Échantillonnage, sélection et représentativité
Une étude peut mesurer parfaitement les personnes qu’elle observe et pourtant produire une image trompeuse de la population à laquelle on voudrait appliquer ses conclusions. Le problème ne vient alors ni de l’instrument ni du calcul statistique, mais d’une question plus élémentaire : qui a été étudié, qui ne l’a pas été, et pourquoi ?
Supposons que l’on veuille connaître la proportion de Français favorables à une réforme. Interroger dix mille visiteurs volontaires d’un site politique ne garantit pas une bonne estimation de l’opinion nationale. À l’inverse, un échantillon beaucoup plus petit, mais construit selon une méthode permettant de représenter correctement les différentes composantes de la population, peut fournir une estimation nettement meilleure.
Le nombre de participants compte, mais la manière dont ils entrent dans l’étude compte tout autant.
Cette question traverse presque toutes les sciences étudiant des populations : sondages d’opinion, épidémiologie, essais cliniques, psychologie, économie, sociologie, nutrition ou santé publique. Elle conduit à distinguer plusieurs notions souvent confondues : population cible, échantillon, échantillonnage, biais de sélection, représentativité, généralisation et transportabilité.
De qui voulons-nous parler ?
Avant de construire un échantillon, il faut commencer par définir la population cible.
Si une étude cherche à estimer la prévalence du diabète « chez les adultes français », parle-t-on des personnes majeures résidant en France métropolitaine ? Inclut-on les départements et régions d’outre-mer ? Les personnes vivant en institution ? Les personnes sans domicile stable ? À quelle date ou période la population est-elle définie ?
Ces précisions peuvent paraître administratives. Elles déterminent pourtant la signification du résultat.
Un chiffre comme « 8 % de la population présente telle caractéristique » est incomplet tant que l’on ne sait pas quelle population est censée être représentée par ce 8 %.
Les recherches médicales rencontrent le même problème. Un essai portant sur des adultes de 40 à 65 ans souffrant d’une maladie donnée ne permet pas automatiquement de conclure que le traitement possède exactement les mêmes bénéfices et risques chez des personnes âgées de 85 ans, des femmes enceintes ou des enfants.
La première étape de toute généralisation consiste donc à rendre explicite le groupe à propos duquel on souhaite raisonner.
Une population n’est généralement pas étudiée dans son ensemble
Il est rarement possible d’observer chaque membre d’une population.
Pour connaître l’opinion de plusieurs dizaines de millions de personnes, on interroge un échantillon. Pour estimer la fréquence d’une maladie, on peut examiner quelques milliers ou dizaines de milliers de personnes. Pour tester un traitement, on recrute une fraction des patients susceptibles un jour de le recevoir.
Le raisonnement statistique permet alors de passer de ce qui est observé dans l’échantillon à ce que l’on peut raisonnablement estimer dans une population plus large.
Mais cette inférence suppose quelque chose de crucial : le mécanisme ayant produit l’échantillon ne doit pas rendre systématiquement certaines personnes plus susceptibles d’être incluses d’une manière qui déforme la quantité étudiée.
Si les personnes présentes dans l’étude diffèrent de façon pertinente de celles qui en sont absentes, l’échantillon peut fournir une vision biaisée de la population.
Le hasard statistique n’est pas la même chose que le biais de sélection
Imaginons un échantillon correctement tiré au hasard dans une population. Même dans ce cas, il ne reproduira jamais exactement toutes les caractéristiques de la population.
Par simple hasard, il peut comporter légèrement plus de femmes, davantage de personnes âgées ou une proportion un peu différente d’une catégorie professionnelle.
C’est l’erreur d’échantillonnage. Elle résulte du fait que nous observons seulement une partie de la population. Elle diminue généralement lorsque la taille de l’échantillon augmente.
Le biais de sélection est différent. Il apparaît lorsque le processus par lequel les personnes sont incluses, exclues ou restent dans l’étude crée une distorsion systématique pertinente pour l’inférence. Les références épidémiologiques distinguent justement les fluctuations dues à l’échantillonnage des biais produits par le processus de sélection.
Cette distinction est fondamentale.
Une erreur aléatoire peut être réduite en augmentant la taille de l’échantillon. Un biais de sélection, lui, peut rester presque identique avec dix fois plus de participants.
Un très grand échantillon peut être très mauvais
Cette idée est parfois contre-intuitive.
