Skip to content
Retour aux résultats

Recherche par enquête longitudinale — Conception d'enquête à mesures répétées

Introduite par
Survey methodology tradition; codified in social sciences by scholars including W.S. Robinson (1950) and later Scott Menard
Année
Mid-20th century (formalized ~1950s–1970s)
Type
Quantitative observational research design
Famille
Survey / observational design

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La recherche par enquête longitudinale collecte des données structurées par questionnaire auprès des mêmes individus (ou unités) à deux moments ou plus.

Contrairement à une enquête transversale ponctuelle, cette conception capture le changement, la stabilité et l'ordre temporel des variables, permettant aux chercheurs de suivre les trajectoires, de tester les séquences causales et de distinguer les effets de cohorte des effets de vieillissement dans un cadre quantitatif.

L’intuition derrière la méthode

Imaginez que vous souhaitiez savoir si un nouveau programme scolaire améliore réellement les attitudes des élèves envers les mathématiques sur une année — et pas seulement à quoi ressemblent ces attitudes à un moment donné. Une enquête longitudinale suit les mêmes élèves au début de l'année, à mi-parcours et à la fin de l'année, en posant des questions identiques ou parallèles à chaque fois. Étant donné que les mêmes personnes répondent de manière répétée, vous pouvez comparer directement le changement de chaque individu plutôt que de l'inférer à partir de personnes différentes à des moments différents. La structure temporelle est ce qui confère à cette conception son pouvoir analytique : vous pouvez observer des séquences de changement plutôt que des instantanés.

Histoire

L'utilisation d'enquêtes répétées au fil du temps a émergé dans les sciences sociales au milieu du XXe siècle. L'article de W.S. Robinson de 1950 sur les corrélations écologiques et individuelles a attiré l'attention sur les limites des données transversales pour l'inférence au niveau individuel, motivant les conceptions de panel. Les programmes d'enquêtes longitudinales à grande échelle — y compris le Panel Study of Income Dynamics (PSID, lancé en 1968) et les National Longitudinal Surveys (NLS) aux États-Unis — ont démontré la faisabilité et la valeur scientifique du suivi des mêmes répondants sur des décennies. Le manuel de Scott Menard (1991, 2e éd. 2002) et le volume édité par Peter Lynn sur la méthodologie des enquêtes longitudinales (2009) ont codifié les meilleures pratiques pour la conception de l'échantillon, la gestion de l'attrition et l'analyse.

Quand l’utiliser

Utilisez la recherche par enquête longitudinale lorsque la question centrale concerne le changement au fil du temps, l'ordre temporel des variables, ou le développement des résultats chez les individus ou les unités — des questions qu'une enquête transversale ne peut pas répondre. Elle est bien adaptée à l'étude du changement d'attitude, des trajectoires de développement, des parcours professionnels, des comportements de santé et des effets des politiques lorsque la manipulation expérimentale n'est ni réalisable ni éthique. La conception nécessite un échantillon stable et traçable ; un financement suffisant et une capacité institutionnelle pour la collecte de données à plusieurs vagues ; et une volonté de gérer l'attrition. NE PAS l'utiliser lorsque : (1) seul une estimation de prévalence à un moment donné est nécessaire — une enquête transversale est plus efficace ; (2) la période d'étude est trop courte pour qu'un changement significatif se produise ; (3) le suivi des participants est opérationnellement impossible ; ou (4) la mesure répétée est susceptible de produire des effets de test qui contaminent le construit mesuré.

