RECH QUANTI QUALI INSAG COURS 2023 - Copie

Méthodes de
Recherches
Qualitatives
et Quantitatives
001
Processus de Recherche
• Le modèle classique de processus de
recherche consiste à commencer par une
revue de littérature théorique, générer des
hypothèses, tester les hypothèses et
interpréter les résultats.
• Le processus de recherche est cyclique et

non linéaire.
Les résultats de l’étude effectuée alimenteront le système et
informeront les recherches futures.
Modifier Théorie /
Théorie / Questions
Questions Recherche
Hypothèses
Interpréter
/ Test
Résultas
Hypothèses
Théories and Questions de Recherche
• Les théories sont des ensembles de

principes d'organisation qui aident
les chercheurs à décrire et à prédire
des événements
• Une théorie scientifique a la caractéristique
supplémentaire de permettre à des hypothèses
vérifiables d'être générées à partir de la
théorie.
• Une théorie scientifique doit avoir suffisamment

de spécificité et de clarté pour être vérifiable.
Enoncées Courtes de Théories
1. La théorie de la relativité restreinte d'Einstein énonce
que la vitesse de la lumière est constante et que l'espace
et le temps sont relatifs.
2. La théorie du Big Bang soutient que l'univers a commencé

comme une singularité chaude et dense, puis s'est étendu
et refroidi au fil du temps.
3. La théorie de l'évolution de Darwin propose que les

espèces changent au fil du temps par le biais de la
sélection naturelle.
• Les théories sont étroitement liées à une
question de recherche, qui est un énoncé
clairement articulé sur le sujet d'intérêt.
• Certaines questions de recherche relèvent de la

théorie, certaines de l'observation et d’autres
de l'intuition.
• En termes de spécificité, une question de
recherche se situe entre une théorie, qui est
très large, et une hypothèse, qui est très
précise.
• Poser une question de recherche sert à affiner

votre concentration sur le sujet qui vous
intéresse.
Ex : Questions de Recherche
1. Comment les changements climatiques affectent-ils les

écosystèmes marins ?
2. Quels sont les effets à long terme de l'exposition à la

radiation sur les astronautes lors de missions
spatiales ?
3. Comment la consommation de caféine affecte-t-elle la

performance cognitive ?
Hypothèses
• Tandis que les théories sont des déclarations
générales
• et les questions de recherche sont des
déclarations de niveau intermédiaire :
• les hypothèses (pluriel d'hypothèse) sont des
prédictions spécifiques sur ce qui se passera
selon la théorie et une théorie peut être testée
de plusieurs manières.
Hypothèses – Point Focal
• En science, nous disons que les preuves
confirment ou « soutiennent » l'hypothèse.
• La raison pour laquelle les chercheurs disent

soutenir (plutôt que prouver ou affirmer) est que
les sciences sociales, par leur nature, sont une
entreprise probabiliste.
Hypothèses
• Nous formulons des hypothèses de recherche
basées sur la conviction qu'il existe une forte
probabilité que nous ayons raison.
• Les chercheurs expriment leurs découvertes en

termes de probabilités : il est probable que les
découvertes d'une étude particulière soient
vraies, et donc l'hypothèse est soutenue,
vérifiée, confirmée.
Variables Indépendentes
• Les variables indépendantes sont des variables
qui sont systématiquement contrôlées par le
chercheur pour déterminer l'effet de la
variable sur le résultat (variable dépendante).
• Dans la recherche expérimentale, nous nous

référons aux variables indépendantes en tant
que facteurs. Un facteur est une variable
indépendante contrôlée par le chercheur.
Variables dépendentes
• Une variable dépendante est la mesure du résultat
qui intéresse les chercheurs. Dans la recherche
corrélationnelle, une variable dépendante est
parfois appelée variable critère .
• Pour collecter des mesures de variables

dépendantes, les chercheurs observent, testent ou
sondent les participants à la recherche. La
variable dépendante est ce qui est mesuré par
l'observation, le test ou l'enquête.
Formulation de Base d’une Recherche
La théorie : de la dégradation cognitive par la caféine:
Question de recherche : La consommation de caféine dégrade-t-

elle la performance cognitive?
Principales hypothèses :
• La
caféine peut causer de l'anxiété et perturber le
sommeil, ce qui peut réduire la performance cognitive.
• La
caféine peut augmenter la fatigue mentale et physique,
ce qui peut réduire la performance cognitive.
• Les
effets de la caféine dépendent de la dose, de la durée
de l'effet et de la tolérance individuelle.
Formulation de Base d’une Recherche
Les variables indépendantes dans la recherche expérimentale sont
généralement attribuées au hasard par le chercheur, de sorte que les
participants à la recherche recevront un niveau particulier de la variable
indépendante.
1. Dans une expérience hypothétique mesurant l'effet de la consommation

de caféine sur le temps de réaction, un chercheur pourrait avoir la
caféine comme variable indépendante à trois niveaux : 200 mg, 100 mg
et 0 mg.
2. Un tiers de ses participants recevrait 200 mg de caféine, un autre

tiers recevrait 100 mg de caféine et l'autre tiers ne recevrait pas de
caféine.
3. La condition sans caféine est connue sous le nom de placebo ; il s'agit

d'une version non active ou de niveau zéro d'une variable
indépendante,
Types de Recherches
•Recherche quantitative : spécifie
l'attribution numérique aux phénomènes
étudiés,
•Recherche qualitative : produit des

descriptions narratives ou textuelles
des phénomènes étudiés.
Types de Recherches
Caractéristiques Etudes Quantitatives Etudes Qualitatives
Les phénomènes sont décrits Les phénomènes sont décrits

Type de données
numériquement de manière narrative
Statistiques descriptives et Identification des grands
Analyse
inférentielles thèmes
Portée de Questions ou hypothèses Préoccupations thématiques

l'enquête spécifiques larges
Grand échantillon, validité Description narrative riche
Principal
statistique, reflète fidèlement et approfondie de
avantage
la population l'échantillon
Compréhension superficielle des Petit échantillon, non
Principal
pensées et des sentiments des généralisable à l'ensemble
désavantage
participants de la population
Proposition de Recherche
• Une fois qu'une stratégie générale a été
choisie (qu'elle soit quantitative ou
qualitative), l'étape suivante consiste à
décrire avec le plus de détails possible le
processus par lequel la recherche sera
réalisée.
• Composantes des propositions de recherche
1. Elle doit expliquer clairement pourquoi l'étude que vous proposez est un élément
essentiel de la découverte dans le domaine. En d'autres termes, la proposition
doit démontrer de manière convaincante pourquoi votre étude est la « meilleure »
étude à mener.
2. La proposition doit également être très précise sur la méthodologie : les
participants à la recherche que vous étudierez, les instruments ou les
techniques que vous utiliserez pour les étudier et la manière dont vous
analyserez les données collectées.
3. La proposition doit répondre à la question « et alors » : en supposant que l'étude
progresse, comment les résultats de cette étude feront-ils une différence pour
les autres chercheurs (étude de recherche fondamentale) ou les praticiens dans
le domaine (étude de recherche appliquée) ?
4. À la fin de la proposition, le lecteur devrait avoir une idée claire de la façon
dont l'étude sera menée et pourquoi elle est importante. Votre objectif devrait
être de rendre le lecteur aussi enthousiaste à l'idée de lire les résultats de la
recherche que vous l'êtes à l'idée de mener la recherche.
• Les revues de littérature : La revue de la littérature
répond à deux objectifs :
• Premièrement, il doit convaincre le lecteur que le

chercheur est familier avec la littérature et compétent
pour mener des enquêtes.
• Deuxièmement, il doit convaincre le lecteur que l'étude

proposée s'inscrit dans l'ensemble des connaissances
existantes et expliquer comment l'étude proposée est
nécessaire pour combler une lacune dans la littérature.
Ethique de Recherche
• Respect des personnes : Les chercheurs doivent reconnaître les
participants à la recherche comme des agents autonomes, et ceux
qui ont une autonomie réduite (par exemple, les jeunes, les
personnes handicapées) doivent être protégés.
• Bienfaisance : les chercheurs assureront le bien-être des

participants en ne leur faisant pas de mal et, en outre, en
maximisant les avantages possibles et en minimisant les risques
éventuels.
• Justice : Il doit y avoir équité dans la répartition des avantages

et des risques possibles entre tous les participants à la
recherche.
Tuskegee : 1932-1972
• Les expériences iniques de Tuskegee, dans lesquelles les
participants à la recherche ont été infectés par la
Syphilis et n'ont ensuite pas reçu de traitement, sont un
exemple du mauvais vieux temps avant les directives
éthiques.
• Le fait que les participants à la recherche étaient des

hommes pauvres et noirs qui n'étaient pas informés de la
nature de l'étude a rendu cette recherche
particulièrement ignoble et une violation flagrante de la
ligne directrice de la justice.
Identifier et Formuler la
Problématique
Les problèmes de recherche qui découlent de

ces questions peuvent prendre différentes
formes. Généralement, on distingue trois
types de problèmes de recherche :
• Problèmes ambigus,
• Des problèmes quelque peu définis
• Problèmes clairement définis
Problématique
• Des problèmes ambigus surviennent lorsque nous en savons très peu sur
les problèmes qui doivent être résolus. Par exemple, l'ambiguïté
entoure souvent (sinon les nuages) l'introduction de technologies ou
de produits radicalement nouveaux. ex : Produit disruptif
• Lorsque nous sommes confrontés à des problèmes quelque peu définis,

nous connaissons les problèmes (et les variables) qui sont importants
pour résoudre le problème, mais nous ne savons pas comment ils sont
liés. ex : Export
• Lorsque nous sommes confrontés à des problèmes clairement définis,

les questions et variables importantes, ainsi que leurs relations,
sont claires. Cependant, nous ne savons pas comment faire le meilleur
choix possible. Nous sommes donc confrontés au problème de savoir
comment optimiser la situation. Ex : Changement de prix.
Problématique
La conception de la recherche est liée à l'identification et à la formulation
du problème. Les problèmes de recherche et les modèles de recherche sont
interdépendants.
A. Si nous commençons à travailler sur une question qui n'a jamais fait
l'objet de recherches auparavant, nous semblons entrer dans un entonnoir
où nous posons initialement des questions exploratoires, car nous en
savons encore peu sur les problèmes auxquels nous sommes confrontés.
B. Une fois que nous avons une image plus claire de la question de recherche
après notre recherche exploratoire, nous avançons plus loin dans
l'entonnoir. Généralement, nous voulons en savoir plus en décrivant le
problème de recherche en termes de recherche descriptive.
C. Une fois que nous avons une image raisonnablement complète de tous les
problèmes, il peut être temps de déterminer exactement comment les
variables clés sont liées. Nous passons ensuite à la partie la plus
étroite de l'entonnoir. Nous le faisons par le biais d'une recherche
causale.
Relation entre Problématique et
Méthodes
Données primaires vs secondaires
données secondaires données primaires
• Tendance à être moins cher

• La taille des échantillons a tendance à être plus grande
• Ont tendance à avoir plus d'autorité • Sont récents
• Sont généralement d'accès rapide • Sont spécifiques à
avantages • Sont plus faciles à comparer à d'autres recherches utilisant l’objectif
les mêmes données • Sont propriétaires
• Sont parfois plus précises (par exemple, des données sur
les concurrents)
• Peut être obsolète

• Peut ne pas correspondre entièrement au problème
• Il peut y avoir des erreurs cachées dans les données –
• Sont généralement plus
difficile d'évaluer la qualité des données
chers
désavantages • Ne contiennent généralement que des données factuelles
• Prendre plus de temps
• Aucun contrôle sur la collecte des données
pour collecter
• Peut ne pas être déclaré sous la forme requise (par
exemple, différentes unités de mesure, définitions, niveaux
d'agrégation des données)
Méthodes de Collecte de Données
Primaire Secondaire
Observer Interroger Interne Externe
Etude Registres
Observationnelle
Sondages Gouvernements
d’entreprises
in-Depth Rapports de Association

Test Marché
interviews ventes Patronales et Pro
Techniques Etudes Entreprises

projectives existantes d’EDM
Bases de
Focus groups données
Internet &
Expérimentation : Mix d’observation et media sociaux
d’interrogation
ECHANTILLONNAGE
Lors de la collecte de données primaires, il est
nécessaire de définir notre cible et procéder à un
échantillonnage - de par l’impossibilité
d’étudier l’ensemble de la population mère -
ensuite on définit les méthodes de traitement
adéquates avant de finaliser les résultats
Sélection de l’échantillon
• Nous ferons la distinction entre une population, l'univers de
personnes auquel l'étude pourrait être généralisée, et un
échantillon, le sous-ensemble de personnes de la population qui
participera à l'étude en cours.
• La base de sondage se réfère aux membres éligibles de la

population. Étant donné que certaines personnes choisiront de ne
pas participer ou ne seront pas disponibles lorsque les
chercheurs essaieront de les contacter, la base de sondage doit
être plus grande que l’échantillon.
• L'échantillonnage est important car, dans presque tous les cas, il n'est pas pratique
d'étudier tous les membres d'une population.
Population et échantillonnage
Population and Sampling
• Une population est l'ensemble des unités sur lesquelles on veut effectuer des
études. Ces unités peuvent être des groupes d'individus, de clients,
d'entreprises, de produits ou à peu près n'importe quel sujet qui vous intéresse.
• L'échantillonnage est le processus par lequel nous sélectionnons des cas

(observations) dans une population. L'échantillon sélectionné est
représentatif de la population, ça signifie que les caractéristiques de
l'échantillon correspondent étroitement à celles de la population :
• Recensement,
• échantillonnage probabiliste, et
• échantillonnage non probabiliste.

