{"id":25186,"date":"2026-11-07T21:05:24","date_gmt":"2026-11-07T21:05:24","guid":{"rendered":"https:\/\/french.arabpsychology.com\/?psych_comparison=echantillonnage-aleatoire-vs-assignation-aleatoire"},"modified":"2026-11-07T21:05:24","modified_gmt":"2026-11-07T21:05:24","slug":"echantillonnage-aleatoire-vs-assignation-aleatoire","status":"publish","type":"psych_comparison","link":"https:\/\/french.arabpsychology.com\/?psych_comparison=echantillonnage-aleatoire-vs-assignation-aleatoire","title":{"rendered":"\u00c9chantillonnage al\u00e9atoire vs assignation al\u00e9atoire"},"content":{"rendered":"

Dans le vaste champ de l’\u00e9pist\u00e9mologie contemporaine et des sciences empiriques, l’inf\u00e9rence scientifique repose sur la capacit\u00e9 du chercheur \u00e0 extraire des conclusions valides \u00e0 partir de donn\u00e9es n\u00e9cessairement finies et contingentes. Qu’il s’agisse de mesurer l’efficacit\u00e9 clinique d’une nouvelle th\u00e9rapie g\u00e9nique, d’estimer l’impact socio-\u00e9conomique d’une r\u00e9forme \u00e9ducative, ou de sonder les intentions de vote d’un corps \u00e9lectoral, la d\u00e9marche exp\u00e9rimentale et quasi exp\u00e9rimentale est confront\u00e9e \u00e0 deux d\u00e9fis majeurs : la repr\u00e9sentativit\u00e9 des donn\u00e9es observ\u00e9es face \u00e0 une population plus vaste, et la certitude que les effets observ\u00e9s r\u00e9sultent bien des causes pr\u00e9sum\u00e9es et non d’art\u00e9facts m\u00e9thodologiques. Pour r\u00e9soudre ces \u00e9nigmes fondamentales, la statistique moderne a con\u00e7u deux dispositifs \u00e9l\u00e9gants, fond\u00e9s sur les propri\u00e9t\u00e9s math\u00e9matiques du calcul des probabilit\u00e9s : l’\u00e9chantillonnage al\u00e9atoire d’une part, et l’assignation al\u00e9atoire d’autre part.<\/p>\n

Bien que ces deux proc\u00e9dures partagent une racine s\u00e9mantique et op\u00e9rationnelle commune \u2014 l’introduction d\u00e9lib\u00e9r\u00e9e et contr\u00f4l\u00e9e du hasard au c\u0153ur de la collecte des donn\u00e9es \u2014, elles poursuivent des objectifs \u00e9pist\u00e9mologiques radicalement distincts et r\u00e9pondent \u00e0 des menaces m\u00e9thodologiques totalement diff\u00e9rentes. L’\u00e9chantillonnage al\u00e9atoire s’int\u00e9resse \u00e0 la s\u00e9lection des unit\u00e9s d’observation : comment extraire un sous-ensemble d’individus depuis une population cible de mani\u00e8re \u00e0 ce que les param\u00e8tres mesur\u00e9s dans l’\u00e9chantillon refl\u00e8tent fid\u00e8lement, aux fluctuations d’\u00e9chantillonnage pr\u00e8s, les param\u00e8tres r\u00e9els de la population m\u00e8re. \u00c0 l’inverse, l’assignation al\u00e9atoire, souvent d\u00e9sign\u00e9e sous le terme de randomisation exp\u00e9rimentale, intervient une fois que l’\u00e9chantillon est constitu\u00e9 : elle gouverne l’attribution probabiliste des participants aux diff\u00e9rentes conditions exp\u00e9rimentales, afin de neutraliser l’ensemble des facteurs de confusion, qu’ils soient connus, mesur\u00e9s, ou rigoureusement invisibles pour l’exp\u00e9rimentateur.<\/p>\n

Pourtant, une confusion tenace persiste tant dans le discours m\u00e9diatique que dans la litt\u00e9rature acad\u00e9mique vulgaris\u00e9e, o\u00f9 le terme g\u00e9n\u00e9rique de \u00ab randomisation \u00bb est trop fr\u00e9quemment employ\u00e9 de mani\u00e8re indistincte pour d\u00e9signer l’une ou l’autre de ces \u00e9tapes. Cette impr\u00e9cision conceptuelle n’est pas une simple querelle s\u00e9mantique r\u00e9serv\u00e9e aux m\u00e9thodologistes pointilleux ; elle engendre des m\u00e9prises profondes sur la port\u00e9e exacte des r\u00e9sultats scientifiques. Attribuer une valeur causale \u00e0 une enqu\u00eate probabiliste descriptive, ou extrapoler ind\u00fbment \u00e0 l’\u00e9chelle de l’humanit\u00e9 enti\u00e8re les conclusions d’un essai clinique randomis\u00e9 men\u00e9 sur une cohorte hautement s\u00e9lectionn\u00e9e d’\u00e9tudiants volontaires, constitue une faute de raisonnement qui fragilise la reproductibilit\u00e9 de la science contemporaine. L’ambition de ce trait\u00e9 exhaustif est de diss\u00e9quer minutieusement ces deux instruments cardinaux de la recherche empirique, d’en formaliser les soubassements statistiques, d’en tracer les g\u00e9n\u00e9alogies historiques, et d’en pr\u00e9ciser la grammaire op\u00e9rationnelle afin de r\u00e9concilier rigueur causale et puissance de g\u00e9n\u00e9ralisation.<\/p>\n

1. Introduction : Les deux piliers probabilistes de la m\u00e9thode scientifique<\/h2>\n

1.1 D\u00e9finition conceptuelle et mise en contexte<\/h3>\n

La recherche scientifique contemporaine dans les domaines biom\u00e9dicaux, \u00e9conomiques, sociologiques et psychologiques repose sur l’administration minutieuse de la preuve empirique. Dans cette qu\u00eate, le chercheur fait face \u00e0 une asym\u00e9trie fondamentale : le monde est complexe, peupl\u00e9 d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s incalculables et de variables cach\u00e9es, tandis que les ressources cognitives, mat\u00e9rielles et temporelles allou\u00e9es \u00e0 l’investigation demeurent strictement limit\u00e9es. C’est pour surmonter cette aporie que le recours m\u00e9thodique au hasard \u2014 le concept de stochastique appliqu\u00e9e \u2014 a \u00e9t\u00e9 formalis\u00e9 au cours du XXe si\u00e8cle. L’\u00e9chantillonnage al\u00e9atoire et l’assignation al\u00e9atoire constituent les deux piliers probabilistes majeurs permettant de transformer l’incertitude environnementale en une incertitude quantifiable, mod\u00e9lisable et ma\u00eetrisable.<\/p>\n

D’un point de vue conceptuel, la distinction pr\u00e9liminaire repose sur la phase de la recherche \u00e0 laquelle s’applique le calcul des probabilit\u00e9s. L’\u00e9chantillonnage al\u00e9atoire intervient \u00e0 la porte d’entr\u00e9e de la recherche : il d\u00e9finit les modalit\u00e9s selon lesquelles des unit\u00e9s statistiques (individus, entreprises, parcelles de terrain, cellules biologiques) sont s\u00e9lectionn\u00e9es au sein d’un univers global appel\u00e9 population parente. L’objectif est ici de capturer l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 du tout au travers de la partie. En revanche, l’assignation al\u00e9atoire n’intervient qu’une fois la cohorte d’\u00e9tude d\u00e9finitivement admise dans le protocole : elle r\u00e9git la r\u00e9partition des unit\u00e9s entre au moins deux bras d’intervention (un groupe exp\u00e9rimental recevant le traitement et un groupe de contr\u00f4le servant d’\u00e9talon comparatif). La finalit\u00e9 n’est plus ici de repr\u00e9senter le monde ext\u00e9rieur, mais de figer le monde int\u00e9rieur de l’exp\u00e9rience afin de neutraliser toute rivalit\u00e9 explicative.<\/p>\n

L’importance de la rigueur probabiliste dans la construction de la preuve empirique s’est impos\u00e9e historiquement contre les approches intuitives, le jugement d’expert et les m\u00e9thodes de s\u00e9lection discr\u00e9tionnaires. Dans les paradigmes non probabilistes, les biais cognitifs inconscients de l’exp\u00e9rimentateur, les dynamiques d’autos\u00e9lection des sujets et les covariables non contr\u00f4l\u00e9es s’immiscent constamment dans les donn\u00e9es. En subordonnant l’\u00e9chantillonnage ou l’assignation \u00e0 des algorithmes math\u00e9matiques o\u00f9 le hasard se substitue au libre arbitre de l’observateur, la science s’est dot\u00e9e d’un bouclier contre les illusions d’optique statistique. Cette d\u00e9marche permet d’invoquer les th\u00e9or\u00e8mes fondamentaux des probabilit\u00e9s, tels que la Loi des Grands Nombres et le Th\u00e9or\u00e8me Central Limite, pour calculer formellement la marge d’erreur, les intervalles de confiance et les seuils de significativit\u00e9 des tests statistiques.<\/p>\n

1.2 Origine et persistance de la confusion terminologique<\/h3>\n

La confusion entre \u00e9chantillonnage al\u00e9atoire et assignation al\u00e9atoire tire son origine d’un glissement s\u00e9mantique r\u00e9current autour de l’anglicisme \u00ab randomisation \u00bb (randomization<\/em>). Dans la langue anglaise comme dans ses transpositions francophones, l’adjectif random<\/em> est indiff\u00e9remment traduit par \u00ab al\u00e9atoire \u00bb, \u00ab au hasard \u00bb ou \u00ab fortuit \u00bb. Par cons\u00e9quent, lorsqu’un protocole mentionne qu’une \u00e9tude est \u00ab randomis\u00e9e \u00bb, le lecteur non averti peine souvent \u00e0 discerner si ce qualificatif renvoie \u00e0 la mani\u00e8re dont les participants ont \u00e9t\u00e9 extraits du grand public ou \u00e0 la mani\u00e8re dont ils ont \u00e9t\u00e9 ventil\u00e9s entre les groupes d’intervention. Les m\u00e9dias g\u00e9n\u00e9ralistes contribuent largement \u00e0 entretenir ce flou lorsqu’ils proclament qu’un traitement a \u00e9t\u00e9 test\u00e9 sur \u00ab un \u00e9chantillon al\u00e9atoire d’individus \u00bb, alors que les chercheurs ont en r\u00e9alit\u00e9 utilis\u00e9 un \u00e9chantillon de convenance recrut\u00e9 par voie d’annonces hospitali\u00e8res, qu’ils ont ensuite assign\u00e9 au hasard \u00e0 des bras th\u00e9rapeutiques.<\/p>\n

Cette superposition apparente est d’autant plus trompeuse que les m\u00e9canismes algorithmiques sous-jacents aux deux techniques sont rigoureusement identiques : g\u00e9n\u00e9rateurs de suites pseudo-al\u00e9atoires, tables de nombres au hasard, permutations cryptographiques ou tirages au sort physiques par urnes \u00e9tiquet\u00e9es. Le statisticien emploie le m\u00eame formalisme math\u00e9matique pour tirer un individu dans une liste \u00e9lectorale que pour lui attribuer un placebo ou une mol\u00e9cule active. Cette homologie technique masque la divergence radicale des espaces probabilistes sur lesquels ces op\u00e9rations se d\u00e9ploient. Dans un cas, l’espace d’\u00e9chantillonnage est constitu\u00e9 de l’ensemble des \u00e9l\u00e9ments de la population cible ; dans l’autre, l’espace des \u00e9v\u00e9nements est r\u00e9duit au groupe fini des participants recrut\u00e9s et \u00e0 l’ensemble des arrangements combinatoires possibles de leur r\u00e9partition.<\/p>\n

Les cons\u00e9quences m\u00e9thodologiques et interpr\u00e9tatives de cette confusion terminologique sont d\u00e9l\u00e9t\u00e8res pour l’avancement des connaissances. Lorsqu’un praticien ou un d\u00e9cideur politique commet une erreur de qualification, il s’expose \u00e0 deux d\u00e9rives sym\u00e9triques. D’un c\u00f4t\u00e9, il risque de rejeter des conclusions causales parfaitement solides issues d’un essai de laboratoire rigoureusement randomis\u00e9, sous pr\u00e9texte que les participants ne repr\u00e9sentent pas fid\u00e8lement la d\u00e9mographie nationale (m\u00e9connaissance du fait que l’assignation al\u00e9atoire prot\u00e8ge la validit\u00e9 causale m\u00eame en l’absence de repr\u00e9sentativit\u00e9). De l’autre c\u00f4t\u00e9, il risque d’inf\u00e9rer une causalit\u00e9 erron\u00e9e \u00e0 partir d’une vaste enqu\u00eate d’opinion probabiliste r\u00e9v\u00e9lant une corr\u00e9lation robuste entre deux comportements, en oubliant que l’\u00e9chantillonnage al\u00e9atoire ne prot\u00e8ge aucunement contre les variables confondantes omises et ne permet pas d’\u00e9tablir l’ordre temporel des ph\u00e9nom\u00e8nes.<\/p>\n

