Représentativité d'un échantillonnage

Je veux déterminer une prévalence.

🌴 Par exemple, la prévalence des arbres en période de fructification dans une forêt.

🦠 Ou bien la prévalence d’une maladie / caractéristique dans une population cible donnée : les abeilles à la Réunion, les humains qui fument ou qui font un sport en particulier.

❌ Je n’ai pas de sous. Je n’ai pas beaucoup de temps non plus. Alors, je ne peux pas aller voir tous les arbres de la forêt, je ne peux pas analyser toutes les ruches de l’île, ni interroger tous les humains qui font de l’aqua-poney (quoique… il n’y en a peut-être pas tant que ça, c’est jouable !)

Qu’à cela ne tienne ! Je choisis d’échantillonner ma population d’intérêt, c’est-à-dire de n’en regarder qu’une partie, choisie de telle sorte que je puisse ensuite généraliser mes résultats à la population d’intérêt.

Bon, mais je n’ai toujours pas plus de sous que depuis le dernier paragraphe. Je n’ai pas les moyens de l’INSEE qui parviennent à calculer un “degré de représentativité” de chaque réponse récoltée (ça s’appelle des poids). En fait, j’ai juste un simple formulaire en ligne ou en papier.

🤔 Qu’est-ce que j’en fais ? Où je l’envoie ? Comment faire pour choisir mes individus (arbres, ruches ou humains) ?

Échantillonnage biaisé

Parce que le risque, c’est de me retrouver avec un échantillonnage biaisé. Quoi quoi quoi ?

Exemple de biais (j’invente hein, ho, bon… certaines choses sont du vécu) :

• la forêt est impénétrable, je n’ai regardé que les arbres en bordure de chemin
• les fruits sont tout petits / très hauts dans la canopée, je ne suis pas sûre de les voir systématiquement
• on était deux à prendre les données et l’autre personne a un daltonisme non diagnostiqué et il allait beaucoup plus vite que moi, il a mesuré 2 fois plus d’arbres que moi
• je visite les ruches déclarées officiellement, mais pas les autres !
• je récolte les données sur 3 mois en commençant par le nord de l’île, seulement la maladie s’est propagée ultra vite et à la fin de la récolte des données (dans le sud donc), le nord a été contaminé entre-temps
• la technique de détection de la maladie (PCR par exemple) n’est pas absolument fiable (ça n’existe pas, en fait, une mesure 100% fiable)
• les humains qui ont bien voulu répondre sont les humains qui répondent aux questionnaires (et pas les autres !)
• et puis, d’ailleurs, les humains qui ne vont pas sur les réseaux sociaux ou à des événements sociaux (que j’avais choisi justement pour distribuer mes questionnaires) n’ont pas répondu non plus, puisqu’ils n’ont pas vu passer le questionnaire
• certains humains n’étaient pas en forme et ont répondu seulement à une partie des questions
• les questions n’ont pas été comprises de la même manière par tous les répondants

Si j’ai un échantillonnage biaisé, alors je ne peux pas généraliser mes résultats à toute ma population d’intérêt. N’est-ce pas ?

Dans ce cas, ce qu’il se passe, c’est que la population réellement observée n’est pas tout à fait exactement la population d’intérêt choisie au départ.

Les données sont déjà récoltées

🎯 Ce que je peux faire, c’est estimer un niveau de confiance de la représentativité de mon échantillon dans la population d’intérêt.

Le niveau est bas si les biais identifiés ont une forte probabilité d’influer sur les résultats (et le pire, c’est que ce niveau est biaisé lui aussi, vu qu’il va dépendre de l’expertise de la personne qui le choisit. Qui a dit que la science, c’était neutre ?).

🙊 Bon alors, voilà… la boulette. Les données sont déjà récupérées et/ou je n’ai aucune idée pour m’extraire de ces biais (pas de sous, pas de temps : place au système D !) Alors, comment faire pour augmenter ce niveau de confiance ?

Je vois une première possibilité

📜 Si, par ailleurs (dans la littérature), j’ai des informations concernant toute la population d’intérêt (de manière fiable, bien sûr), alors je peux comparer ces informations avec mes propres résultats (par exemple les données socio-démographiques pour les humains, comme le sexe, la distribution des âges, le niveau social etc.). En supposant qu’ils soient suffisamment proches, alors je peux augmenter ma confiance dans la représentativité de mon échantillon. Ce n’est pas parfait, mais c’est déjà ça.

💡 Et si les informations sont totalement différentes (argh), alors il est intéressant de se questionner pour savoir quel(s) biais est le plus responsable et comment le prendre en compte efficacement pour la prochaine fois. (Le principe de l’expérimentation, c’est bien d’apprendre de ses erreurs ;) ) Il existe également des méthodes mathématiques pour corriger (partiellement) le biais à l’aide de données non biaisées indépendantes pour peu qu’il ait des variables auxiliaires en commun [exemple : Beaumont, 2021]. Perso, je ne sais pas (encore) faire ça.

🗣 Une seconde possibilité, c’est de faire très très très attention dans la formulation de l’interprétation des résultats. Et de biiiien parler des biais d’échantillonnage identifiés dans la discussion !

Réfléchir au moment de la mise en place du protocole

🤑 Bon, ok, admettons que j’ai UN PEU de sous, c’est quoi les méthodes d’échantillonnage qui pourraient être moins biaisées ?

🧠 Déjà, je prends le temps AVANT de récolter les données pour utiliser mon cerveau et imaginer les biais possibles.

🤝 Parfois, mon expérience ne permet pas de tout anticiper et je peux me planter, mais il y a peut-être d’autres personnes qui se sont déjà plantées avant moi et qui ont de l’expérience, je peux aller leur demander. En général, les gens sont contents de parler de leurs problèmes, surtout si c’est utile pour quelqu’un d’autre !

PISTES pour prendre en compte les biais totalement imaginaires (lol) ci-dessus :

🏔 Bon, et sinon, il existe des techniques d’échantillonnage éprouvées et approuvées. Elles diffèrent un peu (beaucoup) selon le champs d’application et les contraintes associées (une collègue est allée échantillonner les lynx dans les Alpes, je ne l’envie pas).

Prendre conscience et exprimer nos choix

⛱ Donc, en fait, juste… La science, ce n’est pas neutre. Ne pas dire explicitement quels sont nos choix, notre population réellement échantillonnée et nos hypothèses a priori sous prétexte d’une science “idéalement” neutre, c’est vraiment se mettre la tête dans le sable.

➡️ 🆕 ⬅️ Voilà pourquoi j’aimerais (j’ordonne, j’exige) qu’il y ait plus de soin et d’attention portée sur le début des projets de recherche. C’est mon leitmotiv et je ne vais pas te lâcher avec ça. Mouhaha 😈