L’échantillonnage est Important
En général, il existe deux manières de sélectionner les
membres d'une étude : de manière aléatoire ou non.
• Un échantillon aléatoire, parfois appelé

échantillon probabiliste, est un échantillon dans
lequel chaque membre de la base de sondage a une
chance égale d'être sélectionné comme participant à
l'étude.
• Un échantillon non aléatoire est un échantillon dans

lequel chaque membre de la base de sondage n'a pas
une chance égale d'être sélectionné comme
participant à l'étude.
059
Méthodes d’échantillonnage
Méthodes
Probabiliste Non Probabilistes
E. Aléatoire E. au Jugé
E. E. Boule de
Systématique neige
E. Stratifié E. par Quotas
E. en Grappes E. de
Convenance
Échantillonnage
Probability Sampling probabiliste
• Le moyen le plus simple consiste à utiliser un
échantillonnage aléatoire simple, qui est
obtenu en sélectionnant au hasard le nombre de
cas requis. Ceci peut être réalisé en utilisant
un logiciel spécialisé.
• L'échantillonnage systématique utilise une

procédure différente. Nous randomisons d'abord
l'ordre de toutes les observations, les
numérotons et, enfin, sélectionnons chaque
nième observation.
Échantillonnage
Probability Sampling probabiliste
• Lorsque nous utilisons un échantillonnage
stratifié, nous divisons la population en
plusieurs groupes homogènes appelés strates.
Ces strates sont basées sur des
caractéristiques clés de l'échantillon
• L'échantillonnage en grappes nécessite de

diviser la population en différents groupes
hétérogènes, les caractéristiques de chaque
groupe étant similaires à celles de la
population.
Echantillonnage Non Probabiliste
NON Probability Sampling
• L'échantillonnage au jugement (discrétionnaire) est basé sur des
chercheurs prenant une décision éclairée concernant les individus qui
devraient être inclus.
• L'échantillonnage en boule de neige implique que les participants à l'étude

existants recrutent d'autres personnes parmi leurs connaissances.
• L'échantillonnage par quotas se produit lorsque nous sélectionnons des

observations pour l'échantillon qui sont basées sur des caractéristiques
pré-spécifiées, ce qui donne à l'échantillon total la même distribution de
caractéristiques supposées exister dans la population étudiée.
• L'échantillonnage de convenance est un terme fourre-tout pour les méthodes

(y compris les trois techniques d'échantillonnage non probabiliste
décrites ci-dessus) dans lesquelles le chercheur tire un échantillon de la
partie de la population qui est proche.
Abstraction des Variables
et Mesurabilité
De l’Abstraction à la Variable
• La première étape de la collecte de données
consiste à déterminer comment mesurer ce que vous
souhaitez étudier.
• C'est facile pour les mesures physiques telles que

le poids et la taille, mais plus difficile pour les
concepts des sciences sociales. La recherche en
sciences sociales implique des concepts
abstraits : agressivité, réussite, attirance, etc.
• Un chercheur en sciences sociales doit passer
d'un concept abstrait à un concept mesurable.
Il le fait en créant des variables.
• Une variable est une construction qui peut

prendre deux ou plusieurs valeurs distinctes.
Une collection de variables d'un échantillon
constitue ce que les chercheurs appellent des
données.
Avant de commencer à discuter des données, il
est bon de présenter la terminologie, il est
nécessaire de distinguer les quatre concepts
suivants :
• variables,
• constantes,
• cas (Observation), et
• construit.
Une variable est un attribut dont la valeur peut
changer.
• Par exemple, le prix d'un produit est un attribut
de ce dernier et varie généralement dans le
temps.
• Si le prix ne change pas, c'est une constante.
• Un cas (ou une observation) se compose de toutes
les variables qui appartiennent à un objet tel
qu'un client, une entreprise ou un pays
Le construit fait référence à une variable qui n'est pas
directement observable (c'est-à-dire une variable
latente).
• Un construit est utilisé pour représenter des
concepts latents dans les analyses statistiques.
• Les concepts latents représentent des idées ou des
réflexions générales sur certains phénomènes que les
chercheurs ont établis et veulent mesurer dans leurs
recherches. (Chercher des exemples des Construits
suivants réflexif et formatif))
• Les construits ne peuvent pas être mesurés directement,
car les répondants ne peuvent articuler une réponse
unique qui fournira complètement et parfaitement une
mesure de ce concept.
• Cependant, nous pouvons mesurer la satisfaction, la

fidélité et la confiance envers la marque au moyen de
plusieurs items. Le terme éléments (ou indicateurs) est
normalement utilisé pour indiquer les questions
d'enquête posées. La mesure des construits nécessite de
combiner des items pour former une échelle multi-items,
Les construits réflexifs (réflectif),
• les items sont considérés comme des manifestations d'un

construit sous-jacent (c'est-à-dire que les items reflètent
le construit). Notre exemple de confiance dans la marque
suggère une construction réflexive, car les éléments
reflètent la confiance.
• Ainsi, si un répondant modifie son évaluation de la

confiance envers la marque (par exemple, en raison d'une
expérience négative de la marque), cela se reflète dans les
réponses aux trois items. Les constructions réfléchissantes
utilisent généralement plusieurs éléments (3 ou plus) pour
augmenter la stabilité et la précision de la mesure.
• Les construits formatifs
• se composent de plusieurs éléments qui définissent un construit.

Un exemple typique est le statut socio-économique, qui est formé
par une combinaison de l'éducation, du revenu, de la profession et
de la résidence.
• Si l'une de ces mesures augmente, le statut socio-économique

augmentera (même si les autres éléments ne changent pas). À
l'inverse, si le statut socioéconomique d'une personne augmente,
cela ne va pas nécessairement de pair avec une augmentation des
quatre mesures.
1. Niveau de satisfaction sur 1. La valeur d'une voiture est

différents attributs de déterminée par son âge,
restauration : la qualité de l'état, la taille, la marque.
la nourriture, la rapidité du
2. Le niveau socio-
service, la propreté du lieu,
l’amabilité du service, le prix économique est déterminée
par les revenus, le métier, le
2. L’importance qu’il accorde niveau de formation (exemple
à ces attributs. : l'indice de WARNER).
Variable & Mesurabilité
• L'échelle de mesure fait référence aux variables que
nous utilisons pour mesurer une certaine
construction et le niveau auquel une variable est
mesurée. Cela peut être très déroutant ! Il existe
quatre niveaux de mesure :
Label Ordre Différences Origine 0
Nominale
Ordinale
Intervalle
Ratio
Type de données : Données nominales
• Les données nominales divisent les réponses
en deux ou plusieurs catégories distinctes.
Dans les données nominales, chaque réponse
est affectée à une seule catégorie, et donc
les réponses ne diffèrent qu'en nature, pas
en degré ou en quantité.
Type de données : Données ordinales
• Alorsque les données nominales reconnaissent

les différences dans le type d'alternatives
de réponse, les données ordinales font une
distinction supplémentaire selon la quantité
d'alternatives de réponse. Les variables
ordinales montrent des différences
numériques entre les alternatives de réponse.
Type de données : Données d'intervalle
• Les données d'intervalle sont similaires
aux données ordinales en ce sens qu'elles
reflètent toutes deux des augmentations de
quantité. Avec des données d'intervalle,
cependant, la quantité entre les
différentes réponses de la variable est la
même.
Données de ratio
• Les données de ratio sont distinguées des
données ordinales (ordre croissant) et des
données d'intervalle (espacement égal) en ayant
la propriété supplémentaire d'une valeur
inférieure absolue qui correspond à l'absence de
la mesure.
• En d'autres termes, les données de ratio ont un
zéro absolu.
• L'échelle de mesure fait référence aux variables que
nous utilisons pour mesurer une certaine
construction et le niveau auquel une variable est
mesurée. Cela peut être très déroutant ! Il existe
quatre niveaux de mesure :
Label Ordre Différences Origine 0
Nominale
Ordinale
Intervalle
Ratio
Design de Collecte : Sondage
• Les enquêtes sont le meilleur moyen de

collecter une grande quantité de données
auprès d'un grand nombre de personnes en peu
de temps.
• Les enquêtes sont très robustes et peuvent

être utilisées dans de nombreux domaines de
la vie.
Types de Questions
La conception des questions nécessite de

décider s'il faut utiliser des questions
ouvertes ou fermées.
• Lesquestions ouvertes (également

appelées items textuels) fournissent peu
ou pas de structure pour les réponses des
répondants.
• Lesquestions fermées offrent aux
répondants seulement quelques catégories
parmi lesquelles choisir
Type d’échelles
• La recherche et la pratique en marketing ont

fourni une variété de types d’échelles :
• échelles de Likert,
• échelles différentielles sémantiques,

et
• échelles de classement.
Type d’échelles
Type d’échelles
• Les échelles de Likert sont utilisées pour établir le degré d'accord avec
un énoncé spécifique. Le degré d'accord est généralement défini par des
critères d'évaluation allant de fortement en désaccord à fortement
d'accord. Gardez à l'esprit que si l'énoncé est trop positif ou négatif, il est
peu probable que les terminaisons de l'échelle soient utilisées, ce qui réduit
le nombre de catégories de réponses réellement utilisées.
Type d’échelles
Type d’échelles
• Les échelles différentielles sémantiques utilisent une

paire de mots opposés, normalement des adjectifs
constituant le point final de l'échelle. Les répondants
indiquent ensuite dans quelle mesure l'un des mots de
chaque paire décrit ce qu'il ressent à propos de l'objet à
évaluer
Type d’échelles
Type d’échelles
• Les échelles d'ordre de classement sont un type d'échelle

unique, car elles obligent les répondants à comparer les
alternatives. Dans sa forme de base, une échelle de
classement permet aux répondants d'indiquer quelle
alternative ils se classent le plus haut, quelle alternative ils se
classent en deuxième position.
Design du Questionnaire
Après avoir déterminé les questions individuelles,

vous devez les intégrer, avec d'autres éléments,
pour créer le questionnaire. La conception du
questionnaire implique les éléments suivants :
• Concevoirles premières pages du

questionnaire,
• choisir l'ordre des questions, et
• conception de la mise en page et du format.

Ordonnancement du Questionnaire
Le choix d'un ordre des questions approprié est crucial, car il
détermine le flux logique et contribue à des taux de réponse élevés.
L'ordre des questions est généralement le suivant :
1. Les questions de sélection viennent en premier. Ces questions

déterminent les parties de l'enquête qu'un répondant doit
remplir.
2. Posez les questions relatives aux variables clés de l'étude.

