estimation au concept de lois de probabilité 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 de base courantes. Une base solide est le 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 les 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. Introduit le calage et le calage itératif comme 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

Oppose l'allocation proportionnelle à l'allocation optimale de Neyman et aux 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 gonfler les besoins en taille d'échantillon de l'EAS. Les étudiants recalculent les tailles d'échantillon requises pour les plans par grappes.

Leçon 2 • Échantillonnage par probabilité proportionnelle à la taille

Détaille les méthodes de sélection par probabilité proportionnelle à la taille (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 l'échantillonnage par grappes réduit les coûts de déplacement et de listage tout en augmentant la variance. Oppose conceptuellement l'échantillonnage par grappes à l'échantillonnage stratifié.

Leçon 1 • Échantillonnage en boule de neige et en réseau

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

Leçon 2 • Échantillonnage théorique et ciblé 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 les normes de transparence et d'adéquation aux finalités aux plans non probabilistes.

Leçon 4 • Échantillonnage de convenance et ciblé

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 conservatrice de p=0,5. Les étudiants calculent les tailles pour une proportion unique et des proportions 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 base de la taille de l'échantillon. Intègre les ajustements de stratification et d'effet de grappe 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 de type 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 la taille de l'échantillon pour estimer une moyenne de population avec une marge d'erreur spécifiée. Nécessite la 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 Web en termes de coût, de couverture et de qualité des réponses. Les étudiants sélectionnent des modes appropriés à leur base de sondage et à leur population.

Leçon 2 • Stratégies de non-réponse et de suivi

Identifie les sources de non-réponse unitaire et par élément et conçoit des protocoles de suivi pour les réduire. Relie les taux de non-réponse au risque de biais établi au Chapitre 1.

Leçon 3 • Principes de conception de questionnaire

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

Leçon 4 • Formation des enquêteurs et contrôle de qualité

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

Leçon 1 • Gestion des données manquantes et imputation

Distingue les mécanismes de données manquantes aléatoirement et non aléatoirement et applique les méthodes d'imputation 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 des probabilités de sélection et applique les ajustements pour non-réponse et par calage. S'appuie sur les concepts de stratification et d'effet de grappe des chapitres précédents.

Leçon 3 • Estimation de la variance pour les échantillons complexes

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

Leçon 4 • Rapport et communication des résultats

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