1.3 L’enjeu fondamental : Validit\u00e9 externe versus validit\u00e9 interne<\/h3>\n

Pour conceptualiser avec une rigueur absolue la divergence fonctionnelle entre ces deux d\u00e9marches, la litt\u00e9rature m\u00e9thodologique s’appuie canoniquement sur la taxonomie fondamentale formul\u00e9e par Donald T. Campbell<\/a> et Julian Stanley en 1963 dans leur ouvrage s\u00e9minal Experimental and Quasi-Experimental Designs for Research<\/em>. Ces auteurs ont th\u00e9oris\u00e9 la s\u00e9paration entre deux dimensions cardinales de la qualit\u00e9 scientifique d’une recherche : la validit\u00e9 interne<\/strong> et la validit\u00e9 externe<\/strong>. L’assignation al\u00e9atoire est l’instrument roi de la validit\u00e9 interne, tandis que l’\u00e9chantillonnage al\u00e9atoire est le garant incontournable de la validit\u00e9 externe.<\/p>\n

La validit\u00e9 interne d\u00e9signe le degr\u00e9 de certitude avec lequel on peut affirmer qu’une relation observ\u00e9e entre deux variables au sein d’une exp\u00e9rience refl\u00e8te une relation causale directe et univoque. Elle pose la question suivante : la variation observ\u00e9e de la variable d\u00e9pendante ($Y$<\/span>) a-t-elle \u00e9t\u00e9 caus\u00e9e de mani\u00e8re exclusive et non \u00e9quivoque par la manipulation de la variable ind\u00e9pendante ($X$<\/span>), ou peut-elle \u00eatre attribu\u00e9e \u00e0 des art\u00e9facts m\u00e9thodologiques, des \u00e9v\u00e9nements historiques concomitants, des ph\u00e9nom\u00e8nes de maturation biologique ou psychologique, ou encore \u00e0 des biais de s\u00e9lection sous-jacents ? L’assignation al\u00e9atoire r\u00e9sout souverainement cette menace en garantissant que, th\u00e9oriquement et asymptotiquement, les groupes compar\u00e9s sont parfaitement identiques avant l’administration du traitement sous tous les rapports concevables, \u00e0 la seule exception de la condition exp\u00e9rimentale qui leur sera administr\u00e9e.<\/p>\n

La validit\u00e9 externe, quant \u00e0 elle, concerne l’aptitude d’une conclusion scientifique \u00e0 \u00eatre g\u00e9n\u00e9ralis\u00e9e au-del\u00e0 des contingences strictes de l’\u00e9chantillon observ\u00e9 : elle interroge la transf\u00e9rabilit\u00e9 des r\u00e9sultats \u00e0 d’autres populations, d’autres contextes organisationnels, d’autres zones g\u00e9ographiques et d’autres \u00e9poques temporelles. Une \u00e9tude peut \u00eatre dot\u00e9e d’une validit\u00e9 interne irr\u00e9prochable tout en souffrant d’une validit\u00e9 externe quasi nulle si les unit\u00e9s examin\u00e9es poss\u00e8dent des caract\u00e9ristiques structurellement atypiques par rapport \u00e0 l’univers r\u00e9el. C’est ici qu’intervient l’\u00e9chantillonnage al\u00e9atoire : en tirant les sujets au sort selon une loi de probabilit\u00e9 connue au sein d’une population parente exhaustivement r\u00e9pertori\u00e9e, il \u00e9limine les biais d’auto-s\u00e9lection et autorise l’inf\u00e9rence statistique formelle, permettant d’\u00e9tendre les estimations ponctuelles et les marges d’erreur de l’\u00e9chantillon \u00e0 l’ensemble du corps social consid\u00e9r\u00e9.<\/p>\n

2. L’\u00e9chantillonnage al\u00e9atoire : S\u00e9lectionner pour g\u00e9n\u00e9raliser<\/h2>\n

2.1 Principes directeurs et d\u00e9finition formelle<\/h3>\n

L’\u00e9chantillonnage al\u00e9atoire, ou \u00e9chantillonnage probabiliste, repose sur un corpus th\u00e9orique achev\u00e9 dont le but est d’extraire des inf\u00e9rences statistiques l\u00e9gitimes concernant une population sans avoir \u00e0 proc\u00e9der \u00e0 un recensement exhaustif, op\u00e9ration souvent mat\u00e9riellement impossible, financi\u00e8rement prohibitive et logistiquement intenable. La formalisation math\u00e9matique de cette approche stipule que, pour qu’un \u00e9chantillon soit qualifi\u00e9 de probabiliste, chaque unit\u00e9 $i$<\/span> appartenant \u00e0 une population cible d\u00e9finie, not\u00e9e $U = {1, 2, dots, N}$<\/span>, doit avoir une probabilit\u00e9 d’inclusion, g\u00e9n\u00e9ralement not\u00e9e $\\pi_i = P(i in S)$<\/span>, qui soit strictement connue et non nulle<\/strong> ($\\pi_i > 0, \\forall i in U$<\/span>).<\/p>\n

Le point de d\u00e9part incontournable de tout \u00e9chantillonnage probabiliste r\u00e9side dans la constitution ou l’acquisition d’une base de sondage<\/strong> (sampling frame<\/em>). La base de sondage est la concr\u00e9tisation op\u00e9rationnelle de la population cible : il s’agit de la liste exhaustive, physique ou num\u00e9rique, de tous les \u00e9l\u00e9ments composant l’univers d’int\u00e9r\u00eat (par exemple, le registre national de l’\u00e9tat civil, un annuaire exhaustif des entreprises immatricul\u00e9es aupr\u00e8s de la chambre de commerce, ou un cadastre parcellaire exhaustif). L’existence d’une divergence entre la population th\u00e9orique et la base de sondage constitue la source premi\u00e8re du biais de couverture : si des fractions enti\u00e8res de la population sont exclues d’embl\u00e9e de la base, leur probabilit\u00e9 d’inclusion devient math\u00e9matiquement nulle ($\\pi_i = 0$<\/span>), ce qui vicie irr\u00e9m\u00e9diablement le principe probabiliste d’\u00e9quiprobabilit\u00e9 ou d’inclusion ma\u00eetris\u00e9e.<\/p>\n

L’inf\u00e9rence statistique rendue possible par l’\u00e9chantillonnage probabiliste repose conceptuellement sur la th\u00e9orie des estimateurs et la distribution d’\u00e9chantillonnage. En observant un \u00e9chantillon $S$<\/span> de taille $n$<\/span>, le statisticien calcule un estimateur $\\hat{\\theta}(S)$<\/span> (tel que la moyenne d’\u00e9chantillon $\\bar{y}$<\/span>) afin d’estimer le param\u00e8tre inconnu de la population $\\theta$<\/span> (tel que la moyenne vraie $\\mu$<\/span>). Gr\u00e2ce au principe probabiliste, cet estimateur est dot\u00e9 d’une esp\u00e9rance math\u00e9matique d\u00e9finie sous le plan de sondage $p(S)$<\/span>. Lorsque $\\mathbb{E}_p[\\hat{\\theta}(S)] = \\theta$<\/span>, l’estimateur est dit sans biais. La dispersion des estimations autour de la valeur vraie est mesur\u00e9e par l’erreur type (standard error<\/em>), dont la convergence vers z\u00e9ro est garantie par le Th\u00e9or\u00e8me Central Limite et la Loi des Grands Nombres \u00e0 mesure que la taille de l’\u00e9chantillon $n$<\/span> s’accro\u00eet, selon la formule fondamentale de la variance d’\u00e9chantillonnage :<\/p>\n

$$\\text{Var}(\\bar{y}) = \\left( \\frac{\\sigma^2}{n} \\right) \\left( \\frac{N – n}{N – 1} \\right)$$<\/span><\/p>\n

o\u00f9 $\\sigma^2$<\/span> repr\u00e9sente la variance de la variable au sein de la population finie $N$<\/span>, et le second terme entre parenth\u00e8ses constitue le facteur de correction pour population finie (finite population correction<\/em>), qui tend vers 1 lorsque la taille de la population parente $N$<\/span> devient infiniment grande devant la taille de l’\u00e9chantillon $n$<\/span>.<\/p>\n

2.2 Principales modalit\u00e9s d’\u00e9chantillonnage probabiliste<\/h3>\n

L’architecture de l’\u00e9chantillonnage probabiliste ne se r\u00e9sume pas au tirage au sort brut et uniforme ; elle s’articule autour de plusieurs designs m\u00e9thodologiques sophistiqu\u00e9s adapt\u00e9s \u00e0 la structure spatiale, sociologique ou hi\u00e9rarchique des donn\u00e9es. La modalit\u00e9 la plus \u00e9l\u00e9mentaire est l’\u00e9chantillonnage al\u00e9atoire simple<\/strong> (EAS). Dans ce sch\u00e9ma, chaque individu poss\u00e8de une probabilit\u00e9 d’inclusion identique $\\pi_i = \\frac{n}{N}$<\/span>, et chaque sous-ensemble distinct de taille $n$<\/span> poss\u00e8de exactement la m\u00eame chance d’\u00eatre constitu\u00e9. Ce tirage peut s’op\u00e9rer avec remise (tirage bernoullien), rarement utilis\u00e9 en pratique sociale car il autorise la r\u00e9p\u00e9tition d’un m\u00eame individu, ou sans remise (tirage hyperg\u00e9om\u00e9trique), qui optimise la pr\u00e9cision en assurant l’ind\u00e9pendance des observations distinctes.<\/p>\n

L’\u00e9chantillonnage stratifi\u00e9<\/strong> constitue une \u00e9l\u00e9vation majeure de l’efficacit\u00e9 statistique. D\u00e9velopp\u00e9 pour contourner l’\u00e9cueil de la variance excessive de l’\u00e9chantillonnage simple au sein de populations tr\u00e8s h\u00e9t\u00e9rog\u00e8nes, il consiste \u00e0 partitionner la population parente en sous-groupes mutuellement exclusifs et collectivement exhaustifs appel\u00e9s strates<\/em> (par exemple, selon les tranches d’\u00e2ge, le statut socio-\u00e9conomique ou la r\u00e9gion administrative), au sein desquelles les unit\u00e9s sont relativement homog\u00e8nes quant \u00e0 la variable d’int\u00e9r\u00eat. Un \u00e9chantillonnage probabiliste ind\u00e9pendant est ensuite conduit au sein de chaque strate. Lorsque le nombre d’unit\u00e9s allou\u00e9es \u00e0 chaque strate est strictement proportionnel \u00e0 son poids d\u00e9mographique, la stratification garantit une repr\u00e9sentativit\u00e9 structurelle parfaite de ces dimensions. Mieux encore, l’allocation optimale formalis\u00e9e par Jerzy Neyman<\/a> en 1934 d\u00e9montre que l’on peut minimiser la variance globale de l’estimateur pour un co\u00fbt donn\u00e9 en sur-\u00e9chantillonnant les strates les plus vastes et les plus h\u00e9t\u00e9rog\u00e8nes (o\u00f9 la variance interne $\\sigma_h$<\/span> est \u00e9lev\u00e9e) et en sous-\u00e9chantillonnant les strates homog\u00e8nes :<\/p>\n

$$n_h = n \\frac{N_h \\sigma_h}{\\sum_{k=1}^L N_k \\sigma_k}$$<\/span><\/p>\n

Enfin, lorsque la base de sondage nominative est inexistante ou que la dispersion g\u00e9ographique des individus engendre des co\u00fbts de d\u00e9placement prohibitifs pour les enqu\u00eateurs de terrain, le statisticien a recours \u00e0 l’\u00e9chantillonnage en grappes<\/strong> ou \u00e0 l’\u00e9chantillonnage \u00e0 plusieurs degr\u00e9s<\/strong>. Au lieu de s\u00e9lectionner directement des individus isol\u00e9s, le tirage probabiliste porte d’abord sur des agr\u00e9gats naturels (\u00e9coles, communes, \u00eelots cadastraux, immeubles), d\u00e9nomm\u00e9s unit\u00e9s primaires. Dans l’\u00e9chantillonnage en grappes strict, l’ensemble des individus appartenant aux grappes s\u00e9lectionn\u00e9es est interrog\u00e9. Dans un plan \u00e0 degr\u00e9s multiples, un nouveau sous-\u00e9chantillonnage al\u00e9atoire est r\u00e9alis\u00e9 \u00e0 l’int\u00e9rieur de chaque unit\u00e9 primaire s\u00e9lectionn\u00e9e. Si ces m\u00e9thodes r\u00e9duisent drastiquement la complexit\u00e9 logistique, elles introduisent une perte de pr\u00e9cision statistique quantifi\u00e9e par l’effet de plan<\/strong> (design effect<\/em> de Leslie Kish), directement li\u00e9 au coefficient de corr\u00e9lation intra-classe ($rho$<\/span>) : les individus d’une m\u00eame grappe tendant \u00e0 se ressembler, l’information apport\u00e9e par chaque nouveau sujet n’est pas totalement ind\u00e9pendante de celle des pr\u00e9c\u00e9dents.<\/p>\n