Cela inclut les variables dépendantes, suivies des variables
indépendantes.
3. Utilisez une approche en entonnoir. Autrement dit, posez

d'abord des questions plus générales, puis passez aux détails.
Cela facilite la réponse aux questions car l'ordre aide les
répondants à se souvenir.
4. Assurez-vous que les questions sensibles sont posées à la

toute fin de cette section
Questions du Profil Démographique
• Lesquestions liées à la démographie sont

placées en dernier si elles ne font pas
partie des questions de sélection.
• Sivous posez des questions

démographiques, vérifiez toujours si
elles sont pertinentes par rapport à
l'objectif de la recherche et si elles ne
sont pas déjà connues.
Aspects Recommandations
Assurez-vous que tous les répondants potentiels peuvent répondre à tous les
Tous les répondants
items. S'ils ne le peuvent pas, posez des questions de sélection pour les
peuvent-ils répondre à diriger. Si les répondants ne peuvent pas répondre aux questions, ils devraient
la question posée ? pouvoir les sauter.
Les répondants Si la réponse est non, vous devez utiliser d'autres méthodes pour obtenir des
peuvent-ils construire informations (par exemple, des données secondaires ou des observations).
ou rappeler les De plus, vous devez interroger les répondants sur les principaux aspects avant
réponses ? de zoomer sur les détails pour les aider à se souvenir des réponses.
Les répondants Si les questions concernent des sujets « sensibles », vérifiez si elles peuvent
être omises. Si ce n'est pas le cas, insistez sur la confidentialité des
veulent-ils répondre à réponses et mentionnez pourquoi ces réponses sont utiles pour le chercheur, le
chaque question ? répondant ou la société avant de les présenter.
Gardez à l'esprit le codage ultérieur. Si un codage facile est possible au

Questions ouvertes ou préalable, concevez un ensemble de catégories de réponses exhaustives. De plus,
fermées ? rappelez-vous que les items à échelle ouverte ont un taux de réponse beaucoup
plus faible que les items à réponse fermée.
Utilisez des mots et une grammaire simples. Faites des phrases courtes.
Grammaire et phrases
Évitez les négations, les quantificateurs vagues et les questions à deux
volets. Utilisez les éléments à l'échelle inversée avec parcimonie.
Nombre de catégories de Utilisez des échelles visuelles analogiques. Si elles ne sont pas disponibles,
réponse utilisez des échelles à 5 ou 7 points.
Échelle à choix forcé

Utilisez une échelle de libre choix en incluant une catégorie neutre.
ou à choix libre ?
Échelle équilibrée ou Utilisez toujours une balance équilibrée. Il devrait y avoir un nombre exact de
formulations positives et négatives dans les éléments de l'échelle. Les mots aux
déséquilibrée ? extrémités de l'échelle doivent être exactement opposés.
Conception des Assurez-vous que les catégories de réponses sont exclusives et que chaque
catégories de réponse catégorie a approximativement le même pourcentage de réponses.
Quelles catégories Utilisez si possible des échelles visuelles analogiques, sinon des échelles de
d'échelle devez-vous Likert. Si la question l'exige, utilisez des échelles différentielles
utiliser (questions sémantiques ou des échelles d'ordre de classement.
fermées uniquement) ?
Étiquetage des Étiquetez uniquement les points de terminaison. Lorsque vous utilisez les
catégories de réponse éléments pour des analyses de type prédiction, étiquetez toutes les catégories.
Inclusion d'une option Incluez une option « Ne sait pas » uniquement pour les éléments que le répondant
"Je ne sais pas" pourrait réellement ne pas savoir. Si inclus, placez-le à la fin de l'échelle.
Options Avantages Inconvénients

Téléphone La plupart des gens ont des téléphones, ce qui Les gens peuvent confondre les
crée une grande base de sondage Taux de enquêteurs avec les télévendeurs, ce qui
réponse plus élevé que le courrier ordinaire Peu entraîne un taux de participation plus
de travail pour les répondants faible L'identification de l'appelant et le
filtrage des appels ont un taux de
participation plus faible
Courrier Les adresses sont faciles à acheter via la Faible taux de réponse, à moins que des
société de base de données, créant une grande incitations ne soient impliquées ou que la
base de données qui est la plus représentative population ait un intérêt direct dans
de tous les cadres d'échantillonnage (mais voir l'enquête
l'inconvénient du faible taux de réponse) Cher en main d'oeuvre et en port
Les répondants peuvent répondre à l'enquête à Plus de travail pour les répondants que
leur propre rythme, en fournissant des réponses l'enquête téléphonique
longues, écrites et narratives et donc des Plus l'enquête est longue, plus la
données complètes persuasion (par exemple, des incitations
Étant donné que les répondants peuvent financières, des suivis de cartes
répondre pendant leur temps libre, ils peuvent postales) doit être utilisée pour améliorer
probablement mener une enquête légèrement le taux de réponse
plus longue que par téléphone sans réduire le
taux de réponse
Options Avantages Inconvénients

Internet/Email Faible coût; coûts d'installation Biais de réponse : ceux qui ont des
minimes et pas de frais d'envoi ressources et des connaissances
Moins de travail pour les répondants technologiques ou des ordinateurs
que le courrier de surface (mais plus sont plus susceptibles de répondre
que le téléphone), à condition que les
répondants aient accès à Internet
Cadre d'échantillonnage plus grand
que les autres techniques
Face-to-Face Des données très complètes, tant Cher en main d'oeuvre

Interview quantitatives que qualitatives Taille d'échantillon plus petite que les
Permet des enquêtes et des questions autres techniques
de suivi pour personnaliser les
entretiens en fonction des
connaissances ou de l'expérience
uniques des répondants
Approches Analytiques
Approches Analytiques de Base
Analyse - Statistiques Descriptives
Mesure de la Tendance Centrale
• La mesure la plus courante de la tendance centrale est la moyenne : la
moyenne arithmétique d'un ensemble de nombres. Les moyennes sont
importantes pour les études descriptives car elles fournissent des
informations sur le score moyen du participant sur une mesure.
• Les deux autres mesures de tendance centrale sont :

• le mode , le nombre le plus fréquent dans un ensemble de données ;
• et la médiane , le score moyen des nombres dans un ensemble de

données. (Avec un nombre impair d'observations, le score moyen est
la médiane ; avec un nombre pair d'observations, la plupart des
gens et des programmes informatiques sélectionnent la moyenne des
deux scores moyens comme médiane.)


La Médiane
La médiane est la valeur médiane des données après leur

classement.
La Moyenne
La moyenne (également appelée moyenne arithmétique) est la

moyenne des données
Le Mode
Le mode est la valeur la plus fréquente ou la valeur la plus

courante. Le mode peut ne pas être défini s'il y a des valeurs
distinctes dans la colonne de données
Exercices
Solutions
Solutions
Mesure de la Dispersion
• Une mesure de dispersion mesure le degré de
variabilité entre les scores observés sur une
variable. Une mesure simple de la dispersion est
l’étendue : le score le plus bas dans l'ensemble
de données soustrait du score le plus élevé.
• Deux mesures de dispersion courantes mais plus

complexes que les chercheurs quantitatifs
utilisent sont : la variance et l'écart type.
• Plus important que la façon de les calculer,

il faut savoir que plus un ensemble de
réponses numériques est varié, plus la
mesure de la dispersion est élevée.
• Lorsque la dispersion est trop grande, la

moyenne n'est pas aussi informative.
L’étendue
L’étendue est la différence entre la plus grande valeur et la plus

petite valeur
La Variance
La variance est une mesure de la façon dont les observations

s'éloignent de la moyenne
Les unités de la variance sont en unités carrées de la variable.
La Variance
La variance est une mesure de la façon dont les observations

s'éloignent de la moyenne
Les unités de la variance sont en unités carrées de la variable.
• L'écart-type d'un échantillon est la racine carrée
de la variance, et est défini comme la quantité
moyenne qu'une observation différera de la moyenne.
• L'écart type est utilisé plus souvent que la

variance car il est sur la même métrique que les
valeurs d'origine. N'oubliez pas que la variance
est créée en élevant les valeurs au carré, donc
prendre la racine carrée ramène le nombre à sa
métrique d'origine.
Inférence Statistique
- Corrélation
• La recherche corrélationnelle
• Elle consiste à identifier les relations entre deux variables. Une
corrélation est une mesure statistique de l'association entre deux
variables.
• Une corrélation a une direction et une amplitude. En ce qui concerne
la direction, une corrélation peut être positive ou négative.
- Corrélation
• Une corrélation positive existe lorsque, à mesure

qu'une variable augmente (ou diminue), l'autre
variable augmente (ou diminue) également.
• Une corrélation négative est l'opposé d'une

corrélation positive ; deux variables sont
corrélées négativement lorsque, à mesure que la
valeur d'une variable augmente, la valeur de
l'autre variable diminue (et vice versa).
- Corrélation
- Corrélation
- Corrélation
small r=.10 to .29

medium r=.30 to .49
large r=.50 to 1.0
- Cross -Tabulation and Chi - Square
• Si l'étude de recherche implique des données nominales, il est plus utile

d'afficher les données sous forme de tableau croisé. La tabulation croisée
est une méthode pour montrer comment les réponses d'une variable nominale se
rapportent aux réponses d'une autre variable nominale.
• La statistique inférentielle utilisée dans les tableaux croisés est le chi

carré : une mesure d'association entre deux variables nominales. Si un chi-
carré est statistiquement significatif, cela signifie qu'il existe une
relation entre les deux variables nominales. Tout comme une corrélation de
Pearson montre une relation entre deux variables d'intervalle,
• Un chi - carré montre une relation entre

deux variables nominales. Dans ce cas, le
chi carré a une valeur p inférieure à 0,05,
et nous pouvons donc conclure qu'il existe
une différence significative entre les
réponses des variable croisées à cette
question.
Inférence Statistique .158
- Régression & Prédiction
• Une régression relie une variable dépendante à une ou plusieurs
variables indépendantes (explicatives). Un modèle de régression
est capable de montrer si les changements observés dans la
variable dépendante sont associés à des changements dans une ou
plusieurs des variables explicatives.
• Pour ce faire, il s'agit essentiellement d'ajuster une ligne la

mieux adaptée et de voir comment les données sont dispersées
autour de cette ligne. Ainsi, la régression aide les économistes
et les analystes financiers dans des domaines allant de
l'évaluation des actifs à la réalisation de prédictions.
• Le R^2 ou R-carré est appelé coefficient de détermination. C’est un

indicateur utilisé pour juger de la qualité d’une régression
linéaire. Mathématiquement, il s’agit de la proportion de la variance
d’une variable dépendante qui s’explique par une ou plusieurs
variables indépendantes dans le modèle de régression, on l’exprime
soit entre 0 et 1, soit en pourcentage.
• Alors que la corrélation explique la force de la relation entre une

variable indépendante et une variable dépendante, le R au carré
explique dans quelle mesure la variance d’une variable explique la
variance de la seconde variable
• Interprétation
• Si R^2 est proche de zéro, alors la droite de régression colle à 0% avec

l’ensemble des points donnés
• Si le R^2 d’un modele est de 0.5, alors la moitié de la variation observée dans
le modèle calculé peut être expliqué par les points
• Si le R^2 est de 1, alors la régression détermine 100% de la distribution des

points.
• En pratique, étant dans une science probabiliste, il est impossible d’obtenir

un R^2 de 1, on considère qu’un R^2 est élevé lorsqu’il se situe entre 0;85 et 1.
Causalité - Co variation
• La co-variation en sciences sociales fait

référence à l'affirmation selon laquelle un
changement dans une variable (variable
indépendante) crée un changement dans une
autre variable (variable dépendante)
• La covariance sera positive, si les grandes valeurs

de X, c'est-à-dire les valeurs qui sont au-dessus de
l'espérance, sont principalement associées aux
grandes valeurs de Y et de même pour les petites
valeurs.
• Si de grandes valeurs de X sont principalement

associées à de petites valeurs de Y et, inversement,
de petites valeurs de X avec de grandes valeurs de
Y, la covariance sera négative.
• Vérification de la causalité
• Premièrement, il doit y avoir co-variation. En
d'autres termes, lorsqu'une variable change, une
autre variable doit changer. C'est le même critère
pour déduire la prédiction, et donc les
conceptions discutées dans ce chapitre satisfont
à ce critère.
• Deuxièmement, il doit y avoir un ordre du temps.

