Les grands ensembles de données contenant à la fois des variables continues et catégorielles posent des défis informatiques pour l'analyse de régression, et l'échantillonnage aléatoire naïf ne préserve souvent pas la distribution des groupes catégoriels. Cet article présente l'échantillonnage proportionnel progressif (PPS), un cadre de sous-échantillonnage qui maintient une représentation proportionnelle entre strates catégorielles tout en sélectionnant les observations qui maximisent l'efficacité de l'estimation. S'appuyant sur des critères d'optimalité A et D issus de la conception expérimentale, le PPS améliore de manière itérative la qualité des sous-échantillons par des échanges au sein de la strate. Nous établissons les fondements théoriques de la méthode et menons des études de simulation qui démontrent une amélioration de l'erreur de prédiction quadratique moyenne par rapport à l'échantillonnage aléatoire simple. Nous illustrons la méthode sur des données sur la qualité de l'air, comprenant des mesures continues mixtes et des variables temporelles catégorielles.