Navigation – Plan du site
Recensions

Compte-rendu de : Marion Selz, Florence Maillochon, Le raisonnement statistique en sociologie, Paris, Presses Universitaires de France, 2009

Philippe Cibois

Texte intégral

1Cet ouvrage parait dans une collection « Licence » qui se veut très pédagogique et qui est destinée aux étudiants de premier cycle. On y rencontre des conclusions du type « à l’issue de ce chapitre, les étudiants en sociologie ont compris etc. » (p. 48), rhétorique destinée à justifier le choix de la collection.

2Après lecture de ce livre, on a plutôt l’impression qu’il vise plus que les étudiants de licence  mais veut, en faisant le point sur le statut du raisonnement statistique en sociologie, en donner les règles de bon fonctionnement en entrant très précisément dans les détails. L’objectif est atteint : cet ouvrage fait la synthèse de ce que les chercheurs doivent savoir et pratiquer dans leurs recherches.

3Le plan du livre est une structure feuilletée : la partie centrale étudie avec soin les problèmes de la quantification qui sont définis comme une objectivation par le biais de catégorisations et d’indicateurs. Des exemples précis sont donnés et la collecte des données est envisagée avec ses problèmes théoriques et pratiques. On y étudie le codage, la constitution d’une base de données et le cas de l’analyse secondaire. Cette partie présente l’état de l’art sur la question au niveau le plus fin et est un modèle qui doit être acquis par les étudiants (licence peut-être mais surtout master).

4La première et la dernière partie cherchent davantage à expliquer ce qu’est l’esprit du raisonnement statistique qui est identifié à l’inférence statistique, ce qui est contestable. En effet, avant d’inférer, il faut décrire et la statistique descriptive est antérieure dans le dispositif de la recherche à la statistique inférentielle. Décrire est toujours possible, inférer peut ne pas l’être. Dans la partie « outils statistique », commencer par la moyenne et enchainer par la liaison statistique sur des variables numériques peut s’interpréter comme une allégeance à une statistique qui n’est pas celle de la sociologie. Ce qui est l’outil de base du sociologue, c’est le tableau croisé : le baptiser « tableau de contingence », c’est déjà se situer ailleurs que dans la sociologie. Il est paradoxal d’utiliser ce terme de statisticien et de devoir expliquer le sens du mot « contingent » alors que le terme de tableau croisé existe en sociologie et qu’il ne fait que reprendre le mot de tableau largement antérieur à la statistique puisque déjà utilisé par les physiocrates.

5Présenter la statistique comme étant d’abord inférentielle, c’est oublier tout le courant de l’analyse des données et l’apport de J.-P. Benzécri ainsi que celui de H. Rouanet et de son équipe et cet oubli est paradoxal dans la mesure où, dans les outils statistiques proposés, une large place est faite à l’analyse factorielle des correspondances. Même si Rouanet est dans la bibliographie, y mettre Spearman et Thurstone, c’est renvoyer aux créateurs historiques de l’analyse factorielle, mais alors pourquoi « oublier » Benzécri ?

6De plus, même si l’on parle de tableau de contingence, il faut le présenter tel qu’il doit être à l’origine, tel qu’il a été recueilli, c’est-à-dire en effectif et non sous une forme dérivée en pourcentages, bien que cela ait du sens dans le cas présenté ici  puisqu’on compare des CSP face aux diplômes. Le cas le plus fréquent est celui du sociologue qui enquête et qui doit publier les effectifs.

7Il n’y a pas à opposer les cas où la représentativité serait assurée par des tests d’inférence et les cas où elle ne le serait pas. Toute donnée empirique véhicule avec elle une certaine possibilité d’être généralisée : c’est d’ailleurs le point de vue qui est pris dans le chapitre sur la collecte des données (p.162-163) où il est bien montré que des enquêtes qui sont faites avec des échantillons constitués par exemple du fait de leur facilité d’accès, ont une valeur exploratoire. Rappelons cependant que pour les populations d’accès difficile, il existe des techniques spécifiques comme l’échantillonnage « en boule de neige ».

  • 1  John W. Tukey, Exploratory Data Analyses, Addison-Wesley, 1977.

