Chapitre

8 Échantillon(s)

Isabelle Royer, Philippe Zarlowski

Résumé
 Ce chapitre traite de la constitution d’échantillons, qu’ils comprennent un grand
nombre d’éléments ou un seul comme dans le cadre d’un cas unique, qu’ils
soient destinés à des traitements quantitatifs ou qualitatifs. Il a précisément
pour objet de présenter l’éventail des possibilités en termes de constitution d’un
échantillon et d’indiquer quels sont les principaux critères à prendre en compte
afin de guider le choix du chercheur en la matière.
 Il présente tout d’abord les principales méthodes de constitution d’un échantil-
lon. Il expose ensuite les facteurs à prendre en considération pour déterminer a
priori la taille d’un échantillon. Il présente enfin différentes démarches possibles
pour constituer un échantillon.

SOMMAIRE
Section 1 Choisir les éléments de l’échantillon
Section 2 Déterminer la taille de l’échantillon
Section 3 Démarches de constitution d’un échantillon
Partie 2 Mettre en œuvre

L
■

a plupart des manuels de statistique définissent un échantillon comme un sous-

ensemble d’éléments tirés d’un ensemble plus vaste appelé population. Dans ce
chapitre, l’acception retenue pour le terme échantillon est plus large. Un échan-
tillon sera défini comme l’ensemble des éléments sur lesquels des données seront
rassemblées. Nous nous intéressons donc à tout type d’échantillons, quels que soient
leur taille, leur nature, la méthode de sélection utilisée et les objectifs de l’étude,
depuis l’échantillon comportant un seul élément, sélectionné par jugement et destiné
à un traitement qualitatif, jusqu’à l’échantillon aléatoire de grande taille destiné à
tester des hypothèses à l’aide de techniques statistiques avancées. L’objectif de ce
chapitre consiste précisément à présenter l’éventail des possibilités pour constituer
un échantillon et à indiquer quels sont les principaux critères à prendre en compte
afin de guider le choix du chercheur en la matière. L’acception large du terme échan-
tillon que nous avons retenue exclut le recensement qui tend à se développer dans
les recherches en management mais qui par définition englobe tous les éléments de
la population étudiée et ne requière donc pas de choix des éléments (voir Focus).

c Focus
Échantillon ou recensement ?
Effectuer un recensement constitue une exacte mais entachée d’une erreur qu’il
alternative à l’étude d’un échantillon. est impossible de connaître et une valeur
Néanmoins, de façon générale, l’étude sans doute inexacte mais dont la préci-
d’un échantillon présente de nombreux sion peut être appréciée » (p. 167-168).
avantages par rapport au recensement, Certaines théories telles que l’écologie
notamment en termes de coûts, de délais des populations imposent la réalisation
et de fiabilité. Les deux premiers de ces d’un recensement de manière à pouvoir
avantages semblent évidents mais tendent mesurer correctement l’évolution de la
à se réduire en raison de l’accessibilité population étudiée (Carroll et Hannan,
croissante des bases de données. Le fait 2000). Des méthodes telles que la
qu’une étude menée sur un échantillon méthode QCA (Qualitative Comparative
puisse conduire à une plus grande fiabi- Analyses : Ragin, 1987) recommandent
lité qu’un recensement heurte davantage d’avoir recours au recensement. De
le sens commun. Mais tout comme les manière plus générale, lorsque les popu-
échantillons, les recensements peuvent lations sont de taille très petite, inférieure
comporter des biais tels que l’omission ou à 50 éléments, Henry (1990) conseille
le double comptage d’un élément et les d’être exhaustif pour des raisons de crédi-
erreurs des répondants. Ainsi selon Giard bilité des résultats. Les échantillons dits
(2003), en termes de fiabilité, choisir de taille intermédiaire (15 à 100 éléments
entre l’étude de l’intégralité de la popula- environ) se prêtent bien à la mise en
tion et celle d’un échantillon probabiliste œuvre de méthodes combinant analyses
revient à choisir « entre une valeur réputée qualitative et quantitative.

220
 Échantillon(s) ■ Chapitre 8

La manière de constituer un échantillon et le statut de cet échantillon dans la

recherche ne sont pas indépendants du positionnement épistémologique adopté. Par
exemple, le principe de représentativité, mobilisé pour choisir les éléments
constitutifs de l’échantillon, n’a de sens que dans le cadre d’épistémologies
positivistes ou réalistes. En effet, le principe de représentativité suppose que l’on
puisse décrire la population de manière plus ou moins objective à l’aide de critères
ou concepts qui peuvent être dissociés de la subjectivité du chercheur – et de celle
des personnes appelées à faire partie de l’échantillon, le cas échéant. Pour les mêmes
raisons, les interrogations autour de la possibilité de généraliser les résultats obtenus,
associée au respect du principe de représentativité, n’a pas de sens dans une
démarche interprétative ou constructiviste qui mettra au contraire l’accent sur le
caractère contextuel de la connaissance (co-)produite.
Dans ce chapitre introductif aux méthodes de constitution d’échantillon, nous
avons préféré présenter un panorama des principes et méthodes sans les discuter de
manière systématique par rapport aux enjeux épistémologiques ou au positionnement
paradigmatique de la recherche. Ces questions sont traitées ailleurs dans cet ouvrage
et nous y renvoyons les lecteurs. À chaque fois que cela semble utile à leur bonne
compréhension, nous nous efforçons d’illustrer les différentes manières de justifier
les choix relatifs à la constitution d’échantillons et leur utilisation en fonction de
différentes perspectives épistémologiques. C’est le cas en premier lieu pour les
concepts de validité, centraux pour structurer les choix de constitution d’échantillons,
à l’exception des épistémologies constructivistes.
La validité externe concerne la possibilité d’étendre les résultats obtenus sur
l’échantillon à d’autres éléments, dans des conditions de lieu et de temps différentes.
La validité interne consiste à s’assurer de la pertinence et de la cohérence interne des
résultats par rapport aux objectifs déclarés du chercheur. La validité de l’étude peut
être reliée à trois caractéristiques de l’échantillon qui sont la nature (hétérogène ou
© Dunod – Toute reproduction non autorisée est un délit.

homogène) des éléments qui le composent, la méthode de sélection de ces éléments

et le nombre d’éléments sélectionnés (voir Focus page suivante).
Il convient par ailleurs de préciser que les objectifs poursuivis à travers l’étude de
l’échantillon ne correspondent pas systématiquement à ceux poursuivis par la
recherche. En effet, l’étude réalisée sur un échantillon peut ne constituer qu’une des
composantes d’une recherche plus large (voir exemple 1). Par ailleurs, l’unité
d’analyse de l’échantillon ne correspond pas nécessairement à celui de la recherche
(voir exemple 2). Un échantillon répond donc à des objectifs qui lui sont propres.
Ces objectifs contribuent bien entendu à la réalisation des objectifs de la recherche,
mais ne le font pas nécessairement directement.

221
Partie 2 ■ Mettre en œuvre

c Focus
Les caractéristiques de l’échantillon influençant la validité
Le caractère hétérogène ou homogène validité interne mais une plus grande vali-
des éléments influe sur la validité externe dité externe. Ainsi, des éléments homo-
et la validité interne de l’étude. Par gènes sont généralement sélectionnés
exemple dans une expérimentation, lorsque l’objectif de la recherche privi-
lorsque les individus sont très différents, il légie la validité interne, et des éléments
est possible que certains soient plus réac- hétérogènes lorsque la validité externe est
tifs que d’autres au traitement du fait de recherchée.
facteurs externes non contrôlés agissant Un autre choix concerne le type de
sur la variable étudiée. D’autres peuvent méthode de constitution de l’échantillon :
ne pas réagir à l’expérimentation mais toutes les méthodes ne sont pas équiva-
conduire aux mêmes résultats que les lentes en termes de validité de l’étude. Par
autres pour des raisons non identifiées. exemple, certaines, telles que les
L’utilisation d’un échantillon d’éléments méthodes probabilistes, sont par nature
homogènes permet de limiter ces risques propices à une généralisation des résultats
et d’améliorer la validité interne mais au alors que d’autres, telles que les échantil-
détriment de la validité externe (Shadish, lons de convenance, ne le sont pas.
Cook et Campbell, 2002). De même,
Le nombre d’éléments de l’échantillon a
dans les études de cas multiples, faute de
une incidence sur la confiance accordée
temps ou de moyens, on effectuera
aux résultats qui constitue une des
souvent un arbitrage entre un faible
composantes de la validité interne. Cette
nombre de cas étudiés en profondeur et
confiance s’apprécie de manière subjec-
un plus grand nombre de cas diversifiés,
tive pour les études qualitatives et s’ex-
analysés de manière moins approfondie.
prime plutôt en termes de précision ou de
Dans la première situation, la recherche
seuil de signification lorsque des traite-
présentera une forte validité interne, dans
ments quantitatifs sont effectués.
la seconde, elle aura une plus faible

Exemple 1 – Deux échantillons successifs avec des objectifs différents

Une recherche qui vise à tester des propositions par questionnaire, peut utiliser deux échan-
tillons successifs. Un premier échantillon à vocation exploratoire destiné à un traitement
qualitatif peut être tout d’abord constitué et étudié pour identifier des propositions ou vali-
der les instruments de collecte. Un second échantillon destiné à collecter les données
nécessaires au test des propositions peut ensuite être sélectionné. Ainsi, seul le second
échantillon est directement lié à l’objectif de la recherche qui est de tester les propositions,
le premier n’ayant pour objectif que d’identifier ou de préciser les propositions qui seront
testées plus tard.

222
 Échantillon(s) ■ Chapitre 8

Exemple 2 – Échantillons de répondants à l’intérieur d’un échantillon de cas

Dans sa recherche sur les processus d’influence des directeurs généraux sur leur conseil
d’administration, Sally Maitlis (2004) a choisi d’étudier deux cas : deux directeurs géné-
raux dans deux orchestres symphoniques comparables, sauf par la composition de leur
conseil d’administration. Pour chacun des deux cas, elle a constitué des échantillons de
répondants. Les répondants incluent en plus du directeur général, des membres du conseil
d’administration (musiciens et non musiciens), des musiciens non membres du conseil
d’administration, des membres du comité d’orchestre et le chef d’orchestre.

Différentes démarches peuvent être mises en œuvre pour constituer un échantillon.

Elles se distinguent principalement par le mode de sélection des éléments et la taille
de l’échantillon. Les choix opérés sur ces deux questions présentent des implications
en termes de biais et de généralisation des résultats. Par conséquent, il nous semble
indispensable de connaître les différents modes de sélection des éléments et les
critères à considérer pour déterminer la taille de l’échantillon avant de choisir une
démarche.
Dans une première section, nous présenterons les méthodes qui permettent de
choisir les éléments pour constituer un échantillon. Nous traiterons des critères qui
permettent de déterminer la taille d’un échantillon dans la deuxième section de ce
chapitre. Une troisième section sera consacrée à la présentation de différentes
démarches de constitution de l’échantillon. La partie relative aux échantillons
destinés à des traitements quantitatifs présente des formules statistiques simples qui
ne revêtent qu’un caractère d’illustration. Il convient donc de souligner que ces
illustrations ne sauraient se substituer à la consultation d’ouvrages spécialisés sur
ces questions.

Section
1 Choisir les ÉLÉments de l’Échantillon
© Dunod – Toute reproduction non autorisée est un délit.


Les méthodes de sélection d’un échantillon peuvent être regroupées en deux
grands ensembles liés aux modes d’inférence auxquels ils renvoient : les méthodes
probabilistes et leurs dérivées, d’une part et les méthodes de choix raisonné, d’autre
part.
Les méthodes probabilistes et leurs dérivées consistent, fondamentalement, à
sélectionner un échantillon au sein d’une population en s’assurant que tout élément
de la population a une probabilité non nulle et connue d’appartenir à l’échantillon
sélectionné. Cette sélection s’opère par un processus où la subjectivité des
chercheurs doit être contrôlée et tout biais susceptible de modifier la probabilité
d’appartenance à l’échantillon doit être évité. Le respect de ces règles assure la

223
Partie 2 ■ Mettre en œuvre

généralisation des résultats obtenus sur l’échantillon étudié à la population dont il

est issu selon le principe de l’inférence statistique qui repose sur des propriétés
mathématiques. Les échantillons ainsi constitués sont ensuite destinés à faire l’objet
de traitements quantitatifs.
Les échantillons sélectionnés par choix raisonné relèvent d’une démarche de
constitution différente qui repose, au contraire, sur la mise en œuvre du jugement
des chercheurs. Les échantillons constitués par choix raisonné peuvent donner lieu
à des analyses quantitatives. Il s’agit, cependant, du mode de sélection générique
pour les recherches qualitatives. Les éléments de l’échantillon sont choisis de
manière précise en respectant les critères fixés par le chercheur. Les résultats d’un
échantillon sélectionné par choix raisonné peuvent se prêter à une généralisation de
type analytique. Contrairement à l’inférence statistique où les résultats sont
automatiquement généralisés à la population, la généralisation analytique ou
inférence théorique consiste à généraliser des propositions théoriques sur la base
d’un raisonnement logique.
Les échantillons appariés utilisés pour la réalisation d’expérimentations empruntent
à la fois aux logiques probabilistes, par les techniques de randomisation, et aux
méthodes de choix raisonné, les participants étant souvent choisis en raison de leur
appartenance à des populations présentant des caractéristiques spécifiques.
Nous présenterons dans une première partie les méthodes probabilistes et leurs
dérivées puis, dans une seconde partie, les méthodes de constitution d’échantillons
par choix raisonné, qu’ils soient destinés à un traitement quantitatif ou à un
traitement qualitatif. Les principes relatifs à la constitution d’échantillons appariés
sont présentés dans chacune de ces deux parties, lorsqu’ils se rapportent à la logique
concernée – probabiliste pour les techniques de randomisation, d’une part, choix
raisonné, d’autre part.
Nous ne développerons pas les échantillons de convenance qui désignent les
échantillons sélectionnés en fonction des seules opportunités qui se sont présentées
au chercheur, sans qu’aucun critère de choix n’ait été défini a priori. Ce mode de
sélection ne permet en aucun cas une inférence de nature statistique. Il ne garantit
pas non plus la possibilité d’une inférence théorique, que seule une analyse a
posteriori de la composition de l’échantillon peut parfois autoriser. De ce fait, les
échantillons de convenance seront essentiellement utilisés en phase exploratoire,
l’objectif n’étant que de préparer une étape ultérieure et non de tirer des conclusions.
Dans ce contexte, un échantillon de convenance peut être suffisant et présente
l’avantage de faciliter et d’accélérer le recueil des informations souhaitées.