Supposons que l’on souhaite estimer la fréquence d’un comportement dans la population générale et que l’on diffuse un questionnaire sur un site fréquenté principalement par des personnes particulièrement intéressées par le sujet.
Un million de réponses pourraient produire une estimation statistiquement extrêmement précise de ce que déclarent les personnes ayant choisi de répondre.
Cela ne garantit pas que cette estimation représente la population générale.
Augmenter la taille de l’échantillon réduit certaines fluctuations aléatoires, mais ne corrige pas automatiquement un mécanisme de recrutement biaisé. Un vaste échantillon de volontaires peut ainsi être moins informatif pour une estimation de population qu’un échantillon probabiliste beaucoup plus petit.
C’est exactement le même principe que pour la mesure : davantage de données ne supprime pas une erreur systématique.
Échantillonnage probabiliste : donner une probabilité connue d’être sélectionné
L’une des méthodes classiques pour produire un échantillon permettant une inférence vers une population consiste à utiliser un échantillonnage probabiliste.
Dans sa forme la plus simple, chaque membre de la population possède une probabilité connue d’être sélectionné. En pratique, les enquêtes utilisent souvent des plans plus complexes : stratification, tirage par grappes, sélection en plusieurs étapes ou probabilités différentes selon les groupes.
L’idée centrale reste la même : la sélection est organisée selon un mécanisme probabiliste connu plutôt que laissée entièrement au volontariat ou à la disponibilité des participants.
Cela permet notamment d’estimer l’incertitude liée à l’échantillonnage et, lorsque les probabilités de sélection diffèrent, de leur appliquer des pondérations appropriées.
Mais même un excellent plan d’échantillonnage peut être compromis si une fraction importante des personnes sélectionnées refuse de participer.
La sélection ne s’arrête donc pas au moment du tirage.
L’échantillon de convenance : pratique, mais limité
De nombreuses études utilisent des échantillons de convenance : étudiants disponibles dans une université, patients d’un hôpital particulier, internautes répondant à une annonce, personnes recrutées à proximité du laboratoire.
Ces échantillons ne sont pas nécessairement inutiles.
Pour démontrer un phénomène physique très général ou tester certains mécanismes biologiques, disposer d’un échantillon qui reproduit exactement la population nationale n’est pas toujours nécessaire. Même en psychologie ou en médecine, un échantillon non représentatif peut permettre de tester certaines relations intéressantes.
Le problème apparaît lorsqu’on confond ce qu’un échantillon permet d’étudier avec la population à laquelle on applique ensuite le résultat.
Une expérience réalisée sur cent étudiants peut montrer qu’un phénomène existe dans les conditions de l’étude. Elle ne démontre pas nécessairement que son ampleur est identique chez les enfants, les personnes âgées ou dans toutes les cultures.
La représentativité n’est donc pas une exigence identique pour toutes les recherches.
« Représentatif » de quoi ?
Le mot représentatif est particulièrement trompeur lorsqu’il est utilisé sans précision.
Un échantillon n’a pas besoin de reproduire la population sur chaque caractéristique imaginable. Il doit permettre une inférence valable pour la question précise étudiée et la population cible définie.
Une revue méthodologique récente consacrée à cette notion souligne justement que les chercheurs utilisent souvent le terme « représentatif » de manière ambiguë. Elle recommande de préciser la population cible, la manière dont les résultats sont supposés s’y généraliser et les hypothèses nécessaires à cette généralisation.
Prenons un exemple simple. Pour mesurer la taille moyenne des adultes français, un échantillon composé de 80 % d’hommes serait problématique si aucune correction n’était faite, parce que le sexe est associé à la taille moyenne.
Mais une caractéristique sur laquelle l’échantillon diffère de la population ne produit pas automatiquement un biais pour toutes les questions.
L’enjeu n’est donc pas de construire une miniature parfaite de la population, mais de comprendre quelles différences entre l’échantillon et la population peuvent affecter l’estimation recherchée.
Le volontariat peut sélectionner des profils particuliers
Lorsqu’une étude repose sur des volontaires, les personnes qui acceptent de participer peuvent différer de celles qui refusent.
Les participants à une étude de santé peuvent être plus attentifs à leur santé. Les personnes répondant à une enquête politique peuvent être plus intéressées par la politique. Les utilisateurs d’une application de suivi sportif sont probablement plus concernés par l’activité physique que la population générale.