2.3 Forces m\u00e9thodologiques et limites d’application<\/h3>\n

La force \u00e9pist\u00e9mologique supr\u00eame de l’\u00e9chantillonnage al\u00e9atoire r\u00e9side dans sa capacit\u00e9 d\u00e9montr\u00e9e \u00e0 neutraliser le biais d’auto-s\u00e9lection et \u00e0 rendre possibles les d\u00e9marches d’inf\u00e9rence statistique formelle vers la population de r\u00e9f\u00e9rence. En \u00e9liminant toute intervention de la subjectivit\u00e9 de l’enqu\u00eateur ou des motivations particuli\u00e8res des volontaires au moment du recrutement, il fournit un estimateur sans biais des grandeurs soci\u00e9tales ou biologiques \u00e9tudi\u00e9es. L’approche permet d’adosser l’ensemble des d\u00e9ductions empiriques \u00e0 des marges d’erreur calculables, exprimables sous forme d’intervalles de confiance rigoureux. C’est le fondement de la validit\u00e9 externe : savoir pr\u00e9cis\u00e9ment dans quelle mesure les r\u00e9sultats mesur\u00e9s sur une cohorte de deux mille personnes d\u00e9crivent avec une fid\u00e9lit\u00e9 tra\u00e7able les dynamiques d’une nation de soixante-dix millions d’\u00e2mes.<\/p>\n

Cependant, les contraintes op\u00e9rationnelles et mat\u00e9rielles de l’\u00e9chantillonnage probabiliste sont souvent gigantesques, ce qui explique sa raret\u00e9 dans de nombreuses disciplines de laboratoire. La premi\u00e8re barri\u00e8re r\u00e9side dans l’exigence d’une base de sondage compl\u00e8te et actualis\u00e9e. Dans de nombreuses parties du monde, ou lorsqu’il s’agit d’\u00e9tudier des populations marginalis\u00e9es, nomades, clandestines ou hautement sp\u00e9cifiques (par exemple, les personnes souffrant d’une maladie rare orpheline ou les consommateurs de stup\u00e9fiants illicites), aucune liste exhaustive n’existe. Dans de telles circonstances, l’\u00e9chantillonnage probabiliste strict est logistiquement impossible \u00e0 d\u00e9ployer, contraignant les chercheurs \u00e0 recourir \u00e0 des m\u00e9thodes non probabilistes, telles que l’\u00e9chantillonnage par r\u00e9seaux, la m\u00e9thode des quotas ou l’\u00e9chantillonnage dirig\u00e9 par les r\u00e9pondants (Respondent-Driven Sampling<\/em>).<\/p>\n

La seconde limite majeure, exacerb\u00e9e au cours des derni\u00e8res d\u00e9cennies, d\u00e9coule du ph\u00e9nom\u00e8ne d’attrition<\/strong> et de l’explosion des taux de non-r\u00e9ponse. Un tirage al\u00e9atoire parfait sur le papier perd instantan\u00e9ment son caract\u00e8re strictement probabiliste d\u00e8s lors qu’une fraction substantielle des individus s\u00e9lectionn\u00e9s refuse de participer ou ne peut \u00eatre jointe. Si le refus de r\u00e9pondre n’est pas distribu\u00e9 de mani\u00e8re purement al\u00e9atoire dans la population \u2014 ce qui est invariablement le cas, le statut \u00e9conomique, l’\u00e2ge, la m\u00e9fiance institutionnelle ou la charge mentale corr\u00e9lant fortement avec l’abstention aux enqu\u00eates \u2014, un biais d’attrition s’insinue dans les donn\u00e9es. Les statisticiens sont alors contraints d’appliquer des redressements math\u00e9matiques complexes par pond\u00e9ration, calage sur marges ou mod\u00e9lisation de la propension \u00e0 r\u00e9pondre, r\u00e9introduisant ainsi des hypoth\u00e8ses de mod\u00e9lisation param\u00e9trique au sein d’un protocole initialement fond\u00e9 sur l’absence d’hypoth\u00e8ses subjectives.<\/p>\n

3. L’assignation al\u00e9atoire : R\u00e9partir pour \u00e9tablir la causalit\u00e9<\/h2>\n

3.1 Principes directeurs et logique contrefactuelle<\/h3>\n

L’assignation al\u00e9atoire (\u00e9galement appel\u00e9e randomisation de traitement) rel\u00e8ve d’une logique scientifique enti\u00e8rement consacr\u00e9e \u00e0 l’inf\u00e9rence causale<\/strong>. Si l’\u00e9chantillonnage probabiliste r\u00e9sout la question \u00ab de qui parlons-nous ? \u00bb, l’assignation al\u00e9atoire r\u00e9pond \u00e0 la question \u00ab qu’est-ce qui cause quoi ? \u00bb. Sa formalisation philosophique et math\u00e9matique s’inscrit au c\u0153ur du mod\u00e8le causal de Neyman-Donald Rubin<\/a>, \u00e9galement d\u00e9sign\u00e9 sous le terme de cadre des r\u00e9sultats potentiels<\/em> (Potential Outcomes Framework<\/em>). Dans ce mod\u00e8le, pour chaque unit\u00e9 exp\u00e9rimentale $i$<\/span>, il existe th\u00e9oriquement deux \u00e9tats contrefactuels du monde : la valeur que prendrait sa variable de r\u00e9ponse si elle recevait le traitement exp\u00e9rimental ($Y_i(1)$<\/span>), et la valeur qu’elle prendrait si elle recevait la condition de contr\u00f4le ($Y_i(0)$<\/span>).<\/p>\n

L’effet causal individuel du traitement est d\u00e9fini par la diff\u00e9rence stricte $\\tau_i = Y_i(1) – Y_i(0)$<\/span>. Or, le \u00ab probl\u00e8me fondamental de l’inf\u00e9rence causale \u00bb mis en lumi\u00e8re par Paul Holland en 1986 stipule qu’il est ontologiquement impossible d’observer simultan\u00e9ment $Y_i(1)$<\/span> et $Y_i(0)$<\/span> pour un m\u00eame individu au m\u00eame instant temporel : une unit\u00e9 re\u00e7oit soit le traitement, soit le contr\u00f4le, le r\u00e9sultat alternatif demeurant un contrefactuel inobservable. Pour estimer l’effet causal moyen du traitement (Average Treatment Effect<\/em> ou ATE), d\u00e9fini par :<\/p>\n

$$\\text{ATE} = \\mathbb{E}[Y_i(1) – Y_i(0)]$$<\/span><\/p>\n

la science ne peut op\u00e9rer qu’\u00e0 l’\u00e9chelle des groupes. L’assignation al\u00e9atoire constitue la cl\u00e9 de vo\u00fbte de cette r\u00e9solution en instaurant l’hypoth\u00e8se d’\u00e9changeabilit\u00e9<\/strong> (exchangeability<\/em>) ou d’ignorabilit\u00e9 du m\u00e9canisme d’attribution :<\/p>\n

$$(Y(1), Y(0)) perp D$$<\/span><\/p>\n

o\u00f9 $D in {0, 1}$<\/span> indique l’assignation effective au traitement ($D=1$<\/span>) ou au contr\u00f4le ($D=0$<\/span>).<\/p>\n

Gr\u00e2ce \u00e0 la distribution stochastique des sujets au sein des groupes d’\u00e9tude, l’assignation al\u00e9atoire assure que les deux collectifs form\u00e9s sont rigoureusement interchangeables en esp\u00e9rance math\u00e9matique<\/em>. Le groupe de contr\u00f4le fournit une r\u00e9plique empirique exacte du r\u00e9sultat contrefactuel qu’aurait obtenu le groupe trait\u00e9 s’il n’avait pas \u00e9t\u00e9 soumis \u00e0 l’intervention. Cela \u00e9limine radicalement l’ensemble des variables confondantes, qu’elles soient d\u00e9mographiques, g\u00e9n\u00e9tiques, psychologiques ou environnementales. En faisant converger la moyenne des caract\u00e9ristiques pr\u00e9-interventionnelles entre les bras d’\u00e9tude, la randomisation permet d’isoler l’effet sp\u00e9cifique de la variable ind\u00e9pendante : toute divergence statistiquement significative observ\u00e9e post-intervention sur la variable d’int\u00e9r\u00eat peut \u00eatre imput\u00e9e de mani\u00e8re formelle et sans ambigu\u00eft\u00e9 \u00e0 l’action exclusive du traitement, ou au pur jeu du hasard dont la probabilit\u00e9 est quantifi\u00e9e par le test d’hypoth\u00e8se nulle.<\/p>\n

3.2 Protocoles de r\u00e9partition exp\u00e9rimentale<\/h3>\n

Sur le plan pratique, l’assignation al\u00e9atoire requiert des protocoles rigoureux afin d’\u00e9viter tout d\u00e9s\u00e9quilibre structurel ou toute rupture d’aveugle par l’\u00e9quipe de recherche. La proc\u00e9dure la plus intuitive est la randomisation simple<\/strong> (analogue \u00e0 un lancer de pi\u00e8ce de monnaie non biais\u00e9 pour chaque participant successif). Bien qu’irr\u00e9prochable sur le plan th\u00e9orique, la randomisation simple pr\u00e9sente une vuln\u00e9rabilit\u00e9 majeure au sein des \u00e9chantillons de taille modeste : les fluctuations de l’al\u00e9a peuvent g\u00e9n\u00e9rer un d\u00e9s\u00e9quilibre num\u00e9rique substantiel entre le groupe trait\u00e9 et le groupe t\u00e9moin, ou concentrer fortuitement des profils d’individus atypiques au sein d’une seule condition d’\u00e9tude.<\/p>\n

Pour parer \u00e0 ce risque, la m\u00e9thodologie exp\u00e9rimentale a d\u00e9velopp\u00e9 la randomisation par blocs permut\u00e9s<\/strong>. Dans cette modalit\u00e9, les participants sont regroup\u00e9s en blocs de taille paire pr\u00e9d\u00e9termin\u00e9e (par exemple des blocs de quatre, six ou huit sujets). Au sein de chaque bloc, le nombre d’allocations au groupe exp\u00e9rimental et au groupe contr\u00f4le est strictement \u00e9quilibr\u00e9 (par exemple deux trait\u00e9s et deux t\u00e9moins dans un bloc de quatre). Les diff\u00e9rentes combinaisons d’attribution possibles sont alors tir\u00e9es au sort de mani\u00e8re it\u00e9rative. Ce protocole garantit un \u00e9quilibre num\u00e9rique constant et presque parfait entre les groupes au cours du temps, ce qui est capital dans les essais cliniques longitudinaux o\u00f9 les caract\u00e9ristiques des patients admis peuvent \u00e9voluer au fil des mois.<\/p>\n

Une \u00e9tape sup\u00e9rieure de raffinement est atteinte avec la randomisation stratifi\u00e9e<\/strong>. Lorsque certaines covariables pr\u00e9-exp\u00e9rimentales sont connues pour exercer une influence massive sur la variable d\u00e9pendante (par exemple l’\u00e2ge du patient, le stade d’\u00e9volution d’une pathologie canc\u00e9reuse, ou le niveau socio-\u00e9ducatif des \u00e9l\u00e8ves dans un essai p\u00e9dagogique), le chercheur peut stratifier sa population d’\u00e9tude selon ces variables cl\u00e9s avant de proc\u00e9der, \u00e0 l’int\u00e9rieur de chaque strate ainsi d\u00e9limit\u00e9e, \u00e0 une randomisation par blocs. De fa\u00e7on plus sophistiqu\u00e9e encore, en pr\u00e9sence d’un tr\u00e8s grand nombre de facteurs pronostiques \u00e0 \u00e9quilibrer sur un \u00e9chantillon restreint, les m\u00e9thodologistes emploient des algorithmes d’assignation par minimisation<\/strong> s\u00e9quentielle dynamique (selon les principes formalis\u00e9s par Pocock et Simon en 1975) : chaque nouveau participant est assign\u00e9 non pas par un tirage au sort totalement ind\u00e9pendant, mais selon un algorithme adaptatif qui maximise l’\u00e9quilibre global instantan\u00e9 entre tous les groupes sur l’ensemble des dimensions de contr\u00f4le.<\/p>\n