224
 Échantillon(s) ■ Chapitre 8

1 Les démarches probabilistes et leurs dérivées

Un échantillon probabiliste repose sur la sélection des éléments de l’échantillon

par une procédure aléatoire, c’est-à-dire que le choix d’un élément est indépendant
du choix des autres éléments. Lorsque l’on cherche à estimer la valeur d’un
paramètre ou d’un indicateur, les échantillons probabilistes permettent de calculer la
précision des estimations effectuées. Comme évoqué dans le Focus : échantillon ou
recensement, cette possibilité constitue une supériorité des méthodes probabilistes
par rapport à l’ensemble des autres méthodes de constitution d’un échantillon et
même à l’étude de l’intégralité de la population. Cependant, respecter la logique
probabiliste demande de mettre en œuvre des procédures très strictes de constitution
d’échantillon. Nous les présentons dans un premier point ci-dessous. Les
manquements à ces procédures génèrent différents types de biais, exposés dans le
point suivant de cette section. Enfin, nous présenterons le cas particulier de la
randomisation utilisée en expérimentation. La randomisation d’une population entre
des groupes expérimentaux présente une forme très différente de la constitution
d’échantillon destinée à une enquête mais repose également sur une logique
probabiliste.

1.1 Les méthodes probabilistes et la méthode des quotas

Nous présenterons successivement cinq méthodes de sélection probabilistes
(échantillon aléatoire simple, systématique, stratifié, à plusieurs degrés et par
grappe), puis la méthode des quotas. La méthode des quotas n’est pas une méthode
probabiliste mais s’en approche à de nombreux égards et permet d’obtenir un
échantillon dit représentatif de la population.
Les méthodes probabilistes se distinguent entre elles en fonction principalement
de deux éléments :
− les caractéristiques de la base de sondage : liste exhaustive ou non de la population,
© Dunod – Toute reproduction non autorisée est un délit.

comportant ou non certaines informations sur chaque élément de la population ;

− le degré de précision des résultats obtenus pour une taille d’échantillon donnée.
Ces deux éléments ont une incidence sur les coûts de collecte des données qui
peuvent conduire à des arbitrages.

■■ Échantillon aléatoire simple

Il s’agit de la méthode la plus élémentaire : chaque élément de la population
présente une probabilité identique d’appartenir à l’échantillon. On parle alors de
tirage équiprobable de l’échantillon. Le tirage aléatoire est effectué à partir d’une
base de sondage où tous les éléments sont numérotés. L’échantillonnage aléatoire
simple nécessite donc une liste exhaustive et numérotée de la population, ce qui
constitue souvent un obstacle à son utilisation. En outre, il est susceptible de

225
Partie 2 ■ Mettre en œuvre

conduire à une forte dispersion géographique des éléments sélectionnés, ce qui peut
entraîner des coûts élevés de collecte des données.

■■ Échantillon systématique
Cette méthode est très proche de celle de l’aléatoire simple mais ne nécessite pas
de numéroter les éléments de la population. Le premier élément est choisi de
manière aléatoire sur la base de sondage, les éléments suivants étant ensuite
sélectionnés à intervalles réguliers. L’intervalle de sélection, appelé pas, est égal à
l’inverse du taux de sondage. Par exemple, si le taux de sondage (rapport de la taille
de l’échantillon sur la taille de la population de référence) est égal à 1/100, on
sélectionnera dans la liste un élément tous les cent éléments. En pratique, il est aussi
possible de fixer une règle simple pour sélectionner les éléments de l’échantillon,
susceptible de respecter approximativement la valeur du pas après avoir vérifié que
cette règle n’introduise pas de biais dans les résultats.

■■ Échantillon stratifié
Le principe consiste, tout d’abord, à segmenter la population à partir d’un ou de
plusieurs critères définis a priori – par exemple, pour un échantillon d’entreprises :
les critères de composition de leur actionnariat, leur degré d’internationalisation, leur
taille, etc. La méthode repose sur l’hypothèse selon laquelle il existe une corrélation
entre le phénomène étudié et les critères retenus pour segmenter la population.
L’objectif est d’obtenir des segments regroupant des éléments les plus homogènes
possible par rapport au phénomène étudié. Par conséquent, afin de pouvoir choisir
des critères de segmentation pertinents, le chercheur devra disposer a priori d’une
connaissance relativement bonne tant de la population que du phénomène étudiés, en
s’appuyant par exemple sur les résultats de recherches antérieures.
Les éléments d’un échantillon sont sélectionnés de manière aléatoire dans chacune
des strates, en fonction d’un taux de sondage proportionnel ou non à l’effectif des
strates dans la population. En effet, pour un échantillon stratifié, la précision des
estimations augmente lorsque les éléments sont homogènes à l’intérieur d’une
même strate, et très hétérogènes d’une strate à l’autre. Par conséquent, à taille
d’échantillon identique, utiliser un taux de sondage plus élevé pour les strates dont
la variance est la plus grande, au détriment des strates plus homogènes, permet de
réduire l’écart-type de l’échantillon complet, et donc d’améliorer la précision des
résultats. On pourra également utiliser un taux de sondage plus élevé pour un sous-
groupe donné de la population que l’on souhaiterait étudier plus particulièrement.

■■ Échantillon à plusieurs degrés

L’échantillonnage à plusieurs degrés consiste à effectuer des tirages successifs à
différents niveaux. Le premier degré correspond à la sélection d’éléments appelés
unités primaires. Au deuxième degré on sélectionne, de manière aléatoire, des sous-

226
 Échantillon(s) ■ Chapitre 8

ensembles appelés unités secondaires au sein de chaque unité primaire retenue, et

ainsi de suite jusqu’au dernier degré. Les éléments sélectionnés au dernier degré
correspondent aux unités d’analyse. Cette méthode présente plusieurs avantages.
Notamment, il n’est pas nécessaire de disposer d’une liste de l’ensemble des
éléments de la population et, lorsque les degrés sont définis en fonction de critères
géographiques, la proximité des éléments sélectionnés permettra de réduire les coûts
de collecte des données. La contrepartie de ces avantages est une moindre précision
des estimations.

Exemple – Constitution d’un échantillon à trois degrés

Considérons une étude cherchant à analyser la motivation des cadres paramédicaux au sein
des hôpitaux publics. La population étudiée correspond à l’ensemble des cadres paramédi-
caux travaillant dans ces établissements.
Premier degré : sélection de manière aléatoire d’un échantillon de régions.
Second degré : sélection de manière aléatoire d’hôpitaux au sein de ces régions.
Troisième degré : sélection aléatoire d’un échantillon de cadres dans chaque hôpital sélec-
tionné à partir de la liste exhaustive des cadres paramédicaux de chaque hôpital.

■■ Échantillon par grappes

L’échantillon par grappes est un cas particulier d’échantillon à deux degrés. Les
éléments ne sont pas sélectionnés un à un mais par sous-groupes appelés grappes,
chaque élément de la population étant rattaché à une grappe et à une seule. Au
premier niveau, on sélectionne des grappes de manière aléatoire. Au second, on
effectue un recensement des individus.
Dans l’exemple qui précède, chaque hôpital constitue une grappe de cadres
paramédicaux. Un échantillonnage par grappes consisterait alors à interroger
l’ensemble des cadres paramédicaux appartenant aux établissements sélectionnés.
© Dunod – Toute reproduction non autorisée est un délit.

Cette méthode est peu exigeante en termes de fichiers : seule une liste des grappes
est nécessaire comme base de sondage et permet de réduire les coûts de collecte de
l’information, si les grappes sont définies selon un critère géographique. La
contrepartie est une moindre précision des estimations. L’efficacité d’un échantillon
par grappes est d’autant plus grande que les grappes sont de petite taille, qu’elles
sont de taille comparable, et que les éléments qui composent une grappe sont
hétérogènes par rapport au phénomène étudié.
Il convient de souligner qu’il est possible de combiner ces méthodes afin
d’augmenter la précision des estimations en tenant compte des contraintes
matérielles de l’étude (existence ou non d’une base de sondage exhaustive, montant
des budgets disponibles…). Le tableau 8.1 compare les avantages et les inconvénients
de ces différentes méthodes d’échantillonnage aléatoire.

227
Partie 2 ■ Mettre en œuvre

Tableau 8.1 – Comparaison des méthodes probabilistes d’échantillonnage

Précision Faiblesse des Simplicité de la Facilité
des estimations coûts de collecte base de sondage des traitements
Échantillon aléatoire + – – +
simple
Échantillon + – – +
systématique
Échantillon stratifié ++ – –– –
Échantillon à plusieurs – + + ––
degrés
Échantillon par grappes –– + ++ –

■■ La méthode des quotas

La méthode des quotas est une méthode d’échantillonnage non aléatoire qui
permet d’obtenir un échantillon ayant une certaine représentativité de la population
étudiée. Elle peut être utilisée pour diverses raisons, par exemple lorsqu’on ne
dispose pas de base de sondage, que la base n’est pas suffisamment renseignée, ou
encore pour des raisons de coût. En raison de ces avantages pratiques, cette méthode
est plus fréquemment utilisée dans les travaux de recherche en management que les
méthodes probabilistes, lorsqu’obtenir un échantillon représentatif figure parmi les
objectifs de la recherche.
Comme dans la méthode de l’échantillon aléatoire stratifié, la population est
segmentée en fonction de critères définis a priori, de telle sorte que chaque élément
de la population appartienne à un segment et un seul. À chaque segment de la
population correspond un quota, qui indique le nombre de réponses à obtenir. La
différence entre ces deux méthodes tient au mode de sélection des éléments de
l’échantillon, qui n’est pas aléatoire dans le cas de la méthode des quotas. Deux
types de procédures peuvent alors être utilisés.
Le premier type de procédure consiste à remplir les quotas en fonction des
opportunités qui se présentent. Le risque est alors que l’échantillon comporte des
biais de sélection, les premiers éléments rencontrés pouvant présenter un profil
particulier, par exemple en raison de la localisation de l’enquêteur, de la base de
sondage utilisée ou de certaines caractéristiques des répondants eux-mêmes
Le deuxième type de procédures est dit pseudo-aléatoire. Une liste des éléments
de la population est alors nécessaire (un annuaire professionnel par exemple).
Contrairement à la stratification, il n’est pas indispensable de disposer, sur cette
liste, d’information sur les critères de segmentation. La procédure de sélection
consiste à choisir au hasard un premier élément de la liste, puis à la parcourir de
manière systématique jusqu’à ce que le nombre de réponses souhaité soit atteint
pour chacun des quotas. Bien que cette méthode ne respecte pas rigoureusement les
règles de l’échantillonnage aléatoire (on ne connaît pas a priori la probabilité qu’a

228
 Échantillon(s) ■ Chapitre 8

un élément d’appartenir à l’échantillon), elle permet de limiter les biais de sélection

potentiels, en restreignant la part de subjectivité du chercheur dans la sélection de
l’échantillon. Des études empiriques ont montré que, dans ce cas, les résultats ne
sont pas significativement différents de ceux obtenus par une méthode de sondage
aléatoire (Gouriéroux, 1989).

1.2 Les biais de l’échantillon

Des biais de l’échantillon, ou erreurs de différentes natures, peuvent affecter la
validité tant interne qu’externe de l’étude. On distingue trois catégories de biais, qui
sont la variabilité des estimations, les biais d’échantillonnage et les biais non liés à
l’échantillonnage, dont la somme constitue l’erreur totale de l’étude (figure 8.1).
Certaines composantes de l’erreur totale (variabilité des estimations et biais de
l’estimateur) ne concernent que les échantillons probabilistes.

Variabilité des estimations

Biais liés à la méthode de sélection

Biais d’échantillonnage
Biais de l’estimateur
Non-couverture
Non-observation
Non-réponse
Biais non liés à l’échantillonnage
Erreur du répondant

Observation Erreur de mesure

Erreur
d’enregistrement,
de codage…
© Dunod – Toute reproduction non autorisée est un délit.

Figure 8.1 – Les biais de l’échantillon

La variabilité des estimations représente les différences dans les résultats obtenus
qu’il est possible de constater d’un échantillon à l’autre. En effet, à partir d’une
même population, les échantillons seront composés d’éléments différents. Ces
différences rejaillissent sur les résultats qui peuvent donc varier d’un échantillon à
l’autre1. La variabilité des estimations diminue lorsque la taille de l’échantillon
augmente.
Les biais d’échantillonnage sont relatifs au processus de sélection des éléments de
l’échantillon, ou à l’utilisation d’un estimateur biaisé. Dans le cadre d’une méthode
d’échantillonnage aléatoire, un biais de sélection peut se produire à chaque fois que

1. Sur toutes les notions statistiques de base, se reporter par exemple à Giard (2003) ou, pour aller plus loin, à
Saporta (2011).

