Biais de non-réponse : Explication & Exemples

Le biais de non-réponse est le biais qui se produit lorsque les personnes qui répondent à une enquête diffèrent considérablement de celles qui n’y répondent pas.

Un biais de non-réponse peut survenir pour plusieurs raisons :

• L’enquête est mal conçue et conduit à des non-réponses. Par exemple, des enquêtes trop longues sans incitations peuvent amener un pourcentage élevé de personnes à ne pas répondre à l’enquête.
• Certaines personnes sont plus susceptibles de répondre à une enquête particulière. Par exemple, les personnes qui pratiquent souvent l’escalade sont plus susceptibles de répondre à une enquête sur une nouvelle installation potentielle d’escalade que les personnes qui ne pratiquent pas l’escalade.
• L’enquête n’a pas atteint tous les membres d’une population. Par exemple, une enquête envoyée sur une nouvelle application téléphonique peut toucher uniquement les jeunes qui disposent de l’application, ce qui entraîne des non-réponses de la part des membres plus âgés de la population.
• L’enquête pose des questions embarrassantes sur des informations privées qui dissuadent de nombreuses personnes de répondre.

Un biais de non-réponse peut survenir pour toutes ces raisons.

Pourquoi le biais de non-réponse est-il un problème ?

Le biais de non-réponse est un problème pour deux raisons principales :

1. Le biais de non-réponse fait que l’échantillon n’est pas représentatif de la population dans son ensemble. L’intérêt de collecter des données pour un échantillon est qu’il est plus rapide et moins coûteux que de collecter des données pour une population entière, et de pouvoir extrapoler les résultats de l’échantillon à une population plus large.

Toutefois, afin d’extrapoler les résultats, l’échantillon doit être représentatif de notre population dans son ensemble. Idéalement, nous aimerions que notre échantillon soit une version « mini » de la population.

Malheureusement, le biais de non-réponse peut faire en sorte que les personnes de notre échantillon soient très différentes de celles de la population plus large.

Par exemple, supposons qu’une ville envisage de construire une nouvelle installation d’escalade. Pour évaluer dans quelle mesure les habitants de la ville seraient intéressés à utiliser ce type d’installations, les autorités municipales envoient une courte enquête via une nouvelle application pour smartphone.

En raison de la méthode utilisée pour réaliser l’enquête et du contenu de l’enquête (questions sur l’escalade), ce sont principalement des jeunes qui possèdent l’application et qui sont intéressés par l’escalade qui répondent.

Ainsi, lorsque les résultats de l’enquête reviennent, il apparaît qu’une écrasante majorité de la population de la ville est intéressée par la construction de cette nouvelle installation. Malheureusement, les résultats de l’enquête ne sont pas représentatifs de la population dans son ensemble.

Le visuel ci-dessous illustre ce problème : supposons que les cercles verts représentent les personnes intéressées à utiliser l’installation tandis que les cercles rouges représentent les personnes qui ne sont pas intéressées à utiliser l’installation :

Remarquez à quel point l’échantillon n’est pas représentatif de la population dans son ensemble. Les résultats de l’enquête montreraient que la plupart des gens sont enthousiasmés par une nouvelle installation d’escalade. Malheureusement, si les autorités municipales supposaient que cet échantillon était représentatif de la population, elles pourraient décider de construire l’installation et se rendre compte rapidement que beaucoup moins de personnes l’utiliseraient qu’elles ne le pensaient.

2. Le biais de non-réponse peut entraîner une plus grande variance dans les estimations . Si la taille de l’échantillon de l’enquête s’avère plus petite que celle que les chercheurs avaient prévu d’utiliser, la variance des estimations de l’étude pourrait être plus grande que prévu.

Par exemple, grâce aux tests d’hypothèses , nous savons que plus la taille de notre échantillon est grande, plus la variance de notre estimation d’une moyenne de population ou d’une proportion de population est faible. Cependant, plus la taille de notre échantillon est petite, plus la variance de nos estimations des paramètres de population est élevée et plus il est difficile de trouver un résultat statistiquement significatif.

