Effects of interviewers on response to income and wealth items

En analysant les données de l'enquête SHARE, cette étude démontre que les attentes des intervieweurs concernant la volonté des répondants à déclarer leurs revenus sont significativement associées à la probabilité de fournir des informations financières, suggérant ainsi que ces attentes constituent une information utile pour optimiser la formation des intervieweurs et la conception des enquêtes.

L'essentiel

🕵️‍♂️ Le Grand Jeu de l'Enquête : Qui dit la vérité sur son argent ?

Imaginez que vous êtes un enquêteur qui doit poser des questions très personnelles à des gens : « Combien gagnez-vous ? », « Combien avez-vous d'argent sur votre compte en banque ? », « Quelle est la valeur de votre maison ? ».

C'est comme demander à quelqu'un de se déshabiller devant tout le monde. Beaucoup de gens vont dire : « Non, je ne réponds pas ! » (c'est ce qu'on appelle la non-réponse).

Ce papier de recherche pose une question fascinante : Est-ce que la façon dont l'enquêteur se sent avant de commencer l'interview change la réponse du client ?

🎭 L'Analogie du Magicien et du Spectateur

Pour comprendre, imaginons une scène de magie :

• Le Spectateur = Le répondant (le vieux monsieur ou la dame qui répond à l'enquête).
• Le Magicien = L'enquêteur (celui qui pose les questions).
• Le Tour de Magie = La question sur l'argent.

Les chercheurs ont découvert que si le Magicien arrive en pensant : « Oh là là, ce public est méfiant, ils vont tous refuser de montrer leurs cartes ! », alors le tour échoue. Les spectateurs se ferment.

Mais si le Magicien arrive avec un sourire confiant en pensant : « Je suis sûr qu'ils vont être coopératifs, ils vont me montrer leurs cartes ! », alors les spectateurs se détendent et répondent plus facilement.

En résumé : L'attitude de l'enquêteur est comme une onde de choc. Si l'enquêteur est pessimiste, les gens refusent de parler d'argent. S'il est optimiste, les gens ouvrent leur portefeuille (ou du moins, leur bouche).

🌍 L'Expérience : 12 Pays et 42 000 Personnes

Les chercheurs ont regardé les données d'une grande enquête européenne (SHARE) qui touche des personnes âgées dans 12 pays. Ils ont analysé 42 000 interviews.

Ils ont comparé trois méthodes pour gérer les gens qui n'ont pas répondu à certaines questions (les données manquantes), un peu comme trois façons différentes de réparer un puzzle cassé :

1. La méthode "Poubelle" (Analyse complète) : On jette tous les puzzles incomplets et on ne regarde que ceux qui sont parfaits. C'est simple, mais on perd beaucoup de pièces.
2. La méthode "Devine-moi" (Imputation multiple) : On essaie de deviner les pièces manquantes en se basant sur les autres pièces, et on crée plusieurs versions du puzzle pour voir laquelle est la plus probable.
3. La méthode "Mélangeur" (Moyenne de modèles) : On essaie toutes les combinaisons possibles et on fait une moyenne pondérée. C'est très sophistiqué, mais les chercheurs ont découvert que ça ne donnait pas de résultats beaucoup meilleurs que les méthodes plus simples.

📊 Ce qu'ils ont trouvé (Le Résultat)

Le résultat est clair comme de l'eau de roche :

• Quand un enquêteur pense qu'il a plus de 50 % de chances de réussir à obtenir une réponse, il obtient effectivement plus de réponses.
• Dans certains pays, un enquêteur optimiste a pu réduire le nombre de refus de 14 % pour les revenus et jusqu'à 26 % pour les biens immobiliers.

C'est énorme ! Cela signifie que l'attitude de l'enquêteur est un levier puissant.

💡 La Leçon pour la Vie Réelle

Pourquoi est-ce important ?
Parce que souvent, on pense que si quelqu'un ne répond pas, c'est de sa faute (il est trop timide, il cache quelque chose). Mais cette étude dit : Non, c'est peut-être la faute de l'enquêteur qui a mal commencé la conversation.

La conclusion pratique :
Si vous voulez que les gens vous disent combien ils gagnent, ne leur envoyez pas un enquêteur qui a peur de la réaction. Envoyez quelqu'un qui a confiance, qui est positif et qui croit que les gens sont prêts à parler. C'est comme un effet de contagion : la confiance de l'enquêteur se transmet au répondant.

En bref : L'optimisme est contagieux, même quand on parle d'argent.

Résumé technique

1. Problématique et Contexte

L'article aborde le problème persistant de la non-réponse aux éléments (item nonresponse) dans les enquêtes par sondage, en particulier pour les questions financières sensibles (revenu, patrimoine). Cette non-réponse constitue une source majeure d'erreur de non-échantillonnage, menaçant la représentativité de l'échantillon et la qualité des données.

Bien que les caractéristiques sociodémographiques des intervieweurs soient souvent étudiées, l'auteur se concentre sur des caractéristiques non démographiques, spécifiquement les attentes des intervieweurs concernant la volonté des répondants à déclarer leurs revenus. L'hypothèse centrale est que les intervieweurs qui anticipent des difficultés (attentes pessimistes) obtiennent effectivement des taux de réponse plus faibles, tandis que les intervieweurs optimistes obtiennent de meilleurs résultats.

L'étude utilise les données de la 6e vague de l'enquête SHARE (Survey of Health, Ageing and Retirement in Europe), couvrant 12 pays européens et 41 934 répondants, liées aux données de l'enquête auprès des intervieweurs (IWS) et aux registres administratifs (roster).