229
Partie 2 ■ Mettre en œuvre

les conditions de tirage aléatoire ne sont pas respectées. Cependant, ces biais de
sélection sont beaucoup plus fréquemment rencontrés dans les méthodes non
aléatoires de constitution de l’échantillon puisque, par définition, il n’est pas
possible pour ces méthodes de contrôler la probabilité qu’a un élément d’appartenir
à l’échantillon. Par exemple, comme nous l’avons mentionné plus haut, la méthode
des quotas peut conduire à des biais de sélection importants dans la mesure où les
répondants sont choisis, au moins en partie, à l’initiative de l’enquêteur. D’autres
biais d’échantillonnage sont relatifs à l’estimateur choisi qui ne présente pas les
propriétés mathématiques attendues et est alors dit biaisé1.
Les biais non liés à l’échantillonnage peuvent être regroupés en deux catégories :
les biais liés à l’absence d’observation et les biais liés à l’observation. Les biais liés
à l’absence d’observation peuvent provenir de problèmes d’identification de la
population étudiée, appelés biais de couverture, d’une part, et des non-réponses,
d’autre part. Ils sont susceptibles d’affecter les échantillons destinés à des traitements
aussi bien qualitatifs que quantitatifs. Les biais liés à l’observation sont, quant à eux,
associés aux erreurs du répondant, aux erreurs de mesure, d’enregistrement ou de
codage des données. Les biais liés à l’observation ne résultant pas de la constitution
de l’échantillon proprement dite, seuls les biais de non observation seront développés
ci‑dessous.

■■ Les biais de couverture

Un échantillon présente un biais de couverture lorsque la population étudiée ne
correspond pas à la population de référence, cette dernière étant l’univers de
généralisation des résultats de l’étude. Selon les cas, cet univers concerne des
organisations, des lieux, des phénomènes, des individus… La population est
fréquemment définie de manière générique : on dira par exemple que l’on étudie
«les grandes entreprises», ou encore «les situations de crise». Il est donc nécessaire
de définir des critères qui permettront d’identifier précisément les éléments de la
population de référence. L’ensemble délimité par les critères d’opérationnalisation
retenus constitue la population étudiée. Deux types d’erreurs peuvent conduire à une
absence de correspondance parfaite entre la population de référence et la population
étudiée. Il s’agit des erreurs de définition de la population et des erreurs de liste.
Les erreurs de définition de la population se matérialisent lorsque les critères
d’opérationnalisation sont spécifiés de manière peu pertinente ou insuffisamment
précise et conduisent à définir de manière trop large ou, au contraire, trop étroite, la
population étudiée. Ils peuvent donc amener à retenir un ensemble différent
d’entreprises pour une même population de référence. Toutefois, l’écart entre
population de référence et population étudiée est souvent dû à des problèmes
pratiques d’accessibilité ou de disponibilité de l’information qu’il est difficile de

1. Voir note précédente.

230
 Échantillon(s) ■ Chapitre 8

résoudre. La pertinence de la recherche n’est pas nécessairement remise en cause

pour autant. Il convient tout d’abord de spécifier au mieux a posteriori la définition
de la population étudiée, d’évaluer l’impact potentiel de cet écart pour la validité
interne comme externe de la recherche, et d’en rendre compte dans la discussion des
résultats.
Les erreurs de liste constituent un biais potentiel des échantillons probabilistes,
pour lesquels la population étudiée est matérialisée par la base de sondage. Elles
proviennent souvent d’erreurs d’enregistrement ou plus encore de l’instabilité de la
population étudiée : les disparitions, fusions, ou création d’entreprises, par exemple,
sont souvent enregistrées avec retard dans les bases de données. Le chercheur devra
donc veiller à ce que tous les éléments de la population de référence figurent sur la
liste, et que ceux n’appartenant pas à la population en soient exclus. Ceci implique
souvent de croiser plusieurs fichiers puis procéder à un «nettoyage» scrupuleux pour
retirer les doublons.

■■ Les biais dus aux non-réponses

Les biais dus aux non-réponses peuvent avoir deux origines : le refus, de la part
d’un élément contacté, de participer à l’étude, ou l’impossibilité de contacter un
élément initialement sélectionné pour appartenir à l’échantillon. Si les non-réponses
ne sont pas distribuées de manière aléatoire, les résultats peuvent être entachés de
biais. Tel est le cas lorsque les non-répondants présentent des caractéristiques liés au
phénomène étudié. À titre d’illustration, dans une recherche étudiant l’influence des
systèmes d’incitation sur le comportement des dirigeants, les non-réponses
pourraient être corrélées avec certains types de comportements (par exemple, les
comportements non conformes aux intérêts des actionnaires) ou avec certaines
catégories de systèmes d’incitation (par exemple, les systèmes de stock-options).
Une distribution non aléatoire des non-réponses peut motiver le recours à la méthode
des quotas lorsque l’on souhaite une structure prédéfinie d’échantillon.
© Dunod – Toute reproduction non autorisée est un délit.

Plus le nombre de non-réponses est élevé, plus les biais peuvent être importants et
remettre en cause la validité de la recherche. Il convient donc tout d’abord d’essayer
de limiter le nombre de ces non–réponses. Plusieurs techniques sont utilisables à cet
effet. Elles concernent notamment la manière d’approcher les répondants puis de les
relancer ou, plus généralement, de maintenir le contact (pour de plus amples
développements, voir Baumard, Donada, Ibert et Xuereb, chapitre 9). Ces efforts,
s’ils conduisent à une réduction du nombre de non–réponses, permettent rarement
l’obtention de réponses pour l’ensemble des éléments sélectionnés. Différentes
techniques peuvent être mises en œuvre pour analyser les non–réponses et
éventuellement redresser les résultats biaisés d’échantillons probabilistes. Elles
seront présentées à la fin de ce chapitre dans le traitement ex post de l’échantillon.
En raison des biais de l’échantillon, l’adéquation entre la population de référence
et la population observée n’est jamais parfaite et parfois lâche, ce qui n’empêche pas

231
Partie 2 ■ Mettre en œuvre

le chercheur d’essayer de se rapprocher de cet objectif. Ces biais peuvent menacer

la validité de la recherche mais le plus souvent, la réduisent, sans compromettre
l’intégralité du projet. Il convient alors simplement d’en faire état et de les discuter
en présentant les limites de la recherche.

1.3 Techniques de randomisation pour l’appariement d’échantillons

Les recherches qui reposent sur la réalisation d’expérimentations utilisent souvent
des échantillons appariés. Ces échantillons présentent des caractéristiques similaires
sur certains critères jugés pertinents, de manière à s’assurer que l’effet mesuré
provient de la (ou des) variable(s) étudiée(s) et non de la différence de composition
des échantillons.
Il existe deux méthodes principales pour constituer ces échantillons. La plus
fréquemment utilisée est la randomisation, qui consiste à répartir de manière
systématique des individus entre différents groupes. Elle consiste à scinder un
échantillon initial en plusieurs groupes. Le nombre de groupes est égal au nombre
de conditions d’observation différentes, et la répartition des éléments entre les
groupes s’effectue de manière aléatoire. Pour ce faire, la méthode d’échantillonnage
systématique est souvent utilisée. Par exemple, si l’on veut disposer de deux groupes
d’individus, la première personne qui se présente sera affectée au premier groupe, la
deuxième au second, la troisième au premier, etc. Lorsque les éléments sont
hétérogènes, cette technique de randomisation ne permet pas de garantir totalement
que les groupes constitués soient similaires, en raison même de l’affectation
aléatoire des éléments. Ce problème est une des raisons pour lesquelles les
populations homogènes sont favorisées (voir le point suivant concernant le choix
raisonné).
La seconde méthode consiste à contrôler la structure des échantillons a priori. On
effectue une stratification de la population en fonction des critères susceptibles
d’agir sur la variable étudiée. Chaque échantillon est alors constitué de manière à
obtenir des structures identiques. Si les échantillons sont suffisamment grands, cette
méthode présente l’avantage de pouvoir effectuer des traitements par strate pour
mettre en évidence des différences de comportements éventuels entre les strates.
Selon Shadish, Cook & Campbell (2002), apparier les éléments avant d’effectuer
une randomisation est certainement le meilleur moyen de réduire les erreurs dues
aux différences de composition des groupes. La procédure consiste à effectuer un
pré-test sur l’échantillon initial, à classer les éléments par ordre croissant ou
décroissant des observations effectuées, et à partitionner l’échantillon en groupes de
taille identique au nombre de conditions expérimentales. Par exemple, s’il y a quatre
conditions d’expérimentation, les quatre éléments avec les scores les plus élevés
forment une première partie, les quatre suivants, la deuxième partie, etc. Les
éléments de chaque partie sont ensuite affectés aux conditions d’expérimentation de

232
 Échantillon(s) ■ Chapitre 8

manière aléatoire. En reprenant l’exemple précédent, les quatre éléments de la

première partie sont affectés de manière aléatoire aux quatre conditions
expérimentales, de même pour les quatre éléments de la deuxième partie, et ainsi de
suite.

2 Le choix raisonné dans les recherches quantitatives et

qualitatives

Dans les recherches en management, les échantillons sélectionnés par choix

raisonné, qu’ils soient destinés à des traitements quantitatifs ou qualitatifs, sont
beaucoup plus fréquemment rencontrés que les échantillons probabilistes. Les
méthodes par choix raisonné reposent fondamentalement sur le jugement, et se
distinguent en cela des méthodes probabilistes dont l’objectif consiste précisément
à éliminer cette subjectivité. Contrairement aux méthodes d’échantillonnage
probabiliste, la constitution d’un échantillon par choix raisonné ne nécessite pas de
base de sondage. Ceci constitue un avantage car il existe rarement une base de
sondage préétablie concernant les phénomènes organisationnels tels que les crises
ou les reprises d’entreprises familiales. Même s’il était possible d’en constituer une,
la difficulté ou le coût seraient souvent rédhibitoires. De plus, le recours à une
méthode d’échantillonnage probabiliste n’est pas indispensable, car les recherches
s’attachent souvent davantage à établir ou tester des propositions théoriques qu’à
généraliser des résultats à une population particulière. Par ailleurs, pour les petits
échantillons, une méthode par choix raisonné donne d’aussi bons résultats qu’une
méthode probabiliste. En effet, le recours au jugement pour sélectionner les éléments
est à l’origine de biais mais, dans un petit échantillon aléatoire (d’une quinzaine par
exemple), la variabilité des estimations est tellement élevée qu’elle occasionne des
biais au moins aussi importants (Kalton, 1983). Par ailleurs, un dispositif de recueil
des données lourd entraîne des taux de refus tellement élevés que la sélection
© Dunod – Toute reproduction non autorisée est un délit.

aléatoire des éléments n’a plus de sens. Le taux de refus élevé se pose également
pour des sujets de recherche délicats tels que les conduites déviantes ou les
phénomènes rares. Dans ce cas, la technique de la boule de neige peut apporter une
solution (voir Focus). Les échantillons constitués par choix raisonné permettent en
outre de choisir de manière très précise les éléments de l’échantillon et, ainsi, de
garantir plus facilement le respect de critères les sélections choisis par le chercheur.
La constitution d’un échantillon par choix raisonné, qu’il soit destiné à un
traitement quantitatif ou qualitatif, s’effectue selon des critères théoriques. Pour ce
faire, le chercheur doit donc disposer d’une bonne connaissance théorique de la
population étudiée. Deux critères sont récurrents dans les recherches aussi bien
quantitatives que qualitatives : le caractère typique ou non de l’élément et sa
similarité ou non aux autres éléments de l’échantillon.

233
Partie 2 ■ Mettre en œuvre

c Focus
La technique de la boule de neige
La technique de la boule de neige est une les caractéristiques requises, et ainsi de
procédure utilisée pour les populations suite. On procède alors pas à pas à la
difficiles à identifier. Elle consiste à constitution de la base de sondage ou
trouver un premier répondant qui vérifie directement de l’échantillon. Cette tech-
les critères de sélection définis par le nique repose sur une auto-désignation
chercheur. On demande à ce premier successive des éléments, et comporte de
interlocuteur d’en désigner d’autres, qui ce fait un biais de sélection potentiel.
seront, eux aussi, susceptibles de présenter

2.1 Le caractère typique ou atypique des éléments

Les éléments typiques correspondent à des éléments de la population que le
chercheur considère comme étant particulièrement «normaux» ou «fréquents»
(Henry, 1990). Ils sont choisis pour leur facilité de généralisation des résultats à
l’ensemble des individus dont ils sont typiques. Cette logique s’applique à des
échantillons destinés à des traitements quantitatifs aussi bien que qualitatifs, incluant
le cas unique. Il est alors nécessaire de montrer le caractère typique des éléments.
Yin (2004) considère comme exemplaire l’étude de «Middletown» de Lynd et Lynd
(1929) qui montrent que la ville qu’ils étudient peut être caractérisée de moyenne
sur un grand nombre de critères, ce qui en fait une ville typique américaine.
Au contraire, le caractère atypique des éléments de l’échantillon peut soulever des
interrogations quant à la pertinence par rapport à la discipline de recherche et à la
possibilité de généralisation des résultats issus d’un contexte qui peut paraître trop
particulier (Bamberger et Pratt, 2010). Toutefois, les terrains de recherche non
conventionnels sont aussi ceux qui ont parfois le plus d’impact (Bamberger et Pratt,
2010). Par exemple, la recherche de Bartunek (1984) sur les shèmes interprétatifs et
les changements organisationnels repose sur l’étude d’une communauté religieuse.
Par leur caractère extrême, les terrains atypiques peuvent permettre de découvrir des
phénomènes ou relations qui sont plus difficilement identifiables ailleurs et
néanmoins importants pour la théorie et la pratique du management (Pettigrew,
1990). En plus de ces approches destinées à engendrer des théories, ils peuvent aussi
être utilisés pour enrichir ou améliorer les théories existantes (Bamberger et Pratt,
2010). Par exemple, les cas dits « critiques » (Patton, 2002) sont des cas particuliers
qui par leurs caractéristiques ont un pouvoir de généralisation intrinsèque selon la
logique suivante : si ce phénomène existe même dans ce cas particulier (où l’on
s’attend à ne pas le trouver), alors il existe partout. Ces terrains peu étudiés sont

234
 Échantillon(s) ■ Chapitre 8

parfois plus faciles d’accès car les personnes concernées, moins fréquemment
sollicitées, sont de ce fait plus ouvertes à l’accueil d’un travail de recherche ; en
outre, ces terrains peuvent permettre d’étudier des sujets plus sensibles (Bamberger
et Pratt, 2010).