Exemples de biais de non-réponse

Les exemples suivants illustrent plusieurs cas dans lesquels un biais de non-réponse peut survenir.

Exemple 1

Les chercheurs veulent savoir comment les informaticiens perçoivent un nouveau logiciel. Il y a une pression pour obtenir autant de données que possible à partir de l’enquête, c’est pourquoi les chercheurs conçoivent une enquête qui prend environ une heure. Lorsqu’ils distribuent l’enquête, ils constatent que de nombreux informaticiens soit ne répondent pas du tout, soit commencent à répondre, mais finissent par abandonner avant d’avoir terminé l’enquête dans son intégralité.

Lorsque les chercheurs récupèrent les données, ils constatent que les personnes interrogées perçoivent le logiciel comme étant excellent et de haute qualité. Cependant, une fois qu’ils ont déployé le nouveau logiciel auprès de l’ensemble des informaticiens, ils constatent qu’ils reçoivent principalement des commentaires négatifs.

Il s’avère que les personnes qui ont pris le temps de répondre à l’intégralité de l’enquête se sont révélées être pour la plupart des informaticiens débutants incapables d’évaluer les défauts du programme.

Pour cette raison, les répondants à l’enquête ne reflétaient pas la population plus large des informaticiens dans leur ensemble et les résultats de l’enquête n’étaient donc pas fiables.

Exemple 2

Les chercheurs souhaitent en savoir plus sur les taux de consommation d’alcool dans un certain collège. Ils décident d’installer un stand sur le campus où les étudiants peuvent s’arrêter et répondre à un questionnaire indiquant combien et à quelle fréquence ils consomment de l’alcool. Malheureusement, le questionnaire n’est pas anonyme donc seuls les étudiants qui boivent très peu ou pas du tout choisissent de remplir le questionnaire.

Lorsque les résultats reviennent, il apparaît que la consommation d’alcool est faible et peu fréquente chez les étudiants. Malheureusement, les répondants à l’enquête ne reflètent pas la population étudiante plus large sur le campus et les résultats ne sont donc pas fiables.

Exemple 3

L’élection présidentielle de 1936 est un exemple classique de biais de non-réponse. Une publication populaire de l’époque publiait un sondage qui prédisait qu’Alf Landon battrait Franklin D. Roosevelt par une victoire écrasante. Cependant, lorsque les élections ont eu lieu, Franklin D. Roosevelt a en fait remporté une victoire écrasante.

Il s’avère que sur les 10 millions de questionnaires envoyés, seules 2,3 millions de personnes ont répondu. Les 7,7 millions qui n’ont pas répondu se sont révélés très différents en termes de préférences politiques.

Ainsi, les résultats du questionnaire ne reflétaient pas la population dans son ensemble, c’est pourquoi la prédiction selon laquelle Alf Landon gagnerait s’est avérée si incorrecte.

Comment prévenir le biais de non-réponse

Le biais de non-réponse peut être évité (ou au moins atténué) en prenant les mesures suivantes :

• Concevez l’enquête pour qu’elle soit relativement courte. Plus une enquête est longue, moins les gens sont susceptibles de prendre le temps de répondre dans leur journée.
• Offrez des incitations pour répondre au sondage. Les incitations augmentent généralement les taux de réponse.
• Assurez-vous que les gens savent que les réponses à l’enquête seront confidentielles ou anonymes. Cela rend généralement les gens plus disposés à répondre.
• Distribuez l’enquête de manière à ce qu’elle atteigne un pourcentage important de la population, par exemple en utilisant les formes de distribution traditionnelles plutôt qu’une nouvelle application dont peu de gens disposent.

Bien qu’il ne soit pas toujours possible d’éliminer complètement les effets du biais de non-réponse, il est possible de minimiser ces effets en utilisant une conception d’enquête et une méthode de distribution intelligentes.

Ressources additionnelles

Qu’est-ce que le biais d’auto-sélection ?
Qu’est-ce que le biais de sous-dénombrement ?
Qu’est-ce que le biais de référencement ?