Skip to content
Retour aux résultats

Enquête relationnelle — Recherche par enquête relationnelle

Introduite par
Established in educational and social science research methodology; systematised by Fraenkel & Wallen and others
Année
Mid-20th century onward (systematised ~1960s–1990s)
Type
Quantitative non-experimental survey 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 relationnelle est une conception quantitative non expérimentale qui recueille des données structurées autodéclarées auprès d'un échantillon et examine les associations statistiques entre deux variables ou plus.

Contrairement aux enquêtes purement descriptives, qui ne caractérisent que les distributions, les enquêtes relationnelles demandent si et dans quelle mesure les variables covarient — fournissant des preuves de relations sans manipuler les conditions ni établir de causalité.

L’intuition derrière la méthode

Considérez une enquête relationnelle comme la prise d'un instantané d'un groupe à un moment donné, puis la question suivante : les personnes qui obtiennent des scores plus élevés sur la variable A ont-elles également tendance à obtenir des scores plus élevés (ou plus faibles) sur la variable B ? Par exemple, un chercheur pourrait administrer des échelles validées de motivation scolaire et d'utilisation de la technologie à des étudiants universitaires, puis calculer des coefficients de corrélation pour voir quels aspects de la motivation covarient le plus constamment avec différentes formes d'utilisation de la technologie. La conception n'intervient pas ; elle observe et quantifie la covariation.

Histoire

La conception d'enquête relationnelle est issue de la tradition plus large de la recherche par enquête, qui a pris forme dans les sciences sociales au début et au milieu du XXe siècle. Son accent sur les relations inter-variables s'inspire directement du développement du coefficient de corrélation par Karl Pearson dans les années 1890 et de l'expansion de la régression multiple au milieu du XXe siècle. Les manuels de recherche en éducation largement utilisés de Fraenkel et Wallen à partir des années 1990 ont formalisé l'enquête relationnelle comme un type de conception distinct, la distinguant des enquêtes purement descriptives d'une part et des conceptions causales-comparatives d'autre part.

Quand l’utiliser

Utilisez une enquête relationnelle lorsque l'objectif est de quantifier les associations entre des variables dans un groupe naturellement existant sans manipulation expérimentale — par exemple, explorer les liens entre les traits de personnalité et la performance scolaire, ou entre le climat organisationnel et le bien-être des employés. La conception est appropriée lorsqu'une collecte de données transversale et autodéclarée est réalisable et lorsque les questions de recherche sont formulées comme « X est-il lié à Y ? » ou « Dans quelle mesure X prédit-il Y ? ». Ne l'utilisez pas lorsque le but est d'établir une direction causale (envisagez une conception longitudinale ou expérimentale) ou lorsque le construit d'intérêt ne peut pas être valablement capturé par une échelle de questionnaire. Évitez-la lorsque la taille des échantillons est inférieure à ~50, car les estimations de corrélation deviennent instables et trompeuses pour un très petit N.

Limites et points d’attention

  • Ne peut pas établir de direction causale — une corrélation entre X et Y est également compatible avec X causant Y, Y causant X, ou une troisième variable causant les deux.
  • Les résultats ne sont valides que dans la mesure où les instruments utilisés le sont ; une faible fiabilité de l'échelle ou validité de construit compromet toutes les analyses ultérieures.
  • La variance de méthode commune est une menace lorsque les variables prédictives et de résultat sont mesurées par le même instrument d'auto-déclaration au même moment.
  • Les enquêtes relationnelles transversales ne peuvent pas capturer le changement au fil du temps ou les tendances développementales.

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

Points forts

  • Examine efficacement de multiples relations entre variables en un seul effort de collecte de données.
  • Produit des estimations de taille d'effet quantitatives standardisées, facilement reproductibles et comparables.
  • Bien soutenu par des outils statistiques établis (corrélation, régression, analyse de chemin, SEM).
  • Convient aux échantillons larges et géographiquement dispersés grâce à une administration en ligne ou sur papier.
  • Peut servir de base à des études de suivi expérimentales ou longitudinales ultérieures.

Applications

  • Examiner la relation entre l'auto-efficacité des étudiants, la motivation et la réussite scolaire dans la recherche en éducation.
  • Étudier les associations entre la satisfaction au travail, l'engagement organisationnel et l'intention de rotation du personnel en psychologie organisationnelle.
  • Explorer les liens entre les comportements de santé (alimentation, exercice, sommeil) et le bien-être auto-déclaré dans les enquêtes de santé publique.
  • Évaluer comment les styles parentaux covarient avec les résultats socio-émotionnels des enfants dans la recherche développementale.
  • Étudier les relations entre les attitudes d'adoption de la technologie et les modèles d'utilisation dans la recherche sur les systèmes d'information.

Comment ça marche

Comment ça marche

1

Le chercheur spécifie au moins deux construits dont les relations sont d'intérêt et formule des questions de recherche ou des hypothèses sur la direction et l'ampleur attendues des associations. Un cadre conceptuel ou théorique guide généralement le choix des variables incluses et si certaines sont traitées comme des prédicteurs ou des variables de résultat.