2.2 La similitude ou le caractère dissemblable de certains éléments

entre eux
Le critère de similitude est fréquemment utilisé dans le but de constituer un
échantillon homogène. Un échantillon homogène favorisera la mise en évidence de
relations et la construction d’une théorie. Pour le constituer, on veillera à sélectionner
des éléments similaires et à exclure tout élément atypique. Lorsque des recherches
présentant une forte validité interne ont permis d’établir une théorie, on peut
souhaiter étendre les résultats. Pour ce faire, l’échantillon sera hétérogène, constitué
en sélectionnant des éléments dissemblables dans l’objectif d’augmenter la validité
externe. Par exemple, dans une expérimentation, lorsqu’il est difficile de constituer
des échantillons aléatoires suffisamment grands pour obtenir une grande validité
externe, une solution peut consister à utiliser des échantillons composés d’éléments
volontairement très différents (Shadish, Cook et Campbell, 2002). Le principe
d’inférence est le suivant : l’hétérogénéité exerçant une influence négative sur la
significativité de l’effet, si la relation apparaît significative malgré cet inconvénient,
alors les résultats peuvent faire l’objet d’une généralisation. Selon la même logique,
dans les recherches qualitatives, Glaser et Strauss (1967) recommandent de faire
varier le champ de la recherche en termes d’organisations, de régions, de pays pour
augmenter le caractère général de la théorie.
Le choix raisonné est utilisé en expérimentations. Les expérimentations sont
souvent effectuées sur une population d’étudiants, d’une promotion d’une discipline
particulière, ce qui répond au critère d’homogénéité. Les éléments de cette
population homogène seront ensuite affectés de manière aléatoire aux groupes
© Dunod – Toute reproduction non autorisée est un délit.

expérimentaux. Cette randomisation augmente la validité interne et la significativité

statistique des résultats de la recherche (voir plus haut dans ce chapitre les
développements sur les échantillons appariés). La forte homogénéité des participants
limitant la validité externe de la recherche, les résultats obtenus sur les étudiants
peuvent être reproduits sur une population de managers afin de mettre en évidence
la validité externe des résultats. Par exemple Bolton et collègues (2012) testent le
problème classique en logistique de constitution de stocks d’un produit périssable,
dit problème du vendeur de journaux, sur trois populations : des étudiants sans
formation en management opérationnel, des étudiants ayant suivi cette formation et
des managers. Les résultats montrent que les trois populations ont le même type de
biais mais avec une amplitude différente pour les managers.

235
Partie 2 ■ Mettre en œuvre

Le choix raisonné est utilisé pour les études de cas multiples. Chaque cas est
sélectionné selon des critères théoriques incluant la similitude ou au contraire le
caractère dissimilaire (Glaser et Strauss, 1967 ; Eisenhardt, 1989 ; Yin, 2014 ;
Eisenhardt et Graebner, 2007). Yin (2014) appelle ainsi réplication littérale les
démarches reposant sur la sélection de cas similaires et réplication théorique celles
qui s’appuient sur des cas non similaires et pour lesquels l’application de la théorie
étudiée devrait aboutir à des résultats différents. Parmi les cas, certains pourront être
retenus pour rejeter des explications alternatives (Eisenhardt et Graebner, 2007) et
donc améliorer la validité interne. D’autres pourront être retenus en raison de leur
différence de contexte pour augmenter la généralisation des résultats (Glaser et
Strauss, 1967 ; Eisenhardt et Graebner, 2007).
Il est également possible de choisir de manière raisonnée des éléments dissemblables
pour constituer un échantillon de répondants. La démarche consiste à interroger des
personnes ayant a priori des points de vue ou comportements différents (Miles et
Huberman, 1994). Ces échantillons de répondants dissimilaires sont très fréquemment
utilisés en management avec des objectifs divers. Ils sont par exemple utilisés dans
les démarches positivistes exploratoires destinées à identifier des facteurs qui seront
ensuite testés. Dans cette démarche, la non-similarité augmente les chances de
recueillir la plus grande variété d’explications ou facteurs possible.
Ils sont aussi utilisés dans les études de cas conduites selon une perspective
positiviste dans un objectif de triangulation des données. La logique est la suivante.
Si les données recueillies sur le cas auprès de ces sources potentiellement divergentes
convergent alors on peut accorder une plus grande confiance à ces informations.
Ils sont aussi mobilisés dans le cadre de perspectives interprétatives pour montrer
la multiplicité des points de vue. Par exemple, dans leur étude d’une tentative de
changement stratégique de retour en arrière, Mantere et ses collègues (2012 : 178)
ont interviewé tous les dirigeants, des cadres intermédiaires et des employés de
chaque département afin d’obtenir une description complète de la situation incluant
différents points de vue.

Section
2 DÉterminer la taille de l’Échantillon

Déterminer la taille de l’échantillon revient en fait à estimer la taille minimale
requise pour obtenir des résultats avec un degré de confiance satisfaisant. C’est donc
la taille qui permet d’atteindre la précision ou le seuil de signification souhaités pour
les échantillons destinés à des traitements quantitatifs, ou une crédibilité jugée
suffisante pour des recherches qualitatives. D’une manière générale, toutes choses
égales par ailleurs, plus l’échantillon est grand, plus la confiance accordée aux

236
 Échantillon(s) ■ Chapitre 8

résultats est importante, quel que soit le type de traitement effectué. Ceci explique
en partie que la taille des échantillons des recherches publiées en management a
sensiblement augmenté. De 300 en moyenne en 1987 et 1988, la taille moyenne des
échantillons des articles publiés dans Academy of Management Journal a dépassé
3000 en 2007 et 2008 (Combs, 2010). Cependant, les grands échantillons posent des
difficultés d’ordre pratique, notamment en termes de coûts et de délais. Au-delà
d’une certaine taille, ils peuvent aussi poser des problèmes de fiabilité et validité. En
effet, lorsque l’échantillon devient grand, le chercheur doit souvent sous-traiter la
collecte des données. Le recours à la sous-traitance peut accroître les erreurs au
niveau de la collecte, du codage ou de l’enregistrement des données, et nécessite la
mise en place de procédures de contrôle parfois lourdes. Une alternative consiste à
utiliser des bases de données préexistantes mais qui peuvent poser des problèmes de
validité des construits du fait que les données de la base sont trop éloignées du
concept qu’elles sont censées représenter (Combs, 2010). Enfin, un grand échantillon
peut se révéler inutilement coûteux. Par exemple, lorsque l’on souhaite tester
l’influence d’une variable dans un design expérimental, un échantillon de petite
taille comprenant une trentaine d’individus par cellule ou groupe expérimental est
souvent suffisant pour obtenir des résultats significatifs.
Déterminer la taille nécessaire d’un échantillon avant d’effectuer le recueil des
données est essentiel pour éviter que l’échantillon ne se révèle trop petit après le
traitement des données. Cela permet d’évaluer le caractère réalisable des objectifs
que l’on s’est fixés et, le cas échéant, de modifier le design de la recherche en
conséquence.
Cette partie présente les différents critères qui permettent de déterminer la taille
d’un échantillon. Ces critères et la manière de les mettre en œuvre diffèrent selon le
type de traitement des données. Une première partie sera donc consacrée aux
échantillons destinés à des traitements quantitatifs, les échantillons utilisés dans des
recherches qualitatives faisant l’objet de la seconde partie. La taille d’échantillons
destinés à des tests non paramétriques ne sera pas spécifiquement abordée dans ce
© Dunod – Toute reproduction non autorisée est un délit.

chapitre, ces tests ayant précisément pour propriété d’être utilisables sur de très
petits échantillons.

1 Taille d’un échantillon destiné à un traitement quantitatif avec

tests paramétriques

Le mode de calcul de la taille d’un échantillon destiné à un traitement quantitatif

diffère pour chaque méthode statistique utilisée. De manière générale, les techniques
utilisant le maximum de vraisemblance requièrent des tailles d’échantillon plus
élevées que les tests traditionnels. L’objet n’est pas ici de fournir des formules mais
simplement de présenter les facteurs, communs à la plupart des méthodes, qui

237
Partie 2 ■ Mettre en œuvre

influent sur la taille nécessaire de l’échantillon. Ces facteurs sont nombreux. Quel
que soit l’objectif visé par l’étude, il convient de prendre en considération les
facteurs qui augmentent la précision des estimations. Lorsque l’objectif est de tester
des hypothèses et non de décrire une population seulement, trois autres facteurs
interviennent : l’importance de l’effet étudié, la puissance du test souhaitée et le
nombre de paramètres à estimer.

1.1 Facteurs généraux liés à la précision

La précision est souvent le principal critère d’évaluation d’une recherche
descriptive et est également importante pour les tests d’hypothèses. La précision
dépend de plusieurs facteurs qui sont : le seuil de signification souhaité, la variance
de la population, la technique d’échantillonnage utilisée et la taille de la population.
Pour illustrer l’incidence de ces facteurs sur la taille d’un échantillon, nous avons
retenu une statistique familière : la moyenne (voir exemple). Cet exemple sera repris
tout au long de cette partie avec chacun des facteurs.

Exemple – Calcul de la taille de l’échantillon pour l’estimation de la moyenne

Dans le cas d’un échantillon de plus de 30 éléments avec tirage aléatoire simple effectué
avec remise ou sans remise mais avec un taux de sondage inférieur à 10 %, l’intervalle de
confiance de la moyenne calculée dans l’échantillon est donné par :
s s
y – z ------- ≤ m ≤ y + z -------
n n
où y et s désignent respectivement la moyenne et l’écart type de la variable étudiée dans
l’échantillon, n la taille de l’échantillon et z la valeur de la loi normale pour le seuil de
signification a.
Si l’on souhaite se fixer a priori une précision appelée l de part et d’autre de la moyenne,
on a alors :
s-
λ = z ------
n
La taille minimale de l’échantillon pour atteindre la précision souhaitée est alors :
z 2
n =  --- s
λ 
Supposons que l’on veuille connaître la durée moyenne de développement d’un nouveau
produit de grande consommation. Supposons en outre que l’on connaisse une estimation s
de l’écart type de la durée de développement (8 mois), que l’on souhaite avoir une précision
égale à 2 mois de chaque côté de la moyenne et que le seuil de signification souhaité soit
de 5 %, ce qui entraîne une valeur de z égale à 1,96, la taille de l’échantillon est alors :
1,96 2
n =  ---------- 8 == 62
62
2

238
 Échantillon(s) ■ Chapitre 8

Il convient de souligner que cette formule est spécifique à la moyenne dans les
conditions de taille de la population et de tirage spécifiées plus haut. Elle ne peut en
aucun cas être transposée directement à d’autres conditions et à d’autres statistiques.

■■ Variance de la population et taille de l’échantillon

La variance est un indicateur de dispersion des observations. C’est la moyenne des
carrés des écarts à la moyenne. Plus les observations de la variable étudiée s’écartent
de la moyenne et plus sa valeur est élevée. Plus cette variance est grande, plus
grande devra être la taille de l’échantillon. L’indicateur de dispersion le plus
fréquemment rencontré est l’écart type qui est la racine carrée de la variance. En
reprenant l’exemple initial, supposons que l’écart type ne soit plus de 8 mais de 10.
Avec un écart type de 8, on a :
n =  1,96
2
---------- 8 == 62
62
 2 
Avec un écart type de 10, on a :

n =  1,96
2
---------- 1 0 == 97
97
2
Malheureusement, dans de nombreuses recherches, la variance de la population
étudiée n’est pas connue. Il faut donc l’estimer pour pouvoir l’intégrer dans le calcul
de la taille de l’échantillon. Pour ce faire, plusieurs possibilités sont envisageables.
La première consiste à utiliser les résultats d’études précédentes ayant proposé une
estimation de la variance, comme nous l’avons fait pour construire cet exemple en
nous fondant sur Urban et Hauser (1993).
Une autre solution consiste à réaliser une enquête pilote sur un petit échantillon.
La variance calculée dans l’échantillon fournit alors une estimation de la variance
de la population.
Une troisième possibilité consiste à utiliser la propriété de la loi normale selon
© Dunod – Toute reproduction non autorisée est un délit.

laquelle l’étendue de cette distribution (valeur maximum moins valeur minimum) est
environ six fois plus grande que son écart type. Par exemple, en considérant que la
durée minimum de développement d’un nouveau produit de grande consommation est
de 1 mois, et que la durée maximum dépasse rarement 10 ans (soit 120 mois),
l’étendue est donc de 119 mois, soit un écart type de 19,8 mois. Cependant, cette
troisième possibilité repose sur l’hypothèse que la variable étudiée suit une loi
normale, ce qui constitue une hypothèse forte pour de nombreux phénomènes
organisationnels.
Enfin, lorsque la variable est mesurée à l’aide d’une échelle, on peut se référer au
guide proposé dans le « Focus ».

