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 «Zhang, Liangliang»
Effacer tout

Mot(s)-clé(s)

Sujet

Année de publication

1 facets displayed. 0 facets selected.

Auteur(s)

2 facets displayed. 1 facets selected.

Contenu

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

Résultats

Tout (1)

Tout (1) ((1 result))

  • 1. Distribution a priori gamma hiérarchique pour la modélisation des effets aléatoires dans l’estimation sur petits domaines
    Articles et rapports : 12-001-X202400200011
    Description : L’estimation sur petits domaines est de plus en plus populaire auprès des statisticiens d’enquêtes. Étant donné que les estimations directes sur petits domaines comportent habituellement des erreurs-types élevées, des approches fondées sur des modèles sont souvent adoptées pour emprunter de l’information entre domaines. Les modèles d’estimation sur petits domaines reposent souvent sur des covariables pour coupler différents domaines et des effets aléatoires pour tenir compte de la variation supplémentaire. Des études récentes ont montré que les effets aléatoires ne sont pas nécessaires pour tous les domaines, de sorte que des distributions a priori en rétrécissement global-local (GL) ont été introduites pour modéliser efficacement la parcimonie des effets aléatoires. Le comportement des distributions a priori GL relatif à la queue varie, et leur rendement diffère selon les différents niveaux de parcimonie des effets aléatoires. Donc, il faut adapter le modèle à différents choix de distributions a priori, puis choisir celle qui convient le mieux en fonction du critère d’information de déviance ou d’autres paramètres d’évaluation. Dans le présent document, nous proposons une distribution a priori souple pour la modélisation des effets aléatoires dans l’estimation sur petits domaines. Les hyperparamètres de la distribution a priori déterminent le comportement de la queue et peuvent être estimés dans un cadre entièrement bayésien. Par conséquent, le modèle qui en résulte est adapté à la parcimonie des effets aléatoires sans ajustement répétitif. Nous démontrons le rendement de la distribution a priori proposée par des simulations et des applications réelles.
    Date de diffusion : 2024-12-20
Articles et rapports (1)

Articles et rapports (1) ((1 result))

  • 1. Distribution a priori gamma hiérarchique pour la modélisation des effets aléatoires dans l’estimation sur petits domaines
    Articles et rapports : 12-001-X202400200011
    Description : L’estimation sur petits domaines est de plus en plus populaire auprès des statisticiens d’enquêtes. Étant donné que les estimations directes sur petits domaines comportent habituellement des erreurs-types élevées, des approches fondées sur des modèles sont souvent adoptées pour emprunter de l’information entre domaines. Les modèles d’estimation sur petits domaines reposent souvent sur des covariables pour coupler différents domaines et des effets aléatoires pour tenir compte de la variation supplémentaire. Des études récentes ont montré que les effets aléatoires ne sont pas nécessaires pour tous les domaines, de sorte que des distributions a priori en rétrécissement global-local (GL) ont été introduites pour modéliser efficacement la parcimonie des effets aléatoires. Le comportement des distributions a priori GL relatif à la queue varie, et leur rendement diffère selon les différents niveaux de parcimonie des effets aléatoires. Donc, il faut adapter le modèle à différents choix de distributions a priori, puis choisir celle qui convient le mieux en fonction du critère d’information de déviance ou d’autres paramètres d’évaluation. Dans le présent document, nous proposons une distribution a priori souple pour la modélisation des effets aléatoires dans l’estimation sur petits domaines. Les hyperparamètres de la distribution a priori déterminent le comportement de la queue et peuvent être estimés dans un cadre entièrement bayésien. Par conséquent, le modèle qui en résulte est adapté à la parcimonie des effets aléatoires sans ajustement répétitif. Nous démontrons le rendement de la distribution a priori proposée par des simulations et des applications réelles.
    Date de diffusion : 2024-12-20

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.

Date de modification :