2

Des questionnaires validés, des échelles d'évaluation ou des instruments standardisés sont sélectionnés ou développés pour mesurer numériquement chaque variable. Des tests pilotes et des vérifications de fiabilité (par exemple, l'alpha de Cronbach) sont effectués avant la collecte principale des données pour confirmer que les échelles fonctionnent adéquatement dans la population cible.

3

L'enquête est administrée à un échantillon représentatif ou raisonné, généralement en une seule vague de collecte de données (transversale), bien que les enquêtes relationnelles puissent également être intégrées dans des conceptions longitudinales. La taille d'échantillon adéquate est calculée à l'avance à l'aide d'une analyse de puissance, la plupart des conceptions basées sur la corrélation nécessitant au moins 50 à 100 participants pour détecter de manière fiable des tailles d'effet modérées.

4

Les associations bivariées sont estimées à l'aide de coefficients de corrélation (r de Pearson pour les variables continues, rho de Spearman pour les données ordinales ou non normales). Lorsque plusieurs variables prédictives sont impliquées, la régression multiple ou l'analyse de chemin étend le cadre relationnel pour évaluer les contributions uniques et contrôler les facteurs de confusion.

5

Les tailles d'effet (r, R², coefficients bêta) et les intervalles de confiance sont rapportés en même temps que la signification statistique. Le chercheur interprète la signification pratique des associations, reconnaît que les preuves corrélationnelles ne peuvent pas établir de causalité, et situe les résultats dans la littérature antérieure et le cadre théorique.

Pièges courants

  • Interpréter une corrélation statistiquement significative comme une preuve de causalité — les preuves d'enquête relationnelle sont uniquement associationnelles ; les affirmations causales nécessitent des conceptions expérimentales ou quasi-expérimentales solides.
  • Négliger l'analyse de puissance — les études avec moins de 50 participants produisent régulièrement des estimations de corrélation avec des intervalles de confiance si larges qu'elles sont pratiquement ininterprétables.
  • Utiliser une seule séance d'enquête pour mesurer à la fois les variables prédictives et critériales sans aborder le biais de méthode commune — envisager des conceptions avec décalage temporel ou des remèdes procéduraux tels que le contre-balancement de l'ordre des échelles.
  • Traiter une matrice de corrélation comme un modèle causal sans justification théorique ou statistique supplémentaire pour la directionnalité.

Questions fréquentes

Quelle est la taille d'échantillon minimale pour une enquête relationnelle ?

Il n'y a pas de règle unique, mais comme référence pratique, de nombreux méthodologistes recommandent au moins 50 participants pour obtenir une estimation de corrélation bivariée raisonnablement stable, et 100 ou plus lorsqu'une régression multiple est prévue. La réponse formelle est de mener une analyse de puissance a priori spécifiant la taille d'effet attendue, la puissance souhaitée (généralement 0,80) et le niveau alpha (0,05) ; cela donnera le N minimum nécessaire pour détecter la relation hypothétisée.

Puis-je utiliser une enquête relationnelle pour tester un modèle causal ?

Une enquête relationnelle peut tester si le modèle de corrélations est compatible avec un modèle causal (en utilisant l'analyse de chemin ou les SEM), mais elle ne peut pas confirmer la direction causale. La modélisation par équations structurelles avec des données d'enquête relationnelle peut exclure les modèles qui sont incompatibles avec les données, mais les affirmations causales nécessitent toujours une manipulation expérimentale, des expériences naturelles ou des conceptions longitudinales avec antécédence temporelle.

En quoi une enquête relationnelle diffère-t-elle d'une simple enquête descriptive ?

Une enquête descriptive caractérise la distribution d'une ou plusieurs variables dans un échantillon — moyennes, fréquences, proportions. Une enquête relationnelle va plus loin en examinant statistiquement si et dans quelle mesure les variables sont associées les unes aux autres. Les deux peuvent utiliser les mêmes données de questionnaire ; la différence réside dans les questions de recherche posées et les techniques d'analyse appliquées.

Quel coefficient de corrélation dois-je utiliser ?

Le r de Pearson est approprié lorsque les deux variables sont continues et approximativement normalement distribuées. Le rho de Spearman est préféré pour les variables ordinales ou lorsque les distributions sont nettement asymétriques. Le tau de Kendall est une alternative pour les données ordinales avec de nombreux rangs ex aequo. Pour les variables binaires ou dichotomiques, les coefficients point-bisérial ou phi sont des choix standard.

Comment puis-je aborder le biais de méthode commune dans une enquête relationnelle ?

Le biais de méthode commune survient lorsque les données du prédicteur et du résultat proviennent du même répondant au même moment. Les remèdes procéduraux incluent la séparation des occasions de mesure (conception avec décalage temporel), l'utilisation de différents formats de réponse et le contre-balancement de l'ordre des échelles. Les remèdes statistiques incluent le test du facteur unique de Harman et la technique de la variable marqueur, bien qu'aucun des deux n'élimine complètement le problème.

Méthodes associées

Sources

  1. Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2009). How to Design and Evaluate Research in Education (8th ed.). McGraw-Hill.

    ISBN : 978-0073525748
    Copié.
  2. Creswell, J. W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (4th ed.). Sage Publications.

    ISBN : 978-1452226101
    Copié.