239
Partie 2 ■ Mettre en œuvre

c Focus
Guide d’estimation de la variance pour les données
recueillies avec des échelles (Churchill et Iacoubci, 2009)
La variance dépend du nombre de points de l’échelle et de la distribution des réponses.
Plus le nombre de points de l’échelle est faible et plus les valeurs des réponses tendent
à se concentrer autour d’un point de l’échelle comme dans une loi normale, plus la
variance est faible. Le tableau présente des estimations probables de la variance selon
le nombre de points de l’échelle et différentes lois de distribution. Les valeurs les plus
faibles ont été calculées pour des distributions normales et les plus fortes pour des
réponses uniformément réparties. Il est bien sûr possible de rencontrer des variances
encore plus fortes notamment dans le cas de distributions avec un mode à chaque
extrémité de l’échelle.

Nombre de points Ordre de grandeur

de l’échelle de la variance
4 0,7 – 1,3
5 1,2 – 2,0
6 2,0 – 3,0
7 2,5 – 4,0
10 3,0 – 7,0

Pour plus de précaution, Churchill et Iacoubci (2009) conseille de prendre les valeurs
les plus fortes pour calculer la taille de l’échantillon, les données recueillies par échelle
étant plus souvent réparties de manière uniforme que suivant une loi normale.

■■ Seuil de signification et taille de l’échantillon

Le seuil de signification (a) est le pourcentage de chances de se tromper. Plus il
est faible, meilleur est le résultat. Par convention, dans les recherches en management,
on considère généralement les seuils de 1 % et 5 %, voire 10 %, selon le type de
recherche menée. Le seuil de 1 % est habituel pour les expérimentations en
laboratoire ; pour des données recueillies en entreprise, un seuil de 10 % est
généralement accepté. Au-delà de 10 %, c’est-à-dire lorsqu’il existe plus de 10 % de
chance de se tromper, les résultats ne sont pas jugés valides sur le plan statistique.
Le seuil de signification a exerce une influence directe sur la taille de l’échantillon :
plus on souhaite un faible pourcentage d’erreur, plus l’échantillon doit être grand.
En reprenant l’exemple précédent, on a :
Au seuil de signification a = 5 %, z = 1,96, donc n = = 62

Au seuil de signification a = 1 %, z = 2,576, donc n = = 107

240
 Échantillon(s) ■ Chapitre 8

■■ Précision et taille d’échantillon

La précision d’une estimation est donnée par l’intervalle de confiance. Par
exemple, au seuil de signification de 5 %, si la moyenne calculée dans l’échantillon
est de 27 mois et que la précision est de 2 mois de part et d’autre de la moyenne,
alors on peut dire que la moyenne dans la population est comprise entre 25 et
29 mois avec 5 % de chances de se tromper. Plus on souhaite un résultat précis et
plus l’échantillon doit être grand. La précision est coûteuse. Pour doubler celle
d’une moyenne, il est nécessaire de multiplier la taille de l’échantillon par quatre.
En reprenant l’exemple précédent, supposons que l’on souhaite doubler la
précision de l’estimation de la moyenne. La précision sera alors de 1 mois au lieu
de 2.
Pour une précision de 2 mois de part et d’autre de la moyenne,

n =  1,96
2
---------- 8 == 62
62
 2 
Pour une précision de 1 mois de part et d’autre de la moyenne,

n =  1,96
2
---------- 8 == 246
246
1

■■ Technique d’échantillonnage et taille de l’échantillon

La méthode d’échantillonnage utilisée modifie la variance de l’échantillon. À
chacune correspond un mode de calcul spécifique de la moyenne et de l’écart type
(cf., par exemple, Kalton, 1983). Par conséquent, la taille de l’échantillon ne peut
plus être calculée à partir de la formule simple présentée dans l’exemple p. 203,
utilisable uniquement pour un échantillon aléatoire simple.
Quelle que soit la méthode d’échantillonnage choisie, il est possible d’estimer la
taille de l’échantillon sans passer par les formules complexes de calcul. On peut
utiliser à cet effet des approximations. Par exemple, Henry (1990) présente quelques
© Dunod – Toute reproduction non autorisée est un délit.

coefficients d’ajustement appelés deff (design effect, cf. tableau 8.2).

Tableau 8.2 – Coefficients d’ajustement de la variance en fonction des méthodes
d’échantillonnage pour le calcul de la taille de l’échantillon (Henry, 1990)
Méthode Remarques
Deff
d’échantillonnage sur le coefficient deff
Échantillons stratifiés 0,5 à 0,95 Le ratio dépend du nombre de strates et de la corrélation
entre les variables utilisées pour la stratification et la
variable étudiée.
Échantillons à plusieurs 1,25 à 1,5 L’effet de la méthode peut être partiellement réduit par
degrés l’utilisation simultanée de la stratification.
Échantillons par grappes 1,5 à 3,0 Le ratio dépend du nombre de grappes, de l’homogénéité
des individus appartenant à chaque grappe et de
l’utilisation ou non de la stratification.

241
Partie 2 ■ Mettre en œuvre

Grâce à ces coefficients, l’estimation de la taille de l’échantillon peut être calculée

de manière simple à partir de la formule de base. Il suffit de multiplier la variance
par le coefficient correspondant à la méthode utilisée (s′2 = s2 ⋅ deff).
En reprenant l’exemple précédent, avec un échantillon aléatoire simple on obtient :

n =  1,96
2
---------- 8 == 62
62
2
Avec un échantillon à plusieurs degrés, le coefficient deff maximum indiqué est de
1,5, d’où :

n =  1,96
2
---------- 8 1,5 == 93
93
2
On peut observer que certaines méthodes sont plus efficientes que d’autres,
comme nous l’avions noté dans la première section.

■■ Taille de la population et taille de l’échantillon

La taille de la population est uniquement prise en considération lorsque le tirage
des éléments de l’échantillon est effectué sans remise et que le taux de sondage est
élevé (par convention supérieur à 1/10), le taux de sondage étant le rapport (n/N)
entre la taille de l’échantillon n et la taille de la population N. Dans ce cas particulier,
l’indépendance des éléments de l’échantillon n’est plus garantie et la variance doit
être corrigée d’un facteur d’exhaustivité K qui s’exprime de manière approchée en
fonction du taux de sondage, soit K = 1 – n/N. La taille n′ de l’échantillon corrigée
du coefficient d’exhaustivité s’obtient alors par :
nN
n′ = -------------
N+n

En reprenant l’exemple précédent, n = 62. Si la taille de la population est N = 500,

alors le taux de sondage est supérieur à 1/10 et n′ = 56.
La prise en compte de la taille de la population entraîne donc une diminution de
la variance et, par suite, de la taille de l’échantillon nécessaire.

1.2 Facteurs additionnels pour les échantillons destinés à tester des

hypothèses
Pour les échantillons destinés à tester des hypothèses, ce qui correspond au cas le
plus fréquemment rencontré dans la recherche, d’autres critères doivent également
être pris en compte afin de déterminer la taille de l’échantillon. Il s’agit notamment
de l’importance de l’effet mesuré, de la puissance du test et du nombre de paramètres
à estimer. Ces critères sont destinés à assurer la significativité des résultats obtenus.

242
 Échantillon(s) ■ Chapitre 8

■■ Importance de l’effet mesuré et taille de l’échantillon

L’importance d’un effet décrit l’amplitude ou la force de la relation entre deux ou
plusieurs variables dans la population. Les indicateurs de taille de l’effet varient en
fonction de la statistique utilisée.
Si on prend, par exemple, le test de différence de moyenne, et si l’on suppose que
l’écart type est identique pour les deux échantillons, la taille de l’effet est donnée
par le ratio d :
y 1 – y2
d = ------------------
-
s

Supposons, par exemple, que la moyenne y1 de la variable étudiée sur le premier

échantillon est de 33, que la moyenne y2 sur le second est de 28, et que l’écart type s
est de 10 pour chaque échantillon, la taille de l’effet est alors de 50 % (d = (33 –
28)/10 = 0,5).
On classe généralement l’importance des effets en trois catégories : petit, moyen
et grand. Un effet de 20 % est considéré comme petit, un effet de 50 % comme
moyen et un effet de 80 % comme grand (Cohen, 1988). En termes de proportion de
variance expliquée, ces trois catégories correspondent aux valeurs 1 %, 6 % et 14 %.
Plus l’effet est petit et plus la taille de l’échantillon doit être importante pour
qu’il puisse être mis en évidence de manière significative. Par exemple, dans un
test de différence de moyenne avec deux échantillons de taille identique, si la taille
nécessaire de chaque échantillon est de 20 pour un grand effet, elle sera de 50 pour
un effet moyen et de 310 pour un petit effet, toutes choses égales par ailleurs.
Estimer la taille d’un effet n’est pas facile. Comme pour la variance, on peut
utiliser des estimations de recherches précédentes ou réaliser une étude sur un petit
échantillon. En l’absence d’estimations disponibles, on peut également retenir
l’effet minimal que l’on souhaite mettre en évidence. Par exemple, si on estime
qu’un effet inférieur à 1 % exprimé en proportion de variance expliquée n’est pas
© Dunod – Toute reproduction non autorisée est un délit.

intéressant, alors on prendra 1 % comme importance de l’effet pour calculer la taille

de l’échantillon. Dans les recherches en organisation, on peut cependant s’attendre
à ce que l’effet soit faible comme dans l’ensemble des sciences sociales. Ainsi, en
analysant 102 études sur la personnalité, Sarason et al. (1975) constatent que le
pourcentage moyen de variance expliquée varie de 1 % à 4,5 % selon la nature de la
variable (démographie, personnalité ou situation).

■■ Puissance du test et taille de l’échantillon

La puissance du test correspond en quelque sorte à la probabilité de pouvoir mettre
en évidence l’effet étudié. La puissance du test est exprimée par le coefficient (1- ß).
Elle correspond à la probabilité de rejeter avec raison Ho. Le coefficient ß représente,

243
Partie 2 ■ Mettre en œuvre

quant à lui, le risque de deuxième espèce ou erreur de type II, c’est-à-dire la

probabilité d’accepter Ho à tort (voir tableau 8.3).
Par exemple, une puissance de test de 25 % (1-ß) signifie qu’on a seulement 25 %
de chances de rejeter l’hypothèse nulle Ho, c’est-à-dire 75 % de chances de ne pas
pouvoir conclure.
Lorsque la puissance est faible, on ne peut pas savoir s’il n’y a pas de lien entre
les variables dans la population (ou un lien négligeable) ou si ce lien existe mais n’a
pu être mis en évidence en raison d’un manque de sensibilité de la recherche, c’est-
à-dire une puissance trop faible. De nombreuses recherches ne sont pas publiées en
raison d’un problème de puissance qui conduit à cette impossibilité de pouvoir
conclure : les α sont trop élevés pour affirmer une relation et les β sont trop élevés
pour affirmer qu’il n’y en a pas.
Tableau 8.3 – Rappel sur les types d’erreur dans les tests hypothèses
Réalité
H0 vraie H0 fausse
Résultat du test

H0 accepté Décision correcte avec une probabilité Erreur de deuxième espèce ou de type II
(1 – a) C’est la probabilité b d’accepter H0 alors
qu’elle est fausse

(1 – a) est appelé b est appelé risque de deuxième espèce

seuil de confiance

H0 rejetée Erreur de première espèce ou de type I Décision correcte avec une probabilité
C’est la probabilité a de rejeter H0 alors (1 — b) de rejeter H0 alors que H0 est
qu’elle est vraie fausse

a est appelé risque de première espèce (1 – b) est appelé

puissance du test

La puissance du test est un indicateur statistique rarement mentionné dans la

présentation des résultats et peu pris en considération de manière générale même
lorsque cela est nécessaire (Cashen et Geiger, 2004). Ainsi, dans une étude faite
auprès de chercheurs en marketing, Sawyer et Ball (1981) constatent que 50 % des
répondants déclarent ne pratiquement jamais l’utiliser de quelque manière que ce
soit. Les recherches présentent la plupart du temps des effets qui ont été mis en
évidence, c’est-à-dire pour lesquels l’hypothèse nulle Ho a pu être rejetée. Dans ce
cas, le risque lié à la décision est le risque α de première espèce et le fait qu’il soit
suffisamment faible pour conclure indique que la puissance était suffisante.
La puissance du test, ou le risque associé b, doit être mentionné lorsque le
chercheur conclut à une absence de relation non négligeable (Shadish, Cook et
Campbell, 2002), même si cette pratique n’est pas communément suivie (Cashen et
Geiger, 2004). Si elle ne l’est pas, il est intéressant de l’estimer si on souhaite
poursuivre des recherches précisément sur le même sujet de manière à éviter de

244
 Échantillon(s) ■ Chapitre 8

reproduire des erreurs similaires (Sawyer et Ball, 1981). Cohen (1988) propose
d’utiliser des seuils de 20 % et 10 % pour le risque b qui sont donc moins stricts que
ceux de 5 % et 1 % généralement admis pour le risque α. Cashen et Geiger (2004)
recommandent, quant à eux, un seuil de 5 % pour b.
La puissance du test dépend du seuil de signification. La relation entre α et b est
complexe mais, toutes choses égales par ailleurs, plus le risque de première espèce
α est faible et plus le risque de deuxième espèce b est élevé. Toutefois, il est
déconseillé de réduire le risque de deuxième espèce en augmentant le risque de
première espèce, étant donné le poids des conventions concernant le risque α. Il
existe d’autres moyens d’améliorer la puissance : la réduction de la variance avec un
échantillon homogène et l’augmentation de la taille de l’échantillon.
Toutes choses égales par ailleurs, plus on souhaite que le test effectué soit puissant,
plus la taille de l’échantillon doit être grande. Considérons, par exemple, un test de
différence de moyennes entre deux échantillons de même taille afin de vérifier si la
moyenne obtenue dans le premier échantillon est supérieure à celle obtenue dans le
second. Si l’on suppose que l’écart type est identique dans les deux échantillons, la
taille de chacun des deux échantillons est donnée par :
s2
n = 2 ---------------------2 ( z α + z β ) 2
y1 – y 2

En reprenant l’exemple précédent, supposons que l’écart type s soit égal à 10 et

que la différence entre les deux moyennes soit égale à 5. On est donc dans le cas
d’un effet de taille moyenne égale à 50 % (d = y1 – y2 /s = 0,5). Au seuil de
signification a = 5 %, la taille de chaque échantillon nécessaire sera alors :
pour une puissance de 80 % (b = 20 %) :
102
n=2 (1,645 + 0,84)2 = 50
52
© Dunod – Toute reproduction non autorisée est un délit.

pour une puissance de 90 % (b = 10 %) :

102
n=2 (1,645 + 1,28)2 = 69
52
Dans les recherches qui comparent deux échantillons, augmenter la taille de l’un
d’entre eux (l’échantillon de contrôle) permet également d’augmenter la puissance
du test (cf. « Focus » page suivante).
Combs (2010) attire toutefois l’attention sur l’utilisation de très grands échantillons
qui permettent de trouver significatifs des effets extrêmement faibles. Il s’interroge
par exemple sur la pertinence de corrélations significatives mais égales à 0,0043
obtenues sur un échantillon de plus de 200 000 observations.