Plus précisément, la cause doit précéder l'effet.
• Le simple fait que deux événements soient corrélés ne signifie pas
nécessairement qu'ils sont causalement liés. Imaginez une corrélation entre
deux variables, nommées de manière fantaisiste X et Y. Il existe au moins trois
possibilités de corrélation entre ces variables :
• X cause Y,
• Y cause X,
• ou une autre troisième variable cause à la fois X et Y.
• Pour déterminer un lien causal, un chercheur doit également établir une relation
temps - ordre. Et les expériences permettent d'établir un ordre temporel car le
chercheur contrôle la variable indépendante et la place délibérément avant la
variable dépendante pour établir l'ordre temporel souhaité (c'est-à-dire que la
cause vient avant l'effet).
QUALI
Finalité des recherches Quali
• Le but de la recherche qualitative est plus

descriptif que prédictif. L'objectif est de
comprendre en profondeur le point de vue d'un
participant à la recherche.
• Réalisant que toute compréhension est construite,

différents participants à la recherche vont avoir
des interprétations différentes de leur propre
expérience et des systèmes sociaux au sein desquels
ils interagissent.
Finalité des recherches Quali
– voix des opprimés
• La recherche qualitative met en évidence les personnes
qui, en nombre, se situent en dehors de l'écart type et ne
sont pas représentées dans les rapports de moyennes
quantitatives.
• Selon la recherche qualitative, chaque cas est valide et

potentiellement digne d'être étudié. Chaque cas est
représentatif des expériences de vie d'une personne
spécifique et des interprétations de ces expériences ; en
tant que tel, il représente la vérité et la réalité pour
cette personne.
Methode : Inductive
La principale caractéristique de distinction entre les
méthodes qualitatives et quantitatives est que les méthodes
quantitatives sont déductives et les méthodes qualitatives
sont inductives.
• Une approche déductive est un processus de raisonnement

qui découle d'une théorie/hypothèse à l'observation
empirique systématique à la conclusion.
• Une approche inductive est un processus de raisonnement

qui suit un chemin inverse - l'observation précède la
théorie, l'hypothèse et l'interprétation.
Methodes: Inductive & Déductive
Objectif Description Prédiction
Donner la parole aux

Généraliser à une large
Focus personnes et groupes
population
réduits au silence
Analyse déductive
Analyse inductive de «
Méthodes d'unités (individuelles,
textes »
sociétés, etc...)
Critère ; adéquat et Statistiques, réplication

Critères de vérité
réaliste et résultats cumulés
OUTILS DE RECHERCHE QUALITATIVE
ENTREVUES, GROUPES DE
DISCUSSION ET OBSERVATION
Focus Group
• Les groupes de discussion comptent généralement entre

6 et 10 participants, qui discutent d'un sujet défini
sous la direction d'un modérateur.
• La principale différence entre un entretien approfondi

et un groupe de discussion est que les participants au
groupe de discussion peuvent interagir les uns avec les
autres donnant ainsi un aperçu de la dynamique de
groupe.
Entretiens approfondis
• Les entretiens approfondis (in-Depth Interviews)

consistent pour un intervieweur à poser plusieurs
questions à une personne interrogée. Les entretiens
approfondis permettent de sonder sur une base
individuelle, ce qui favorise l'interaction entre
l'intervieweur et le répondant.
• Des entretiens approfondis sont nécessaires lorsque le

sujet doit être ajusté pour chaque personne
interrogée, pour des sujets sensibles et/ou lorsque la
personne interrogée a un statut élevé
Focus Groups vs in-Depth Interviews
Focus Groups in-Depth Interviews
Interaction de groupe, qui peut inciter les Il n'y a pas d'interaction de groupe.
Interactions de groupe répondants à produire de nouvelles L'intervieweur est chargé de stimuler les
pensées répondants à produire de nouvelles idées.
En l'absence de pression de groupe, la

La pression et la stimulation du groupe
réflexion des répondants n'est pas remise
peuvent clarifier et défier la pensée.
en cause
Pression du groupe/des
pairs
Avec un seul répondant, le jeu de rôle est
Pression des pairs et jeu de rôle. minimisé et il n'y a pas de pression des
pairs.
Les personnes sont seules avec

Concurrence entre Les répondants se disputent le temps de
parole. Il y a moins de temps pour obtenir
l'intervieweur et peuvent exprimer leurs
pensées dans un environnement non
répondant des détails détaillés de chaque participant compétitif. Il y a plus de temps pour
obtenir des informations détaillées.
Focus Groups vs in-Depth Interviews
Focus Groups in-Depth Interviews
Les réponses dans un groupe peuvent Avec un répondant, il n'y a aucun

Influence des pairs être biaisées par les opinions des autres potentiel que d'autres répondants
membres du groupe. influencent cette personne.
Si le sujet est sensible, les répondants

Si le sujet est sensible, les répondants
Sensibilité du sujet peuvent hésiter à parler librement en
peuvent être plus susceptibles de parler.
présence d'autres personnes.
Le volume de matériel de stimulation Une assez grande quantité de matériel de

Stimuli pouvant être utilisé est quelque peu limité. stimulation peut être utilisée.
Il peut être difficile de réunir entre 6 et 10

Les entretiens individuels sont plus faciles
Horaire des intervieweurs répondants s'il s'agit d'un type difficile à
à programmer.
recruter (comme les cadres occupés).
Lab Experiments
• Les expériences de laboratoire sont réalisées
dans des environnements contrôlés (généralement
dans une entreprise ou un laboratoire
universitaire) pour isoler les effets d'une ou
plusieurs variables sur un certain résultat.
• Pour ce faire, les chercheurs imposent un

traitement (par exemple, une nouvelle publicité)
qui induit des changements dans une variable (par
exemple, le type d'attrait publicitaire) et
évaluent son impact sur une variable de résultat
(par exemple, le choix du produit).
Field Experiments
• Les expériences sur le terrain ressemblent aux
expériences de laboratoire en ce sens qu'elles
examinent l'impact d'une ou plusieurs variables
sur un certain résultat. Cependant, les
expériences sur le terrain sont menées dans des
environnements réels (non mis en place dans des
environnements contrôlés), réduisant ainsi (voire
éliminant) les allégations plausibles de causalité
• Côté positif, leur réalisme les rend attrayants

pour les études de marché, car les effets observés
peuvent probablement être généralisés à des
contextes similaires.
Test Markets
• Les marchés tests sont une forme d'expérience de
terrain dans laquelle les organisations d'une
zone géographiquement définie introduisent de
nouveaux produits et services, ou modifient le
mix marketing pour évaluer les réactions des
consommateurs.
• Les marchés tests aident les spécialistes du

marketing à en savoir plus sur la réaction des
consommateurs, réduisant ainsi les risques d'un
déploiement national de nouveaux produits/
services ou de changements dans le mix marketing.
Techniques de Génération de
Données Qualitatives
& Sciences de l’Observation
Techniques projectives
Les techniques projectives présentent aux gens des images,
des mots ou d'autres stimuli auxquels ils réagissent.
• L'avantage des techniques projectives est qu'elles

permettent des réponses lorsque les gens sont peu
susceptibles de répondre s'ils connaissaient le but
exact de l'étude. Ainsi, les techniques projectives
peuvent surmonter l'autocensure et permettre
l'expression et la fantaisie.
• Un inconvénient est que les techniques projectives

nécessitent que les réponses soient interprétées et
codées, ce qui peut être difficile
Techniques projectives
La complétion de phrases est une forme clé des
techniques projectives.
• Un utilisateur d'iPhone est quelqu'un

qui : ................................................
• La marque à la pomme me fait penser

à : ..................................................
.
• Les iPhones sont les plus appréciés

par : ...............................................
• Dans cet exemple, les répondants sont invités à exprimer

leurs sentiments, leurs idées et leurs opinions dans un
format libre
Ethnographie
• Un principe central de la méthode ethnographique
est que vous devez essayer de comprendre une
culture du point de vue des membres de cette
culture, et non en comparant la culture à votre
propre culture ou en imposant votre propre
interprétation des comportements culturels.
• Comprendre comment refléter et représenter avec

précision une culture est une tâche difficile.
Ethnographie
• L'ethnographie est un processus de création d'une carte
culturelle du comportement social humain. Une ethnographie
peut inclure des descriptions de cérémonies culturelles, de
rituels, de rites de passage et d'événements et de
comportements quotidiens.
• Il s'agit d'une représentation écrite d'une culture qui décrit

non seulement les pratiques de la culture, mais analyse
également les fonctions et les objectifs de ces événements,
décrit les conditions dans lesquelles des comportements ou
pratiques particuliers se produisent et suggère une plus grande
signification et une compréhension plus profonde de la culture.
Phénoménologie
• La phénoménologie se concentre sur la façon dont
les gens vivent un phénomène particulier ; c'est-
à-dire la condition sine qua non d'une expérience.
• Les phénoménologues explorent comment les

individus construisent leurs significations de
l'expérience et comment ces significations
individuelles façonnent les significations de
groupe ou culturelles.
Phénoménologie
• Le chercheur en phénoménologie part de données
narratives, réduit les récits et les descriptions à
leurs thèmes essentiels et s'engage dans une analyse
systématique des mots et des concepts utilisés pour
décrire le phénomène.
• Les chercheurs et les participants sont des co-

chercheurs dans cette entreprise, et le but ultime du
chercheur est de créer une meilleure compréhension d'un
phénomène spécifique en mettant en évidence les
interprétations de ceux qui l'expérimentent réellement.
Analyse Textuelle
• L'analyse textuelle implique
l'identification et l'interprétation d'un
ensemble de signes verbaux ou non verbaux.
• Tout ce que vous rencontrez, des vêtements

aux livres en passant par la nourriture et
l'architecture, est un signe.
Analyse Textuelle
Prendre quand c'est fait ?
• L'analyse textuelle peut s'appuyer sur des
documents écrits existants ou sur des
transcriptions de données orales. Lorsque
vous travaillez avec un document ou un texte
préexistant (par exemple, un film, un
discours, un reportage ou une vidéo musicale

Recherche Action
• La recherche-action est un appel éthique et
moral à utiliser les résultats de la recherche
pour améliorer nos vies en tant qu'individus
et communautés.
• Le rôle du chercheur dans la recherche-action

et d'évaluation est de travailler en
collaboration avec les participants à la
recherche pour résoudre des problèmes.
Recherche Action
• Dans la recherche-action, les personnes étudiées sont en fait des
participants au processus de recherche, prenant des décisions
concernant la collecte, l'interprétation et l'analyse des
données. Le chercheur et les participants ont une relation
égalitaire.
• Comparativement aux autres méthodes de recherche qualitative dont
nous avons discuté, la recherche appliquée met davantage l'accent
sur les résultats — c'est-à-dire la résolution d'un problème ou
l'évaluation d'un programme — que sur la signification.

