a:

Techniquement, un échantillon représentatif ne nécessite que le pourcentage de la population statistique nécessaire pour répliquer aussi fidèlement que possible la qualité ou la caractéristique étudiée ou analysée. Par exemple, sur une population de 1 000 personnes composée de 600 hommes et de 400 femmes utilisée dans une analyse des tendances d'achat par sexe, un échantillon représentatif peut ne comporter que cinq membres, trois hommes et deux femmes, ou 0. 5 pour cent de la population. Cependant, bien que cet échantillon soit nominalement représentatif de la population générale, il est susceptible de donner lieu à un degré élevé d'erreur d'échantillonnage ou de biais lorsqu'on fait des inférences concernant la population plus grande parce qu'elle est si petite.

Le biais d'échantillonnage est une conséquence inévitable de l'utilisation d'échantillons pour analyser un groupe plus important. L'obtention de données auprès d'eux est un processus limité et incomplet par sa nature même. Mais parce que cela est souvent nécessaire étant donné la disponibilité limitée des ressources, les analystes économiques emploient des méthodes qui peuvent réduire le biais d'échantillonnage à des niveaux statistiquement négligeables. Alors que l'échantillonnage représentatif est l'une des méthodes les plus efficaces pour réduire les biais, il n'est souvent pas suffisant de le faire suffisamment pour le faire.

Une stratégie utilisée en combinaison avec un échantillonnage représentatif consiste à s'assurer que l'échantillon est suffisamment grand pour réduire de manière optimale l'erreur. Et tandis qu'en général, plus le sous-groupe est grand, plus il est probable que l'erreur soit réduite, à un certain point, la réduction devient si minime qu'elle ne justifie pas la dépense supplémentaire nécessaire pour agrandir l'échantillon.

Tout comme l'utilisation d'un échantillon techniquement représentatif mais minuscule ne suffit pas à réduire le biais d'échantillonnage, le simple choix d'un grand groupe sans tenir compte de la représentation peut conduire à des résultats encore plus erronés que l'utilisation du petit échantillon représentatif. En revenant à l'exemple ci-dessus, un groupe de 600 hommes est statistiquement inutile lorsqu'il analyse les différences entre les sexes dans les tendances d'achat.