245
Partie 2 ■ Mettre en œuvre

c Focus
Taille relative de deux échantillons
Lorsqu’on utilise deux échantillons, on les soumis au stimulus sera vraisemblable-
choisit généralement de taille identique ment petite. Il est alors intéressant d’aug-
car cette configuration donne la plus menter la taille n2 de l’échantillon de
grande puissance de test. Toutefois, il contrôle constitué de managers n’ayant
arrive que l’on soit limité par le nombre pas suivi la formation. Plus l’échantillon
d’éléments d’un des deux échantillons. de contrôle est grand par rapport à l’autre
Dans ce cas, il peut être intéressant d’aug- et plus la puissance est grande. Néan-
menter la taille de l’autre échantillon car moins, l’amélioration de la puissance
cela permet d’augmenter la puissance du devient de plus en plus faible au fur et à
test. mesure que le déséquilibre augmente. En
Par exemple, si l’on souhaite étudier reprenant l’exemple précédent d’une
l’impact d’une formation de longue durée taille d’effet de 50 %, tripler la taille de
sur la prise de décision de managers, le l’échantillon de contrôle permet de
stimulus (ici, la formation) étant coûteux, gagner 11 points de puissance et la décu-
la taille n1 de l’échantillon de sujets pler permet de gagner seulement 14
points de puissance (cf. tableau).

Puissance du test en fonction de la taille de l’échantillon de contrôle

(Laplanche et al., 1987)
Puissance du test
n2 en fonction de n1 Nombre d’éléments n2
de la moyenne
n2 = n1 52 0,817
n2 = 3 n1 156 0,930
n2 = 10 n1 520 0,963
n2 = 100 n1 5 200 0,974

■■ Taille de l’échantillon et nombre de paramètres à estimer

La taille de l’échantillon dépend également du nombre de paramètres à estimer,
c’est-à-dire du nombre de variables et d’effets d’interaction que l’on souhaite
étudier. Pour une méthode statistique donnée, plus le nombre de paramètres à
estimer est grand et plus la taille de l’échantillon doit être grande. Rappelons que
chaque modalité d’une variable qualitative constitue une variable à estimer. De ce
fait, l’introduction de variables qualitatives à plus de deux modalités demande des
échantillons plus grands.
Lorsque les méthodes statistiques utilisées sont plus sophistiquées, déterminer la
taille de l’échantillon nécessaire pour obtenir la significativité souhaitée devient
complexe. Pour les moyennes et fréquences, il existe des formules de calcul simples

246
 Échantillon(s) ■ Chapitre 8

que l’on trouve dans tous les manuels de statistique (voir par exemple Giard, 2003).
Par contre, dès que les méthodes sont un peu plus complexes, telles que la régression
par exemple, il n’existe pas de formule de calcul simple et qui ne soit pas partielle.
De ce fait, on procède souvent par imitation des recherches précédentes. Pour la
plupart des méthodes, cependant, il existe des formules de calculs ou des tables qui,
pour un ou quelques critères, permettent d’effectuer une estimation de la taille de
l’échantillon. Il existe également souvent des règles empiriques. Celles-ci n’ont bien
sûr pas la rigueur d’une formule ou d’une table mais, faute de mieux, elles permettent
d’éviter de grosses erreurs d’estimation de la taille de l’échantillon.

c Focus
Quelques références pour déterminer la taille d’un échantillon
destiné à des traitements statistiques avancés
Cohen (1988) fournit des tables pour structurelles définissant la taille d’échan-
plusieurs statistiques, dont la régression tillon nécessaire pour obtenir un ajuste-
multiple et l’analyse de variance, qui ment global souhaité.
donnent la taille de l’échantillon néces- Bentler et Chou (1987), pour les modèles
saire en fonction de la taille de l’effet, du d’équations structurelles, indiquent que le
seuil de signification et de la puissance ratio entre la taille de l’échantillon et le
souhaités, et du nombre de degrés de nombre de paramètres à estimer peut
liberté. descendre à cinq pour un dans le cas
Milton (1986) propose une formule de d’une distribution normale et à dix pour
calcul et des tables pour les deux seuils un dans les autres cas. Ces ratios doivent
de signification les plus courants (1 % et être encore augmentés pour obtenir des
5 %) du coefficient de régression global F tests crédibles sur la significativité des
pour déterminer la taille de l’échantillon paramètres.
nécessaire à l’utilisation de la régression Fernandes (2012) recommande un ratio
multiple. de dix pour un pour le plus grand bloc de
MacCallum et al. (1996) proposent des variables à estimer dans les modèles PLS.
© Dunod – Toute reproduction non autorisée est un délit.

tables pour les modèles d’équations

1.3 Taille de l’échantillon à contacter et taille de l’échantillon utile

Les indications présentées plus haut pour déterminer la taille d’un échantillon ne
concernent que la taille de l’échantillon utile, c’est-à-dire l’échantillon des éléments
retenus dans l’analyse statistique. Dans une technique d’échantillonnage aléatoire,
chaque élément de l’échantillon sélectionné de façon aléatoire est censé faire partie
de l’échantillon utile. Dans le cas contraire, comme nous l’avons mentionné dans la
première partie, il existe un biais. Toutefois, dans une discipline telle que le
management, il est rare d’obtenir les informations souhaitées de la part de tous les

247
Partie 2 ■ Mettre en œuvre

éléments sélectionnés de manière aléatoire. Les causes en sont multiples mais on

peut les regrouper en quatre catégories principales : l’impossibilité de parvenir à
contacter l’interlocuteur, le refus de collaboration, l’inéligibilité, c’est-à-dire que
l’élément sélectionné se révèle ne pas appartenir à la population de référence, et les
réponses inutilisables dues par exemple au manque de certaines informations
indispensables. La proportion d’éléments exploitables de l’échantillon de départ est
appelée taux de réponse. Ce taux de réponse peut varier très fortement en fonction
de nombreux aspects liés à la méthode de recueil de données (méthode
d’échantillonnage, mode d’administration du questionnaire, manière de contacter le
répondant…), à la nature des informations demandées, ou encore à la durée
nécessaire au répondant pour les fournir. Le taux de réponse peut être très faible,
notamment dans le cas de recueil de données par questionnaires autoadministrés.
Certaines caractéristiques de l’organisation influencent également le taux de
réponse. L’habilitation, la capacité et la motivation à répondre de l’interlocuteur
dépendent de processus organisationnels (Tomaskovic-Devey, Leiter et Thompson,
1994). Par exemple, lorsque le questionnaire est adressé à une filiale et que la prise
de décision est centralisée au niveau de la maison mère, la probabilité de réponse est
plus faible.
Pour déterminer la taille de l’échantillon à contacter, il faut tenir compte des non-
réponses probables. La taille de l’échantillon utile devra donc être corrigée du taux
de réponse estimé. Pour estimer ce taux, on a principalement recours à l’expertise
de personnes ayant pratiqué des collectes de données similaires dans le même
domaine. Par exemple, dans le cas d’un questionnaire postal administré aux
directeurs des ressources humaines, si la taille de l’échantillon utile doit être de 150
et que le taux de réponse estimé est de 20 %, la taille de l’échantillon de directeurs
des ressources humaines à sélectionner pour envoyer le questionnaire est de 750,
soit :
Taille de l’échantillon = échantillon utile/taux de réponse = 150/0,2 = 750

Les échantillons utilisés dans des études longitudinales posent un problème

supplémentaire : l’attrition ou mortalité de l’échantillon, c’est-à-dire la disparition de
certains éléments. Dans ce type d’étude, on effectue plusieurs recueils de données
successifs auprès d’un même échantillon. Il n’est pas rare que certains éléments
disparaissent avant que l’ensemble des vagues successives de recueil des données n’ait
été réalisé. Par exemple, lorsqu’on s’intéresse à des entreprises, certaines peuvent
disparaître du fait d’une faillite, d’autres refuser de collaborer aux vagues suivantes en
raison d’une changement de direction. Dans une recherche concernant des études
longitudinales publiées dans des revues en comportement des organisations et
psychologie industrielle, Goodman et Blum (1996) constatent que le taux d’attrition
varie de 0 à 88 % avec une médiane de 27 %. On observe généralement que plus la
période totale de recueil de données est longue et plus l’attrition est élevée. De même
que l’on corrige l’échantillon utile par le taux de réponse pour les enquêtes ponctuelles,

248
 Échantillon(s) ■ Chapitre 8

dans les études longitudinales, on augmente l’échantillon des répondants de la

première vague de recueil pour tenir compte du taux d’attrition selon la formule :
Échantillon des répondants de la première vague =
échantillon utile final/1 – taux d’attrition

1.4 Arbitrage entre taille d’échantillon et architecture de la recherche

Comme il a été noté précédemment, la taille d’un échantillon dépend de la variance
de la variable étudiée. Plus les éléments de l’échantillon sont hétérogènes, plus il y a
de risque que la variance soit élevée et plus la taille de l’échantillon doit être grande.
Or il n’est pas toujours possible, voire souhaitable pour des raisons de fiabilité des
réponses, d’utiliser un très grand échantillon. Une possibilité consiste à réduire la
variance en sélectionnant des éléments homogènes dans un sous-ensemble de la
population. Cela permet d’obtenir des résultats significatifs à un plus faible coût.
L’inconvénient de cette solution est une perte de validité externe. Toutefois, cette
limite en termes de validité externe n’est pas nécessairement un problème. En effet,
dans de nombreuses recherches, c’est la validité interne qui est prioritaire, la validité
externe n’étant que secondaire, l’objectif étant d’abord d’établir des résultats fiables
sur l’échantillon étudié avant d’essayer de les généraliser.
Dans les démarches d’expérimentation, une alternative à l’utilisation d’un grand
échantillon hétérogène consiste à étudier plusieurs petits échantillons homogènes
(Shadish, Cook et Campbell, 2002). Dans ce cas, la démarche suit une logique de
réplication. Il s’agit de tester une hypothèse sur un petit échantillon puis de répliquer
la même analyse sur d’autres petits échantillons tous différents, la composition de
chaque échantillon étant définie de manière à varier les différentes dimensions
nécessaires à l’obtention de la validité externe souhaitée, par exemple les populations,
les lieux… À l’issue du processus, on obtient une grande validité externe des
résultats, qui ne résulte pas du principe de généralisation à une population de
© Dunod – Toute reproduction non autorisée est un délit.

référence par inférence statistique, mais d’une logique d’extension des résultats à
diverses populations suivant un principe de généralisation analytique. Dans le cadre
de cette logique, la constitution de chaque échantillon peut être faite au hasard sans
tenir compte des méthodes rigoureuses d’échantillonnage aléatoire nécessaires pour
un grand échantillon représentatif dans la mesure où les individus sont ensuite
affectés aux groupes suivant le principe de randomisation.
Cette démarche présente également l’avantage d’être moins risquée pour le
chercheur. En effet, les moyens mis en œuvre au départ sont beaucoup plus faibles
puisque l’étude se limite dans un premier temps à un petit échantillon homogène. En
cas d’absence de résultats significatifs, le test pourra être effectué sur un nouvel
échantillon avec un nouveau design pour améliorer l’efficacité du test. Si cela n’est
pas possible, la recherche pourra être abandonnée et aura occasionné moins de
labeur et moins de dépenses qu’un test sur un grand échantillon hétérogène.

249
Partie 2 ■ Mettre en œuvre

Une démarche similaire avec plusieurs petits échantillons est également possible si
l’on souhaite non plus étudier une relation généralisable à l’ensemble de la population
mais de nombreuses relations limitées à un sous-ensemble de la population. Ainsi, au
lieu de tester l’effet de l’ensemble des variables à l’aide d’un grand échantillon, on
peut étudier isolément l’effet d’une ou de quelques variables sur de petits échantillons.
Cette solution présente néanmoins l’inconvénient de ne pas permettre le test d’effets
d’interaction entre les variables.

2 Taille d’un échantillon destiné à un traitement qualitatif

Comme pour les échantillons destinés à des traitements quantitatifs, la taille d’un
échantillon pour un traitement qualitatif dépend de l’objectif fixé et des caractéristiques
des cas (Royer, 2009). Dans le cadre des études qualitatives, on distingue
généralement les échantillons de taille un des échantillons qui comportent plusieurs
éléments. L’étude d’un cas unique constitue en effet une particularité des recherches
qualitatives.

