PARTAGER L’ARTICLE SUR
Lors de la collecte de données à partir de votre population d’échantillon, vous ne pouvez pas dire à quel point elles sont authentiques et si elles sont influencées par le chercheur ou non. Lorsqu’il y a beaucoup d’autres biais d’échantillonnage dans les données de recherche, nous parlons du biais couramment rencontré dans cet article.
Le biais de sous-dénombrement fait référence à un type de biais d’échantillonnage qui se produit lorsqu’une information de vos réponses à l’échantillon disparaît ou est découverte dans les résultats. Cela se produit souvent lorsqu’une grande entité importante n’est pas sélectionnée ou n’a aucune chance d’entrer dans votre échantillon représentatif.
Par exemple, un chercheur veut connaître les effets d’un certain médicament sur les patients diabétiques. Il y aura de nouveaux patients qui ont commencé à utiliser le médicament et des patients qui l’utilisent déjà depuis des années. Ne représenter aucun de ces groupes dans votre recherche va modifier considérablement vos résultats, car leurs deux expériences sont cruciales pour que la recherche détermine avec précision l’effet du médicament sur les patients atteints de diabète. Et tout l’intérêt de mener des recherches est d’arriver à des conclusions précises, n’est-ce pas ? Eh bien voilà, le biais de sous-dénombrement empêche cela.
Téléchargez le guide pour comprendre le processus étape par étape de sélection du meilleur échantillon pour votre prochaine recherche d’enquête
Il est important de dire que chaque fois qu’un biais de sous-dénombrement se produit dans votre recherche, ce n’est pas toujours la faute du chercheur. Il y aura d’autres choses qui seront à mettre en cause et qui échapperont au contrôle du chercheur.
Dans cette section, nous vous aidons à comprendre les causes courantes de biais de sous-dénombrement, afin que vous puissiez les identifier facilement:
L’erreur la plus courante lors de la sélection des échantillons est de les choisir en fonction de la commodité du chercheur. Un chercheur peut interagir uniquement avec les sujets qu’il trouve facilement disponibles ou avec lesquels il est facile d’interagir.
On parle parfois d’échantillonnage non probabiliste, la raison étant qu’il ne comprend que les données qui étaient facilement accessibles. Les échantillons sélectionnés présentent un risque élevé de biais de sous-dénombrement, en raison de leur manque de représentativité envers la population cible.
Cette technique d’échantillonnage a une chance d’avoir des lacunes dans l’information, conduisant en outre à des résultats inexacts.
Une autre faille causée par le chercheur peut être sa connaissance réduite de la population cible. Cela se produit lorsque la personne qui est censée gérer le processus d’échantillonnage n’a pas une bonne idée de ce pour quoi elle échantillonne exactement, ou qui sont les échantillons potentiels pour la recherche.
Vous devez connaître toutes les informations nécessaires pour pouvoir recueillir vos données et savoir COMMENT le faire.
Parfois, vos données proviennent de personnes qui vont être payées pour cela. Et lorsque le « coût » entre dans la recherche, il apporte certaines limites. Le manque de ressources est d’ailleurs la raison la plus courante d’un tel biais.
Les commandites, les subventions, les investissements comptent beaucoup, surtout lorsque vos données proviennent d’un endroit qui nécessite suffisamment de fonds pour cela.
Parfois, la façon dont votre sondage est conçu peut repousser les répondants. La façon dont vous utilisez votre langage, vos canaux, vos questions et votre conception d’enquête en général est très importante lorsqu’il s’agit de cette cause de biais de sous-dénombrement.
Faites attention à la façon dont vous externalisez votre enquête. Par exemple, si c’est pour une population plus jeune, la distribuer sur les plateformes de médias sociaux est une bonne idée. Mais faire la même chose pour les personnes âgées, pas tellement. Essayez d’utiliser un canal de courrier électronique ou même un format papier-stylo pour le groupe des personnes âgées, et vous aurez une meilleure chance d’obtenir vos informations de cette catégorie.
L’enquête ne peut pas durer éternellement, n’est-ce pas ? En effet, elle doit permettre de trouver une solution ou une conclusion, et doit donc être faite dans certains délais. C’est une raison suffisante pour que le chercheur ne soit pas en mesure de couvrir tous les échantillons de population potentiels et significatifs.
Dans de tels cas, lorsque le temps commence à manquer, le chercheur doit être d’accord avec ce qu’il a et finir par tirer des résultats. Pour résoudre ces problèmes, assurez-vous de planifier ce calendrier et de commencer un processus en arrière-plan pour interagir avec la population.
Jetons un coup d’œil à ce à quoi ressemble réellement ce biais d’infiltration dans des scénarios réels :
Disons que nous avons incité les gens à voter par le biais de bulletins de vote en ligne pour faciliter le processus. Les personnes suivantes vont manquer ce processus d’enquête :
Cette méthode va former une grande lacune dans les données qui ont été recueillies pour élire le personnel puisqu’une partie importante des données est essentiellement manquante.
Supposons qu’un chercheur veuille compter le nombre total de voitures de luxe dans la ville. Il choisit ainsi une route populaire très fréquentée pour vérifier les voitures qui passent. Dans son décompte, il va manquer les voitures de luxe suivantes :
Un chercheur décide d’étudier combien de personnes travaillent dans l’informatique. Il décide donc d’aller dans un parc informatique et de sonder les travailleurs qui y travaillent. Mais les personnes qu’il n’interroge pas sont :
Cela peut être un bon exemple d’échantillonnage pratique.
Explore Features in details
Need a map of our platform? Browse through all that we have to offer
Découvrez le logiciel d’enquête Voxco en action avec une démo gratuite.
Undercoverage bias frequently happens because of convenience examining. To dispose of (or if nothing else limits) the impacts of undercoverage bias, a superior type of testing is utilizing a straightforward arbitrary example.
In this kind of test, each individual from a populace has an equivalent possibility of being chosen to be in the example.
The advantage of this approach is that straightforward irregular examples are typically illustrative of the populace we’re keen on since each part has an equivalent possibility of being remembered for the example.
Whenever we utilize this methodology rather than convenience examining, we can be more certain about our capacity to extrapolate the discoveries from the example to the bigger populace since almost certainly, individuals from each (or virtually every) bunch in the populace are remembered for the example.
Read more
French