Séminaire d’Analyses comparatives et enquête sociologique Séances 8 et 9 L’analyse des résultats

Objectifs d’un questionnaire Quatre grands types d’objectifs : ► estimer des grandeurs absolues ► estimer des grandeurs relatives ► décrire une sous-population, une population ► vérifier des hypothèses (relations entre plusieurs variables)

1. Estimer des grandeurs absolues

1. Estimer des grandeurs absolues

1. Estimer des grandeurs absolues

2. Estimer des valeurs relatives

2. Estimer des valeurs relatives

3. Décrire une (sous-)population

4. Vérifier une hypothèse

4. Vérifier une hypothèse

4. Vérifier une hypothèse

4. Vérifier une hypothèse

4. Vérifier une hypothèse

Types de variables Variables quantitatives Variables ordinales Variables discrètes

Variables quantitatives Matrices de corrélations Graphiques de courbes ou de nuages de points Moyennes Taux

Mais la plupart du temps, les variables que les sociologues utilisent ne permettent pas ces types de présentation de résultats. Variables discrètes : genre, nationalité, niveau d’instruction, catégorie socio-professionnelle, affiliation religieuse… opinions, attitudes, types d’activités… → on est limité dans la présentation des résultats…

Tableaux croisés et mesures d’association (vs corrélation) Quelques exemples Des tableaux croisés simples Des tableaux croisés avec mesures d’association Des tableaux synthétiques

Tableaux croisés Vite se pose la question de l’accumulation des résultats et les problèmes de variables tierces. → l’exemple de l’extrémisme politique → l’exemple des auditeurs d’émissions religieuses (Lazarsfeld)

Exemple de l’extrémisme politique 3 variables NI : niveau d’instruction (NIH : NI Haut - NIB : NI Bas) P : pratique religieuse (PH : P Forte - PB : P faible) E : extrémisme politique (E1 : E Fort - E2 : E faible)

Exemple de l’extrémisme politique NI E P

Exemple de l’extrémisme politique Niveau d’instruction élevé Niveau d’instruction bas Extrémisme fort 200 600 Extrémisme faible 800 400

Exemple de l’extrémisme politique Pratique religieuse forte Pratique religieuse faible Extrémisme fort 600 200 Extrémisme faible 400 800

Exemple de l’extrémisme politique

Exemple de l’extrémisme politique 75% 6.25% 56.25% 75%

Exemple de l’écoute radiophonique d’émissions religieuses 3 variables NI : niveau d’instruction (NIH : NI Haut - NIB : NI Bas) A : âge (J : jeunes - V : vieux) E : écoute radiophonique d’émissions religieuses (E1 : écoute régulièrement - E2 : n’écoute pas régulièrement)

Exemple de l’écoute radiophonique d’émissions religieuses

Exemple de l’écoute radiophonique d’émissions religieuses Niveau d’instruction bas Niveau d’instruction élevé Ecoute régulière 400 100 Ecoute rare 900

Exemple de l’écoute radiophonique d’émissions religieuses Jeunes Vieux Ecoute régulière 170 330 Ecoute rare 830 970

Exemple de l’écoute radiophonique d’émissions religieuses

Exemple de l’écoute radiophonique d’émissions religieuses 9.16% 11.25% 28.75% 31.67%

Se pose la question : Comment alors régler l’articulation de toutes ces variables ? Deux réponses ont été développées par la tradition sociologique : l’analyse des correspondances multiples les régressions multiples N.B. : Nous ne tenterons pas d’aborder ces techniques d’un point de vue statistique. Nous tenterons de comprendre leurs visées générales.

Analyse de correspondances multiples (analyse factorielle) Exemple canonique : Bourdieu, La distinction; Objectif : appréhender le plus simplement possible la masse des données Souvent utile lors de la phase exploratoire (systématise la phase des tableaux croisés sans nécessiter le passage par la construction d’hypothèses)

Analyse de correspondances multiples (analyse factorielle) Principes généraux ► un espace multidimensionnel (au départ une dimension par variable) se réduit pour devenir lisible (deux dimensions à la fois, deux, trois, quatre… facteurs) ► on traduit la proximité entre modalités de variables ► on trouve des variables actives et des variables supplémentaires (sous-entendu : les secondes expliquent les premières)

La régression multiple Idée générale : rechercher l’effet propre de plusieurs variables sur un autre (variable dépendante), toutes choses égales par ailleurs Y=a1x1 + a2x2 + a3x3… anxn+U Y : variable dépendante; X1…n : variables indépendantes; a1…n : coefficients de régression; u : résidu

Régression ou ACM ? Buts différents -> complémentarité entre les deux méthodes La régression « explique », l’ACM « décrit » Une illustration des différences entre les deux types de méthode : le cas des salaires féminins ► ACM : montrera que les femmes occupent des emplois moins qualifiés, qu’elles sont plus souvent employées et moins souvent cadres, qu’elles ont en moyenne des salaires inférieurs… que les hommes ►Régression multiple : tentera de savoir si, toutes choses égales par ailleurs, les femmes ont des salaires inférieurs

L’exemple de la précarité professionnelle et le risque d’exclusion (Serge Paugam) Premières explorations : les tableaux croisés □ situation sur le marché de l’emploi et pauvreté économique □ situation sur le marché de l’emploi et sociabilité familiale □ situation sur le marché de l’emploi et supports relationnels □ situation sur le marché de l’emploi et vie associative

L’exemple de la précarité professionnelle et le risque d’exclusion (Serge Paugam) Cumul des handicaps, pauvreté comme phénomène multidimensionnel : ACM

L’exemple de la précarité professionnelle et le risque d’exclusion (Serge Paugam) « Une fois qu’on a pris en compte l’effet du sexe, de l’âge, de la nationalité du père, de la commune d’habitation, de la catégorie socioprofessionnelle, du diplôme, du revenu, du nombre d’enfants, de la trajectoire conjugale et de l’existence de problèmes de jeunesse, subsiste-t-il des écarts dans l’intensité de la sociabilité familiale, selon la situation professionnelle ? » : Régression multiple