2.1 Le cas unique

Le statut du cas unique fait l’objet de controverses mais on trouve plusieurs
exemples de publications de cas unique dans les grandes revues en management
chaque année, en particulier des études longitudinales et des cas encastrés présentant
donc une grande richesse de données. Certains considèrent que les connaissances
produites par l’étude d’un cas unique sont idiosyncratiques et donc sans valeur car
impropres à la généralisation. D’autres estiment, au contraire, que la construction
d’une théorie à partir d’un seul cas est tout à fait sensée et que le cas unique peut
être source de généralisation scientifique sur les organisations (e.g., Pondy et
Mitroff, 1979). Ces débats existent principalement au sein de la perspective
positiviste. En effet, le cas unique ne pose pas question et est souvent d’usage dans
les perspectives interprétatives et surtout constructivistes où la connaissance est
contextualisée. Il en est de même pour les recherches-actions où le chercheur produit
l’action en plus de l’étudier en raison d’une forte présence sur le terrain. Au sein du
paradigme positiviste, Yin (2014) estime que le cas unique peut être assimilé à une
expérimentation et se justifie principalement dans cinq situations. La première est
celle où on souhaite tester une théorie existante, voire plusieurs, sur un cas critique,
que ce soit pour la confirmer, la remettre en question ou la compléter (voir aussi
Bitektine, 2008). Par exemple, Ross et Staw (1993) testent un modèle d’escalade de
l’engagement élaboré antérieurement, à l’aide de l’étude d’un cas, celui de la
centrale nucléaire de Shoreham. La deuxième est l’étude d’un cas inhabituel à
caractère extrême ou unique (voir aussi Siggelkow, 2007). L’unicité du cas résulte
alors de la rareté du phénomène étudié. C’est le cas, par exemple, lorsque Vaughan

250
 Échantillon(s) ■ Chapitre 8

(1990) étudie la catastrophe de la navette Challenger. La troisième est au contraire

le choix d’un cas ordinaire ou typique dont l’objectif est d’identifier les circonstances
et conditions d’une situation commune. La quatrième raison est le choix d’un cas
qui permet de révéler un phénomène qui n’est pas rare mais qui était jusqu’alors
inaccessible à la communauté scientifique. Par exemple, Dutton et Dukerich (1991)
ont mis en évidence l’incidence de l’image et l’identité de l’organisation sur
l’adaptation organisationnelle en étudiant l’autorité portuaire du port de New York
(New York Port Authority). Enfin, un cas unique peut être suffisant s’il est
longitudinal. L’objectif est alors d’étudier comment certaines conditions ou
phénomènes évoluent au cours du temps, d’une étape ou phase à la suivante.

2.2 Les cas multiples

De même que pour les échantillons destinés à des traitements quantitatifs, la
confiance accordée aux résultats augmente avec la taille de l’échantillon,
l’inconvénient étant souvent une augmentation parallèle de la durée et du coût du
recueil des données. Par conséquent, la question de la taille d’un échantillon
qualitatif se pose dans les mêmes termes que pour un échantillon quantitatif. Il s’agit
de déterminer la taille minimale qui permet d’obtenir une confiance satisfaisante des
résultats. On peut distinguer deux principes qui définissent la taille d’un échantillon
de plus d’un élément : la saturation et la réplication. Ces principes, présentés
généralement pour déterminer un nombre de cas à étudier, peuvent également être
appliqués à des échantillons de répondants.

■■ Le principe de réplication
Le principe de réplication est utilisé dans les recherches qualitatives aussi bien
pour tester des théories (Yin, 2014) que pour en construire (Eisenhardt, 1989,
Eisenhardt et Graebner, 2007). Le principe de réplication dans les recherches
qualitatives est analogue à celui qui prévaut dans les expérimentations multiples,
© Dunod – Toute reproduction non autorisée est un délit.

chaque cas correspondant à une expérimentation.

Selon Yin (2014), le nombre de cas d’une recherche dépend de deux critères qui
sont proches de ceux existant pour les échantillons quantitatifs destinés à des tests
d’hypothèses. Il s’agit du degré de certitude souhaité et de l’ampleur des effets.
Chaque cas est sélectionné soit parce qu’on suppose trouver des résultats similaires
(cas de réplication littérale) soit parce que, selon la théorie, il devrait conduire à des
résultats différents (cas de réplication théorique).
Deux ou trois cas de réplication littérale sont suffisants lorsque la théorie est
simple et que l’enjeu ne requière pas un degré de certitude important. Dans la
situation contraire, lorsque la théorie est subtile ou si l’on souhaite un degré de
certitude plus important, cinq à six cas de réplication constituent un minimum (Yin,
2014).

251
Partie 2 ■ Mettre en œuvre

Le nombre de cas de réplication théorique dépend, quant à lui, des conditions

supposées exercer une influence sur le phénomène. Ainsi, plus il existe un grand
nombre de conditions différentes susceptibles d’influencer le phénomène ou de
théories alternatives, plus le nombre de cas de réplication théorique pourra être
important. Pour faire un parallèle avec l’expérimentation, ces conditions de
réplication théorique dans les études de cas multiples occupent la même fonction
que les différentes conditions d’observation du plan d’expérience.
Eisenhardt (1989) recommande d’étudier quatre à dix cas selon le principe
d’échantillonnage théorique de Glaser et Strauss (1967). Chaque cas est sélectionné
selon des raisons théoriques de réplication, d’extension de théorie, de contradiction
ou d’élimination d’explication alternative (Eisenhardt et Graebner, 2007). Les
contrastes (en termes de performance par exemple) sont recommandés pour faciliter
l’analyse. Par exemple Davis et Eisenhardt (2011) ont étudié 8 collaborations
technologiques dans l’industrie informatique et les télécommunications. 4 ont des
performances élevées en innovation collaborative et 4 des performances moyennes
ou faibles. Les collaborations varient par ailleurs en termes de localisation du siège
(aux États-Unis ou pas), en termes de partenaires identiques ou non, et en termes de
secteur d’activités et d’innovation. Les analyses montrent que la rotation du
leadership favorise la performance de l’innovation collaborative.

■■ Le principe de saturation
Contrairement à Yin (2014), Glaser et Strauss (1967) ne fournissent pas d’ordre de
grandeur du nombre d’unités d’observation que doit comporter l’échantillon. Selon
ces auteurs, la taille adéquate d’un échantillon est celle qui permet d’atteindre la
saturation théorique des catégories. Cette saturation théorique est atteinte lorsqu’on
ne trouve plus de données supplémentaires générant de nouveaux éclairages
théoriques, ni de nouvelles propriétés aux principales catégories (Charmaz, 2006).
Par conséquent, il est impossible de savoir a priori quel sera le nombre d’unités
d’observation nécessaire mais ce nombre est lié à l’ambition de la contribution
(Charmaz, 2006). Une affirmation limitée et peu innovante requière un échantillon
plus petit qu’une affirmation qui remet en cause des travaux existants ou se
positionne comme généralisable.
Ce principe est difficile à mettre en œuvre de manière parfaitement rigoureuse car
on ne peut jamais avoir la certitude qu’il n’existe plus d’information supplémentaire
capable d’enrichir la théorie. Il revient donc au chercheur d’estimer s’il est parvenu
au stade de saturation. Généralement la collecte des données s’arrête lorsque les
dernières unités d’observations analysées n’ont pas apporté d’éléments nouveaux.
Ce principe repose sur le fait que chaque unité d’information supplémentaire
apporte un peu moins d’information nouvelle que la précédente jusqu’à ne plus rien
apporter. Ce principe est observé empiriquement (voir exemple).

252
 Échantillon(s) ■ Chapitre 8

Exemple – L’apport marginal d’information des répondants supplémentaires

Dans une étude qualitative visant à identifier les besoins des clients concernant les paniers
à provisions et autres contenants destinés à transporter de la nourriture, Griffin et Hauser
(1993) ont interrogé 30 personnes et obtenu une liste de 220 besoins différents. Ils montrent
que le nombre de nouveaux besoins identifiés décroît avec le nombre de personnes interro-
gées selon une loi Bêta-binomiale. Ainsi, 20 personnes permettent d’identifier plus de 90 %
des 220 besoins obtenus avec l’ensemble des 30 personnes. À l’aide d’un modèle, les
auteurs estiment que les 30 personnes interrogées ont permis d’identifier près de 90 % des
besoins existants.

Au-delà de ces deux principes essentiels, qui visent à accroître la validité interne,
il est également possible d’augmenter le nombre de cas afin d’améliorer la validité
externe. Ces nouveaux cas seront alors sélectionnés de manière à faire varier le
contexte d’observation (par exemple, localisation géographique, type
d’organisation…). Par ailleurs, le nombre d’éléments d’un échantillon destiné à un
traitement qualitatif pourra tenir compte des critères de crédibilité habituels dans la
communauté à laquelle le chercheur appartient.

Section
3 Démarches de constitution

d’un échantillon

La constitution d’un échantillon peut obéir à différentes démarches. Nombre d’entre

elles peuvent être rattachées à deux démarches génériques, qui seront présentées dans
un premier temps : la démarche traditionnelle, caractéristique d’un échantillonnage
probabiliste, et la démarche itérative, telle que celle de la théorie enracinée (Glaser et
Strauss, 1967). Quelques démarches particulières seront ensuite évoquées. La
© Dunod – Toute reproduction non autorisée est un délit.

constitution d’un échantillon inclut également les traitements effectués après le recueil
des données. Ces traitements ex post de l’échantillon seront présentés dans la dernière
partie de cette section.

1 Deux démarches génériques

La démarche traditionnelle (figure 8.2) est caractéristique de la constitution

d’échantillons probabilistes, mais est également fréquemment rencontrée dans la
méthode des quotas. Elle commence par la définition de la population de référence
sur laquelle les résultats pourront être généralisés par inférence statistique.
L’opérationnalisation de cette population de référence permettra ensuite de

253
Partie 2 ■ Mettre en œuvre

déterminer les éléments inclus ou exclus de la population étudiée. La deuxième

étape consiste à choisir une procédure d’échantillonnage. Toutes ces informations
étant connues, il est alors possible de déterminer la taille de l’échantillon susceptible
de répondre aux objectifs fixés. Si la méthode d’échantillonnage utilisée est une
méthode aléatoire, il sera nécessaire de choisir ou d’élaborer une base de sondage
afin d’effectuer les tirages aléatoires. Reste ensuite à sélectionner les éléments de
l’échantillon, puis à obtenir les informations souhaitées. Les éléments pour lesquels
toutes les informations attendues ont pu être effectivement collectées constituent
l’échantillon utile de l’étude. Cette démarche se termine par une étude des biais et,
si cela est nécessaire, par un redressement de l’échantillon destiné à les corriger.

Démarche traditionnelle Démarche itérative

Définition de la population Définition de l’unité d’analyse

Choix d’une méthode

Choix d’une unité d’observation
de constitution de l’échantillon

Détermination de la taille
Collecte et analyse des données
de l’échantillon

Choix d’une nouvelle unité

Constitution de la base de sondage
d’observation

Sélection des éléments

Collecte et analyse des données
de l’échantillon

Collecte des données Échantillon

Définition de l’univers
Échantillon utile de généralisation des résultats

Identification des biais

et redressements de l’échantillon

Figure 8.2 – Deux démarches de constitution d’un échantillon

Tous les éléments de ce processus (méthode d’échantillonnage, taille de l’échantillon

et techniques de sélection des éléments) étant interdépendants, les résultats d’une
étape peuvent amener à reconsidérer des choix antérieurs (Henry, 1990). Par exemple,
si la taille de l’échantillon nécessaire apparaît trop importante compte tenu des coûts
de collecte de données, on pourra parfois redéfinir la population de manière plus
restrictive de sorte qu’elle soit plus homogène et permette d’atteindre la significativité
nécessaire à la validité interne. Si la constitution de la base de sondage s’avère

254
 Échantillon(s) ■ Chapitre 8

matériellement difficile à réaliser, on pourra choisir une méthode de constitution

d’échantillon qui allège ce travail. Par conséquent les choix relatifs à la sélection d’un
échantillon suivent généralement un processus non linéaire (Henry, 1990).
La démarche itérative suit une approche radicalement opposée à la précédente
(figure 8.3). Contrairement à la démarche classique, la définition du domaine de
généralisation des résultats n’est pas effectuée dès la première étape mais à l’issue
du processus. Une autre différence majeure entre les deux démarches réside dans la
constitution progressive de l’échantillon par itérations successives. Chaque élément
de l’échantillon est sélectionné par choix raisonné. Les données sont ensuite
collectées et analysées avant que l’élément suivant ne soit choisi. Au cours des
sélections successives, Glaser et Strauss (1967) recommandent d’étudier tout
d’abord des unités similaires, de manière à faire émerger une théorie substantive
avant d’étendre la collecte à des unités présentant d’autres caractéristiques. Le
processus s’achève lorsque l’on est parvenu à la saturation théorique. Contrairement
à la démarche classique, la taille et la composition de l’échantillon ne sont pas
prédéterminées mais au contraire résultent du processus itératif de choix successifs
d’éléments. Ces choix sont guidés par l’observation et la théorie en construction.
L’univers de généralisation des résultats s’élabore progressivement au cours de la
démarche et est défini de manière théorique à l’issue du processus.