Comment aborder l’analyse de
Données ?
Comment aborder l’analyse de Données ?
Analyse situationnelle
• L'analyse situationnelle est une
description et une interprétation riches de
la situation, du contexte ou du problème.
Quels sont les acteurs clés ? Quels sont les
enjeux clés ? Quelles sont les différentes
perspectives et interprétations de la
situation actuelle ou historique ?
Analyse historique
• Un aperçu des situations actuelles peut
souvent être obtenu en analysant les
personnes, les problèmes, les politiques
et les réponses qui ont défini le passé ;
c'est ce qu'on appelle l'analyse
historique.
Analyse relationnelle
• Les liens interpersonnels entre les personnes et
une exploration de ce que ces relations
signifient vraiment pour les personnes
impliquées peuvent imprégner une étude
qualitative de sentiment, d'intimité et
d'émotion. L'analyse relationnelle se concentre
sur les relations et les interprétations et les
sentiments associés à ces relations
Analyse psychologique
• L'exploration des attitudes, des
sentiments, des croyances, des
motivations, des valeurs et des objectifs
des personnes caractérise le type
d'analyse psychologique qui ajoute de la
richesse et de la profondeur à une étude
qualitative.
Analyse des événements

• Dans l'élaboration d'une étude qualitative,
certains événements et activités peuvent
apparaître comme cruciaux et donc justifier
une analyse approfondie. L'analyse des
événements explore la signification et
l'interprétation de ces événements
critiques
Analyse des résultats
• L'analysedes résultats révèle une signification plus

profonde sous-jacente au contenu superficiel des données.
• Parfois,l'analyse des résultats se concentre sur les

fonctions que certains rituels ou significations
remplissent pour une communauté ou une culture, et parfois
l'analyse des résultats donne une évaluation d'un
programme ou d'un plan d'action pour le changement.
• Laqualité de l'analyse des résultats dépend des

compétences d'analyse et de résolution de problèmes du
chercheur.
Déclinaisons Web
Focus group interviews
• Les entretiens de groupe de discussion peuvent être
menés en ligne en temps réel, tout comme les groupes
de discussion traditionnels.
• Les groupes de discussion en ligne peuvent être basés

sur du texte ou sur des vidéos.
• Les modérateurs peuvent guider la discussion

comme ils le feraient si les participants se trouvaient dans
une salle physique.
Focus group interviews
• La tendance des groupes de discussion en ligne,
cependant, est de passer d'une communication en
temps réel à une communication asynchrone.
• Avec ce format, les groupes de discussion ont tendance

à durer de quelques jours à deux semaines. Les
répondants se connectent à leur convenance, font des
commentaires, répondent aux questions ou requêtes et
interagissent avec les autres répondants.
Discussion Boards, Online
Communities, and Chat Rooms
• Une autre approche en ligne consiste à recruter un grand nombre

de personnes et à utiliser des forums de discussion et des
salons de discussion.
• Par exemple, Roxy est un fabricant de chaussures qui s'efforce de

rester en contact avec les derniers événements de la mode du marché
des adolescents et des post-adolescents immédiats. Pour ce faire,
Roxy a créé un groupe de discussion en ligne appelé Style Squad, qui
se compose de milliers de filles de partout aux États-Unis. Birgit Klett,
designer pour Roxy, publie des questions et des styles en ligne pour
obtenir les réactions et les commentaires des membres de la Style
Squad.
Social Media Monitoring
• La plupart des recherches sur l'exploration de texte commencent par
l'extraction d'informations. L'extraction d'informations recherche des séquences
prédéfinies dans le texte en analysant le texte non structuré et en identifiant les phrases
clés et les relations.
• La tendance future de l'exploration de texte est de la combiner avec l'exploration

de données dans un seul outil d'analyse logicielle, connu sous le nom de duo-
mining. Cette méthode de recherche est maintenant utilisée par les banques et les
sociétés de cartes de crédit pour mieux comprendre leurs clients.
• En plus d'analyser les données financières d'un client, le logiciel analysera les
journaux d'appels et d'e-mails associés à chaque client. Il peut également
accéder à Internet et localiser les conversations Web, les blogs, les médias
sociaux et d'autres endroits où les clients peuvent parler.
Web Tracking
• Le suivi Web consiste à étudier les actions et les
mouvements humains sur Internet. Il peut être
effectué à l'aide de données historiques générées par un
logiciel de suivi informatique, ou il peut être observé en
direct au fur et à mesure qu'il se déroule.
• Dans les deux cas, la recherche peut se dérouler de

manière anonyme en arrière-plan sans que les
participants ne le sachent. Cette procédure empêche
tout changement potentiel de comportement dû au fait
que le sujet sait qu'il est surveillé
Analyses Statistiques
Statistiques de Base




• Une mesure de dispersion mesure le degré de
variabilité entre les scores observés sur une
variable. Une mesure simple de la dispersion est
la plage : le score le plus bas dans l'ensemble
de données soustrait du score le plus élevé.
• Deux mesures de dispersion courantes mais plus

complexes que les chercheurs quantitatifs
utilisent sont la variance et l'écart type.
• Plus important que la façon de les calculer,
il faut savoir que plus un ensemble de
réponses numériques est varié, plus la
mesure de la dispersion est élevée.
• Lorsque la dispersion est trop grande, la

moyenne n'est pas aussi informative.
• La variance d'un échantillon est la somme de la différence au carré
entre chaque observation et la valeur moyenne, divisée par un moins le
nombre d'observations (c'est-à-dire que si votre échantillon
contient 100 personnes, vous diviseriez par 99).
• L'écart-type d'un échantillon est la racine carrée
de la variance, et est défini comme la quantité
moyenne qu'une observation différera de la moyenne.
• L'écart type est utilisé plus souvent que la

variance car il est sur la même métrique que les
valeurs d'origine. N'oubliez pas que la variance
est créée en élevant les valeurs au carré, donc
prendre la racine carrée ramène le nombre à sa
métrique d'origine.
Analyse
Analyse --Statistiques
Statistiques Descriptives
Descriptives
.152
Analyse
Analyse - -Statistiques
Statistiques Descriptives
Descriptives
Description - Corrélation
• La recherche corrélationnelle
• Elle consiste à identifier les relations entre deux variables. Une
corrélation est une mesure statistique de l'association entre deux
variables.
• Une corrélation a une direction et une amplitude. En ce qui concerne
la direction, une corrélation peut être positive ou négative.
• Une corrélation positive existe lorsque, à mesure

qu'une variable augmente (ou diminue), l'autre
variable augmente (ou diminue) également.
• Une corrélation négative est l'opposé d'une

corrélation positive ; deux variables sont
corrélées négativement lorsque, à mesure que la
valeur d'une variable augmente, la valeur de
l'autre variable diminue (et vice versa).
Inférence Statistique - Corrélation
Correlation
small r=.10 to .29

medium r=.30 to .49
large r=.50 to 1.0
Cross -Tabulation and Chi - Square
• Si l'étude de recherche implique des données nominales, il est plus utile
d'afficher les données sous forme de tableau croisé. La tabulation croisée
est une méthode pour montrer comment les réponses d'une variable nominale se
rapportent aux réponses d'une autre variable nominale.
• La statistique inférentielle utilisée dans les tableaux croisés est le chi

carré : une mesure d'association entre deux variables nominales. Si un chi-
carré est statistiquement significatif, cela signifie qu'il existe une
relation entre les deux variables nominales. Tout comme une corrélation de
Pearson montre une relation entre deux variables d'intervalle,
Inférence Statistique –
Cross -Tabulation
Cross -Tabulation and
and Chi Chi - Square
- Square
• Un chi - carré montre une relation entre

deux variables nominales. Dans ce cas, le
chi carré a une valeur p inférieure à 0,05,
et nous pouvons donc conclure qu'il existe
une différence significative entre les
réponses des variable croisées à cette
question.
Inférence Statistique – .158
Cross -Tabulation
Cross -Tabulation and
and Chi Chi - Square
- Square
Prédiction - Régression
• La prédiction signifie que si un chercheur connaît le score d'une
personne sur une mesure ou une variable, le chercheur aura une
bonne estimation du score de la personne sur une autre mesure.
Méthode des moindres carrés .
• Par exemple aux USA, un prédicteur significatif de la façon dont

quelqu'un votera lors d'une élection est la fréquence à laquelle
il va à l'église. Plus les gens vont souvent à l'église, plus ils
sont susceptibles de voter républicain. Moins les gens vont à
l'église, plus ils sont susceptibles de voter Démocratique
• Dans ce cas, nous dirions que la fréquentation de

l'église prédit le comportement de vote. En
revanche (et à titre d'exemple extrême), connaître
la pointure de quelqu'un nous en dirait très peu sur
le comportement électoral.
• Dans ce cas, nous dirions que la pointure est un

mauvais prédicteur du comportement électoral et
qu'il n'y a aucune corrélation entre les deux
variables
• La co-variation en sciences sociales fait

référence à l'affirmation selon laquelle un
changement dans une variable (variable
indépendante) crée un changement dans une
autre variable (variable dépendante)
Caractéristiques de l’expérimentation .161
Causalité
Covariance - Co variation
valeurs.

• Deux paramètres :
• Premièrement, il doit y avoir co-variation. En
d'autres termes, lorsqu'une variable change, une
autre variable doit changer. C'est le même critère
pour déduire la prédiction, et donc les
conceptions discutées dans ce chapitre satisfont
à ce critère.
• Deuxièmement, il doit y avoir un ordre du temps.

Plus précisément, la cause doit précéder l'effet.
Causalité
Time Order - Co variation
• Le simple fait que deux événements soient corrélés ne signifie pas
nécessairement qu'ils sont causalement liés. Imaginez une corrélation entre
deux variables, nommées de manière fantaisiste X et Y. Il existe au moins trois
possibilités de corrélation entre ces variables :
• X cause Y,
• Y cause X,
.181
CATEGORICAL VARIABLES
.182
CONTINUOUS VARIABLES
• For continuous variables (e.g. age) it is easier to use

Descriptives, which will provide you with the basic
‘summary’ statistics such as mean, median and standard
deviation
.184
The Skewness value provides an indication of the symmetry of the distribution. Kurtosis, on
the other hand, provides information about the ‘peakedness’ of the distribution. If the
distribution is perfectly normal, you would obtain a 0 value of skewness and kurtosis
• Positive skewness values suggest that scores are clustered to the left at the low
values.
• Negative skewness values indicate a clustering of scores at the high end (right-hand
side of a graph).
• Positive kurtosis values indicate that the distribution is rather peaked (clustered in the
centre), with long thin tails.
• Kurtosis values below 0 indicate a distribution that is relatively flat (too many cases in
the extremes).
.189
Histogram
.190
Bar Graph
.191
Line Graph
.192
SCATTERPLOTS
.193
Boxplot
Caractéristiques d’un Bonne Mesure
Fiabilité
• La fiabilité est la mesure dans laquelle une mesure donne les mêmes
scores à différents moments, groupes de personnes ou versions de
l'instrument.
• La fiabilité est une question de cohérence. Si une personne passe

plusieurs fois un test d'intelligence, et chaque fois que le test
produit un score similaire au test d'intelligence, ce test
d'intelligence a une grande fiabilité
Alpha de Cronbach
• L'alpha de Cronbach est le moyen le plus courant d'évaluer la

fiabilité des éléments d'auto-évaluation.
• L'alpha de Cronbach mesure le degré auquel les éléments d'un

instrument sont liés. Il a une valeur maximale de 1,0. Des
valeurs plus proches de 1,0 reflètent une relation plus forte
entre les éléments de test. Pour un instrument avec un alpha
élevé, les participants qui obtiennent un score élevé sur un
élément du test obtiendraient également un score élevé sur
d'autres éléments du test.
Alpha de Cronbach
• De même, les participants qui obtiennent
un score faible sur un élément du test
obtiendraient également un score faible
sur les autres éléments du test.
• Des tests avec des alphas faibles
indiqueraient qu'il y avait peu de
similarité dans les réponses.
Check the Cronbach’s Alpha value shown in the
Reliability Statistics table. In this example the value is
.89, suggesting very good internal consistency reliability
for the scale with this sample.
• Values above .7 are considered acceptable;
however, values above .8 are preferable.
.211
INDEPENDENT-SAMPLES T-TEST
• An independent-samples t-test is used when you want to

compare the mean score, on some continuous variable,
for two different groups of participants.
• What you need: Two variables:

• one categorical, independent variable (e.g. males/females)
• one continuous, dependent variable (e.g. self-esteem scores).
.212
• What it does: An independent-samples t-test will tell you

whether there is a statistically significant difference in the
mean scores for the two groups (i.e. whether males and
females differ significantly in terms of their self-esteem
levels). In statistical terms, you are testing the probability
that the two sets of scores (for males and females) came
from the same population.
.213
• Procedure for independent-samples t-test

• 1. From the menu at the top of the screen, click on Analyze, then select Compare means, then Independent
Samples T test.
• 2. Move the dependent (continuous) variable (e.g. total self-esteem: tslfest) into the Test variable box.
• 3. Move the independent variable (categorical) variable (e.g. sex) into the section labelled Grouping variable.
• 4. Click on Define groups and type in the numbers used in the data set to code each group. In the current data
file, 1=males, 2=females; therefore, in the Group 1 box, type 1, and in the Group 2 box, type 2. If you cannot
remember the codes used, right click on the variable name and then choose Variable Information from the pop-up
box that appears. This will list the codes and labels.
• 5. Click on Continue and then OK (or on Paste to save to Syntax Editor)
.214
The first section of the Independent Samples Test output

box gives you the results of Levene’s test for equality of
variances
• If your Sig. value for Levene’s test is larger than .05 (e.g. .07, .10) you should use
the first line in the table, which refers Equal variances
assumed.
• If the significance level of Levene’s test is p=.05 or
less (e.g. .01, .001), this means that the variances for the
.215
significant difference between your two groups, refer to

the column labelled Sig. (2-tailed), which appears under
the section labelled t-test for Equality of Means.
If the value in the Sig. (2-tailed) column is equal to or less
than .05 (e.g. .03, .01, .001), there is a significant
difference in the mean scores on your dependent variable
for each of the two groups.
In the example presented in the output above, the Sig. (2-
tailed) value is .105. As this value is above the required
.216
One-way analysis of variance
• In many research situations, however, we are interested in

comparing the mean scores of more than two groups. In this
situation, we would use analysis of variance (ANOVA). One-way
analysis of variance involves one independent variable (referred
to as a factor) which has a number of different levels. These
levels correspond to the different groups or conditions.
• For example, in comparing the effectiveness of three different

teaching styles on students’ maths scores, you would have one
factor (teaching style) with three levels (e.g. whole class, small
group activities, self-paced computer activities). The dependent
variable is a continuous variable (in this case, scores on a maths
test).
ONE-WAY BETWEEN-GROUPS ANOVA WITH
.217
POST-HOC TESTS
• One-way between-groups ANOVA is used when you

have one independent (grouping) variable with three or
more levels (groups) and one dependent continuous
variable
• Summary for one-way between-groups ANOVA with post-

hoc tests
• Example of research question: Is there a difference in optimism scores for young, middle-aged and old
participants?
.218
POST-HOC TESTS