8Enfin, comme rappelé également p. 162, dans un certain nombre de cas, le sociologue travaillera sur des populations exhaustives et, s’il n’a plus de problèmes de représentativité, il devra se confronter au problème de savoir ce qu’est la force d’une liaison entre modalités de réponses : est-elle notable ou négligeable ? Pour s’éviter d’utiliser des méthodes bayésiennes sophistiquées, il semble que bien souvent le chercheur se replace artificiellement dans une perspective inférentielle en faisant le raisonnement suivant : « si j’étais dans le cas d’un échantillon, est-ce que mes résultats seraient significatifs ? ». Que cette démarche soit fréquente manifeste bien que ce qui est sous-jacent c’est un écart suffisant à l’indépendance (dans le cas du tableau croisé) qui, s’il est significatif est de ce fait notable. On peut regretter cette manière de faire et suggérer d’utiliser des indices qui ne fassent qu’enregistrer la force de la liaison (comme le PEM) car le fait que le résultat soit généralisable relève plus du bon sens du chercheur que d’une sécurité statistique qui le dispense de réfléchir à ce qu’il fait. Opposer (p. 21) statistique descriptive et inférentielle en disant que la descriptive donne la vraie valeur d’une caractéristique étudiée et que, quand on ne peut avoir un recensement, on utilise une méthode inférentielle, c’est oublier que la statistique descriptive nous sert à faire parler les données recueillies, que les effectifs observés soient faibles ou importants, représentatifs ou non : un grand auteur est absent de ce livre et c’est John Tukey1 dont les méthodes d’analyse descriptive (comme la boite à moustaches) sont pourtant bien connues et souvent utilisées.

  • 2  Jean-Claude Paseron, Le raisonnement sociologique: un espace non poppérien de l'argumentation, Alb (...)

9Finalement, ce qui est en cause ici, c’est le modèle épistémologique du statut du raisonnement statistique en sociologie : pour les auteures, le modèle de la preuve est celui de la physique (p. 70) et en sociologie, tester des modèles en constitue un modèle imparfait. On doit contester ce point de vue : en sociologie on repère des régularités qui étayent (ou vont à l’encontre) de théories sociologiques, on ne vérifie pas des modèles, au mieux on généralise des situations, des cas observés, comme l’a souligné Jean-Claude Passeron2.

  • 3  Maurice G. Kendall et Alan Stuart, The advanced theory of statistics, New York, Hafner Publishing (...)

10Du point de vue terminologique, pourquoi répéter comme tout le monde (p. 262) qu’il y a une « hypothèse nulle » : le terme null a en anglais une signification que n’a pas son équivalent français. En anglais, le terme, venant du français, en a tous les sens : juridiquement caduc, dispositif inefficace, personne sans intérêt, mais il a pris un sens technique que n’a pas le français, celui de zéro. A null method est une méthode de zéro où par exemple un système électrique est en équilibre quand le potentiomètre est à zéro. H0 n’est pas une hypothèse nulle mais une hypothèse zéro opposée à H1 hypothèse un. La chose est simple à dire et simple à comprendre, sans devoir fournir les explications de ce qui n’est qu’un faux sens de traduction, même s’il est fréquent. D’ailleurs comme l’ambiguïté peut exister aussi en anglais, Kendall et Stuart déconseillent l’emploi du terme « null hypothesis » pour désigner H03.

11De même, le terme de marge est considéré comme une « bizarrerie du vocabulaire statistique » (p. 274) car elle n’a rien de « marginal » au sens de « déviant ». C’est oublier que le terme de marge s’applique à un tableau où il a tout son sens. C’est la bordure, la « margelle » du tableau et le sens « marginal » n’est que dérivé comme le montre l’expression de « notes marginales », en marge d’un écrit. Il est donc normal qu’on utilise le terme de marge pour désigner le bord du tableau.

12Même si l’on n’est pas d’accord avec l’orientation statisticienne pure (mais pas dure) de cet ouvrage, il a l’immense avantage de présenter en détail une, et seulement une, des manières de faire des statistiques en sociologie : c’est celle des milieux de la recherche proche de la statistique publique où la notion de représentativité est capitale. Il en existe d’autres et les étudiants de licence sont plus souvent confrontés à des enquêtes de petites dimensions qui ont des méthodes spécifiques et des résultats qui peuvent être intéressants s’ils savent utiliser ces méthodes.

Haut de page

Notes

1  John W. Tukey, Exploratory Data Analyses, Addison-Wesley, 1977.

2  Jean-Claude Paseron, Le raisonnement sociologique: un espace non poppérien de l'argumentation, Albin Michel, 2005, et, avec Jacques Revel, Penser par cas, Éditions de l'EHESS, 2005.

3  Maurice G. Kendall et Alan Stuart, The advanced theory of statistics, New York, Hafner Publishing Company, 1961, vol. 2, p. 163.

Haut de page

Pour citer cet article

Référence électronique

Philippe Cibois, « Compte-rendu de : Marion Selz, Florence Maillochon, Le raisonnement statistique en sociologie, Paris, Presses Universitaires de France, 2009 », Socio-logos [En ligne], 5 | 2010, mis en ligne le 03 janvier 2011, consulté le 22 juillet 2017. URL : http://socio-logos.revues.org/2521

Haut de page
  • Logo Association française de sociologie
  • Logo DOAJ – Directory of Open Access Journal
  • Revues.org