6-PrÚparation Des DonnÚes

Etudes de marché
Préparation des données

Sommaire
 Processus de préparation des données

 Vérification et édition des questionnaires
 Codage, transcription et nettoyage des données
 Ajustement statistique des données
 Stratégie d’analyse des données
2
ENCG El Jadida Etudes de marché
Le processus de préparation des
données
Vérification des questionnaires
Edition des questionnaires
Codage des questions
Transcription des données
Nettoyage des données
Ajustement statistique données
Sélection d’une
Stratégie d’analyse des données 3
Vérification des questionnaires (1/2)
 Ne pas attendre la fin de la collecte de données

 Raisons de rejet d’un questionnaire:
Certaines parties du questionnaire sont incomplètes
L’enchaînement des réponses indique que le répondant n’as
pas compris ou suivi les instructions (ex. indications de
renvois)
Trop faibles variance des réponses (ex. choix systématique
de 4 sur une échelle de 1 à 7)
4
Vérification des questionnaires (2/2)
 Une ou plusieurs pages manquantes

 Réception du questionnaire après la date limite
 Répondant non éligible (ex. catégorie d’âge)
5
Edition des questionnaires
 Editer les questionnaires consiste à les passer en revue

 Objectif : améliorer l’exactitude des réponses
 L’édition vise à identifier les réponses illisibles,
incomplètes, incohérentes, ou ambiguës et difficiles à
interpréter
 Réponses difficiles à lire (questions ouvertes)
 Réponses incohérentes (ex. revenu trop faible et fréquentation
régulière des magasins de luxe)
 Réponses multiples à une question à choix unique (ex. cocher 2
et 3 sur une échelle de 1 à 7)
6
Edition des questionnaires: traitement des réponses
insatisfaisantes
 Solutions si trop de manques sont constatés sur le
questionnaire :
– Gros échantillons : éliminer le répondant (attention
possibilité de biais)
– Echantillons de taille réduite: contacter le répondant pour
effectuer des corrections OU en sélectionner un nouveau en
respectant la méthode d’échantillonnage
– Le chargé d’études pourra décider d’attribuer une valeur
spécifique aux réponses insatisfaisantes (en cas de difficulté
de renvoyer les questionnaires)
7
Codage des questions
 Codage: transformer les réponses en données

quantifiables
o Ex: « 1 » pour les étudiants et « 2 » pour les non étudiants
 Choix d’une ou plusieurs valeurs pour les données
manquantes (ex. -1 , 9 ou 99)
8
Codage des questions fermées (1/3)
 Le chargé d’études attribue un code à chacune des

réponses de chaque question (voir ex. 1)
9
Exemple
Combien de temps en moyenne, par jour, passez-vous sur Internet ?
Moins de 30 minutes…………... (1) (code de réponse)

30 à 59 minutes……………………. (2)
1h à 1h29…………………………….. (3)
1h30 à 1h59…………………………. (4)
2h à 2h29…………………………….. (5)
2h30 à et plus………………………. (6)
10
 Cas d’une seule réponse autorisée = le codage ne

nécessite qu’une seule colonne (voir ex. 2)
11
Exemple
 «Avez-vous l’intention de voyager dans les six prochains mois?»
Très peu probable

Peu probable
Incertain
Probable
Très probable
12
 Cas de plusieurs réponses autorisées = chaque

possibilité de réponse se voit attribuer une colonne
spécifique (voir ex. 3)
13
Exemple
 Quels types de voyages envisagez-vous dans les six prochains mois ?
Voyage d’affaires
Voyage de découverte
Voyage sportif
Voyage d’aventure
14
Codage des questions ouvertes
 Codage plus complexe

 Les réponses fournies aux questions ouvertes sont
retranscrites
 On élabore ensuite les codes correspondant à ces
réponses
 Attribuer un code distinct à tout élément critique même si
aucun répondant n’en fait état (ex. package comme
facteur de préférence d’un produit)
 Conserver un niveau de détail le plus élevé possible sans
exagérer le nombre de codes
15
 Saisie des données

 Construction d’une base de données (feuille de calcul Excel,
SPSS)
 Champ (colonne) et enregistrement (ligne)
 Variables :
– Numérotation
– Une colonne pour chaque variable
– Un champ représente un élément unique d’information (ex.
profession)
 Questionnaires (répondants) :
– Numérotation
– Une ligne pour chaque questionnaire (répondant)
– Un enregistrement est constitué d’une série de champs: la
situation de famille, l’âge, la taille du foyer, la profession, etc.
16
17
Nettoyage des données : Contrôle d’uniformité
 Le contrôle d’uniformité vise à détecter les données anormales,

