Plans à chaînes de Markov pour l’échantillonnage à une unité par strate - ARCHIVÉ

Dans le domaine de l’échantillonnage de populations finies, les résultats classiques indiquent que l’échantillonnage systématique est le plan le plus efficace pour l’échantillonnage à une unité par strate avec probabilités égales dans le cas de certains types de superpopulations autocorrélées, mais que l’échantillonnage aléatoire simple stratifié est peut-être nettement supérieur à l’échantillonnage systématique si la superpopulation correspond à une tendance avec erreurs non corrélées. Que faire si la superpopulation est la somme d’une tendance et d’erreurs autocorrélées ? Intuitivement, on peut penser qu’un « compromis » entre les deux plans serait la meilleure solution. Dans le présent article, nous construisons de tels plans mixtes, et nous montrons qu’il s’agit d’exemples de plans à chaînes de Markov, une vaste classe de méthodes de sélection d’une unité par strate dans une population finie. Ces plans comprennent, comme cas spéciaux, l’échantillonnage systématique, l’échantillonnage systématique compensé et l’échantillonnage aléatoire simple stratifié avec une unité d’échantillonnage par strate. Les probabilités d’inclusion de premier et de second ordre sont obtenues pour les plans à chaînes de Markov, ce qui donne l’estimateur de Horvitz-Thompson et sa variance. L’efficacité de l’estimateur de Horvitz-Thompson est évaluée à l’aide de modèles de superpopulation. Des exemples numériques montrent que les nouveaux plans examinés ici peuvent être plus efficaces que les plans habituels dans le cas de superpopulations qui sont la somme d’une tendance et d’erreurs autocorrélées. Nous présentons un exemple d’application de plans à chaînes de Markov, pour les fins du National Resources Inventory de 1992 en Alaska.