L’échantillonnage aléatoire stratifié est une méthode d’échantillonnage qui consiste à diviser une population en groupes plus petits appelés strates. Les groupes ou strates sont organisés en fonction des caractéristiques ou attributs communs des membres du groupe. Le processus de classification de la population en groupes est appelé stratification.
L’échantillonnage aléatoire stratifié est également connu sous le nom d’échantillonnage aléatoire par quotas et d’échantillonnage aléatoire proportionnel. L’échantillonnage aléatoire stratifié a de nombreuses applications et avantages, tels que l’étude de la démographie de la population et de l’espérance de vie.
Points clés à retenir
- L’échantillonnage aléatoire stratifié est une méthode d’échantillonnage qui consiste à prélever des échantillons d’une population subdivisée en plus petits groupes appelés strates.
- L’échantillonnage aléatoire stratifié consiste à prélever des échantillons aléatoires dans des groupes stratifiés, en proportion de la population.
- L’échantillonnage aléatoire stratifié est une mesure plus précise puisqu’elle représente mieux la population globale.
Comprendre l’échantillonnage aléatoire stratifié
L’échantillonnage aléatoire stratifié divise une population en sous-groupes. Les échantillons aléatoires sont prélevés dans la même proportion que la population dans chacun des groupes ou strates. Les membres de chaque strate (au singulier pour les strates) formée ont des attributs et des caractéristiques similaires.
L’échantillonnage aléatoire stratifié est une méthode d’échantillonnage, qui consiste pour un chercheur à sélectionner un petit groupe comme taille d’échantillon pour l’étude. Ce sous-ensemble représente la population la plus importante. L’organisation d’une population en groupes présentant des caractéristiques similaires permet aux chercheurs de gagner du temps et de l’argent lorsque la population étudiée est trop importante pour être analysée sur une base individuelle. L’échantillonnage aléatoire stratifié aide en permettant aux chercheurs d’organiser les groupes en fonction de caractéristiques similaires, un échantillon aléatoire étant alors prélevé dans chaque strate ou groupe.
L’échantillonnage aléatoire stratifié peut être utilisé, par exemple, pour étudier le déroulement des élections, les personnes qui font des heures supplémentaires, l’espérance de vie, les revenus des différentes populations et les revenus pour différents emplois dans un pays.
Échantillonnage aléatoire stratifié ou simplifié
Un échantillon aléatoire simple est un échantillon d’individus qui existent dans une population. Les individus sont choisis au hasard dans la population et placés dans l’échantillon. Cette méthode de sélection aléatoire des individus vise à sélectionner une taille d’échantillon qui est une représentation non biaisée de la population. Toutefois, un simple échantillon aléatoire n’est pas avantageux lorsque les échantillons de la population varient considérablement.
Inversement, l’échantillonnage aléatoire stratifié décompose la population en sous-groupes et les organise selon des traits, des caractéristiques et des comportements similaires. Par conséquent, l’échantillonnage aléatoire stratifié est plus avantageux lorsque la population varie considérablement, car il permet de mieux organiser les échantillons à étudier.
Cependant, un simple échantillon aléatoire est plus avantageux lorsque la population ne peut pas être organisée en sous-groupes parce qu’il y a trop de différences au sein de la population. De même, les échantillons aléatoires simples sont plus avantageux lorsqu’il y a peu ou pas d’informations sur la population, ce qui empêche de diviser la population en sous-ensembles sur la base de caractéristiques ou de traits.
Exemple d’échantillonnage aléatoire stratifié
Une équipe de recherche a décidé d’effectuer une étude pour analyser les moyennes pondérées ou MPC des 21 millions d’étudiants universitaires aux États-Unis. Les chercheurs décident d’obtenir un échantillon aléatoire de 4 000 étudiants universitaires au sein de la population de 21 millions d’habitants. L’équipe veut examiner les différentes majeures et les MPC ultérieures des étudiants ou des participants à l’échantillon.
Sur les 4 000 participants, la répartition des majors est la suivante :
- Anglais : 560
- La science : 1,135
- L’informatique : 800
- L’ingénierie : 1,090
- Les mathématiques : 415
Les chercheurs ont leurs cinq strates issues du processus d’échantillonnage aléatoire stratifié. Ensuite, les chercheurs étudient les données de la population pour déterminer le pourcentage des 21 millions d’étudiants qui se spécialisent dans les sujets de leur échantillon. Les résultats montrent ce qui suit :
- 12 % de spécialisation en anglais
- 28% de spécialisation en sciences
- 24% de spécialisation en informatique
- 21% de spécialisation en ingénierie
- 15% de spécialisation en mathématiques
L’équipe décide d’utiliser un échantillon aléatoire stratifié proportionnel afin de déterminer si les matières principales des étudiants de l’échantillon représentent la même proportion que la population.
Cependant, les proportions de l’échantillon ne sont pas égales aux pourcentages de la population. Par exemple, 12 % de la population étudiante sont des étudiants en anglais, alors que 14 % des étudiants de l’échantillon sont des étudiants en anglais (soit 560 étudiants en anglais / 4 000).
En conséquence, les chercheurs décident de rééchantillonner les étudiants pour qu’ils correspondent au pourcentage de majors dans la population. Sur les 4 000 étudiants de leur échantillon, ils décident de sélectionner au hasard les éléments suivants
- 480 majors anglaises (12 % de 4 000)
- 1 120 filières scientifiques (28% des 4 000)
- 960 filières informatiques (24% des 4 000)
- 840 grandes sociétés d’ingénierie (21% de 4 000)
- 600 majeures en mathématiques (15% de 4 000)
Les chercheurs disposent maintenant d’un échantillon aléatoire stratifié proportionnel d’étudiants universitaires et de leurs spécialités respectives, qui reflète plus précisément les spécialités de la population étudiante globale. À partir de là, les chercheurs peuvent analyser les MPC de chaque strate ainsi que leurs caractéristiques pour avoir une meilleure idée de la performance de la population étudiante globale.