3.3 B\u00e9n\u00e9fices scientifiques et contraintes op\u00e9rationnelles<\/h3>\n

Le b\u00e9n\u00e9fice scientifique cardinal de l’assignation al\u00e9atoire est la cr\u00e9ation de ce que la litt\u00e9rature \u00e9pist\u00e9mologique qualifie d’\u00e9talon-or (gold standard<\/em>) de la preuve causale : l’essai contr\u00f4l\u00e9 randomis\u00e9 (ECR). Contrairement aux m\u00e9thodes d’ajustement statistique a posteriori utilis\u00e9es sur des donn\u00e9es purement observationnelles (comme les r\u00e9gressions multivari\u00e9es ou l’appariement sur score de propension), l’assignation al\u00e9atoire est la seule approche m\u00e9thodologique au monde capable d’\u00e9quilibrer non seulement les covariables que le chercheur a anticip\u00e9es, document\u00e9es et mesur\u00e9es avec pr\u00e9cision, mais \u00e9galement et surtout les variables confondantes inobserv\u00e9es, inconnues ou impossibles \u00e0 mesurer<\/strong> (pr\u00e9dispositions g\u00e9n\u00e9tiques complexes, variations d’humeur fugaces, motivation intrins\u00e8que intime, r\u00e9silience psychologique inconsciente). Elle constitue donc le rempart ultime contre l’effet de confusion (confounding bias<\/em>).<\/p>\n

En d\u00e9pit de son \u00e9l\u00e9gance math\u00e9matique, l’assignation al\u00e9atoire se heurte \u00e0 des contraintes op\u00e9rationnelles, pratiques et surtout d\u00e9ontologiques majeures qui en limitent l’applicabilit\u00e9 universelle. Le premier obstacle est d’ordre \u00e9thique : il est formellement interdit par toutes les conventions biom\u00e9dicales internationales (D\u00e9claration d’Helsinki) d’assigner al\u00e9atoirement des \u00eatres humains \u00e0 des conditions nocives ou d\u00e9l\u00e9t\u00e8res connues. On ne peut pas tirer au sort des individus pour les contraindre \u00e0 fumer deux paquets de cigarettes par jour pendant vingt ans, pour les exposer \u00e0 des radiations ionisantes, ou pour leur inoculer un agent pathog\u00e8ne afin d’\u00e9tudier la pathogen\u00e8se d’une affection. De m\u00eame, en sciences de l’\u00e9ducation, priver par tirage au sort une moiti\u00e9 d’enfants scolaris\u00e9s de tout enseignement de la lecture durant un cycle primaire complet pour tester une m\u00e9thode p\u00e9dagogique innovante poserait un dilemme moral insupportable.<\/p>\n

Par ailleurs, l’assignation al\u00e9atoire est souvent vuln\u00e9rable \u00e0 des biais d’impl\u00e9mentation post-randomisation. L’un des plus redoutables est l’effet placebo ou son corollaire psychosocial, les effets Hawthorne et John Henry, o\u00f9 le simple fait pour les participants de savoir qu’ils appartiennent au groupe d’intervention ou au groupe de comparaison modifie substantiellement leur comportement ind\u00e9pendamment de l’effet propre du traitement. Si la mise en place d’un protocole en double aveugle parfait permet d’att\u00e9nuer ce biais en pharmacologie, l’aveuglement est fr\u00e9quemment impossible \u00e0 impl\u00e9menter dans les interventions chirurgicales complexes, en psychoth\u00e9rapie, en ergonomie du travail ou dans les politiques publiques de soutien au revenu. Enfin, la non-observance th\u00e9rapeutique (les sujets assign\u00e9s au traitement qui abandonnent le protocole) et la contamination crois\u00e9e (les sujets t\u00e9moins qui adoptent subrepticement l’intervention \u00e9tudi\u00e9e) menacent constamment de briser la sym\u00e9trie contrefactuelle originelle \u00e9tablie par l’assignation.<\/p>\n

4. Diff\u00e9rences fondamentales entre \u00e9chantillonnage et assignation al\u00e9atoires<\/h2>\n

4.1 Stade d’intervention dans le processus exp\u00e9rimental<\/h3>\n

L’une des distinctions les plus \u00e9videntes, mais pourtant la plus m\u00e9connue, concerne la chronologie s\u00e9quentielle du d\u00e9ploiement de ces deux m\u00e9canismes stochastiques dans l’architecture g\u00e9n\u00e9rale d’une recherche scientifique. L’\u00e9chantillonnage al\u00e9atoire se situe invariablement \u00e0 l’\u00e9tape du recrutement<\/strong>, en amont imm\u00e9diat de la participation effective des individus. C’est le processus par lequel le protocole franchit la fronti\u00e8re entre le monde ext\u00e9rieur abstrait (la population globale de r\u00e9f\u00e9rence) et le p\u00e9rim\u00e8tre d\u00e9limit\u00e9 du laboratoire ou du registre d’enqu\u00eate. Si cette fronti\u00e8re est franchie sans faire appel aux probabilit\u00e9s math\u00e9matiques \u2014 par exemple si les participants sont recrut\u00e9s via des banni\u00e8res publicitaires sur les r\u00e9seaux sociaux, des affiches sur un campus universitaire ou des listes de consultants hospitaliers volontaires \u2014, la cohorte r\u00e9sultante constitue un \u00e9chantillon de convenance, et aucun tirage ult\u00e9rieur ne pourra r\u00e9troactivement injecter de l’\u00e9chantillonnage probabiliste dans cette s\u00e9lection initiale.<\/p>\n

L’assignation al\u00e9atoire, \u00e0 l’oppos\u00e9, intervient strictement en aval, apr\u00e8s que le filtre de s\u00e9lection a fonctionn\u00e9 et que le groupe de sujets a \u00e9t\u00e9 d\u00e9finitivement admis dans l’\u00e9tude, a consenti \u00e0 participer et a pass\u00e9 les crit\u00e8res d’\u00e9ligibilit\u00e9. \u00c0 cet instant, la population globale n’est plus directement concern\u00e9e par la man\u0153uvre : l’univers de calcul se restreint aux seules personnes physiques pr\u00e9sentes. L’assignation est une op\u00e9ration de tri interne, de distribution combinatoire qui divise un collectif statique pr\u00e9existant en fragments parall\u00e8les. Elle est totalement agnostique quant \u00e0 la mani\u00e8re dont ces individus sont arriv\u00e9s dans la salle d’exp\u00e9rimentation ; qu’ils aient \u00e9t\u00e9 s\u00e9lectionn\u00e9s par un \u00e9chantillonnage probabiliste irr\u00e9prochable sur l’ensemble du territoire ou qu’ils soient constitu\u00e9s d’un groupe d’amis intimes de l’exp\u00e9rimentateur, la randomisation op\u00e8re son office de s\u00e9paration probabiliste de mani\u00e8re strictement identique.<\/p>\n

Cette s\u00e9quentialit\u00e9 temporelle trace une fronti\u00e8re m\u00e9thodologique infranchissable. Dans le d\u00e9roulement d’une investigation empirique int\u00e9gr\u00e9e, l’\u00e9chantillonnage probabiliste gouverne la fl\u00e8che qui va de la Population Cible<\/em> \u00e0 l’\u00c9chantillon R\u00e9uni<\/em>, tandis que l’assignation al\u00e9atoire gouverne la seconde \u00e9tape, celle qui projette l’\u00c9chantillon R\u00e9uni<\/em> vers le Bras d’Intervention A<\/em> et le Bras de Contr\u00f4le B<\/em>. Confondre ces deux \u00e9tapes revient \u00e0 confondre la s\u00e9lection des com\u00e9diens lors d’un casting avec la distribution des r\u00f4les respectifs au sein de la pi\u00e8ce de th\u00e9\u00e2tre une fois la troupe assembl\u00e9e.<\/p>\n

4.2 Type de validit\u00e9 garantie : Externe contre Interne<\/h3>\n

La divergence quant au type de validit\u00e9 conf\u00e9r\u00e9 constitue le c\u0153ur conceptuel de la mod\u00e9lisation \u00e9pist\u00e9mologique de Campbell et Stanley. L’\u00e9chantillonnage al\u00e9atoire est le vecteur privil\u00e9gi\u00e9 de la validit\u00e9 externe<\/strong>. Lorsqu’une unit\u00e9 est s\u00e9lectionn\u00e9e selon un plan de sondage probabiliste, les lois de la statistique d’\u00e9chantillonnage garantissent que la distribution conjointe de ses caract\u00e9ristiques sociologiques, biologiques et comportementales converge asymptotiquement vers la distribution conjointe de ces m\u00eames variables dans la population cible. Ainsi, tout calcul statistique men\u00e9 sur cette fraction permet d’effectuer une inf\u00e9rence descriptive de la population dans son ensemble. En revanche, l’\u00e9chantillonnage al\u00e9atoire ne conf\u00e8re de mani\u00e8re intrins\u00e8que aucune validit\u00e9 interne<\/em> : observer une corr\u00e9lation de $r = 0{,}65$<\/span> entre la consommation quotidienne de caf\u00e9ine et le niveau de pression art\u00e9rielle au sein d’un \u00e9chantillon probabiliste repr\u00e9sentatif de la population fran\u00e7aise renseigne sur l’existence d’une corr\u00e9lation \u00e9cologique dans la soci\u00e9t\u00e9, mais n’\u00e9tablit en rien que la caf\u00e9ine est la cause physiologique directe de l’hypertension.<\/p>\n

L’assignation al\u00e9atoire, quant \u00e0 elle, est la condition sine qua non<\/em> de la validit\u00e9 interne<\/strong> la plus pure. En r\u00e9partissant al\u00e9atoirement les participants entre la prise d’un comprim\u00e9 de caf\u00e9ine pure et la prise d’un placebo inerte identique en go\u00fbt et en apparence, le chercheur s’assure que les deux groupes ne pr\u00e9sentent aucune divergence syst\u00e9matique quant \u00e0 leur \u00e2ge moyen, leur hygi\u00e8ne de vie, leur stress professionnel, ou leurs polymorphismes g\u00e9n\u00e9tiques h\u00e9patiques. Si, au terme de quatre semaines d’administration, la pression art\u00e9rielle systolique du groupe caf\u00e9ine est sup\u00e9rieure de 8 millim\u00e8tres de mercure \u00e0 celle du groupe placebo, le test d’hypoth\u00e8se probabiliste permet de certifier que cet \u00e9cart est imputable au compos\u00e9 chimique actif et non \u00e0 une variable r\u00e9siduelle. En contrepartie, cette exp\u00e9rience men\u00e9e sous haute s\u00e9curit\u00e9 m\u00e9thodologique sur quarante \u00e9tudiants volontaires ne poss\u00e8de en soi aucune garantie de validit\u00e9 externe<\/em> : ses conclusions causales pourraient \u00eatre radicalement diff\u00e9rentes chez des personnes \u00e2g\u00e9es, des femmes enceintes ou des individus souffrant de comorbidit\u00e9s m\u00e9taboliques qui n’ont pas \u00e9t\u00e9 inclus dans l’\u00e9tude.<\/p>\n

Cette ind\u00e9pendance orthogonale engendre une matrice th\u00e9orique fondamentale : une \u00e9tude empirique peut appartenir \u00e0 l’un des quatre quadrants d’un espace bidimensionnel. Elle peut poss\u00e9der une validit\u00e9 interne forte sans validit\u00e9 externe (l’exp\u00e9rience type de laboratoire de psychologie cognitive sur \u00e9tudiants), une validit\u00e9 externe forte sans validit\u00e9 interne (le grand sondage \u00e9pid\u00e9miologique transversal national de sant\u00e9 publique), \u00e0 la fois une validit\u00e9 interne et une validit\u00e9 externe fortes (l’essai exp\u00e9rimental de terrain randomis\u00e9 men\u00e9 \u00e0 l’\u00e9chelle d’une population probabiliste), ou, cas malheureusement fr\u00e9quent dans la science pr\u00e9caire, ni l’une ni l’autre (l’enqu\u00eate d’opinion en ligne sans randomisation ni \u00e9chantillonnage repr\u00e9sentatif).<\/p>\n

4.3 Nature des biais \u00e9limin\u00e9s<\/h3>\n

L’examen des propri\u00e9t\u00e9s sanitaires de ces deux m\u00e9thodes s’\u00e9claire particuli\u00e8rement \u00e0 la lumi\u00e8re des pathologies statistiques qu’elles ont pour mission sp\u00e9cifique d’\u00e9radiquer. L’\u00e9chantillonnage al\u00e9atoire est con\u00e7u pour neutraliser le biais de s\u00e9lection d\u00e9mographique<\/strong>, le biais d’auto-s\u00e9lection<\/strong> et le biais de couverture<\/strong>. Dans toute collecte de donn\u00e9es passive, les personnes qui choisissent de r\u00e9pondre aux sollicitations des scientifiques pr\u00e9sentent des profils psychologiques ou sociaux atypiques : un engagement civique sup\u00e9rieur, un capital culturel plus \u00e9lev\u00e9, du temps disponible, ou une sensibilit\u00e9 exacerb\u00e9e au th\u00e8me de l’\u00e9tude. En retirant aux participants le pouvoir d’initier la d\u00e9marche d’inclusion, et en contraignant l’enqu\u00eateur \u00e0 joindre obstin\u00e9ment les adresses ou num\u00e9ros de t\u00e9l\u00e9phone tir\u00e9s par l’algorithme, le plan d’\u00e9chantillonnage probabiliste d\u00e9mant\u00e8le cette asym\u00e9trie syst\u00e9matique. Si ce processus est corrompu, l’estimation des param\u00e8tres de la population m\u00e8re souffre d’un biais d’erreur syst\u00e9matique que l’augmentation de la taille de l’\u00e9chantillon ne fait que p\u00e9renniser et figer dans le marbre avec une fausse pr\u00e9cision math\u00e9matique.<\/p>\n