■■ Rôle du prétest
En pratique, la conduite d’une recherche comporte souvent une phase de prétest.
Ce prétest ne concerne pas spécifiquement l’échantillon mais fournit des informations
qui permettent de mieux définir la taille et la composition de l’échantillon final
nécessaire. Dans les études quantitatives, l’échantillon utilisé pour le prétest peut
notamment fournir une première estimation de la variance et permettre d’identifier
les critères de segmentation d’un échantillon stratifié. De même, dans les recherches
qualitatives, le cas pilote (Yin, 2014) permet de déterminer la composition et la taille
de l’échantillon de cas qui dépendent des conditions de réplications littérales et
© Dunod – Toute reproduction non autorisée est un délit.

théoriques, et de l’ampleur des différences entre la théorie et l’observation.

2 Quelques démarches particulières

■■ Constitution progressive de l’échantillon dans une démarche classique

La démarche traditionnelle de constitution d’un échantillon revient à en déterminer
la taille avant de collecter les données. Une autre approche consiste à collecter des
données jusqu’à ce qu’on ait atteint le degré de précision ou le seuil de signification
souhaités. On procède alors par vagues successives de recueil de données (Droesbeke
et al., 1987). Selon Adlfinger (1981), cette procédure permet d’aboutir à un
échantillon près de deux fois moins grand que lorsqu’il est déterminé a priori. En

255
Partie 2 ■ Mettre en œuvre

effet, déterminer une taille minimale a priori conduit généralement à des échantillons
plus grands que ce qui est nécessaire. Souvent, par mesure de précaution, le
chercheur retient les estimations les plus pessimistes pour calculer la taille de
l’échantillon, ce qui conduit fréquemment à le surdimensionner.
Cette démarche, qui permet de réduire les coûts de collecte de données, n’est
malheureusement pas toujours utilisable. Considérons, à titre d’illustration, une étude
cherchant à analyser l’impact d’un événement non reproductible, tel que la fusion de
deux entreprises, sur une variable – par exemple, la motivation des cadres. Dans une
étude de ce type, qui repose sur la collecte de données avant et après l’événement
considéré, il n’est pas possible d’augmenter progressivement le nombre d’éléments de
l’échantillon. Par conséquent, il est indispensable de recourir à la démarche classique,
qui conduit à déterminer a priori la taille de l’échantillon.
De plus, même s’il est possible de constituer progressivement un échantillon, il
demeure intéressant d’en estimer la taille a priori. Sans estimation préalable, le
risque encouru est que l’échantillon ne puisse être étendu, par exemple pour des
contraintes budgétaires, et qu’il se révèle trop petit pour atteindre la précision ou le
seuil de signification souhaités.
Dans tous les cas, déterminer la taille de l’échantillon a priori permet d’évaluer le
caractère réalisable des objectifs que le chercheur souhaite atteindre. Procéder de la
sorte permet ainsi d’éviter des efforts qui auraient abouti à des résultats peu
satisfaisants et d’envisager suffisamment tôt un autre design de recherche, qui soit
davantage susceptible de conduire à des résultats significatifs.

■■ Constitution d’un échantillon apparié a posteriori

Lorsqu’on étudie des phénomènes en situation réelle, que les phénomènes sont
rares, difficilement identifiables ou accessibles, ou que la population étudiée est mal
connue, la structure de l’échantillon peut être difficile à maîtriser avant la collecte
des données. Imaginons une recherche portant sur l’incidence du mode de
management sur l’apparition d’une crise. Étant donné la faible occurrence des crises
et la difficulté d’accès aux données, la constitution de l’échantillon d’entreprises
ayant connu des crises sera constitué en fonction des opportunités qui se présentent.
Pour pouvoir effectuer un test, l’échantillon de contrôle est alors construit a
posteriori (Schlesselman, 1981). À cet effet, un groupe témoin est prélevé dans la
population de référence en respectant une procédure d’échantillonnage aléatoire, de
telle sorte que la structure du groupe de contrôle reproduise celle du groupe observé.
En reprenant l’exemple précédent, l’échantillon de contrôle sera formé d’entreprises
similaires à celles de l’échantillon d’entreprises ayant connu des crises, par exemple
en termes de secteur, de taille, de période… Cette procédure appelée case-control
design (Shadish, Cook et Campbell, 2002) requiert quelques précautions, notamment
de ne pas choisir comme critères d’appariement des variables explicatives (Forgues,
2012).

256
 Échantillon(s) ■ Chapitre 8

3 Traitement ex post de l’échantillon

3.1 Procédures de contrôle et de redressement de l’échantillon

Il est souvent possible de corriger a posteriori des biais non liés à l’échantillonnage
tels que les non-réponses et les erreurs de réponse. Rappelons, cependant, que le
redressement des données ne constitue qu’une solution de repli, et qu’il est
préférable de chercher à éviter les biais.

■■ Les non-réponses
Les non-réponses peuvent engendrer des biais de représentativité de l’échantillon.
Afin de détecter ce type de biais, on peut comparer la structure de l’échantillon de
répondants avec celle de la population dont il est issu, à partir de variables
susceptibles d’influencer le phénomène étudié. Si un écart apparaît, il est probable
qu’un biais de représentativité existe. Il conviendra alors, dans la mesure du possible,
de le corriger. Trois procédures de redressement des non-réponses peuvent être
mises en œuvre à cet effet.
• L’interrogation d’un sous-échantillon de non-répondants
Parmi les non-répondants de l’échantillon, un sous-échantillon est désigné par
tirage aléatoire, le chercheur devant alors s’efforcer d’obtenir une réponse de
l’intégralité des éléments appartenant à ce sous-échantillon (Droesbeke et al., 1987).
Les réponses obtenues seront ensuite comptées plusieurs fois, de manière à retrouver
l’effectif de l’échantillon initial de non-répondants. Malheureusement, même en
déployant beaucoup d’efforts, il est souvent difficile d’obtenir des réponses du sous-
échantillon de non-répondants sélectionné.
• La réalisation d’une stratification a posteriori
Une stratification a posteriori permet de redresser les non-réponses lorsque l’on
© Dunod – Toute reproduction non autorisée est un délit.

souhaite limiter les biais de représentativité. Contrairement à une stratification a

priori, il n’est pas nécessaire de connaître les valeurs que prennent les critères de
stratification (taille, effectifs, secteur d’activité pour une population d’entreprises, par
exemple) pour chacun des éléments de la population. Il suffit, en effet, de connaître
la distribution globale de ces caractères sur la population. Les réponses des éléments
de l’échantillon sont alors affectées de coefficients de telle sorte que l’on retrouve la
structure de la population. Par exemple, si la proportion d’entreprises appartenant à
un secteur d’activité donné est de 20 % dans la population, et que l’on constate a
posteriori qu’elle est de 15 % dans l’échantillon observé, il conviendra, lors du
traitement des données, de pondérer les réponses des entreprises appartenant à ce
secteur par un coefficient égal à 0,20/0,15. La stratification a posteriori est la
méthode la plus utilisée pour le redressement des non-réponses (Droesbeke et al.,
1987). En outre, elle peut être mise en œuvre dans deux autres situations : lorsqu’une

257
Partie 2 ■ Mettre en œuvre

stratification a priori n’a pu être réalisée pour des raisons techniques (base de
sondage non disponible ou insuffisamment renseignée), ou encore lorsque l’on ne
découvre que tardivement, durant la phase d’exploitation des données, une nouvelle
variable de stratification. Dans tous les cas, effectuer une stratification a posteriori
permet d’augmenter la précision des estimations effectuées sur l’échantillon observé.
• Le remplacement des individus défaillants
Si l’on ne dispose pas d’informations sur l’ensemble de la population, il reste
possible de remplacer les éléments défaillants. Pour ce faire, il faut tout d’abord
essayer d’identifier certaines caractéristiques observables des non-répondants. Par
exemple, si une entreprise a refusé de répondre à une enquête, on pourra essayer de
connaître certaines de ses caractéristiques à partir d’informations publiques (secteur
d’activité, chiffre d’affaires). Deux solutions sont ensuite possibles. La première
consiste à identifier, parmi les répondants, des éléments qui présentent des
caractéristiques identiques à celles des défaillants, et à leur affecter un coefficient de
pondération pour compenser les non-réponses. Une autre solution conduit, pour
chaque non-répondant, à inclure dans l’échantillon un répondant supplémentaire,
aussi semblable que possible au non-répondant. Cette méthode peut également être
utilisée pour redresser les réponses manquantes lorsque les individus n’ont que
partiellement répondu aux questions posées (Droesbeke et al., 1987).
Si, à l’issue de ces procédures de redressement, il n’a pas été possible d’obtenir
des données sur certains sous-groupes bien identifiés de l’échantillon, il conviendra
de redéfinir la population de référence ou, du moins, d’indiquer cette limite de
l’étude.
• Les erreurs de réponses
Les erreurs de réponses peuvent être contrôlées en effectuant une contre-enquête
auprès d’un sous-échantillon de répondants (Gouriéroux, 1989). Cette procédure
permet d’identifier certains types d’erreurs, celles qui seraient dues, par exemple, à
un enquêteur ou à une mauvaise compréhension de la question. Par contre, cette
méthode est inefficace si le répondant fournit volontairement une réponse erronée.
Il est alors très difficile de détecter le biais correspondant et, a fortiori, de le corriger.

3.2 Traitement pour un échantillon trop petit

Malgré toutes les précautions prises, il arrive que la taille de l’échantillon se révèle
insuffisante après traitement pour obtenir la précision ou le seuil de signification
souhaités. Dans ce cas, la meilleure solution consiste à faire une nouvelle vague de
recueil de données qui viendra grossir l’échantillon. Toutefois, cette solution n’est
pas toujours possible. C’est le cas, par exemple, lorsqu’on travaille sur des fichiers
de données secondaires, lorsque le fichier a été entièrement exploité ou lorsque les
données dépendent d’un contexte particulier qui a changé.

258
 Échantillon(s) ■ Chapitre 8

Quand l’augmentation de la taille de l’échantillon n’est pas possible, on peut

utiliser des méthodes qui consistent à générer plusieurs échantillons à partir de
l’échantillon de départ et effectuer les analyses sur ces nouveaux échantillons. Il
existe deux méthodes principales : la méthode du jackknife et le bootstrap
(Droesbeke et al., 1987). Ces méthodes permettent d’établir des résultats plus
robustes que ceux obtenus par des techniques habituelles. La méthode du jackknife
consiste généralement à former les nouveaux échantillons en retirant à chaque fois
un élément de l’échantillon de départ de taille n. Cela permet d’obtenir n échantillons
de taille n – 1. Le traitement statistique est alors effectué sur chacun des n
échantillons. Ces résultats sont ensuite agrégés et comparés à ceux de l’échantillon
initial. Lorsqu’il y a convergence, les résultats peuvent alors être considérés avec
davantage de confiance.
Le bootstrap fonctionne selon un principe relativement proche mais la constitution
des échantillons est différente. Les échantillons sont obtenus par un tirage aléatoire
avec remise dans l’échantillon de départ et comportent le même nombre d’éléments
(n) que l’échantillon de départ. Le nombre d’échantillons tirés de l’échantillon
initial par bootstrap peut être très élevé. Il ne dépend pas de la taille de l’échantillon
de départ.
Les méthodes jackknife et bootstrap sont applicables aussi bien sur des statistiques
de base telles que la moyenne ou la variance que sur des méthodes plus complexes
telles que LISREL ou PLS (cf. exemple d’utilisation).

Exemple – Utilisation de la méthode du jackknife

Dans une recherche concernant les relations entre la stratégie de l’entreprise, la structure du
marché, et la rentabilité et le risque, Cool, Dierickx et Jemison (1989) testent leur modèle
sur un petit échantillon de 21 banques commerciales avec une méthode PLS. En plus des
résultats fournis par PLS, ils utilisent également le jackknife pour évaluer les résultats sta-
tistiques. Vingt échantillons sont extraits de l’échantillon initial. Les analyses sont prati-
© Dunod – Toute reproduction non autorisée est un délit.

quées sur ces nouveaux échantillons. Le test de différence entre les résultats de PLS et ceux
obtenus avec le jackknife conduisent les auteurs à rejeter une de leur hypothèse et à confor-
ter les résultats obtenus sur les autres relations.

Conclusion

Ce chapitre a présenté une large palette de possibilités pour la constitution d’un

échantillon concernant tant les méthodes de sélection des éléments de l’échantillon
que les démarches générales qu’il est possible de mettre en œuvre. Chacune des
méthodes présente des avantages et des inconvénients, qui s’expriment notamment en

259
Partie 2 ■ Mettre en œuvre

termes de validités interne et externe. Cependant, le choix d’une méthode se trouve

souvent contraint par des critères de faisabilité. Il convient néanmoins de s’assurer que
la méthode retenue permet d’atteindre les objectifs de validité souhaités. Souvent, il
convient d’arbitrer entre ces deux types de validité. En effet, les échantillons qui
conjuguent à la fois une grande validité interne et une grande validité externe sont
généralement coûteux. Dans ce contexte, il incombe au chercheur d’identifier son
objectif prioritaire et de veiller à ce que l’échantillon permette de l’atteindre. Si tel est
le cas, les objectifs secondaires pourront à leur tour être considérés.

Pour aller plus loin

Charmaz K. ; Constructing Grounded Theory : A Practical Guide Through
Qualitative Analysis. London : Sage, 2006.
Droesbeke J.J., Ficher B., Tassi P. (éd.), Les sondages, Paris, Economica, 1987.
Henry G. T., Practical Sampling, Newbury Park, CA, Sage, 1990.
Saporta, G., Probabilités, analyse des données et statistique, 3e éd, Paris, Technip,
2011.
Shadish W.R., Cook T.D., Campbell D.T. Experimental and Quasi-Experimental
Designs for Generalized Causal Inference, Boston, MA : Houghton Mifflin, 2002.
Yin R.K. Case Study Research : Design and Methods, 4e éd., Thousand Oaks, CA :
Sage, 2014.

260