• one categorical independent variable with three or more distinct categories. This can also be a continuous variable
that has been recoded to give three equal groups (e.g. age group: participants divided into three age categories,
29 and younger, between 30 and 44, 45 or above)
• one continuous dependent variable (e.g. optimism scores).
.219
POST-HOC TESTS
• What it does: One-way ANOVA will tell you whether there

are significant differences in the mean scores on the
dependent variable across the three groups. Post-hoc
tests can then be used to find out where these
differences lie.
.220
POST-HOC TESTS
• Variables:
• Total optimism (Toptim): Total score on the Optimism Scale. Scores can range from 6 to 30 with high scores
indicating higher levels of optimism.
• Age 3 group (Agegp3): This variable is a recoded variable, dividing age into three equal groups (see instructions for
how to do this in Chapter 8): Group 1: 18–29 = 1, Group 2: 30–44 = 2, Group 3: 45+ = 3.
.221
POST-HOC TESTS
• Procedure for one-way between-groups ANOVA with post-

hoc tests
• 1. From the menu at the top of the screen, click on Analyze, then select Compare Means,
then
• One-way ANOVA.
• 2. Click on your dependent (continuous) variable (e.g. Total optimism: toptim). Move this into
the
• box marked Dependent List by clicking on the arrow button.
• 3. Click on your independent, categorical variable (e.g. age 3 groups: agegp3). Move this
into the box labelled Factor.
• 4. Click the Options button and click on Descriptive, Homogeneity of variance test, Brown-
Forsythe, Welch and Means Plot.
• 5. For Missing values, make sure there is a dot in the option marked Exclude cases analysis
by analysis. Click on Continue.
• 6. Click on the button marked Post Hoc. Click on Tukey.
• 7. Click on Continue and then OK (or on Paste to save to Syntax Editor).
.222
POST-HOC TESTS
• Interpretation of output from one-way between-groups

ANOVA with post-hoc tests
.223
POST-HOC TESTS
• Test of homogeneity of variances

• The homogeneity of variance option gives you Levene’s test for homogeneity of variances,
which tests whether the variance in scores is the same for each of the three groups. Check
the significance value (Sig.) for Levene’s test. If this number is greater than .05 (e.g. .08,
.28), you have not violated the assumption of homogeneity of variance. In this example, the
Sig. value is .475. As this is greater than .05, we have not violated the homogeneity of
variance assumption.
.224
POST-HOC TESTS
• This table gives both between-groups and within-groups

sums of squares, degrees of freedom
• The main thing you are interested in is the column marked

Sig. (this is the p value). If the Sig. value is less than or
equal to .05 (e.g. .03, .001), there is a significant
difference somewhere among the mean scores on your
dependent variable for the three groups.
• In this example the overall Sig. value is .01, which is less

than .05, indicating a statistically significant result
somewhere among the groups. Having received a
statistically significant difference, we can now look at the
results of the post-hoc tests that we requested.
.225
POST-HOC TESTS
• MULTIPLE comparisons
• You should look at this table only if you found a

significant difference in your overall ANOVA; that is, if the
Sig. value was equal to or less than .05.
.226
POST-HOC TESTS
• Look for any asterisks (*) next to the values listed. If you
find an asterisk, this means that the two groups being
compared are significantly different from one another at
the p<.05 level. The exact significance value is given in
the column labelled Sig. In the results presented above,
only group 1 and group 3 are statistically significantly
different from one another. That is, the 18–29 age group
and the 45+ age group differ significantly in terms of their
optimism scores.
Taille de
l'échantillon
Approches Analytiques
.153
• Les chercheurs souhaitent également

déterminer s'il existe des différences dans
leurs données.
• Cela se fait à l'aide de statistiques

inférentielles, qui sont des statistiques
utilisées pour tirer des conclusions sur les
relations significatives entre les variables.
.154
Inférence Statistique - Corrélation
• La mesure statistique la plus courante de la corrélation est la
corrélation de Pearson :
• La corrélation de Pearson mesure la relation entre deux variables

d'intervalle, et la plupart des spécialistes des sciences sociales
l'utilisent également pour les données ordinales.
• Sa plage est de – 1,0 à +1,0. L'ampleur d'une corrélation
augmente à mesure que la valeur absolue de la corrélation
augmente. En d'autres termes, plus une corrélation est
proche de +1,0 ou – 1,0, plus son amplitude est élevée.
.159
Caractéristiques de l’expérimentation
• Plusieurs caractéristiques séparent les

expériences des autres modèles de recherche
quantitative. Ces caractéristiques permettent
aux chercheurs de prétendre que la variable
indépendante cause la variable dépendante.
• Nous retiendrons 2 des différentes

caractéristiques des études expérimentales :
la covariation, l'ordre temporel,.
Covariance
• La principale caractéristique des modèles expérimentaux est qu'ils
permettent aux chercheurs de faire des déclarations sur la causalité.
• Une affirmation sur la causalité est inhérente à une affirmation sur

la covariation. La covariance se produit lorsque les scores de deux
variables changent en même temps.
• S'il est vrai que toutes les relations causales sont des relations
corrélationnelles, il n'est pas vrai que toutes les relations
corrélationnelles sont causales. Ainsi, la covariation est nécessaire
mais pas suffisante pour une étude expérimentale ; ce n'est que la
première étape.
Covariance
valeurs.

Time Order
• Le simple fait que deux événements soient corrélés ne signifie pas nécessairement
qu'ils sont causalement liés. Imaginez une corrélation entre deux variables, nommées
de manière fantaisiste X et Y. Il existe au moins trois possibilités de corrélation
entre ces variables :
• X cause Y,
• Y cause X,
.163
Etude de Cas
.168
Preparing a codebook
• Preparing the codebook involves deciding (and

documenting) how you will go about:
• defining and labelling each of the variables
• assigning numbers to each of the possible responses.
.169
Preparing a codebook
.170
Flow Chart of Data Analysis Process
.171
Procedure for defining your variables
• Name : brief variable name that will be used to identify each of

the variables in the data file
• Type : Type that will appear automatically as you enter your first
variable name is Numeric. If you need to enter text information
(e.g. a person’s surname), you need to change the type to String.
• Width :If your variable has very large values (or you have
requested a string variable), you may need to change this
default value; otherwise, leave it as is.
• Decimals : The default value for Decimals is usually 2. If your

variable has decimal places, adjust this to suit your needs.
.172
Procedure for defining your variables
• Label : The Label column allows you to provide a longer

description for your variable than used in the Name column.
• Values : In the Values column you can define the meaning of

the values you have used to code your variables.
• Measure : The column heading Measure refers to the level of

measurement of each of your variables. The default is Scale,
which refers to continuous data measured at interval or ratio
level of measurement. Choose Nominal for categorical data
and Ordinal if your data involve rankings or ordered values
.173
QUESTIONNAIRE TEST
.174
/
.175
/
.176
/
.177
Preliminary analyses
.178
Descriptive statistics
Procedure for obtaining Codebook
• 1. Click on Analyze, go to Reports and choose Codebook.
• 2. Select the variables you want (e.g. sex, age) and move them into the Codebook Variables
box. 3. Click on the Output tab and untick (by clicking on the box with a tick) all the Options
except Label, Value Labels and Missing Values.
• 4. Click on the Statistics tab and make sure that all the options in both sections are ticked.
• 5. Click on OK (or on Paste to save to Syntax Editor).
.179
Procedure for obtaining Codebook
.180
• Procedure for obtaining descriptive statistics for categorical

variables
• 1. From the menu click on Analyze, then click on Descriptive Statistics, then Frequencies.
• 2. Choose and highlight the categorical variables you are interested in (e.g. sex). Move
these into the Variables box.
.181
.182
• For continuous variables (e.g. age) it is easier to use

Descriptives, which will provide you with the basic
‘summary’ statistics such as mean, median and standard
deviation
.183
• Procedure for obtaining descriptive statistics for continuous

variables
• 1. From the menu click on Analyze, then select Descriptive Statistics, then Descriptives.
• 2. Click on all the continuous variables that you wish to obtain descriptive statistics for. Click
on the arrow button to move them into the Variables box (e.g. age, Total perceived stress:
tpstress).
• 3. Click on the Options button. Make sure mean, standard deviation, minimum, maximum
are ticked and then click on skewness, kurtosis.
• 4. Click on Continue, and then OK (or on Paste to save to Syntax Editor)
.184
The Skewness value provides an indication of the symmetry of the distribution. Kurtosis, on
the other hand, provides information about the ‘peakedness’ of the distribution. If the
distribution is perfectly normal, you would obtain a 0 value of skewness and kurtosis
• Positive skewness values suggest that scores are clustered to the left at the low
values.
• Negative skewness values indicate a clustering of scores at the high end (right-hand
side of a graph).
• Positive kurtosis values indicate that the distribution is rather peaked (clustered in the
centre), with long thin tails.
• Kurtosis values below 0 indicate a distribution that is relatively flat (too many cases in
the extremes).
.185
ASSESSING NORMALITY
• Procedure for assessing normality using Explore
• 1. From the menu at the top of the screen click on Analyze, then select Descriptive
Statistics, then Explore.
• 2. Click on the variable(s) you are interested in (e.g. Total perceived stress: tpstress).
Click on the arrow button to move them into the Dependent List box.
• 3. In the Label Cases by: box, put your ID variable.
• 4. In the Display section, make sure that Both is selected.
• 5. Click on the Statistics button and click on Descriptives and Outliers. Click on
Continue.
• 6. Click on the Plots button. Under Descriptive, click on Histogram to select it. Click
on Stem-
• and-leaf to unselect it. Click on Normality plots with tests. Click on Continue.
• 7. Click on the Options button. In the Missing Values section, click on Exclude cases
pairwise. Click on Continue and then OK (or on Paste to save to Syntax Editor).
.186
.187
ASSESSING NORMALITY
• Normal is used to describe a symmetrical, bell-shaped

curve, which has the greatest frequency of scores in the
middle with smaller frequencies towards the extremes.
Normality can be assessed to some extent by obtaining
skewness and kurtosis values
.188
Using graphs to describe and explore
• Procedure for creating a histogram
• 1. From the menu click on Graphs, then select Chart Builder. Click OK.
• 2. To choose the type of graph that you want, click on the Gallery tab, and choose Histogram.
• 3. Click on the first image shown (Simple Histogram) and drag it up to the Chart Preview area, holding
your left mouse button down.
• 4. Choose your continuous variable from the list of Variables (tpstress) and drag it across to the area
on the Chart preview screen labelled X-Axis holding your left mouse button down. This will only work if
you have identified your variable as Scale in the Data Editor window (the icon next to the variable
should be a ruler).
• 5. If you would like to generate separate graphs for different groups (e.g. male/female) you can click
on the Groups/Point ID tab and choose Column Panels variable option. This will produce separate
graphs next to each other; if you would prefer them to be on top of one another choose the Rows
panel variable.
• 6. Choose your categorical grouping variable (e.g. sex) and drag it across to the section labelled
Panel in the Chart Preview area.
.189
Histogram
.190
Bar Graph
.191
Line Graph
.192
SCATTERPLOTS
.193
Boxplot
.194
Checking the reliability of a scale
• Procedure for checking the reliability of a scale

