MPLSE à données chronologiques pour petites régions évalués à l’aide de données d’enquête - ARCHIVÉ

Lorsqu’on effectue des estimations pour petites régions, il est courant de renforcer les estimations en « empruntant » de l’information à d’autres petites régions, car les estimations directes tirées de l’enquête présentent souvent une variabilité d’échantillonnage élevée. Il existe, pour résoudre ce problème de forte variabilité, un ensemble de méthodes, dites d’estimation composite, qui utilisent la combinaison linéaire d’un estimateur direct et d’un estimateur synthétique. La composante synthétique se fonde sur un modèle qui relie les moyennes des petites régions transversalement (entre les régions) et/ou par rapport au temps. Le meilleur prédicteur linéaire sans biais empirique (MPLSE) transversal est un estimateur composite fondé sur un modèle de régression linéaire comportant des effets de petite région. Dans cet article, nous examinons trois modèles qui généralisent le MPLSE transversal et permettent d’utiliser les données de plusieurs points dans le temps. Dans le premier modèle, les paramètres de régression sont aléatoires et présentent une dépendance sériale, mais les effets de petite région sont supposés indépendants dans le temps. Dans le deuxième modèle, les paramètres de régression ne sont pas aléatoires et peuvent prendre des valeurs communes dans le temps, mais il y a une dépendance sériale dans les effets de petite région. Le troisième modèle est plus général en ce sens qu’on suppose une dépendance sériale dans les paramètres de régression et dans les effets de petite région. Les estimateurs résultants, ainsi que certains estimateurs transversaux, sont évalués à l’aide des données bisannuelles de l’Enquête nationale sur les fermes et de l’Enquête sur les fermes de janvier de Statistique Canada.