Limites et points d’attention

  • L'attrition du panel menace la validité interne : les participants qui abandonnent sont souvent systématiquement différents de ceux qui restent, introduisant un biais de sélection.
  • L'administration répétée du même instrument peut produire des effets de test — les participants apprennent ou deviennent sensibilisés aux questions, gonflant le changement apparent.
  • Logistiquement exigeant et coûteux : le suivi des participants, la gestion des informations de contact et le maintien de l'engagement entre les vagues nécessitent des ressources considérables.
  • Les horizons temporels longs signifient que les événements externes (effets historiques, pandémies, changements de politique) entre les vagues deviennent des facteurs de confusion difficiles à démêler des construits d'intérêt.
  • L'invariance de mesure doit être établie entre les vagues avant que les scores de changement ne soient interprétés ; l'absence de test peut conduire à des conclusions erronées sur le changement.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Établit la précédence temporelle — un prérequis pour l'inférence causale — en capturant l'ordre des changements de variables chez les mêmes participants.
  • Sépare le changement intra-individuel des différences inter-individuelles, fournissant des estimations plus précises que les comparaisons transversales.
  • Détecte les effets de cohorte, de période et d'âge qui ne deviennent visibles que lorsque les mêmes individus sont suivis au fil du temps.
  • Évolutive à de grands échantillons représentatifs au niveau national, permettant des inférences au niveau de la population sur les trajectoires de changement.
  • Compatible avec un large éventail de techniques analytiques (GCM, CLPM, SEM) qui exploitent la structure temporelle des données.
  • Plus efficace que le recrutement de nouvelles cohortes à chaque vague lors de l'étude de la même population au fil du temps.

Applications

  • Suivi des changements dans la motivation scolaire, l'auto-efficacité ou le bien-être des élèves au cours des années scolaires ou des programmes d'études.
  • Surveillance de l'évolution des attitudes politiques, des intentions de vote ou de l'engagement civique au sein de panels électoraux nationaux.
  • Étude du changement de comportement de santé — activité physique, alimentation, usage de substances — sur des mois ou des années dans des études de cohorte.
  • Évaluation des résultats à long terme sur le marché du travail des diplômés de différentes filières éducatives.
  • Évaluation des effets durables des campagnes de santé publique ou des interventions éducatives après la fin du programme actif.
  • Examen de la manière dont les attitudes organisationnelles (satisfaction au travail, engagement) réagissent aux changements de politique sur le lieu de travail au fil du temps.

Comment ça marche

Comment ça marche

1

Le chercheur définit les questions de recherche, sélectionne la population cible, détermine le nombre de vagues de mesure et les intervalles de temps entre elles, et construit ou adapte un instrument d'enquête cohérent entre les vagues. La taille de l'échantillon doit tenir compte de l'attrition attendue, et les procédures de consentement éclairé doivent aborder la participation à plusieurs vagues dès le départ.

2

La première vague (Temps 1) de l'enquête est administrée à l'échantillon recruté, collectant des mesures de base de toutes les variables clés — résultats, prédicteurs et covariables. Des taux de réponse élevés à cette vague sont essentiels car tout participant perdu à la base ne peut être récupéré dans les analyses ultérieures.

3

À chaque vague subséquente (Temps 2, Temps 3, …), les mêmes participants sont recontactés et l'instrument d'enquête leur est à nouveau administré. La cohérence de la formulation des questions, des formats de réponse et du mode d'administration entre les vagues préserve l'équivalence de mesure et permet de distinguer le changement de score réel de l'artefact de mesure.

4

L'attrition du panel — le dropout de participants entre les vagues — est évaluée en comparant les participants ayant complété la vague aux non-compléteurs sur les caractéristiques de base. Si les dropouts diffèrent systématiquement des continuateurs (attrition sélective), des stratégies analytiques telles que l'imputation multiple, la pondération par probabilité inverse ou l'estimation du maximum de vraisemblance à information complète sont appliquées pour réduire le biais.

5

Les données longitudinales sont analysées avec des méthodes adaptées aux mesures répétées : modélisation de courbes de croissance, modèles de scores de changement latents, modèles de panel à décalage croisé, équations généralisées d'estimation ou régression à effets mixtes. Le modèle choisi dépend de l'intérêt principal : changement au niveau moyen, trajectoires individuelles ou relations causales réciproques entre variables au fil du temps.