• 1. From the menu at the top of the screen, click on Analyze, select Scale, then Reliability
• Analysis.
• 2. Click on all of the individual items that make up the scale (e.g. lifsat1, lifsat2, lifsat3,
lifsat4, lifsat5). Move these into the box marked Items.
• 3. In the Model section, make sure Alpha is selected.
• 4. In the Scale label box, type in the name of the scale or subscale (Life Satisfaction).
• 5. Click on the Statistics button. In the Descriptives for section, select Item, Scale, and
Scale if item deleted. In the Inter-Item section, click on Correlations. In the Summaries
section, click on Correlations.
.195
Check the Cronbach’s Alpha value shown in the

Reliability Statistics table. In this example the value is
.89, suggesting very good internal consistency reliability
for the scale with this sample. Values above .7 are
considered acceptable; however, values above .8
are preferable.
.196
Correlation
• Correlation analysis is used to describe the strength and

direction of the linear relationship between two variables.
.197
PRELIMINARY ANALYSES FOR CORRELATION
.198
Correlation
• Procedure for requesting Pearson r or Spearman rho

• 1. From the menu at the top of the screen, click on Analyze, then select Correlate, then
• Bivariate.
• 2. Select your two variables and move them into the box marked Variables (e.g. Total
perceived stress: tpstress, Total PCOISS: tpcoiss). If you wish you can list a whole range of
variables here, not just two. In the resulting matrix, the correlation between all possible pairs
of variables will be listed. This can be quite large if you list more than just a few variables.
• 3. In the Correlation Coefficients section, the Pearson box is the default option. If you wish
to request the Spearman rho (the non-parametric alternative), tick the Spearman box
instead (or as well).
• 4. Click on the Options button. For Missing Values, click on the Exclude cases pairwise box.
Under Options, you can also obtain means and standard deviations if you wish.
• 5. Click on Continue and then on OK (or on Paste to save to Syntax Editor).
.199
Correlation
• small r=.10 to .29 medium r=.30 to .49 large r=.50 to 1.0

.200
.201
Multiple regression
• Multiple regression is a family of techniques that can be

used to explore the relationship between one continuous
dependent variable and a number of independent
variables or predictors. Multiple regression is based on
correlation
• how well a set of variables is able to predict a particular outcome
• which variable in a set of variables is the best predictor of an outcome
• whether a particular predictor variable is still able to predict an outcome when the effects of another variable are
controlled for (e.g. socially desirable responding).
.202
Standard multiple regression
• In standard multiple regression, all the independent (or

predictor) variables are entered into the model
simultaneously. Each independent variable is evaluated in
terms of its predictive power, over and above that offered
by all the other independent variables.
.203
• The impact of respondents’ perceptions of control on

their levels of perceived stress. The literature in this area
suggests that if people feel that they are in control of their
lives, they are less likely to experience ‘stress’. In the
questionnaire
• These include the Mastery Scale, which measures the

degree to which people feel they have control over the
events in their lives; and the Perceived Control of Internal
States Scale (PCOISS), which measures the degree to
which people feel they have control over their internal
states (their emotions, thoughts and physical reactions)
.204
• Variables:
• Total perceived stress (tpstress): total score on the Perceived Stress Scale. High scores
indicate high levels of stress.
• Total Perceived Control of Internal States (tpcoiss): total score on the Perceived Control of
Internal States Scale. High scores indicate greater control over internal states.
• Total Mastery (tmast): total score on the Mastery Scale. High scores indicate higher levels of
perceived control over events and circumstances.
• Total Social Desirability (tmarlow): total scores on the Marlowe-Crowne Social Desirability
Scale, which measures the degree to which people try to present themselves in a positive
light.
• Age: age in years.
.205
• Example of research questions:

• 1. How well do the two measures of control (mastery, PCOISS) predict perceived stress?
How much variance in perceived stress scores can be explained by scores on these two
scales?
• 2. Which is the best predictor of perceived stress: control of external events (Mastery Scale)
or control of internal states (PCOISS)?
• 3. If we control for the possible effect of age and socially desirable responding, is this set of
variables still able to predict a significant amount of the variance in perceived stress?
.206
• one continuous dependent variable (Total perceived

stress)
• two or more continuous independent variables (mastery,

PCOISS). (You can also use dichotomous independent
variables, e.g. males=1, females=2.)
.207
• Procedure for standard multiple regression
• 1. From the menu at the top of the screen, click on Analyze, then select Regression, then Linear.
• 2.Click on your continuous dependent variable (e.g. Total perceived stress: tpstress) and move it
into the Dependent box.
• 3.Click on your independent variables (Total Mastery: tmast; Total PCOISS: tpcoiss) and click on
the arrow to move them into the Independent(s) box.
• 4. For Method, make sure Enter is selected. (This will give you standard multiple regression.)
• 5. Click on the Statistics button.
••Select the following: Estimates, Confidence Intervals, Model fit, Descriptives, Part and partial
correlations and Collinearity diagnostics.
••In the Residuals section, select Casewise diagnostics and Outliers outside 3 standard deviations.
Click on Continue.
.208
• Procedure for standard multiple regression

• 6. Click on the Options button. In the Missing Values section, select Exclude cases
pairwise. Click on Continue.
• 7. Click on the Plots button.
• • Click on *ZRESID and the arrow button to move this into the Y box.
• • Click on *ZPRED and the arrow button to move this into the X box.
• • In the section headed Standardized Residual Plots, tick the Normal probability plot option.
• Click on Continue.
• 8. Click on the Save button.
• • In the section labelled Distances, select Mahalanobis box and Cook’s. • Click on Continue
and then OK (or on Paste to save to Syntax Editor).
.209
.210
.211
• An independent-samples t-test is used when you want to

compare the mean score, on some continuous variable,
for two different groups of participants.

• one categorical, independent variable (e.g. males/females)
• one continuous, dependent variable (e.g. self-esteem scores).
.212
• What it does: An independent-samples t-test will tell you

whether there is a statistically significant difference in the
mean scores for the two groups (i.e. whether males and
females differ significantly in terms of their self-esteem
levels). In statistical terms, you are testing the probability
that the two sets of scores (for males and females) came
from the same population.
.213
• Procedure for independent-samples t-test

• 1. From the menu at the top of the screen, click on Analyze, then select Compare means, then Independent
Samples T test.
• 2. Move the dependent (continuous) variable (e.g. total self-esteem: tslfest) into the Test variable box.
• 3. Move the independent variable (categorical) variable (e.g. sex) into the section labelled Grouping variable.
• 4. Click on Define groups and type in the numbers used in the data set to code each group. In the current data
file, 1=males, 2=females; therefore, in the Group 1 box, type 1, and in the Group 2 box, type 2. If you cannot
remember the codes used, right click on the variable name and then choose Variable Information from the pop-up
box that appears. This will list the codes and labels.
• 5. Click on Continue and then OK (or on Paste to save to Syntax Editor)
.214
The first section of the Independent Samples Test output

box gives you the results of Levene’s test for equality of
variances
• If your Sig. value for Levene’s test is larger than .05 (e.g. .07, .10) you should use
the first line in the table, which refers Equal variances
assumed.
• If the significance level of Levene’s test is p=.05 or
less (e.g. .01, .001), this means that the variances for the
.215
significant difference between your two groups, refer to

the column labelled Sig. (2-tailed), which appears under
the section labelled t-test for Equality of Means.
If the value in the Sig. (2-tailed) column is equal to or less
than .05 (e.g. .03, .01, .001), there is a significant
difference in the mean scores on your dependent variable
for each of the two groups.
In the example presented in the output above, the Sig. (2-
tailed) value is .105. As this value is above the required
.216
One-way analysis of variance
• In many research situations, however, we are interested in

comparing the mean scores of more than two groups. In this
situation, we would use analysis of variance (ANOVA). One-way
analysis of variance involves one independent variable (referred
to as a factor) which has a number of different levels. These
levels correspond to the different groups or conditions.
• For example, in comparing the effectiveness of three different

teaching styles on students’ maths scores, you would have one
factor (teaching style) with three levels (e.g. whole class, small
group activities, self-paced computer activities). The dependent
variable is a continuous variable (in this case, scores on a maths
test).
.217
POST-HOC TESTS
• One-way between-groups ANOVA is used when you

have one independent (grouping) variable with three or
more levels (groups) and one dependent continuous
variable
• Summary for one-way between-groups ANOVA with post-

hoc tests
• Example of research question: Is there a difference in optimism scores for young, middle-aged and old
participants?
.218
POST-HOC TESTS

• one categorical independent variable with three or more distinct categories. This can also be a continuous variable
that has been recoded to give three equal groups (e.g. age group: participants divided into three age categories,
29 and younger, between 30 and 44, 45 or above)
• one continuous dependent variable (e.g. optimism scores).
.219
POST-HOC TESTS
• What it does: One-way ANOVA will tell you whether there

are significant differences in the mean scores on the
dependent variable across the three groups. Post-hoc
tests can then be used to find out where these
differences lie.
.220
POST-HOC TESTS
• Variables:
• Total optimism (Toptim): Total score on the Optimism Scale. Scores can range from 6 to 30 with high scores
indicating higher levels of optimism.
• Age 3 group (Agegp3): This variable is a recoded variable, dividing age into three equal groups (see instructions for
how to do this in Chapter 8): Group 1: 18–29 = 1, Group 2: 30–44 = 2, Group 3: 45+ = 3.
.221
POST-HOC TESTS
• Procedure for one-way between-groups ANOVA with post-

hoc tests
• 1. From the menu at the top of the screen, click on Analyze, then select Compare Means,
then
• One-way ANOVA.
• 2. Click on your dependent (continuous) variable (e.g. Total optimism: toptim). Move this into
the
• box marked Dependent List by clicking on the arrow button.
• 3. Click on your independent, categorical variable (e.g. age 3 groups: agegp3). Move this
into the box labelled Factor.
• 4. Click the Options button and click on Descriptive, Homogeneity of variance test, Brown-
Forsythe, Welch and Means Plot.
• 5. For Missing values, make sure there is a dot in the option marked Exclude cases analysis
by analysis. Click on Continue.
• 6. Click on the button marked Post Hoc. Click on Tukey.
.222
POST-HOC TESTS
• Interpretation of output from one-way between-groups

ANOVA with post-hoc tests
.223
POST-HOC TESTS
• Test of homogeneity of variances

• The homogeneity of variance option gives you Levene’s test for homogeneity of variances,
which tests whether the variance in scores is the same for each of the three groups. Check
the significance value (Sig.) for Levene’s test. If this number is greater than .05 (e.g. .08,
.28), you have not violated the assumption of homogeneity of variance. In this example, the
Sig. value is .475. As this is greater than .05, we have not violated the homogeneity of
variance assumption.
.224
POST-HOC TESTS
• This table gives both between-groups and within-groups

sums of squares, degrees of freedom
• The main thing you are interested in is the column marked

Sig. (this is the p value). If the Sig. value is less than or
equal to .05 (e.g. .03, .001), there is a significant
difference somewhere among the mean scores on your
dependent variable for the three groups.
• In this example the overall Sig. value is .01, which is less

than .05, indicating a statistically significant result
somewhere among the groups. Having received a
statistically significant difference, we can now look at the
results of the post-hoc tests that we requested.
.225
POST-HOC TESTS
• MULTIPLE comparisons
• You should look at this table only if you found a

significant difference in your overall ANOVA; that is, if the
Sig. value was equal to or less than .05.
.226
POST-HOC TESTS
• Look for any asterisks (*) next to the values listed. If you
find an asterisk, this means that the two groups being
compared are significantly different from one another at
the p<.05 level. The exact significance value is given in
the column labelled Sig. In the results presented above,
only group 1 and group 3 are statistically significantly
different from one another. That is, the 18–29 age group
and the 45+ age group differ significantly in terms of their
optimism scores.
.227
Taille de .234
l'échantillon
Taille de l'échantillon .235
.236
Exemple du taux de représentativité
• Niveau de Confiance : 90%
• Marge d’erreur 5%
.237
Sondage Facebook Group
.238
.239
.240
Sondage Facebook Story
.241
Sondage Twitter
.242
Sondage Twitter
.243
Google Forms
.244
Types de Questions
.245
Options de Conception
.246
.247
.248
Cheminement / Entonnoirs
.249
Cheminement / Entonnoirs
.250
METHODES DE RECHERCHE
Sélection de la Méthode de Recherche
• Premièrement,où l'étude aura-t-elle lieu

