Analyses

Passer au filtres. Voir les résultats.

Montrer les résultats

Filtrer les résultats par

Search Help
Currently selected filters that can be removed
Retirer Annuler le filtre «Akande, Olanrewaju»
Effacer tout

Mot(s)-clé(s)

Sujet

Année de publication

2 facets displayed. 0 facets selected.

Auteur(s)

6 facets displayed. 1 facets selected.

Contenu

1 facets displayed. 0 facets selected.
Aide à l'ordre
entrées

Résultats

Tout (2)

Tout (2) ((2 results))

  • 1. Les modèles d’apprentissage profond sont-ils plus efficaces pour l’imputation de données manquantes dans les enquêtes ? Une comparaison empirique fournit des éléments de preuve
    Articles et rapports : 12-001-X202200200009
    Description :

    L’imputation multiple est une approche populaire pour traiter les données manquantes découlant de la non-réponse dans les enquêtes-échantillons. L’imputation multiple au moyen d’équations en séries (MICE) est l’un des algorithmes d’imputation multiple les plus utilisés pour les données multivariées, mais son fondement théorique est insuffisant et elle exige beaucoup de calculs. Récemment, des méthodes d’imputation des données manquantes fondées sur des modèles d’apprentissage profond ont été élaborées, ce qui a donné des résultats encourageants dans de petites études. Cependant, peu de recherches ont été menées sur l’évaluation de leur rendement dans des contextes réalistes par rapport à la MICE, en particulier dans le cadre de grandes enquêtes. Nous menons de vastes études de simulation fondées sur un sous-échantillon de l’American Community Survey afin de comparer les propriétés d’échantillonnage répété de quatre méthodes d’apprentissage automatique fondées sur l’imputation multiple : MICE avec arbres de classification; MICE avec forêts aléatoires; réseaux antagonistes génératifs pour l’imputation; et imputation multiple à l’aide d’autoencodeurs débruiteurs. Nous constatons que les méthodes d’imputation fondées sur des modèles d’apprentissage profond sont plus efficaces que la MICE en ce qui a trait au temps de calcul. Cependant, étant donné le choix par défaut des hyperparamètres dans les progiciels communs, la MICE avec arbres de classification dépasse constamment, souvent de loin, les méthodes d’imputation fondées sur l’apprentissage profond quant au biais, à l’erreur quadratique moyenne et à la couverture dans une gamme de paramètres réalistes.

    Date de diffusion : 2022-12-15
  • 2. Imputation multiple de valeurs manquantes dans des données des ménages contenant des zéros structurels Archivé
    Articles et rapports : 12-001-X201900200005
    Description : Nous exposons une méthode d’imputation de valeurs manquantes dans des données catégoriques multivariées emboîtées au sein des ménages. Cette méthode reposant sur un modèle à classes latentes (i) permet des variables au double niveau des ménages et des particuliers, (ii) attribue dans ce modèle une probabilité nulle aux configurations impossibles des ménages et (iii) peut préserver les distributions multivariées à la fois dans et entre les ménages. Nous présentons un échantillonneur de Gibbs pour l’estimation du modèle et la production des imputations. Nous décrivons en outre des stratégies d’amélioration de l’efficacité de calcul pour l’estimation du modèle. Nous illustrons enfin le rendement de la méthode à l’aide de données imitant les variables recueillies dans des recensements types de la population.
    Date de diffusion : 2019-06-27
Articles et rapports (2)

Articles et rapports (2) ((2 results))

  • 1. Les modèles d’apprentissage profond sont-ils plus efficaces pour l’imputation de données manquantes dans les enquêtes ? Une comparaison empirique fournit des éléments de preuve
    Articles et rapports : 12-001-X202200200009
    Description :

    L’imputation multiple est une approche populaire pour traiter les données manquantes découlant de la non-réponse dans les enquêtes-échantillons. L’imputation multiple au moyen d’équations en séries (MICE) est l’un des algorithmes d’imputation multiple les plus utilisés pour les données multivariées, mais son fondement théorique est insuffisant et elle exige beaucoup de calculs. Récemment, des méthodes d’imputation des données manquantes fondées sur des modèles d’apprentissage profond ont été élaborées, ce qui a donné des résultats encourageants dans de petites études. Cependant, peu de recherches ont été menées sur l’évaluation de leur rendement dans des contextes réalistes par rapport à la MICE, en particulier dans le cadre de grandes enquêtes. Nous menons de vastes études de simulation fondées sur un sous-échantillon de l’American Community Survey afin de comparer les propriétés d’échantillonnage répété de quatre méthodes d’apprentissage automatique fondées sur l’imputation multiple : MICE avec arbres de classification; MICE avec forêts aléatoires; réseaux antagonistes génératifs pour l’imputation; et imputation multiple à l’aide d’autoencodeurs débruiteurs. Nous constatons que les méthodes d’imputation fondées sur des modèles d’apprentissage profond sont plus efficaces que la MICE en ce qui a trait au temps de calcul. Cependant, étant donné le choix par défaut des hyperparamètres dans les progiciels communs, la MICE avec arbres de classification dépasse constamment, souvent de loin, les méthodes d’imputation fondées sur l’apprentissage profond quant au biais, à l’erreur quadratique moyenne et à la couverture dans une gamme de paramètres réalistes.