celles qui sont incohérentes d’un point de vue logique ou qui
présentent des valeurs extrêmes
 Exemple de données hors norme: « 6 » pour une variable
codifiée 1 à 5
 Exemple d’incohérence logique: âge et profession
 Réponses très peu variées (ex. choix des extrêmes)
18
Nettoyage des données : Réponses manquantes
(1 de 2)
 Retourner au questionnaire
 Substitution par valeur manquante (ex. -1)
 Substitution par valeur neutre (ex. moyenne) :
– Introduit biais
 Substitution par valeur imputée (déduction par rapport
aux autres réponses) :
– Introduit biais
19
Nettoyage des données : Réponses manquantes
(2 de 2)
 Suppression du répondant :
– Si nombreuses réponses manquantes
– Possibilité de biais lié à l’échantillon
 Suppression appariée :
– Plutôt que de supprimer les questionnaires qui présentent de réponses
manquantes, retenir, pour chaque calcul, les répondants dont les
réponses s’avèrent complètes
– Il peut arriver dès lors que les différents calculs de l’analyse s’appuient
sur différentes tailles d’échantillon
20
Ajustement statistique des données
 Pondération
 Re-spécification de variables
 Changement d’échelle
21
1- Pondération
 Pondération :
– Ajuster le rapport d’importance entre les catégories de
répondants
– Utilisée pour augmenter la représentativité d’un échantillon
(Voir exemple de pondération)
22
Exemple de pondération
Proportion Proportion Poids

Age (1)
échantillon (2) population (3) (3/2)
16-25 22% 11% 0,50
26-35 7% 14% 2,00
36-45 20% 18% 0,90
46-55 17% 17% 1,00
56-65 22% 25% 1,14
23
2- Re-spécification de variables
 Création d’une nouvelle variable :

– Calcul d’un indice composé (X2/X1)
– Synthèse de plusieurs variables (somme de plusieurs variables)
– Création de catégories (ex. âge)
– Création de variables muettes
24
Création de variables muettes
• Une variable muette est une variable utilisée pour expliquer des
valeurs qualitatives dans un modèle de régression.
• Les modèles de régression tentent d'expliquer une variable en
fonction des autres. Par exemple, le salaire d'une personne en
fonction de son âge, de son éducation et de son expérience. Ces
variables peuvent être quantifiées. L'âge, l'éducation et l'expérience
d'une personne peuvent être quantifiés en nombre d'années.
• Mais que se passe-t-il lorsque nous avons des variables qui ne

peuvent pas être quantifiées ? Par exemple la couleur des cheveux, le
pays où vous vivez ou le sexe. La solution à ce problème réside dans
les variables muettes. Ce sont des variables qui prennent
généralement des valeurs binaires. C'est-à-dire la valeur zéro ou un.
25
Création de variables muettes
 Variables utilisées pour représenter différents groupes dans la

population
 Utilisées dans les analyses de régression
 Valeurs les plus fréquentes sont 0 et 1 (binaire)
 Re-spécification d’une variable avec K catégories nécessite
l’utilisation de K-1 variables muettes
26
Exemple de variables muettes (deux catégories)
Par exemple, la variable sexe, avons-nous dit, est une variable

qualitative. Pour l'inclure dans un modèle de régression, vous
devez créer une variable fictive.
On appellera la variable « femme » telle que :

Femme = 1 (si l'individu est une femme)
Femme = 0 (si l'individu n'est pas une femme, c'est-à-dire qu'il est
un homme)
Dans ce cas, « homme » est considéré comme une catégorie de
référence ou un groupe de base.
27
Exemple de variables muettes (deux catégories)
Equation de la régression:
Ventes = 322.6 – 114.4 Prix + 21.6 Température + 349.9 Magasin
28
3- Changement d’échelle
 Le changement d’échelle consiste à manipuler les échelles de valeurs

de manière à garantir leur comparabilité réciproque (échelle
sémantique différentielle en 7 points, une échelle de Likert en 5
points)
– Transformer les échelles pour comparer les données d’une étude
avec celles d’une autre étude
– Équilibrer des données manifestement biaisées (valeur centrée-
réduite): ex. choix des extrêmes
29

6-PrÚparation Des DonnÚes

Transféré par

Informations du document

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

6-PrÚparation Des DonnÚes

Transféré par

Droits d'auteur :

Formats disponibles

Etudes de marché

Préparation des données

 Processus de préparation des données

Edition des questionnaires

Codage des questions

Transcription des données

Nettoyage des données

Ajustement statistique données

 Ne pas attendre la fin de la collecte de données

 Une ou plusieurs pages manquantes

 Editer les questionnaires consiste à les passer en revue

 Codage: transformer les réponses en données

 Le chargé d’études attribue un code à chacune des

Combien de temps en moyenne, par jour, passez-vous sur Internet ?

Moins de 30 minutes…………... (1) (code de réponse)

 Cas d’une seule réponse autorisée = le codage ne

 «Avez-vous l’intention de voyager dans les six prochains mois?»

Très peu probable

 Cas de plusieurs réponses autorisées = chaque

 Quels types de voyages envisagez-vous dans les six prochains mois ?

 Codage plus complexe

 Saisie des données

 Le contrôle d’uniformité vise à détecter les données anormales,

Proportion Proportion Poids

16-25 22% 11% 0,50

26-35 7% 14% 2,00

36-45 20% 18% 0,90

46-55 17% 17% 1,00

56-65 22% 25% 1,14

 Création d’une nouvelle variable :

• Mais que se passe-t-il lorsque nous avons des variables qui ne

 Variables utilisées pour représenter différents groupes dans la

Par exemple, la variable sexe, avons-nous dit, est une variable

On appellera la variable « femme » telle que :

 Le changement d’échelle consiste à manipuler les échelles de valeurs

Vous aimerez peut-être aussi