Ce phénomène est parfois appelé auto-sélection.
Il ne suffit cependant pas de constater que les volontaires sont différents pour conclure que tous les résultats sont biaisés. La question est de savoir si le processus de participation est lié aux variables pertinentes pour l’inférence étudiée. Les travaux épidémiologiques distinguent précisément le simple manque de représentativité d’un véritable biais de sélection affectant l’estimation.
Cette nuance est importante : échantillon atypique ne signifie pas automatiquement résultat faux, mais il oblige à examiner plus attentivement ce que l’on peut généraliser.
La non-réponse peut déformer un bon échantillon initial
Supposons maintenant qu’un institut tire aléatoirement plusieurs milliers de personnes dans une population. Le plan initial est excellent.
Mais seulement 20 % des personnes contactées répondent.
Si les répondants et les non-répondants sont similaires relativement à la variable étudiée, le problème peut rester limité. En revanche, si la probabilité de répondre dépend de caractéristiques liées au résultat recherché, l’estimation peut être biaisée.
Un faible taux de réponse n’implique donc pas mécaniquement un biais énorme, et un taux de réponse élevé ne garantit pas son absence. Ce qui importe est la relation entre la non-réponse et le phénomène étudié.
C’est pourquoi les enquêtes modernes utilisent parfois des informations auxiliaires sur la population pour ajuster les résultats et réduire certains déséquilibres.
Les pondérations peuvent corriger certaines différences, pas toutes
Supposons qu’un échantillon comporte 60 % de femmes alors que la population cible en compte environ 50 %. Si l’on connaît cette différence, on peut attribuer des poids statistiques permettant aux groupes sous-représentés de compter davantage dans l’estimation finale.
Cette méthode est très utilisée dans les enquêtes et sondages.
La pondération peut également tenir compte de l’âge, de la région, du niveau d’éducation ou d’autres caractéristiques disponibles.
Mais elle possède une limite évidente : on ne peut corriger que ce que l’on connaît et que l’on mesure suffisamment bien.
Si les personnes qui répondent diffèrent des autres sur une caractéristique importante qui n’est pas observée, une pondération fondée sur l’âge et le sexe ne fera pas nécessairement disparaître le biais.
Un résultat « redressé » n’est donc pas automatiquement représentatif. Il repose sur des hypothèses concernant les variables utilisées pour effectuer le redressement.
Perdre des participants en cours d’étude peut également créer un biais
Le problème de sélection peut apparaître après le recrutement.
Dans une étude suivant des patients pendant dix ans, certaines personnes déménagent, cessent de répondre ou abandonnent le suivi.
Cette attrition n’est pas nécessairement problématique si elle se produit de manière essentiellement indépendante des variables qui nous intéressent. Mais imaginons que les patients subissant les effets secondaires les plus graves d’un traitement quittent plus souvent l’étude.
Parmi les participants restant à la fin, le traitement pourrait alors paraître mieux toléré qu’il ne l’est réellement.
Les références méthodologiques identifient justement la perte différentielle au suivi comme une source classique de biais de sélection dans les cohortes.
La composition d’un échantillon doit donc être suivie pendant toute l’étude, pas uniquement lors du recrutement initial.
Sélection et causalité : un piège plus subtil
La sélection peut également produire des associations artificielles à l’intérieur même de l’échantillon.
Imaginons une population dans laquelle deux caractéristiques indépendantes augmentent chacune la probabilité d’être admis dans un établissement particulier. Si l’on étudie uniquement les personnes admises, ces deux caractéristiques peuvent apparaître artificiellement associées.
Ce phénomène correspond à une forme de biais de sélection souvent analysée dans les modèles causaux comme un biais de collision (*collider bias*).
L’idée générale est importante même sans entrer ici dans toute la théorie des graphes causaux : conditionner l’analyse sur le fait d’appartenir à un groupe particulier peut créer des relations qui n’existaient pas de la même manière dans la population d’origine.
C’est pourquoi le biais de sélection ne doit pas être réduit au simple problème « notre échantillon ressemble-t-il à la population générale ? ». Il peut également compromettre une estimation à l’intérieur même de l’échantillon étudié. Les analyses épidémiologiques contemporaines insistent précisément sur ces différentes formes de sélection.
Échantillonnage aléatoire et randomisation expérimentale ne sont pas la même chose
Deux procédures utilisant le hasard sont fréquemment confondues : tirer aléatoirement les participants d’une population et répartir aléatoirement les participants entre plusieurs groupes expérimentaux.