(par exemple, laboratoire ou enquête) ?
• Deuxièmement,à quelle fréquence

collecterez-vous des données auprès de vos
participants (une fois ou plusieurs
fois) ?
Recherche expérimentale
• Larecherche expérimentale se déroule en

laboratoire. L'avantage majeur de l'étude
expérimentale est le degré de contrôle qu'elle
procure.
• Dansune expérience, chaque participant est

exposé au même environnement, y compris les
caractéristiques de la pièce, les
expérimentateurs et les instructions que les
participants reçoivent.
Recherche descriptive et corrélationnelle

•La recherche descriptive est exactement ce à
quoi elle ressemble : elle décrit les attitudes
et les comportements observés au cours de
l'enquête.
•Cette approche de la recherche est à bien des
égards l'inverse de la recherche expérimentale
en ce qui concerne les avantages et les
inconvénients.
072
Collecte de Données
• Les techniques que les chercheurs utilisent

pour obtenir ces mesures dans leurs études. Ces
techniques diffèrent en termes de qui
enregistre les données et de ce qui est
enregistré.
• Chaque technique comporte certains coûts et

avantages, dont vous devez tenir compte lorsque
vous planifiez votre collecte de données.
073
• Auto-rapport
• Les données d'auto-déclaration sont collectées en

demandant aux participants de répondre eux-mêmes aux
questions.
• Cela se fait en remplissant une enquête ou un
questionnaire, soit par téléphone, courrier, e-mail,
Internet ou en groupe. Le principal avantage de la
stratégie d'auto-déclaration est l'efficacité avec
laquelle les données peuvent être collectées.
074
• Observations comportementales
• Les observations comportementales diffèrent des données
autodéclarées en ce sens que les observations comportementales
proviennent des chercheurs plutôt que des participants à l'étude.
• Le principal avantage des observations comportementales est qu'
elles fournissent un compte rendu par un tiers des activités des
personnes.
075
• Observations comportementales
• Cela évite le parti pris égoïste qui pourrait survenir lorsque les
gens évaluent leurs propres comportements et attitudes.
• Le biais de présentation de soi se produit lorsque les participants à
l'étude savent qu'ils sont observés et se comportent différemment à
cause de cela. Si les participants ne savent pas qu'ils sont observés,
ce biais ne devrait pas être présent.

076
• Mesures physiologiques
• Les mesures physiologiques fournissent des mesures corporelles
similaires à celles que l'on trouve dans les sciences de la vie. L'un
des avantages de l'utilisation de mesures physiologiques est la
précision des instruments de collecte de données.
• Les auto-déclarations reposent sur les propres attitudes et

jugements des participants. Les observations comportementales
reposent sur les jugements des chercheurs sur les participants. Les
données physiologiques sont moins sujettes à ce biais
078
• Mesures de performance
• Les mesures de performance sont similaires aux mesures
physiologiques en ce sens qu'elles contiennent un enregistrement de
comportement réel.
• Les mesures de performance sont également similaires aux mesures

d'auto-évaluation en ce sens que le participant est celui qui fournit
l'enregistrement des données . Les mesures de performance sont
souvent utilisées dans les domaines du comportement organisationnel
et des études pédagogiques.
079
• Mesures de performance
• Ex. Les chercheurs organisationnels peuvent utiliser des tests de
compétences ou la performance des travailleurs comme variable
dépendante.
• Considérons un chercheur qui s'intéresse à la relation entre la

satisfaction au travail des vendeurs et leur performance au travail.
Une façon de mener cette étude serait de mesurer la satisfaction au
travail des travailleurs (données d'auto-déclaration) et le chiffre
d'affaires brut (mesure du rendement).
Recherche Exploratoire
Méthode de Collecte : Etudes observationnelles
• Les études observationnelles sont fréquemment utilisées pour

affiner les questions de recherche et clarifier les
problèmes. Les études observationnelles nécessitent un
observateur pour surveiller et interpréter le comportement des
participants.
• Par exemple, quelqu'un pourrait surveiller comment les

consommateurs passent leur temps dans les magasins ou
comment ils marchent dans les allées d'un supermarché. Ces
études nécessitent une personne, une caméra ou d'autres
dispositifs de suivi, tels que des puces d'identification par
radiofréquence (RFID), pour surveiller le comportement.
Recherche Exploratoire .317
Méthode de Collecte : Etudes observationnelles
• Les études observationnelles peuvent également être

utiles pour comprendre comment les gens
consomment et/ou utilisent les produits. De nouvelles
technologies ont été développées dans ce domaine.
• Ex : , Almax SPA a développé le EyeSee Mannequin, qui

aide à observer qui est attiré par les vitrines des
magasins et révèle des détails importants sur les clients,
tels que leur tranche d'âge, leur sexe, leur origine
ethnique et leur temps de séjour.
Recherche Exploratoire .318
Méthode de Collecte : Etudes ethnographiques
• Les ethnographies (ou études ethnographiques) sont

issues de l'anthropologie. Dans la recherche ethnographique,
un chercheur interagit avec les consommateurs pendant une
période pour observer et poser des questions.
• Ex. Un chercheur vit avec une famille pour observer

comment ils achètent, consomment et utilisent des
produits.
Recherche Descriptive .319
Compréhension
• Le recherche descriptive consiste à décrire certains phénomènes,
caractéristiques ou fonctions. Elle peut se concentrer sur une variable
(par exemple, la rentabilité) ou sur deux ou plusieurs variables en même
temps ("quelle est la relation entre la part de marché et la rentabilité ?" et
"comment la température est-elle liée à la vente de crème glacée ?").
• La recherche descriptive s'appuie souvent sur des recherches

exploratoires antérieures. Pour décrire quelque chose, nous devons avoir
une bonne idée de ce que nous devons mesurer et comment nous
devons le mesurer. Les principaux moyens par lesquels la recherche
descriptive peut nous aider incluent la description des clients, des
concurrents, des segments de marché et la mesure des performances.
Compréhension
• La recherche descriptive est fréquemment utilisée

pour définir des segments de marché, ou simplement
des segments. Étant donné que les entreprises peuvent
rarement entrer en contact avec tous leurs clients
(potentiels) individuellement, elles divisent les marchés en
groupes de clients (potentiels) ayant des besoins et des
désirs similaires. Les entreprises peuvent alors cibler
chacun de ces segments en se positionnant sur plusieurs
ou sur un segment unique (comme Ferrari sur le marché
des voitures de sport haut de gamme).
Compréhension
• Les chercheurs de marché mènent des recherches

descriptives à de nombreuses fins. Il s'agit, par exemple,
de décrire des clients ou des concurrents. Par exemple,
quelle est la taille du marché britannique des cookies
préemballés ? Quelle est la taille du marché mondial des
croisières à 10 000 $ et plus ? Combien de nouveaux
produits nos concurrents ont-ils lancés l'année dernière ?
Compréhension
• Une autre fonction importante de l'étude de marché

descriptive est de mesurer la performance. Presque
toutes les entreprises suivent régulièrement leurs ventes
dans des catégories de produits spécifiques pour évaluer
la performance de l'entreprise, des managers ou
d'employés spécifiques. Un tel travail descriptif
chevauche les responsabilités des services financiers ou
comptables.
Compréhension
• Cependant, les études de marché mesurent

également fréquemment les performances à l'aide de
mesures assez spécifiques au marketing, telles que la
part de portefeuille (c'est-à-dire combien les gens
dépensent-ils pour une certaine marque ou entreprise
dans une catégorie de produits ?) et la notoriété de la
marque (c'est-à-dire connaissez-vous la marque/
l'entreprise X ?), ou le Net Promoter Score, un
indicateur de fidélisation des clients pour les marques ou
les entreprises
133
Design de Collecte : Observation
• Observation participante.
• Dans une telle enquête, le chercheur s'intègre dans la communauté
étudiée. En tant que participant à cette communauté, le chercheur
enregistre également les comportements des autres membres du groupe.
• L'un des avantages d'une telle enquête est que les observations de
comportement ont tendance à être plus fiables que les données
d'enquête autodéclarées. Un autre avantage est que les comportements
qui peuvent être observés par un participant peuvent ne pas se prêter
aussi bien à une collecte de données de type enquête.
134
• Observation participante.
• Un inconvénient de l'observation participante est la dépense en temps
et en salaire pour employer des chercheurs pour effectuer les
observations.
135
• Observation non participante,

• les chercheurs observent un groupe de personnes en extérieure au
groupe et ne s'intègrent donc pas dans la communauté à l'étude pendant
qu'ils mènent leurs enquêtes.
• Un avantage de l'observation non participante est que l'observateur
peut rester détaché et donc moins sujet aux biais. L'inconvénient est
l'inverse : ne pas être empêtré dans la communauté ne permet pas
l'intimité et la profondeur d'observation qu'une observation
participante peut atteindre.

RECH QUANTI QUALI INSAG COURS 2023 - Copie

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

RECH QUANTI QUALI INSAG COURS 2023 - Copie

Transféré par

Droits d'auteur :

Formats disponibles

Méthodes de

• Le processus de recherche est cyclique et

• Les théories sont des ensembles de

• Une théorie scientifique doit avoir suffisamment

2. La théorie du Big Bang soutient que l'univers a commencé

3. La théorie de l'évolution de Darwin propose que les

• Certaines questions de recherche relèvent de la

• Poser une question de recherche sert à affiner

1. Comment les changements climatiques affectent-ils les

2. Quels sont les effets à long terme de l'exposition à la

3. Comment la consommation de caféine affecte-t-elle la

• La raison pour laquelle les chercheurs disent

• Les chercheurs expriment leurs découvertes en

• Dans la recherche expérimentale, nous nous

• Pour collecter des mesures de variables

Question de recherche : La consommation de caféine dégrade-t-

1. Dans une expérience hypothétique mesurant l'effet de la consommation

2. Un tiers de ses participants recevrait 200 mg de caféine, un autre

3. La condition sans caféine est connue sous le nom de placebo ; il s'agit

•Recherche qualitative : produit des

Caractéristiques Etudes Quantitatives Etudes Qualitatives

Les phénomènes sont décrits Les phénomènes sont décrits

Portée de Questions ou hypothèses Préoccupations thématiques

• Premièrement, il doit convaincre le lecteur que le

• Deuxièmement, il doit convaincre le lecteur que l'étude

• Bienfaisance : les chercheurs assureront le bien-être des

• Justice : Il doit y avoir équité dans la répartition des avantages

• Le fait que les participants à la recherche étaient des

Les problèmes de recherche qui découlent de

• Lorsque nous sommes confrontés à des problèmes quelque peu définis,

• Lorsque nous sommes confrontés à des problèmes clairement définis,

données secondaires données primaires

• Tendance à être moins cher

• Peut être obsolète

Observer Interroger Interne Externe

in-Depth Rapports de Association

Techniques Etudes Entreprises

• La base de sondage se réfère aux membres éligibles de la

• L'échantillonnage est le processus par lequel nous sélectionnons des cas

• échantillonnage non probabiliste.

• Un échantillon aléatoire, parfois appelé

• Un échantillon non aléatoire est un échantillon dans

Probabiliste Non Probabilistes

E. Stratifié E. par Quotas

• L'échantillonnage systématique utilise une

• L'échantillonnage en grappes nécessite de

• L'échantillonnage en boule de neige implique que les participants à l'étude

• L'échantillonnage par quotas se produit lorsque nous sélectionnons des

• L'échantillonnage de convenance est un terme fourre-tout pour les méthodes

• C'est facile pour les mesures physiques telles que

• Une variable est une construction qui peut

• Cependant, nous pouvons mesurer la satisfaction, la

• les items sont considérés comme des manifestations d'un

• Ainsi, si un répondant modifie son évaluation de la

• se composent de plusieurs éléments qui définissent un construit.

• Si l'une de ces mesures augmente, le statut socio-économique

1. Niveau de satisfaction sur 1. La valeur d'une voiture est

Label Ordre Diﬀérences Origine 0

• Alorsque les données nominales reconnaissent

Label Ordre Diﬀérences Origine 0

• Les enquêtes sont le meilleur moyen de

• Les enquêtes sont très robustes et peuvent

La conception des questions nécessite de