    Date de diffusion : 2022-12-15
  • 2. Imputation multiple de valeurs manquantes dans des données des ménages contenant des zéros structurels Archivé
    Articles et rapports : 12-001-X201900200005
    Description : Nous exposons une méthode d’imputation de valeurs manquantes dans des données catégoriques multivariées emboîtées au sein des ménages. Cette méthode reposant sur un modèle à classes latentes (i) permet des variables au double niveau des ménages et des particuliers, (ii) attribue dans ce modèle une probabilité nulle aux configurations impossibles des ménages et (iii) peut préserver les distributions multivariées à la fois dans et entre les ménages. Nous présentons un échantillonneur de Gibbs pour l’estimation du modèle et la production des imputations. Nous décrivons en outre des stratégies d’amélioration de l’efficacité de calcul pour l’estimation du modèle. Nous illustrons enfin le rendement de la méthode à l’aide de données imitant les variables recueillies dans des recensements types de la population.
    Date de diffusion : 2019-06-27

Aide pour trier les résultats

De quelle façon les résultats seront-ils présentés?

La fonction Trier par vous offre les quatre options suivantes :

  • Par date – Trie les résultats par date de diffusion des produits, en commençant par le plus récent.
  • Par pertinence – N’est nécessaire ou utile que lorsque vous utilisez le champ de recherche pour lancer votre recherche. Les résultats sont classés en fonction d’une combinaison de facteurs, notamment l’emplacement des termes recherchés dans le contenu (p. ex. s’ils figurent dans le titre, il est probable que le produit soit plus pertinent pour votre recherche), l’actualité ou la nouveauté du contenu du produit et la popularité du produit.
  • Par popularité – Donne la priorité aux résultats qui sont le plus souvent sélectionnés par les utilisateurs, puis aux plus récents.
  • Par titre – Trie les résultats en ordre alphabétique.

Aide pour trier les résultats

De quelle façon les résultats seront-ils présentés?

La fonction Trier par vous offre les trois options suivantes :

  • Par date – Trie les résultats par date de diffusion des produits, en commençant par le plus récent.
  • Par pertinence – N’est nécessaire ou utile que lorsque vous utilisez le champ de recherche pour lancer votre recherche. Les résultats sont classés en fonction d’une combinaison de facteurs, notamment l’emplacement des termes recherchés dans le contenu (p. ex. s’ils figurent dans le titre, il est probable que le produit soit plus pertinent pour votre recherche), l’actualité ou la nouveauté du contenu du produit et la popularité du produit.
  • Par titre – Trie les résultats en ordre alphabétique.

Aide liée à la recherche

Comment utiliser les filtres et le champ de recherche

  • Vous pouvez faire une recherche en inscrivant des mots-clés ou en sélectionnant des filtres (p. ex. sous Sujet, Géographie, etc.) du côté gauche de la page.

  • On peut utiliser les filtres ensemble ou former diverses combinaisons. À chaque sélection de filtre, la page des résultats est mise à jour.

  • Pour commencer une nouvelle recherche, cliquez sur le bouton Effacer tout au-dessus du champ de recherche ou décochez tous les filtres.

  • Les mots-clés et les filtres précisés sont affichés au-dessus du champ de recherche. Vous pouvez désélectionner l’un ou l’autre des éléments ou tous les éléments, pour préciser ou effacer votre recherche.

Comment préciser ma recherche

  • Vous pouvez entrer des mots-clés dans le champ de recherche. Il n’est pas nécessaire d’utiliser « + » ou « , » ou « ET ».

  • Vous pouvez supprimer certains mots-clés ou tous les mots-clés de votre chaîne de recherche.

  • Les mots-clés entre guillemets limitent la recherche à l’expression précise.

    • Par exemple, si vous cherchez « Enquête sur la population active », vous obtiendrez seulement des documents contenant cette suite de mots.

  • Utilisez « ou » entre les mots-clés pour obtenir des résultats qui contiennent au moins l’un des termes recherchés.

    •  Par exemple, si vous cherchez enquête ou­ population ou active, vous obtiendrez seulement les documents contenant l’un ou l’autre de ces mots, ou tous ces mots.

Comment fonctionne la recherche

  • Cette forme de recherche fournira les résultats contenant le(s) mot(s) inscrit(s) dans le titre, la description, le sujet, la géographie, le numéro de produit ou toute autre information au sujet du produit.

    • Par exemple, lorsque vous cherchez le mot « maladies », tous les résultats obtenus contiendront ce mot dans le titre, la description, ou le sujet.

  • La recherche ne se fait pas dans le texte des articles ou des publications. Pour faire une recherche plein texte dans les articles, utilisez la fonction de recherche du site.