Elles répondent pourtant à des problèmes différents.
L’échantillonnage aléatoire cherche principalement à permettre une inférence entre l’échantillon et une population.
La randomisation expérimentale cherche principalement à rendre comparables les groupes de l’expérience afin d’estimer l’effet causal d’une intervention.
Un essai clinique peut ainsi recruter des volontaires très particuliers puis les randomiser parfaitement entre traitement et placebo. Sa validité interne peut être excellente : la comparaison entre les deux groupes permet une bonne estimation de l’effet du traitement chez ces participants.
Mais il peut rester une question de validité externe : le même effet s’appliquerait-il à des patients beaucoup plus âgés, plus fragiles ou atteints de plusieurs maladies, s’ils étaient peu représentés dans l’essai ?
Inversement, une enquête peut posséder un excellent échantillon représentatif sans permettre d’établir facilement une causalité.
Les deux formes de hasard doivent donc rester conceptuellement distinctes.
Validité interne et validité externe
Cette distinction conduit à deux notions importantes.
La validité interne concerne la solidité de l’inférence effectuée au sein de l’étude. Avons-nous correctement estimé l’association ou l’effet parmi les personnes réellement étudiées ?
La validité externe concerne ce qu’il est raisonnable d’appliquer au-delà de ces personnes, dans d’autres populations, lieux, périodes ou conditions.
Une étude peut avoir une excellente validité interne et une faible généralisation.
Cela n’est pas nécessairement une faute méthodologique. Une expérience très contrôlée peut volontairement sélectionner des participants particuliers afin d’isoler un mécanisme. La question est ensuite de ne pas présenter automatiquement cette conclusion comme universelle.
À l’inverse, rechercher une population extrêmement représentative ne compense pas une mauvaise validité interne.
Une conclusion biaisée dans l’échantillon ne devient pas correcte lorsqu’on la généralise.
Généraliser et transporter un résultat
La méthodologie contemporaine distingue parfois généralisation et transportabilité.
Les usages terminologiques peuvent varier, mais une distinction courante consiste à parler de généralisation lorsqu’on étend un résultat de l’échantillon à la population dont il a été tiré, et de transportabilité lorsqu’on souhaite appliquer ce résultat à une autre population ou un autre contexte.
Par exemple, un essai réalisé dans plusieurs hôpitaux français pourrait être généralisé à la population de patients français correspondant aux critères de l’étude. Appliquer exactement le même effet à une population vivant dans un autre pays, avec des caractéristiques médicales ou un système de soins différents, pose une question supplémentaire de transportabilité.
Cette distinction montre que la généralisation n’est pas un simple bouton que l’on activerait après une étude.
Elle exige de comparer l’échantillon, la population cible et les facteurs susceptibles de modifier le phénomène étudié.
Pour estimer une fréquence, la représentativité est particulièrement importante
L’importance de l’échantillonnage dépend aussi du type de question.
Si l’on cherche à savoir combien de personnes présentent une caractéristique — prévalence d’une maladie, intention de vote, pratique d’un comportement — la manière dont l’échantillon représente la population est fondamentale.
Une enquête sur la prévalence d’une infection réalisée uniquement parmi des personnes consultant un hôpital ne permet généralement pas d’estimer directement la prévalence dans toute la population : les personnes consultant l’hôpital ne constituent pas un échantillon neutre de celle-ci.
Les travaux méthodologiques sur les études de prévalence soulignent précisément l’importance du biais de sélection et de la relation entre population étudiée et population cible.
Pour une question causale ou mécanistique, en revanche, une représentativité descriptive parfaite peut être moins indispensable.
C’est l’une des raisons pour lesquelles demander simplement « l’échantillon était-il représentatif ? » est souvent insuffisant.
Il faut d’abord demander représentatif pour quelle inférence ?
Un échantillon non représentatif peut malgré tout informer sur une causalité
Imaginons un médicament dont l’effet biologique est étudié dans un groupe qui ne reflète pas exactement la population nationale.
Cela ne rend pas automatiquement la comparaison entre traitement et placebo invalide. Si la randomisation a été correctement effectuée, l’étude peut fournir une bonne estimation de l’effet causal chez les participants étudiés.
La difficulté apparaît lorsqu’on souhaite savoir si cet effet possède la même ampleur dans d’autres groupes.
