Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
L’échantillonnage stratifié est une méthode de sélection d’un échantillon dans une population donnée, qui consiste à diviser celle-ci en sous-groupes homogènes appelés strates, avant d’effectuer un tirage aléatoire dans chaque strate.
Il relève de l’échantillonnage probabiliste. Les strates sont exclusives les unes des autres et couvrent toute la population. Elles sont constituées selon des critères pertinents au regard des objectifs de l’étude : âge, sexe, localisation, comportement d’achat. Ce critère doit être connu pour chaque unité de la base de sondage avant le tirage. Chaque strate est ensuite échantillonnée indépendamment, le plus souvent par échantillonnage aléatoire simple, et les résultats sont recombinés en pondérant chaque strate selon son poids dans la population.
Le plan repose sur trois choix : le critère de stratification, le nombre de strates et la répartition de l’échantillon entre elles. L’échantillonnage stratifié peut être proportionnel, chaque strate étant représentée selon son poids dans la population globale. Il peut être non proportionnel : répartition égale entre strates, ou répartition optimale, qui renforce les strates où la variable étudiée est la plus dispersée. Il gagne en précision sur un tirage aléatoire simple lorsque les strates diffèrent nettement entre elles sur la variable étudiée.
Il se distingue de l’échantillonnage par quotas, qui découpe aussi la population en catégories mais laisse le choix des répondants à l’enquêteur, sans tirage au hasard. Il se distingue aussi de l’échantillonnage en grappes, qui ne retient que certains groupes, alors que la stratification tire dans tous. Cette technique est utilisée dans les enquêtes marketing, les études d’audience, les enquêtes auprès de fichiers clients et la statistique publique.
La stratification sert deux objectifs qu’il vaut mieux distinguer. Le premier est la précision globale. Selon le cours de théorie des sondages de l’Université Laval (STT-4600), le plan stratifié est beaucoup plus précis qu’un plan aléatoire simple lorsque les différences de moyennes entre strates contribuent beaucoup à la variabilité totale. Une stratification sur un critère sans lien avec le sujet de l’étude n’apporte presque rien. Le second objectif est la lecture par sous-groupe : garantir assez de répondants dans chaque strate pour comparer, par exemple, le comportement des 18 à 24 ans et celui des 45 à 54 ans.
Le même cours présente plusieurs règles. La répartition proportionnelle donne à chaque unité le même poids : l’échantillon est dit autopondéré. La répartition optimale, dite de Neyman, rend la taille de chaque strate proportionnelle à son effectif multiplié par la dispersion de la variable. En pratique, elle conduit à suréchantillonner les strates les plus variables. Elle exige une estimation préalable de cette dispersion, tirée d’une enquête antérieure ou d’une variable connue pour toute la population.
Prenons une entreprise qui veut comprendre les habitudes de ses clients dans plusieurs régions. Si certaines zones sont peu peuplées mais stratégiquement importantes, une répartition non proportionnelle garantit leur prise en compte. Nous recommandons alors de décider la répartition à partir des comparaisons attendues, puis de vérifier ce qu’elle coûte en précision sur le résultat global.
La précision se calcule strate par strate, puis se combine selon les poids. Appliquer la formule de marge d’erreur d’un tirage aléatoire simple à un échantillon stratifié donne un résultat faux, en général trop prudent en répartition proportionnelle. Lorsque l’appartenance aux strates n’est connue qu’après la collecte, on parle de post-stratification. Le cours de l’Université Laval indique qu’elle permet de corriger certains biais liés à la non-réponse.
L’échantillonnage aléatoire simple tire des individus au hasard dans la population globale, sans distinction, alors que l’échantillonnage stratifié segmente d’abord la population en strates homogènes, puis effectue un tirage aléatoire au sein de chaque strate.
Conséquence pratique : le tirage simple peut, par hasard, sous-représenter un petit groupe ; la stratification fixe à l’avance l’effectif de chaque strate. Choisissez la stratification si vous disposez d’un critère connu pour toute la base et lié au sujet de l’étude.
Les strates doivent être définies à partir de variables pertinentes pour les objectifs de l’étude. Il peut s’agir de critères sociodémographiques, comportementaux ou géographiques, en fonction du contexte d’analyse.
Retenez un critère renseigné pour chaque unité de la base de sondage et lié à ce que vous mesurez. Limitez le nombre de strates : chacune doit compter assez d’interrogés pour être lue seule. Vérifiez enfin que chaque unité appartient à une strate et à une seule, sans recouvrement ni oubli.
Calculez la variance de l’estimation dans chaque strate, puis combinez-les en tenant compte du poids de chaque strate dans la population. La formule usuelle de la marge d’erreur, établie pour un tirage aléatoire simple, ne s’applique pas telle quelle.
Indiquez aussi la marge d’erreur de chaque strate si vous publiez des résultats par sous-groupe : elle est plus large que la marge globale. Un logiciel d’analyse statistique peut faire ce calcul, à condition de lui déclarer les strates et les poids.
L’erreur la plus fréquente est de ne pas pondérer les résultats après avoir suréchantillonné certaines strates. Le total surestime alors le poids des petits groupes et donne une image fausse de la population.
Deux autres erreurs reviennent souvent : stratifier sur un critère mal renseigné dans la base, ce qui classe des individus dans la mauvaise strate, et créer trop de strates. Contrôlez la qualité du critère avant le tirage et visez un effectif suffisant par strate pour la lecture prévue.
Il est recommandé lorsque la population étudiée est hétérogène, avec des segments aux comportements distincts, par exemple selon l’âge, la région ou le niveau de dépense, ou lorsque la représentativité de chaque segment est stratégique pour l’analyse.
Il suppose une base de sondage qui renseigne le critère, comme un fichier clients. Sans cette base, il faut recourir à un autre plan, souvent l’échantillonnage par quotas. Si le critère n’a aucun lien avec le sujet, un tirage aléatoire simple suffit.
Par Thomas Bizot – Président du cabinet Advalians