L’assignation al\u00e9atoire s’attaque \u00e0 une faune de menaces tout autre, domin\u00e9e par le biais de confusion<\/strong> (confounding<\/em>) et le biais d’allocation<\/strong>. En recherche interventionnelle non randomis\u00e9e, le choix d’administrer une th\u00e9rapeutique \u00e0 un malade plut\u00f4t qu’\u00e0 un autre n’est jamais fortuit : le m\u00e9decin soigneignant prescrit pr\u00e9f\u00e9rentiellement les th\u00e9rapies les plus agressives et les plus r\u00e9centes aux patients les plus lourdement atteints (biais d’indication ou de s\u00e9v\u00e9rit\u00e9), ou au contraire r\u00e9serve les interventions chirurgicales lourdes aux sujets dont l’\u00e9tat g\u00e9n\u00e9ral est suffisamment robuste pour y survivre (biais du malade r\u00e9silient). D\u00e8s lors, la comparaison directe du pronostic entre les patients trait\u00e9s et non trait\u00e9s est irr\u00e9m\u00e9diablement contamin\u00e9e par l’\u00e9tat initial des sujets. L’assignation al\u00e9atoire d\u00e9sarme int\u00e9gralement ce m\u00e9canisme pernicieux en retirant au praticien et au patient tout pouvoir discr\u00e9tionnaire sur le choix de l’intervention : l’allocation \u00e9tant r\u00e9gie par le hasard pur, les facteurs d’indication se retrouvent distribu\u00e9s avec une probabilit\u00e9 rigoureusement sym\u00e9trique dans les deux camps.<\/p>\n

L’effondrement de l’une ou l’autre de ces protections entra\u00eene des cons\u00e9quences dissemblables mais \u00e9galement d\u00e9vastatrices sur l’\u00e9difice de la conclusion empirique. Une faille dans l’\u00e9chantillonnage al\u00e9atoire produit une image d\u00e9form\u00e9e du monde r\u00e9el \u2014 une illusion mim\u00e9tique \u2014, conduisant le chercheur \u00e0 croire que la population pr\u00e9sente un taux de pr\u00e9valence, une opinion ou un comportement qui ne sont que le reflet d’une sous-population marginale surrepr\u00e9sent\u00e9e. Une faille dans l’assignation al\u00e9atoire d\u00e9truit la cha\u00eene de causalit\u00e9 logique \u2014 une illusion explicative \u2014, attribuant \u00e0 une mol\u00e9cule th\u00e9rapeutique, \u00e0 une m\u00e9thode p\u00e9dagogique ou \u00e0 un algorithme d’apprentissage un m\u00e9rite transformateur qui n’\u00e9tait en r\u00e9alit\u00e9 que l’expression d’un avantage initial d\u00e9tenu par les individus assign\u00e9s \u00e0 ce groupe.<\/p>\n

4.4 Comparaison synth\u00e9tique des dimensions analytiques<\/h3>\n

Afin de cristalliser de fa\u00e7on syst\u00e9matique les contrastes op\u00e9ratoires et th\u00e9oriques qui distinguent l’\u00e9chantillonnage al\u00e9atoire de l’assignation al\u00e9atoire, l’analyse comparative doit \u00eatre d\u00e9ploy\u00e9e le long des crit\u00e8res fondamentaux qui structurent l’\u00e9pist\u00e9mologie de la recherche empirique. Le tableau ci-dessous r\u00e9capitule ces dimensions en mettant en regard, face \u00e0 face, les m\u00e9canismes, les hypoth\u00e8ses, les garanties et les outils propres \u00e0 chaque approche :<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Dimension Analytique<\/th>\n\u00c9chantillonnage Al\u00e9atoire (Probability Sampling)<\/th>\nAssignation Al\u00e9atoire (Random Assignment \/ Randomization)<\/th>\n<\/tr>\n<\/thead>\n
D\u00e9finition op\u00e9rationnelle<\/strong><\/td>\nS\u00e9lection d’un sous-ensemble d’unit\u00e9s \u00e0 partir d’une population cible, chaque unit\u00e9 disposant d’une probabilit\u00e9 d’inclusion connue et strictement non nulle.<\/td>\nAttribution stochastique de participants d\u00e9j\u00e0 recrut\u00e9s \u00e0 au moins deux conditions exp\u00e9rimentales distinctes (traitement versus contr\u00f4le).<\/td>\n<\/tr>\n
Stade d’intervention<\/strong><\/td>\nEn amont : lors du recrutement des sujets \u00e0 l’interface entre la population d’int\u00e9r\u00eat et le protocole d’\u00e9tude.<\/td>\nEn aval : apr\u00e8s l’inclusion formelle des participants, au moment de d\u00e9cider quelle modalit\u00e9 exp\u00e9rimentale ils vont recevoir.<\/td>\n<\/tr>\n
Objectif \u00e9pist\u00e9mologique premier<\/strong><\/td>\nRepr\u00e9sentativit\u00e9 statistique et g\u00e9n\u00e9ralisation des estimations vers une population m\u00e8re d\u00e9termin\u00e9e.<\/td>\n\u00c9tablissement rigoureux d’un lien de causalit\u00e9 par isolement contrefactuel de l’effet propre de la variable ind\u00e9pendante.<\/td>\n<\/tr>\n
Type de validit\u00e9 vis\u00e9e<\/strong><\/td>\nValidit\u00e9 externe :<\/strong> transf\u00e9rabilit\u00e9 spatiale, temporelle et d\u00e9mographique des constats empiriques.<\/td>\nValidit\u00e9 interne :<\/strong> certitude que la manipulation exp\u00e9rimentale est la cause univoque de la variation du crit\u00e8re d’\u00e9valuation.<\/td>\n<\/tr>\n
Principaux biais combattus<\/strong><\/td>\nBiais d’auto-s\u00e9lection, biais de couverture, biais d’\u00e9chantillonnage de convenance, biais de non-r\u00e9ponse syst\u00e9matique.<\/td>\nBiais de confusion (observ\u00e9 et inobserv\u00e9), biais d’allocation, biais d’indication m\u00e9dicale, biais de s\u00e9lection dans le traitement.<\/td>\n<\/tr>\n
Pr\u00e9requis logistiques indispensables<\/strong><\/td>\nExistence d’une base de sondage compl\u00e8te et accessible (registres \u00e9lectoraux, recensements, r\u00e9pertoires cadastraux).<\/td>\nContr\u00f4le exp\u00e9rimental direct de l’intervention et \u00e9thique autorisant l’administration manipul\u00e9e et l’abstention de traitement.<\/td>\n<\/tr>\n
Outils et protocoles d’ex\u00e9cution<\/strong><\/td>\nTirage al\u00e9atoire simple (avec ou sans remise), \u00e9chantillonnage stratifi\u00e9, \u00e9chantillonnage en grappes, plans de sondage \u00e0 degr\u00e9s multiples.<\/td>\nRandomisation simple, randomisation par blocs permut\u00e9s, randomisation stratifi\u00e9e, algorithmes de minimisation dynamique.<\/td>\n<\/tr>\n
Th\u00e9or\u00e8mes et fondements statistiques<\/strong><\/td>\nLoi des Grands Nombres, Th\u00e9or\u00e8me Central Limite, th\u00e9orie des probabilit\u00e9s d’inclusion de Horvitz-Thompson.<\/td>\nTh\u00e9orie des permutations de Ronald Fisher, Mod\u00e8le causal des r\u00e9sultats potentiels de Neyman-Rubin (SUTVA, \u00e9changeabilit\u00e9).<\/td>\n<\/tr>\n
Sensibilit\u00e9 \u00e0 la taille de l’\u00e9chantillon ($n$<\/span>)<\/strong><\/td>\nD\u00e9termine la largeur de l’intervalle de confiance et la pr\u00e9cision de l’estimation de la moyenne ou de la proportion de la population.<\/td>\nGarantit l’\u00e9quilibre empirique r\u00e9el des covariables inobserv\u00e9es entre les groupes (l’al\u00e9a n’\u00e9quilibre parfaitement les groupes qu’asymptotiquement).<\/td>\n<\/tr>\n
Discipline paradigmatique d’usage<\/strong><\/td>\nSociologie quantitative, science politique (sondages), \u00e9pid\u00e9miologie descriptive, \u00e9conom\u00e9trie d’enqu\u00eate, recherche par panel.<\/td>\nEssais cliniques en pharmacologie, psychologie exp\u00e9rimentale, \u00e9conomie comportementale, ing\u00e9nierie logicielle (A\/B testing).<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Cette radiographie comparative met en exergue l’erreur qui consisterait \u00e0 hi\u00e9rarchiser ces deux proc\u00e9dures. L’\u00e9chantillonnage al\u00e9atoire et l’assignation al\u00e9atoire ne sont ni en concurrence, ni substituables l’un \u00e0 l’autre. Ils constituent deux dimensions orthogonales de la m\u00e9thode scientifique : l’une g\u00e8re l’axe horizontal de l’extension de la connaissance (\u00e0 qui s’applique le r\u00e9sultat ?), tandis que l’autre r\u00e9git l’axe vertical de la profondeur explicative (quelle est la certitude m\u00e9canique du lien d\u00e9couvert ?).<\/p>\n

5. Similitudes et convergences m\u00e9thodologiques<\/h2>\n

5.1 L’utilisation instrumentale du hasard probabiliste<\/h3>\n

Si leurs horizons \u00e9pist\u00e9miques divergent, l’\u00e9chantillonnage al\u00e9atoire et l’assignation al\u00e9atoire partagent un moteur ontologique commun : l’instrumentalisation m\u00e9thodique du hasard. Dans les deux approches, le recours au calcul stochastique n’est pas un aveu d’impuissance face au d\u00e9sordre du monde, mais au contraire un acte d\u00e9lib\u00e9r\u00e9 de rupture avec l’arbitraire et la subjectivit\u00e9 humaine. Historiquement, l’intuition humaine a prouv\u00e9 son incapacit\u00e9 notoire \u00e0 produire un al\u00e9a authentique : les m\u00e9decins qui tentent de \u00ab varier \u00bb manuellement l’attribution des traitements tendent inconsciemment \u00e0 prot\u00e9ger les cas les plus vuln\u00e9rables, tout comme les enqu\u00eateurs de terrain qui s\u00e9lectionnent \u00ab au hasard \u00bb des passants dans la rue convergent syst\u00e9matiquement vers des individus d’apparence avenante, sociable et similaire \u00e0 leur propre groupe socio-d\u00e9mographique.<\/p>\n

Pour \u00e9liminer d\u00e9finitivement cette contamination humaine, les deux protocoles s’en remettent \u00e0 des artefacts technologiques fond\u00e9s sur des th\u00e9ories math\u00e9matiques avanc\u00e9es. \u00c0 l’origine, les chercheurs recouraient \u00e0 des dispositifs physiques v\u00e9rifi\u00e9s (brassage minutieux de jetons dans des urnes scell\u00e9es, lancers de d\u00e9s dod\u00e9ca\u00e9driques, pi\u00e8ces de monnaie \u00e9talonn\u00e9es) ou \u00e0 des tables de nombres al\u00e9atoires publi\u00e9es sous contr\u00f4le statistique s\u00e9v\u00e8re, telles que la c\u00e9l\u00e8bre table \u00e9dit\u00e9e en 1955 par la RAND Corporation (A Million Random Digits with 100,000 Normal Deviates<\/em>). Dans la pratique contemporaine, les deux m\u00e9thodes exploitent des g\u00e9n\u00e9rateurs de nombres pseudo-al\u00e9atoires cryptographiquement s\u00e9curis\u00e9s (PRNG), fond\u00e9s sur des algorithmes tels que le Mersenne Twister, coupl\u00e9s \u00e0 des graines de r\u00e9initialisation mat\u00e9rielles (bruit thermique, fluctuations \u00e9lectroniques d’horloge interne), assurant que ni l’exp\u00e9rimentateur, ni le sujet ne puissent anticiper le r\u00e9sultat du prochain tirage.<\/p>\n

