Guide pratique pour la conception d'enquêtes sur les ménages

Le traitement des données dans les enquêtes sur les ménages 213
Cependant, la même erreur, s’agissant des dépenses mensuelles d’alimentation, risque aisément de ne
pas être détectée, car 14 dollars ou 41 dollars peuvent être des montants plausibles. Pour éviter une
telle situation, l’on demande généralement à deux opérateurs différents d’entrer deux fois les données
provenant de chaque questionnaire.
Données manquantes
81. Lorsque commence le traitement, il y aura très certainement beaucoup de données manquantes.
Il se peut que certains ménages aient déménagé ou aient refusé de répondre, qu’il n’ait pas été apporté
de réponse à certaines des questions figurant dans le questionnaire, ou bien que certaines informations
soient incompatibles avec les autres données figurant dans les réponses au questionnaire. Quelle
que soit la raison, l’on se trouve en présence d’une rubrique manquante, vide ou incomplète.
82. Il importe d’établir une distinction entre les données manquantes — c’est-à-dire les données
qui devraient être présentes mais dont la valeur correcte est inconnue — et les données néant. Par
exemple, un questionnaire pourra être vide parce que le ménage a refusé de répondre à l’enquête,
tandis qu’une partie d’un deuxième questionnaire pourra être vide parce que le ménage n’a rien semé
dans ses champs. Dans le deuxième cas, la variable « superficie ensemencée » devra être indiquée
comme étant néant. De telles entrées doivent être conservées dans le fichier pour analyse et tabulation.
83. La marche à suivre dans le cas de données véritablement manquantes dépend du type de données
qui fait défaut. Un élément sélectionné de l’échantillon peut être totalement absent en raison
du refus du ménage de participer à l’enquête ou de l’incapacité du déclarant de répondre à toutes les
questions. En pareil cas, l’on dit qu’il y a eu « non-réponse unitaire ».
84. Si le déclarant ne peut répondre qu’à certaines des questions mais pas à d’autres, il y a « nonréponse
ponctuelle/partielle » parce qu’il a été obtenu au sujet du ménage certaines informations,
mais pas toutes.
85. Comme cela a été souligné à maintes reprises dans le présent guide, les données manquantes,
quel qu’en soit le type, débouchent sur des estimations faussées. Pour une discussion détaillée du
traitement réservé aux cas de non-réponse, y compris les méthodes d’ajustement, voir le chapitre 6.
86. En cas de non-réponse partielle, il peut être nécessaire, pour que les totaux correspondent, de
remplacer les valeurs manquantes par des estimations raisonnables. C’est ce que l’on appelle l’imputation,
comme on l’a vu au chapitre 6. Plusieurs méthodes peuvent être utilisées pour imputer des
valeurs de remplacement. Certaines d’entre elles sont :
• L’imputation de la valeur moyenne : la valeur moyenne (de l’UPE ou de toutes les séries de
données) est utilisée pour imputer la valeur manquante;
• L’imputation séquentielle : les valeurs manquantes sont empruntées à un dossier (donateur)
semblable au dossier incomplet. Le dossier donateur doit avoir été dûment vérifié;
• L’imputation statistique : une relation (régression, ratio) est utilisée simultanément avec une
autre variable tirée de données complètes pour imputer la valeur manquante.
87. Ces méthodes ne sont que quelques-unes de celles auxquelles il est possible d’avoir recours
pour imputer des valeurs manquantes, mais il en existe plusieurs autres. L’efficacité de l’imputation
dépendra évidemment de la mesure dans laquelle le module d’imputation capture la non-réponse.