Si le mécanisme du traitement est relativement stable, la généralisation peut être raisonnable. Si son effet varie fortement avec l’âge, le sexe, la génétique, les comorbidités ou d’autres caractéristiques sous-représentées dans l’étude, elle devient plus incertaine.
C’est pourquoi la littérature épidémiologique distingue depuis longtemps représentativité descriptive et validité d’une estimation causale. Un échantillon qui ne ressemble pas à la population sur toutes ses caractéristiques n’est pas nécessairement incapable d’établir une relation causale valide.
Cette nuance évite de transformer « représentativité » en critère magique de qualité.
Les critères d’inclusion peuvent renforcer une étude tout en limitant sa portée
Les essais cliniques utilisent souvent des critères précis : âge, diagnostic, traitements antérieurs, fonction rénale, grossesse, comorbidités ou niveau de gravité.
Ces critères peuvent améliorer la sécurité et réduire certaines sources de variation. Ils peuvent donc renforcer la capacité de l’étude à répondre clairement à une question.
Mais plus une étude sélectionne une population particulière, plus il faut examiner à qui le résultat pourra ensuite être appliqué.
Un traitement testé principalement sur des adultes jeunes sans comorbidité peut finir par être prescrit à des personnes beaucoup plus âgées et polymédiquées. L’effet moyen observé dans l’essai ne garantit pas automatiquement le même rapport bénéfice-risque dans cette population.
La tension entre contrôle expérimental et généralisation est donc réelle : rendre une population plus homogène peut parfois faciliter l’inférence causale tout en réduisant la portée directe du résultat.
La population elle-même peut changer
Une étude n’est pas seulement située dans une population, mais aussi dans une époque.
Un traitement évalué il y a vingt ans peut désormais être utilisé avec d’autres traitements associés. Le profil des patients peut avoir changé. Une enquête sur les usages numériques menée en 2012 ne décrit pas nécessairement ceux de 2026. Une relation observée dans un système scolaire ou professionnel particulier peut évoluer lorsque les institutions changent.
La transportabilité concerne donc aussi le passage d’un contexte temporel à un autre.
Cela rappelle qu’un résultat scientifique possède toujours un domaine d’application, même lorsque celui-ci est très large.
Les échantillons célèbres ne sont pas toujours les meilleurs
L’histoire des sciences comportementales fournit de nombreux exemples de résultats obtenus dans des populations très particulières puis décrits avec un langage beaucoup plus général.
Pendant longtemps, une grande partie de la psychologie expérimentale s’est appuyée sur des étudiants d’universités occidentales parce qu’ils étaient faciles à recruter. Cela ne signifie pas que les résultats issus de ces populations soient sans valeur. Mais lorsqu’un effet dépend de normes sociales, de l’éducation, de l’environnement économique ou de la culture, généraliser immédiatement à « l’être humain » peut être excessif.
Le problème est donc moins l’utilisation d’une population particulière que l’oubli de sa particularité au moment d’interpréter le résultat.
Le même principe vaut pour les études médicales réalisées dans des centres universitaires très spécialisés : leurs patients peuvent différer de ceux rencontrés en médecine courante.
Une population cible doit parfois être redéfinie
Il arrive qu’une étude ne permette finalement pas de répondre à la question générale envisagée au départ, mais qu’elle fournisse une bonne réponse à une question plus restreinte.
Supposons qu’un programme d’arrêt du tabac soit évalué uniquement parmi des volontaires particulièrement motivés.
La conclusion « ce programme fait arrêter de fumer 30 % des fumeurs » serait probablement trop générale.
Mais l’étude pourrait éventuellement soutenir une conclusion plus précise : « parmi les fumeurs présentant ces caractéristiques et suffisamment motivés pour participer à ce type de programme, environ 30 % ont arrêté dans les conditions étudiées ».
Cette reformulation semble moins spectaculaire, mais elle est scientifiquement plus informative.
Adapter l’étendue d’une conclusion aux personnes effectivement étudiées n’est pas affaiblir artificiellement le résultat : c’est définir correctement ce que les données permettent de soutenir.
Comment juger un échantillon ?
Il n’existe donc pas une propriété simple appelée « représentativité » que l’on pourrait noter oui ou non.
Il faut reconstruire la logique de l’étude.