Ce fondement math\u00e9matique commun permet d’asseoir le traitement des donn\u00e9es sur les lois de distribution th\u00e9oriques de la statistique inf\u00e9rentielle : loi normale, loi de Student, loi du Chi-deux ou loi de Fisher-Snedecor. Dans les deux cas, le fait que la probabilit\u00e9 de survenue de chaque configuration d’\u00e9chantillonnage ou de r\u00e9partition soit r\u00e9gie par une loi analytique autorise le calcul formel des valeurs $p$<\/span> (p-values<\/em>), bornant avec une rigueur param\u00e9trique la probabilit\u00e9 d’observer un r\u00e9sultat empirique donn\u00e9 sous l’hypoth\u00e8se nulle d’absence de diff\u00e9rence r\u00e9elle ou d’absence de biais.<\/p>\n

5.2 Hypoth\u00e8ses sous-jacentes et ind\u00e9pendance statistique<\/h3>\n

Au-del\u00e0 de leur instrumentation commune, les deux m\u00e9thodologies reposent sur des postulats statistiques analogues, au premier rang desquels figure le principe d’ind\u00e9pendance statistique des tirages<\/strong>. Dans un tirage d’\u00e9chantillonnage simple sans remise au sein d’une population infinie, comme dans une randomisation simple entre deux bras d’\u00e9tude, la probabilit\u00e9 attribu\u00e9e \u00e0 une unit\u00e9 ne doit d\u00e9pendre en aucun cas du sort r\u00e9serv\u00e9 \u00e0 l’unit\u00e9 pr\u00e9c\u00e9dente ou suivante. Toute violation de cette ind\u00e9pendance stochastique (par exemple si la s\u00e9lection d’un individu dans une enqu\u00eate contraint m\u00e9caniquement la s\u00e9lection de son conjoint, ou si l’assignation d’un participant \u00e0 un groupe exp\u00e9rimental force le m\u00e9decin \u00e0 assigner le suivant au groupe t\u00e9moin de fa\u00e7on pr\u00e9visible) engendre une corr\u00e9lation des erreurs qui invalide les formules usuelles de calcul des variances d’estimation.<\/p>\n

Une convergence fondamentale r\u00e9side \u00e9galement dans leur d\u00e9pendance absolue envers la taille de l’\u00e9chantillon<\/strong> ($n$<\/span>). Ni l’\u00e9chantillonnage al\u00e9atoire, ni l’assignation al\u00e9atoire ne sont des baguettes magiques capables de conf\u00e9rer leurs vertus dans des cohortes microscopiques. Dans un \u00e9chantillonnage probabiliste restreint \u00e0 dix individus, la marge d’erreur autour de l’estimation d’une proportion est si monumentale que l’information empirique obtenue est quasiment nulle. Sym\u00e9triquement, dans un essai randomis\u00e9 impliquant seulement dix participants r\u00e9partis en deux groupes de cinq, l’al\u00e9a a toutes les chances d’\u00e9chouer \u00e0 \u00e9quilibrer les covariables : un groupe peut fort bien se retrouver compos\u00e9 exclusivement d’hommes jeunes et le second de femmes \u00e2g\u00e9es par simple accident probabiliste. L’\u00e9quilibrage des facteurs de confusion par l’assignation al\u00e9atoire, tout comme la convergence de la moyenne d’\u00e9chantillon vers la moyenne de la population m\u00e8re, est une propri\u00e9t\u00e9 purement asymptotique<\/em>, r\u00e9gie par la Loi des Grands Nombres. Elle ne prend sa pleine puissance stabilisatrice qu’\u00e0 mesure que les effectifs observ\u00e9s grandissent.<\/p>\n

Enfin, les deux d\u00e9marches partagent une vuln\u00e9rabilit\u00e9 commune face au ph\u00e9nom\u00e8ne de rupture post-protocolaire<\/strong> de l’al\u00e9a. L’\u00e9chantillonnage al\u00e9atoire est mis en \u00e9chec par la non-r\u00e9ponse et le refus de participation d\u00e9mographique ; l’assignation al\u00e9atoire est mise en \u00e9chec par les sorties d’\u00e9tude pr\u00e9matur\u00e9es, la non-observance th\u00e9rapeutique des patients et la perte de vue lors du suivi longitudinal. Dans les deux cas, la perte de donn\u00e9es n’est que tr\u00e8s rarement al\u00e9atoire au sens de Rubin (Missing Completely at Random<\/em> ou MCAR) : elle est g\u00e9n\u00e9ralement li\u00e9e \u00e0 l’\u00e9tat latent du sujet (les patients subissant des effets ind\u00e9sirables graves abandonnent l’\u00e9tude clinique ; les m\u00e9nages pr\u00e9caires et pr\u00e9caris\u00e9s ne r\u00e9pondent pas aux relances des sondeurs). Dans ces deux univers m\u00e9thodologiques, une faille humaine post-proc\u00e9dure vient ainsi saboter l’\u00e9l\u00e9gance th\u00e9orique de l’attribution probabiliste de d\u00e9part.<\/p>\n

6. Quand utiliser quelle m\u00e9thode : Guide d’application pratique<\/h2>\n

6.1 Cas n\u00e9cessitant en priorit\u00e9 l’\u00e9chantillonnage al\u00e9atoire<\/h3>\n

Le choix d\u00e9lib\u00e9r\u00e9 d’investir des ressources substantielles dans un \u00e9chantillonnage al\u00e9atoire s’impose d\u00e8s lors que l’objectif premier de la recherche rel\u00e8ve de la mesure descriptive<\/strong>, de la surveillance prospective ou de l’estimation de param\u00e8tres globaux au sein d’une population d\u00e9finie. C’est le cas embl\u00e9matique des recherches en \u00e9pid\u00e9miologie descriptive et en sant\u00e9 publique. Lorsqu’une autorit\u00e9 sanitaire d\u00e9sire conna\u00eetre le taux de s\u00e9ropr\u00e9valence d’un nouvel agent infectieux au sein d’une nation, le niveau de s\u00e9dentarit\u00e9 des adolescents scolaris\u00e9s, ou la pr\u00e9valence des troubles musculo-squelettiques chez les ouvriers du b\u00e2timent, l’inf\u00e9rence causale n’est pas le moteur imm\u00e9diat de l’action. Ce qui importe est la pr\u00e9cision m\u00e9trologique et l’absence de distorsion structurelle. Seul un \u00e9chantillonnage probabiliste stratifi\u00e9 ou \u00e0 plusieurs degr\u00e9s, appuy\u00e9 sur des registres administratifs ou scolaires fiables, permet de produire des chiffres dont la projection \u00e0 l’ensemble du territoire poss\u00e8de une l\u00e9gitimit\u00e9 d\u00e9cisionnelle.<\/p>\n

Le second domaine d’application imp\u00e9ratif r\u00e9side dans la science politique, la sociologie \u00e9lectorale et les \u00e9tudes de march\u00e9 rigoureuses. Mesurer la cote de confiance d’un gouvernement, la structure des intentions de vote \u00e0 six mois d’un scrutin pr\u00e9sidentiel, ou le taux de p\u00e9n\u00e9tration d’une technologie dans les foyers ruraux exige une validit\u00e9 externe maximale. Les panels volontaires en ligne auto-s\u00e9lectionn\u00e9s ont montr\u00e9 \u00e0 maintes reprises leurs biais syst\u00e9matiques lors des scrutins \u00e9lectoraux majeurs. L’\u00e9chantillonnage probabiliste \u2014 bien qu’il doive aujourd’hui composer avec des taux de non-r\u00e9ponse \u00e9lev\u00e9s imposant des redressements statistiques complexes par la th\u00e9orie du calage sur marges de Jean-Claude Deville et Carl-Erik S\u00e4rndal \u2014 demeure la seule r\u00e9f\u00e9rence th\u00e9orique capable de borner scientifiquement l’erreur d’estimation dans ces disciplines.<\/p>\n

De m\u00eame, les grands instituts nationaux de statistique publique (tels que l’INSEE en France, Statistique Canada, ou le Bureau of Labor Statistics aux \u00c9tats-Unis) structurent l’int\u00e9gralit\u00e9 de leurs barom\u00e8tres macro\u00e9conomiques fondamentaux \u2014 taux de ch\u00f4mage au sens du Bureau International du Travail, indice des prix \u00e0 la consommation, structure des d\u00e9penses des m\u00e9nages \u2014 sur des plans d’\u00e9chantillonnage probabilistes rotatifs rigoureux. Dans ces cadres d’observation syst\u00e9mique du tissu social et \u00e9conomique, la mise en \u0153uvre d’une quelconque assignation exp\u00e9rimentale serait un contresens m\u00e9thodologique : la mission n’est pas d’alt\u00e9rer le cours de la r\u00e9alit\u00e9 pour voir ce qui se passe, mais de photographier l’\u00e9tat du monde avec la plus haute fid\u00e9lit\u00e9 optique possible.<\/p>\n

6.2 Cas n\u00e9cessitant imp\u00e9rativement l’assignation al\u00e9atoire<\/h3>\n

\u00c0 l’autre extr\u00e9mit\u00e9 du spectre m\u00e9thodologique, l’assignation al\u00e9atoire devient une obligation absolue, d\u00e9ontologique et technique, d\u00e8s que la question de recherche vise \u00e0 \u00e9valuer l’efficacit\u00e9 diff\u00e9rentielle d’une intervention d\u00e9lib\u00e9r\u00e9e<\/strong>. Le paradigme souverain est ici l’essai clinique de phase III en pharmacologie et en m\u00e9decine interventionnelle. Pour obtenir l’autorisation de mise sur le march\u00e9 d’une nouvelle entit\u00e9 mol\u00e9culaire destin\u00e9e \u00e0 lutter contre l’insuffisance cardiaque, les agences de r\u00e9gulation internationales exigent formellement la d\u00e9monstration de la sup\u00e9riorit\u00e9 ou de la non-inf\u00e9riorit\u00e9 de cette mol\u00e9cule par rapport au traitement standard de r\u00e9f\u00e9rence \u00e0 travers un essai contr\u00f4l\u00e9 randomis\u00e9 en double aveugle. Dans ce contexte, chercher \u00e0 obtenir un \u00e9chantillon repr\u00e9sentatif de la population mondiale de patients serait secondaire, voire pr\u00e9judiciable \u00e0 la validit\u00e9 interne de l’essai : les crit\u00e8res d’inclusion et d’exclusion sont volontairement restrictifs pour limiter la variance biologique et maximiser la s\u00e9curit\u00e9 des participants, la randomisation se chargeant seule de garantir que l’efficacit\u00e9 mesur\u00e9e d\u00e9coule des propri\u00e9t\u00e9s biochimiques du principe actif.<\/p>\n

Un second domaine de pr\u00e9dilection r\u00e9side dans la psychologie exp\u00e9rimentale<\/strong>, les neurosciences comportementales et la psycholinguistique cognitive. Lorsque des chercheurs veulent savoir si la charge cognitive impos\u00e9e par une interface num\u00e9rique alt\u00e8re les temps de r\u00e9action perceptivo-moteurs ou la m\u00e9moire de travail, le recours \u00e0 un \u00e9chantillonnage probabiliste est mat\u00e9riellement hors de port\u00e9e et conceptuellement non requis \u00e0 ce stade de l’investigation fondamentale. Les th\u00e9ories cognitives postulent des architectures c\u00e9r\u00e9brales partag\u00e9es par l’ensemble de l’esp\u00e8ce humaine Homo sapiens<\/em>. L’imp\u00e9ratif m\u00e9thodologique r\u00e9side donc int\u00e9gralement dans la validit\u00e9 interne : \u00e9liminer les variations interindividuelles (vitesse de base, acuit\u00e9 visuelle, niveau d’anxi\u00e9t\u00e9) au moyen d’une assignation al\u00e9atoire des sujets aux diff\u00e9rentes versions de la t\u00e2che, ou par un plan d’exp\u00e9rience intra-sujet o\u00f9 l’ordre des conditions est contrebalanc\u00e9 de mani\u00e8re pseudo-al\u00e9atoire.<\/p>\n

Enfin, l’\u00e9conomie num\u00e9rique et le d\u00e9veloppement logiciel ont vu l’explosion de l’assignation al\u00e9atoire via le d\u00e9ploiement g\u00e9n\u00e9ralis\u00e9 des tests A\/B<\/strong> (A\/B testing<\/em>). Qu’il s’agisse pour un moteur de recherche d’\u00e9valuer la pertinence d’un nouvel algorithme de recommandation, ou pour une plateforme de commerce \u00e9lectronique de tester l’impact d’une refonte du tunnel de paiement sur le taux de conversion des transactions, le trafic entrant d’utilisateurs est dirig\u00e9 de mani\u00e8re stochastique en temps r\u00e9el : un pourcentage d’internautes est rout\u00e9 vers la version d’origine (A) tandis qu’un pourcentage identique ou modul\u00e9 est assign\u00e9 \u00e0 la variante modifi\u00e9e (B). Les ing\u00e9nieurs ne se soucient aucunement de savoir si les visiteurs du jour constituent un \u00e9chantillon repr\u00e9sentatif de la population terrienne ; leur seule pr\u00e9occupation est que l’assignation soit suffisamment pure pour isoler de fa\u00e7on causale l’impact de la modification du code sur le comportement d’achat de la masse d’utilisateurs connect\u00e9s.<\/p>\n