Pièges courants

  • Ignorer l'attrition sélective : supposer que les participants ayant complété la vague sont représentatifs de l'échantillon d'origine sans tester le dropout différentiel produit des estimations biaisées du changement.
  • Changer l'instrument d'enquête entre les vagues : même des révisions mineures de formulation ou des modifications d'échelle de réponse invalident les comparaisons directes de scores au fil du temps.
  • Échantillon de base sous-dimensionné : calculer la taille de l'échantillon uniquement pour la puissance transversale sans l'augmenter pour l'attrition attendue laisse l'étude sous-dimensionnée dans les vagues ultérieures.
  • Traiter la vague comme un effet fixe sans modéliser la croissance : exécuter des ANOVAs séparées par vague au lieu d'un modèle de courbe de croissance ou mixte rejette l'information longitudinale et gonfle l'erreur de type I.
  • Rapporter uniquement les moyennes au niveau du groupe : l'hétérogénéité des trajectoires individuelles est souvent la découverte substantiellement importante ; les tendances agrégées peuvent masquer des sous-groupes divergents.

Questions fréquentes

En quoi la recherche par enquête longitudinale diffère-t-elle d'une étude de panel ?

Les termes se chevauchent considérablement. Une étude de panel est un type spécifique d'enquête longitudinale dans laquelle exactement les mêmes individus sont interrogés à chaque vague. La recherche par enquête longitudinale est la catégorie plus large ; elle comprend également les études de tendance (différents échantillons aléatoires de la même population à chaque vague) et les études de cohorte (même cohorte de naissance ou d'entrée mais pas nécessairement les mêmes répondants). Lorsque les gens disent 'enquête longitudinale', ils entendent le plus souvent une conception de panel, mais la précision est importante lors du choix de la stratégie analytique.

Combien de vagues sont nécessaires ?

Un minimum de deux vagues est requis pour observer le changement, mais deux vagues ne permettent que des modèles limités (scores de différence, régression simple pré-post). Trois vagues ou plus sont nécessaires pour estimer les trajectoires de croissance, tester le changement non linéaire et appliquer des modèles de panel à décalage croisé. Le nombre optimal de vagues dépend de la forme attendue du changement et du modèle analytique — plus de vagues offrent une plus grande puissance pour détecter et caractériser les trajectoires.

Comment gérer les données manquantes dues aux dropouts ?

Premièrement, évaluer si l'attrition est manquante complètement au hasard (MCAR), manquante au hasard (MAR), ou manquante pas au hasard (MNAR) en comparant les dropouts aux compléteurs sur les variables de base. Sous MAR — l'hypothèse la plus défendable dans la plupart des études de panel — l'estimation du maximum de vraisemblance à information complète (FIML) ou l'imputation multiple sont les approches préférées. La suppression par liste simple n'est presque jamais appropriée car elle jette des données utilisables et produit des estimations biaisées lorsque le dropout n'est pas entièrement aléatoire.

Une enquête longitudinale peut-elle établir la causalité ?

L'ordre temporel (une condition nécessaire à la causalité) peut être démontré lorsqu'un prédicteur à la Vague 1 prédit un résultat à la Vague 2 après contrôle du résultat à la Vague 1, en utilisant des modèles de panel à décalage croisé ou une régression par score de différence. Cependant, les facteurs de confusion non mesurés qui restent stables ou changent entre les vagues peuvent encore fausser les estimations causales. Les enquêtes longitudinales fournissent des preuves plus solides que les conceptions transversales mais restent observationnelles ; les expériences randomisées sont la référence absolue pour l'inférence causale.

Comment établir que mon instrument d'enquête mesure le même construit à chaque vague ?

Par des tests d'invariance de mesure basés sur l'analyse factorielle confirmatoire (AFC) (Vandenberg & Lance, 2000). Au minimum, l'invariance configurationnelle et métrique doit être établie avant de comparer les moyennes latentes ; l'invariance scalaire est requise pour comparer les moyennes observées. Si une invariance partielle est trouvée, ne contraignez que les paramètres invariants et interprétez le changement sur les items non invariants avec prudence.

Méthodes associées

Sources

  1. Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.

    ISBN : 978-0761922452
    Copié.
  2. Lynn, P. (Ed.). (2009). Methodology of Longitudinal Surveys. Wiley.

    ISBN : 978-0470018712
    Copié.