Quelle est la population cible ? Comment les participants ont-ils été identifiés ? Quelle population pouvait réellement être recrutée ? La sélection était-elle probabiliste ou reposait-elle sur des volontaires ? Certains groupes avaient-ils moins de chances d’entrer dans l’étude ? Quel était le niveau de non-réponse ? Les personnes perdues au suivi différaient-elles des autres ? Des pondérations ont-elles été utilisées, et sur quelles variables ? Enfin, existe-t-il des raisons de penser que l’effet étudié varie entre les participants observés et les personnes auxquelles on souhaite appliquer le résultat ?
Ces questions permettent d’aller beaucoup plus loin que la simple remarque « l’échantillon est petit ».
Un petit échantillon pose principalement un problème d’incertitude statistique. Un échantillon mal sélectionné peut poser un problème de biais ou de généralisation. Les deux problèmes peuvent évidemment se cumuler, mais ils ne sont pas identiques.
Le véritable enjeu : savoir jusqu’où les données nous autorisent à parler
L’échantillonnage révèle une idée générale de la méthode scientifique : une donnée ne parle jamais de toutes les personnes, tous les lieux et toutes les situations par elle-même.
Elle provient d’un ensemble précis d’observations.
Pour passer de cet ensemble à une conclusion plus générale, il faut disposer d’un raisonnement supplémentaire concernant la sélection des observations et la stabilité du phénomène au-delà de l’échantillon.
Parfois, ce raisonnement est essentiellement statistique : un sondage probabiliste permet d’estimer une caractéristique de la population dont il est tiré.
Parfois, il repose davantage sur des connaissances scientifiques : un mécanisme biologique observé dans une population particulière peut être supposé fonctionner ailleurs, jusqu’à preuve du contraire.
Parfois encore, la généralisation reste véritablement incertaine et doit être testée dans d’autres populations.
La question méthodologique fondamentale n’est donc pas simplement :
« Combien de personnes ont été étudiées ? »
Elle est :
« Pourquoi ces personnes peuvent-elles nous apprendre quelque chose sur celles dont nous voulons parler ? »
À retenir
Un échantillon n’est pas seulement une version réduite d’une population. Sa valeur dépend du mécanisme par lequel ses membres ont été sélectionnés et de l’inférence que l’on souhaite effectuer.
Un grand échantillon réduit certaines fluctuations aléatoires, mais ne corrige pas automatiquement un biais de sélection. Un million de volontaires peuvent fournir une estimation extrêmement précise d’une population qui n’est pas celle à laquelle on voulait généraliser.
Il faut également distinguer échantillonnage aléatoire et randomisation expérimentale. Le premier aide principalement à généraliser d’un échantillon vers une population ; la seconde aide principalement à rendre des groupes comparables pour estimer un effet causal.
Enfin, un échantillon qui ne ressemble pas parfaitement à la population générale n’est pas automatiquement invalide. L’importance de la représentativité dépend du type d’inférence recherché. Elle est particulièrement centrale lorsqu’on veut estimer une prévalence ou une proportion, tandis qu’une étude causale peut parfois être valide dans un échantillon particulier tout en laissant ouverte la question de sa généralisation. La littérature méthodologique insiste précisément sur la nécessité de distinguer biais de sélection, représentativité et généralisation.
La bonne question est donc toujours : quelle est la population cible, comment l’échantillon a-t-il été constitué et quelles hypothèses permettent de passer de l’un à l’autre ?
Sources et références
- Rudolph, Jacqueline E., Zhong, Yongqi, Duggal, Priya, Mehta, Shruti H. & Lau, Bryan, « Defining representativeness of study samples in medical and population health research », *BMJ Medicine*, 2023, DOI 10.1136/bmjmed-2022-000399.
- International Agency for Research on Cancer, Statistical Methods in Cancer Research, Volume V: Bias Assessment in Case–Control and Cohort Studies for Hazard Identification, section consacrée au biais de sélection.
- Keiding, Niels & Louis, Thomas A., travaux méthodologiques sur la sélection, la représentativité et la généralisation en épidémiologie.
- Dahabreh, Issa J. et al., « Generalizing study results: a potential outcomes perspective », travaux sur la généralisation et la transportabilité des résultats.
- Nohr, Ellen A. et al. et travaux associés sur l’auto-sélection et les pertes au suivi dans les études épidémiologiques.
- Webster-Clark, Maria et al., travaux contemporains sur les différentes formes de biais de sélection et leurs conséquences pour l’inférence scientifique.