6.3 Le plan id\u00e9al : Combinaison des deux m\u00e9canismes<\/h3>\n

Le graal m\u00e9thodologique absolu de la recherche empirique consiste en l’orchestration harmonieuse et s\u00e9quentielle des deux piliers probabilistes au sein d’un m\u00eame protocole exp\u00e9rimental : ce que la litt\u00e9rature nomme un essai exp\u00e9rimental randomis\u00e9 repr\u00e9sentatif<\/strong> ou un population-based randomized experiment<\/em>. Dans un tel dispositif, la trajectoire m\u00e9thodologique se d\u00e9ploie en deux mouvements sym\u00e9triques :<\/p>\n

    \n
  • \u00c9tape 1 (Validit\u00e9 Externe Maximale) :<\/strong> L’\u00e9quipe de recherche extrait par un \u00e9chantillonnage al\u00e9atoire probabiliste (par exemple un plan stratifi\u00e9) une cohorte de sujets au sein d’une population cible nationale exhaustivement d\u00e9limit\u00e9e. Cette \u00e9tape neutralise d’embl\u00e9e le biais de s\u00e9lection d\u00e9mographique et ancre solidement la repr\u00e9sentativit\u00e9 soci\u00e9tale de l’\u00e9tude.<\/li>\n
  • \u00c9tape 2 (Validit\u00e9 Interne Maximale) :<\/strong> Une fois cet \u00e9chantillon repr\u00e9sentatif constitu\u00e9, les participants sont ensuite assign\u00e9s de fa\u00e7on purement stochastique (randomisation simple, par blocs ou par minimisation) entre un programme d’intervention et un groupe t\u00e9moin.<\/li>\n<\/ul>\n

    L’aboutissement d’une telle architecture est une prouesse scientifique remarquable : la validit\u00e9 interne est garantie par l’assignation al\u00e9atoire (l’effet moyen observ\u00e9 est indubitablement causal), et cette estimation causale peut \u00eatre extrapol\u00e9e sans extrapolation sp\u00e9culative \u00e0 la population g\u00e9n\u00e9rale parente avec des intervalles de confiance param\u00e9triques ma\u00eetris\u00e9s (validit\u00e9 externe garantie par l’\u00e9chantillonnage al\u00e9atoire). Cette m\u00e9thode a \u00e9t\u00e9 brillamment mise en \u0153uvre dans certains grands essais de politique sociale aux \u00c9tats-Unis, tels que le c\u00e9l\u00e8bre programme Moving to Opportunity<\/em> (MTO) conduit dans les ann\u00e9es 1990 par le minist\u00e8re du Logement (HUD), ou dans certaines exp\u00e9rimentations de terrain de grande envergure pilot\u00e9es par le laboratoire J-PAL cofond\u00e9 par Esther Duflo et Abhijit Banerjee dans les pays en d\u00e9veloppement, o\u00f9 des villages entiers s\u00e9lectionn\u00e9s de fa\u00e7on repr\u00e9sentative \u00e9taient ensuite assign\u00e9s al\u00e9atoirement \u00e0 des dispositifs de micro-assurance ou de soutien nutritionnel.<\/p>\n

    N\u00e9anmoins, la r\u00e9alisation d’un tel plan parfait demeure l’exception rarissime dans l’univers de la science vivante. Les obstacles logistiques, financiers et d\u00e9ontologiques sont titanesques. Recruter un \u00e9chantillon national probabiliste pour lui imposer une intervention contraignante entra\u00eene des co\u00fbts budg\u00e9taires d\u00e9mesur\u00e9s se chiffrant souvent en dizaines de millions d’euros. De surcro\u00eet, le taux de refus d’individus tir\u00e9s au sort pour participer \u00e0 un protocole exp\u00e9rimental lourd est infiniment sup\u00e9rieur \u00e0 celui d’une simple enqu\u00eate d’opinion de quinze minutes : l’auto-s\u00e9lection resurgit alors insidieusement par la porte du consentement \u00e9clair\u00e9, ruinant en partie la repr\u00e9sentativit\u00e9 acquise lors de la premi\u00e8re \u00e9tape.<\/p>\n

    Face \u00e0 cette quadrature du cercle, les chercheurs sont contraints d’op\u00e9rer des compromis programm\u00e9s et de faire appel \u00e0 la mod\u00e9lisation quasi exp\u00e9rimentale<\/strong> lorsque l’un des deux m\u00e9canismes fait d\u00e9faut. Si l’on dispose d’un \u00e9chantillon probabiliste sans possibilit\u00e9 d’assigner al\u00e9atoirement le traitement (parce qu’il s’agit d’une politique publique nationale d\u00e9j\u00e0 appliqu\u00e9e \u00e0 tous les citoyens d’une certaine cat\u00e9gorie), le chercheur utilise des techniques \u00e9conom\u00e9triques avanc\u00e9es : r\u00e9gressions sur discontinuit\u00e9 (Regression Discontinuity Design<\/em>), m\u00e9thodes des doubles diff\u00e9rences (Difference-in-Differences<\/em>) ou mod\u00e9lisation par variables instrumentales. Si, \u00e0 l’inverse, on dispose d’un essai de laboratoire o\u00f9 l’assignation al\u00e9atoire a \u00e9t\u00e9 men\u00e9e avec succ\u00e8s sur un \u00e9chantillon de convenance, le chercheur devra multiplier les r\u00e9plications exp\u00e9rimentales ult\u00e9rieures au sein de populations diversifi\u00e9es (validit\u00e9 externe cumulative) ou recourir \u00e0 des m\u00e9thodes de post-stratification et de transportabilit\u00e9 causale (causal transportability analysis<\/em> formalis\u00e9e par Judea Pearl) pour r\u00e9ajuster math\u00e9matiquement l’effet causal mesur\u00e9 aux caract\u00e9ristiques structurelles de la population g\u00e9n\u00e9rale.<\/p>\n

    7. Foire aux questions (FAQ)<\/h2>\n

    7.1 Peut-on r\u00e9aliser une assignation al\u00e9atoire sans \u00e9chantillonnage al\u00e9atoire pr\u00e9alable ?<\/h3>\n

    Non seulement cela est possible, mais c’est la r\u00e9alit\u00e9 empirique \u00e9crasante de l’immense majorit\u00e9 des recherches exp\u00e9rimentales publi\u00e9es dans le monde. Plus de 95 % des essais cliniques biom\u00e9dicaux, des \u00e9tudes de laboratoire en psychologie cognitive, des exp\u00e9rimentations en sciences du sport ou en ergonomie sont r\u00e9alis\u00e9s sur des \u00e9chantillons de convenance non probabilistes<\/strong>. Les sujets qui y participent sont recrut\u00e9s par des annonces dans les h\u00f4pitaux, des appels sur les r\u00e9seaux sociaux, des bases d’\u00e9tudiants r\u00e9mun\u00e9r\u00e9s par des cr\u00e9dits de cours, ou des panels d’utilisateurs volontaires. Il n’y a donc aucun \u00e9chantillonnage al\u00e9atoire : la cohorte est s\u00e9lectionn\u00e9e par opportunit\u00e9 et auto-s\u00e9lection.<\/p>\n

    Pour autant, d\u00e8s que ces volontaires franchissent le seuil du protocole, ils sont assign\u00e9s al\u00e9atoirement aux diff\u00e9rents bras de l’exp\u00e9rience. Cette assignation al\u00e9atoire fonctionne avec toute sa vigueur math\u00e9matique : elle assure que le groupe placebo et le groupe trait\u00e9 sont \u00e9quivalents au d\u00e9part, et conf\u00e8re une validit\u00e9 interne irr\u00e9prochable<\/strong> aux r\u00e9sultats de l’\u00e9tude. Si le m\u00e9dicament r\u00e9duit la tumeur de 40 % chez les patients trait\u00e9s par rapport au groupe t\u00e9moin, cette conclusion causale est scientifiquement inattaquable pour le groupe examin\u00e9. La seule limite, mais elle est de taille, r\u00e9side dans la validit\u00e9 externe : l’\u00e9quipe scientifique ne peut pas affirmer sans r\u00e9serves que cette mol\u00e9cule agira avec la m\u00eame magnitude chez des patients pr\u00e9sentant un profil g\u00e9n\u00e9tique ou un mode de vie diff\u00e9rent de celui de ces volontaires. La causalit\u00e9 est prouv\u00e9e, mais le p\u00e9rim\u00e8tre de sa transf\u00e9rabilit\u00e9 reste \u00e0 borner par des r\u00e9plications ult\u00e9rieures.<\/p>\n

    7.2 Quelle m\u00e9thode est indispensable pour prouver formellement une relation de causalit\u00e9 ?<\/h3>\n

    La m\u00e9thode absolument indispensable, ind\u00e9tr\u00f4nable et constitutive de la d\u00e9monstration causale rigoureuse est l’assignation al\u00e9atoire<\/strong>. L’\u00e9chantillonnage al\u00e9atoire seul en est structurellement incapable. Une \u00e9tude qui mettrait en \u0153uvre un \u00e9chantillonnage probabiliste parfait \u00e0 l’\u00e9chelle de l’humanit\u00e9 enti\u00e8re, interrogeant dix millions d’individus s\u00e9lectionn\u00e9s avec une rigueur g\u00e9om\u00e9trique irr\u00e9prochable, mais se contentant d’observer passivement leurs habitudes de vie, ne pourra jamais prouver une relation de cause \u00e0 effet directe. Elle ne pourra produire que des corr\u00e9lations descriptives, potentiellement empoisonn\u00e9es par des variables de confusion cach\u00e9es, des r\u00e9troactions causales syst\u00e9miques (causalit\u00e9 inverse) ou des ph\u00e9nom\u00e8nes de causalit\u00e9 circulaire.<\/p>\n

    Pour affirmer sans ambigu\u00eft\u00e9 logique que $X$<\/span> est la cause de $Y$<\/span>, il faut \u00eatre en mesure d’invoquer la logique contrefactuelle : qu’adviendrait-il de $Y$<\/span> si l’on manipulait $X$<\/span> en maintenant rigoureusement tout le reste de l’univers constant ? Seule l’assignation al\u00e9atoire, coupl\u00e9e au contr\u00f4le exp\u00e9rimental de l’intervention, permet de mat\u00e9rialiser ce contrefactuel dans le monde r\u00e9el en cr\u00e9ant deux groupes dont l’unique dissemblance r\u00e9side dans l’exposition au facteur $X$<\/span>. C’est cette rupture probabiliste des liens de causalit\u00e9 parasites entre le patient et le traitement qui fonde la l\u00e9gitimit\u00e9 causale. L’\u00e9chantillonnage probabiliste d\u00e9termine la population de r\u00e9f\u00e9rence<\/em> \u00e0 laquelle cette conclusion causale s’applique, mais c’est l’assignation al\u00e9atoire qui fournit le moteur logique<\/em> de la preuve causale elle-m\u00eame.<\/p>\n

    7.3 Comment compenser l’absence de ces m\u00e9thodes dans les \u00e9tudes quasi-exp\u00e9rimentales ?<\/h3>\n

    Dans de nombreuses situations du monde r\u00e9el, des contraintes \u00e9thiques, l\u00e9gales ou mat\u00e9rielles emp\u00eachent l’exp\u00e9rimentateur d’appliquer un \u00e9chantillonnage probabiliste strict ou une assignation al\u00e9atoire contr\u00f4l\u00e9e. La bo\u00eete \u00e0 outils de la statistique moderne et de l’\u00e9conom\u00e9trie a con\u00e7u des m\u00e9thodes palliatives pour tenter de reproduire artificiellement ces protections fondamentales :<\/p>\n