2. Méthodologie

L'approche méthodologique est rigoureuse et compare trois stratégies distinctes pour traiter les données manquantes (covariables manquantes dues à la non-réponse des intervieweurs ou des répondants) :

A. Données et Variables

• Variable dépendante : La réponse binaire (oui/non) à quatre questions financières : revenu total du ménage, pensions, comptes bancaires et valeur de la résidence principale.
• Variable d'intérêt : Une indicatrice binaire basée sur l'attente de l'intervieweur (si son estimation du taux de réponse dépasse la médiane nationale).
• Covariables : Caractéristiques sociodémographiques (âge, genre, éducation), état de santé, expérience de l'intervieweur, et variables de comportement lors de l'entretien.

B. Trois Approches de Traitement des Données Manquantes

1. Analyse des cas complets (CCA - Complete-Case Analysis) :

   • Suppression de toutes les observations comportant des valeurs manquantes.
   • Avantage : Simplicité.
   • Inconvénient : Perte massive d'information (réduction de l'échantillon de 41 934 à 22 609 observations), entraînant une perte de précision.

2. Méthode d'imputation multiple (FI - Fill-In) :

   • Remplacement des valeurs manquantes par des valeurs estimées via l'imputation multiple (MI).
   • Utilisation de la spécification conditionnelle complète (FCS) avec deux chaînes de Gibbs séquentielles (une pour les variables des répondants, une pour celles des intervieweurs).
   • Réalisation de 100 imputations pour minimiser l'erreur d'imputation.
   • Avantage : Utilise l'ensemble des données disponibles.
   • Inconvénient : Introduit une incertitude supplémentaire (variance entre imputations) qui peut augmenter les erreurs-types.

3. Indicateur de données manquantes généralisé et moyennage de modèles (GMI + MA) :

   • Approche proposée par Dardanoni et al. (2011, 2015) qui élargit l'espace des modèles en considérant toutes les combinaisons possibles de variables imputées et non imputées.
   • Moyennage de modèles (Model Averaging - MA) : Combinaison pondérée des estimations de tous les sous-modèles possibles.
   • Pondération : Utilisation des critères d'information (AIC et BIC) pour approximer les probabilités a posteriori des modèles (Approche Bayésienne).

3. Résultats Principaux

Les résultats empiriques, présentés dans plusieurs tableaux, démontrent les points suivants :

• Impact des attentes des intervieweurs : Il existe une association positive significative entre les attentes élevées des intervieweurs et les taux de réponse réels. Les répondants interviewés par des intervieweurs ayant des attentes optimistes (supérieures à 50 %) sont plus susceptibles de fournir des informations financières.
• Magnitude de l'effet :
  • Réduction de la non-réponse jusqu'à 14 % pour les questions de revenu.
  • Réduction de la non-réponse jusqu'à 26 % pour les questions de patrimoine (actifs).
  • Ces effets sont substantiels par rapport aux taux de réponse moyens (80 % pour le revenu, 64 % pour les actifs).
• Comparaison des méthodes statistiques :
  • L'analyse des cas complets (CCA) produit des estimations cohérentes mais moins précises en raison de la perte de données.
  • L'imputation multiple (FI) réduit la variance intra-imputation mais augmente souvent l'erreur-type globale en raison de la variance inter-imputation.
  • Le moyennage de modèles (BMA) basé sur les critères AIC et BIC ne fournit pas d'avantages clairs par rapport aux approches plus simples. Les estimations BMA_AIC tendent à se confondre avec celles de l'analyse des cas complets, tandis que les BMA_BIC se rapprochent des résultats de l'imputation multiple.

4. Contributions Clés

1. Preuve empirique sur le rôle des attentes : L'article fournit une preuve robuste, basée sur une grande base de données paneuropéenne, que les attentes subjectives des intervieweurs (avant même l'entretien) influencent le comportement de réponse des répondants sur des sujets sensibles.
2. Comparaison méthodologique approfondie : L'étude offre une comparaison technique détaillée entre l'analyse des cas complets, l'imputation multiple et le moyennage de modèles dans le contexte spécifique de la non-réponse aux données financières. Elle met en lumière les compromis entre biais, variance et complexité computationnelle.
3. Utilisation de données hybrides : Combinaison innovante des données principales SHARE, de l'enquête auprès des intervieweurs (IWS) et des registres administratifs (roster) pour maximiser la couverture des caractéristiques des intervieweurs.

5. Signification et Implications

Les conclusions de l'article ont des implications directes pour la conception des enquêtes et la formation des enquêteurs :

• Sélection et Formation : Les attentes des intervieweurs sont un déterminant crucial de la qualité des données. Les agences de sondage devraient intégrer des stratégies de sélection et de formation ciblées pour renforcer la confiance et l'optimisme des intervieweurs face aux questions sensibles.
• Conception de l'enquête : La prise en compte des caractéristiques des intervieweurs (y compris leurs attitudes) est essentielle pour les méthodes d'ajustement ex-post (pondération, imputation) et pour identifier les mécanismes de données manquantes.
• Limites et Perspectives : L'auteur note que les modèles logit standards sous-estiment probablement les erreurs-types car ils ne tiennent pas compte de la structure hiérarchique (répondants imbriqués dans les intervieweurs). De futures recherches pourraient explorer des approches bayésiennes alternatives (comme WALS) pour réduire les coûts computationnels tout en gérant l'incertitude du modèle.

En résumé, cet article démontre que l'optimisme de l'intervieweur est un levier puissant pour améliorer la qualité des données financières dans les enquêtes auprès des populations âgées, et que des méthodes statistiques robustes sont nécessaires pour quantifier ces effets malgré les défis liés aux données manquantes.