      \n
    • Pour pallier l’absence d’\u00e9chantillonnage al\u00e9atoire :<\/strong> Le statisticien recourt \u00e0 des m\u00e9thodes de redressement a posteriori. Les techniques les plus solides reposent sur le calage sur marges<\/strong> et la post-stratification<\/strong>, consistant \u00e0 r\u00e9\u00e9quilibrer le poids de chaque individu de l’\u00e9chantillon pour forcer la distribution de variables d\u00e9mographiques cl\u00e9s (sexe, \u00e2ge, cat\u00e9gorie socio-professionnelle, dipl\u00f4me) \u00e0 co\u00efncider avec les distributions marginales issues des recensements officiels de la population de r\u00e9f\u00e9rence. Cependant, cette correction reste impuissante \u00e0 redresser des biais d’auto-s\u00e9lection reposant sur des variables non document\u00e9es, telles que l’int\u00e9r\u00eat pour la politique ou la d\u00e9tresse psychologique intime.<\/li>\n
    • Pour pallier l’absence d’assignation al\u00e9atoire :<\/strong> Lorsque l’attribution du traitement est non randomis\u00e9e (par exemple dans les \u00e9tudes de cohortes observationnelles), les chercheurs emploient des m\u00e9thodes d’ajustement contrefactuel :\n
        \n
      • L’appariement sur score de propension (Propensity Score Matching – PSM) :<\/em> On calcule pour chaque individu la probabilit\u00e9 d’avoir re\u00e7u le traitement en fonction de toutes ses caract\u00e9ristiques observ\u00e9es, puis on apparie chaque individu trait\u00e9 \u00e0 un individu t\u00e9moin ayant un score de propension strictement identique. Cette m\u00e9thode neutralise le biais de confusion sur les variables observ\u00e9es<\/em>, mais reste totalement aveugle aux variables de confusion inobserv\u00e9es<\/em>.<\/li>\n
      • La r\u00e9gression sur discontinuit\u00e9 (Regression Discontinuity Design – RDD) :<\/em> Si une intervention publique est attribu\u00e9e selon un seuil num\u00e9rique strict (par exemple, une bourse attribu\u00e9e uniquement aux \u00e9tudiants dont le revenu familial est inf\u00e9rieur \u00e0 un certain montant), on compare les individus situ\u00e9s imm\u00e9diatement au-dessus et imm\u00e9diatement en dessous de ce seuil. Au voisinage imm\u00e9diat de cette fronti\u00e8re, l’attribution du traitement est consid\u00e9r\u00e9e comme quasi-al\u00e9atoire (\u00ab as good as randomly assigned<\/em> \u00bb), r\u00e9tablissant localement une quasi-assignation al\u00e9atoire.<\/li>\n
      • L’approche par variable instrumentale (Instrumental Variables – IV) :<\/em> On identifie une variable externe ($Z$<\/span>) qui influence l’exposition au traitement ($D$<\/span>), mais qui n’a aucun impact direct sur le r\u00e9sultat final ($Y$<\/span>) en dehors de son passage par le traitement (restriction d’exclusion). Cette variable instrumentale agit comme un g\u00e9n\u00e9rateur naturel de randomisation, permettant d’extraire la composante exog\u00e8ne de la variation du traitement et de restaurer une inf\u00e9rence causale non biais\u00e9e m\u00eame en pr\u00e9sence de facteurs de confusion non mesur\u00e9s.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n

        8. Conclusion : Concilier repr\u00e9sentativit\u00e9 et causalit\u00e9<\/h2>\n

        8.1 Synth\u00e8se des apports m\u00e9thodologiques compl\u00e9mentaires<\/h3>\n

        Au terme de cette exploration architecturale, la distinction entre \u00e9chantillonnage al\u00e9atoire et assignation al\u00e9atoire se r\u00e9v\u00e8le dans toute son acuit\u00e9 \u00e9pist\u00e9mologique. L’\u00e9chantillonnage probabiliste est la technologie de la repr\u00e9sentativit\u00e9 : il r\u00e9sout le probl\u00e8me de la s\u00e9lection en garantissant que les inf\u00e9rences statistiques descriptives tir\u00e9es d’un sous-ensemble d’unit\u00e9s sont extrapolables avec une marge d’erreur quantifiable \u00e0 une population m\u00e8re d\u00e9sign\u00e9e. Il constitue le passeport pour la validit\u00e9 externe. L’assignation al\u00e9atoire est la technologie de l’inf\u00e9rence causale : elle r\u00e9sout l’aporie fondamentale du contrefactuel en assurant que les groupes exp\u00e9rimentaux compar\u00e9s sont interchangeables et identiques avant l’intervention sous tous les rapports observables et inobservables. Elle constitue le bouclier imp\u00e9n\u00e9trable de la validit\u00e9 interne.<\/p>\n

        L’amalgame historique et terminologique entre ces deux approches proc\u00e8de d’une vision simpliste de la m\u00e9thodologie scientifique qui r\u00e9duit la rigueur stochastique \u00e0 l’usage abstrait du \u00ab hasard \u00bb. Or, le hasard n’est pas une finalit\u00e9 en soi, mais un instrument param\u00e9trique dont la valeur d\u00e9coule exclusivement de l’endroit pr\u00e9cis o\u00f9 il est inject\u00e9 dans la cha\u00eene de production du savoir. Plac\u00e9 au moment de franchir le seuil du monde pour entrer dans l’\u00e9chantillon, le hasard fabrique de la repr\u00e9sentativit\u00e9 ; plac\u00e9 au moment de d\u00e9partager les sujets pour leur administrer des traitements rivaux, le hasard fabrique de la certitude causale. Toute tentative d’attribuer \u00e0 l’un les propri\u00e9t\u00e9s de l’autre conduit in\u00e9vitablement \u00e0 l’erreur scientifique : soit \u00e0 prendre une simple corr\u00e9lation populationnelle pour une v\u00e9rit\u00e9 m\u00e9canique universelle, soit \u00e0 prendre une d\u00e9monstration causale hyper-localis\u00e9e pour une panac\u00e9e imm\u00e9diatement applicable \u00e0 l’ensemble du vivant.<\/p>\n

        La clart\u00e9 conceptuelle sur ces enjeux est une n\u00e9cessit\u00e9 absolue \u00e0 l’\u00e8re de l’information de masse et des Big Data<\/em>. La profusion contemporaine d’ensembles de donn\u00e9es volumineux (les m\u00e9gadonn\u00e9es issues des t\u00e9l\u00e9phones portables, des traces de navigation web ou des cartes de cr\u00e9dit) nourrit souvent l’illusion technocratique selon laquelle la taille brute des cohortes effacerait le besoin de rigueur probabiliste. Pourtant, observer des milliards de points de donn\u00e9es non probabilistes et non randomis\u00e9s ne fait que multiplier \u00e0 l’infini les biais de s\u00e9lection et les confusions causales. Le gigantisme quantitatif ne remplacera jamais l’\u00e9l\u00e9gance m\u00e9thodologique des th\u00e9or\u00e8mes formul\u00e9s par Fisher, Neyman, Campbell et Rubin.<\/p>\n

        8.2 Recommandations pour la conception de recherches empiriques<\/h3>\n

        Pour les chercheurs concevant des protocoles de recherche contemporains, comme pour les \u00e9tudiants et les professionnels de l’\u00e9valuation scientifique, plusieurs imp\u00e9ratifs m\u00e9thodologiques structurants doivent guider la pratique empirique :<\/p>\n

          \n
        • Clarifier en amont la primaut\u00e9 de la question de recherche :<\/strong> Avant de concevoir l’architecture de collecte des donn\u00e9es, l’investigateur doit expliciter sans d\u00e9tours la finalit\u00e9 ultime de son travail. S’agit-il d’estimer un param\u00e8tre descriptif au sein d’une population cible (taux, moyenne, pr\u00e9valence) ? Si oui, les ressources budg\u00e9taires doivent \u00eatre massivement sanctuaris\u00e9es pour l’acquisition d’une base de sondage et le d\u00e9ploiement d’un \u00e9chantillonnage al\u00e9atoire probabiliste<\/em>. S’agit-il de tester l’efficacit\u00e9 causale d’une intervention, d’un proc\u00e9d\u00e9 ou d’une politique ? Dans ce cas, l’imp\u00e9ratif cat\u00e9gorique absolu est de r\u00e9server les efforts m\u00e9thodologiques \u00e0 l’instauration d’une assignation al\u00e9atoire irr\u00e9prochable<\/em>, m\u00eame si celle-ci doit s’op\u00e9rer sur une cohorte restreinte de volontaires \u00e9ligibles.<\/li>\n
        • Documenter avec une transparence absolue la trajectoire des participants :<\/strong> La litt\u00e9rature scientifique exige un rejet total des formulations vagues telles que \u00ab nous avons utilis\u00e9 un \u00e9chantillon randomis\u00e9 \u00bb. Les publications doivent imp\u00e9rativement expliciter de mani\u00e8re disjointe : d’une part, la m\u00e9thode exacte de recrutement des sujets depuis la population g\u00e9n\u00e9rale (d\u00e9claration des crit\u00e8res de convenance, taux de r\u00e9ponse, exclusions) en se conformant \u00e0 des standards tels que les grilles STROBE pour l’\u00e9pid\u00e9miologie observationnelle ; d’autre part, l’algorithme formel d’assignation exp\u00e9rimentale (g\u00e9n\u00e9rateur pseudo-al\u00e9atoire utilis\u00e9, s\u00e9quence de dissimulation de l’allocation, m\u00e9thode d’aveuglement) selon les recommandations strictes du diagramme de flux CONSORT pour les essais contr\u00f4l\u00e9s.<\/li>\n
        • Adopter une \u00e9thique de l’humilit\u00e9 interpr\u00e9tative :<\/strong> L’affirmation d’une conclusion scientifique doit s’accompagner d’une d\u00e9limitation explicite de son domaine de validit\u00e9. Les chercheurs conduisant des essais randomis\u00e9s purs sur des \u00e9chantillons de convenance doivent explicitement avertir le lecteur des limites de transf\u00e9rabilit\u00e9 de leurs r\u00e9sultats, et encourager activement la r\u00e9plication \u00e9cologique au sein d’autres contextes d\u00e9mographiques. R\u00e9ciproquement, les analystes exploitant de vastes bases d’enqu\u00eates probabilistes nationales doivent s’interdire de formuler des recommandations prescriptives imp\u00e9ratives sur la base de simples mod\u00e8les de r\u00e9gression multivari\u00e9e, tant que la robustesse de l’hypoth\u00e8se causale n’a pas \u00e9t\u00e9 soumise au feu des plans quasi exp\u00e9rimentaux ou des exp\u00e9rimentations randomis\u00e9es de confirmation.<\/li>\n<\/ul>\n

          En apprenant \u00e0 manier l’\u00e9chantillonnage al\u00e9atoire et l’assignation al\u00e9atoire non pas comme des synonymes interchangeables, mais comme les deux faces indissociables d’une m\u00eame qu\u00eate de rigueur probabiliste, la communaut\u00e9 scientifique se donne les moyens de b\u00e2tir une connaissance empirique \u00e0 la fois indiscutable dans ses m\u00e9canismes internes et universellement f\u00e9conde dans ses applications soci\u00e9tales.<\/p>\n

          R\u00e9f\u00e9rences<\/h2>\n
            \n
          • Bowley, A. L. (1906). Address to the Economic Science and Statistics Section of the British Association for the Advancement of Science. Journal of the Royal Statistical Society<\/em>, 69(3), 540\u2013558.<\/li>\n
          • Bowley, A. L. (1926). Measurement of the precision attained in sampling. Bulletin of the International Statistical Institute<\/em>, 22, 1\u201362.<\/li>\n
          • Campbell, D. T., & Stanley, J. C. (1963). Experimental and Quasi-Experimental Designs for Research<\/em>. Rand McNally.<\/li>\n
          • Fisher, R. A. (1925). Statistical Methods for Research Workers<\/em>. Oliver & Boyd.<\/li>\n
          • Fisher, R. A. (1935). The Design of Experiments<\/em>. Oliver & Boyd.<\/li>\n
          • Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association<\/em>, 81(396), 945\u2013960.<\/li>\n
          • Ki\u00e6r, A. N. (1895). Den representative Unders\u00f8gelsesmetode. Christiania Videnskabsselskabs Skrifter<\/em>, 2, 1\u201354.<\/li>\n
          • Neyman, J. (1934). On the two different aspects of the representative method: The method of stratified sampling and the method of purposive selection. Journal of the Royal Statistical Society<\/em>, 97(4), 558\u2013625.<\/li>\n
          • Peirce, C. S., & Jastrow, J. (1885). On small differences of sensation. Memoirs of the National Academy of Sciences<\/em>, 3, 73\u201383.<\/li>\n
          • Pocock, S. J., & Simon, R. (1975). Sequential treatment assignment with balancing for prognostic factors in the controlled clinical trial. Biometrics<\/em>, 31(1), 103\u2013115.<\/li>\n
          • Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika<\/em>, 70(1), 41\u201355.<\/li>\n
          • Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology<\/em>, 66(5), 688\u2013701.<\/li>\n
          • Thistlethwaite, D. L., & Campbell, D. T. (1960). Regression-discontinuity analysis: An alternative to the ex post facto experiment. Journal of Educational Psychology<\/em>, 51(6), 309\u2013317.<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"

            Guide complet comparant l’\u00e9chantillonnage al\u00e9atoire et l’assignation al\u00e9atoire : principes, validit\u00e9s interne et externe, et applications en recherche.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[3338,1838],"tags":[9629,7165,2243,5869,3905],"class_list":["post-25186","psych_comparison","type-psych_comparison","status-publish","hentry","category-methodologie-scientifique","category-statistiques","tag-assignation-aleatoire","tag-echantillonnage-aleatoire","tag-methodologie-de-recherche","tag-validite-externe","tag-validite-interne"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_comparison\/25186","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_comparison"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_comparison"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=25186"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_comparison\/25186\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=25186"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=25186"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=25186"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}