Amélioration de l’erreur de mesure et de la représentativité dans les enquêtes non probabilistes
Articles et rapports : 12-001-X202600100013Description : À l’ère des mégadonnées, les enquêtes non probabilistes sont de plus en plus nombreuses. Les techniques d’intégration de données faisant appel à la fois à des enquêtes probabilistes et non probabilistes sont largement utilisées afin d’obtenir de meilleures estimations pour des populations finies. Alors que la majorité des travaux de recherche existants ont porté sur la réduction du biais de sélection dans les enquêtes non probabilistes, la question de l’erreur de mesure dans ces enquêtes demeure relativement peu étudiée. Les méthodes statistiques visant à atténuer le biais de sélection ne permettent une estimation fiable que si l’on part du principe que les réponses aux enquêtes sont exactes. Motivée par une étude de cas récente de Kennedy, Mercer et Lau (2024), notre étude aborde le biais découlant à la fois des erreurs de mesure et des erreurs d’échantillonnage dans les enquêtes non probabilistes. Dans le présent article, nous proposons une nouvelle méthode d’intégration de données qui fait appel à plusieurs enquêtes probabilistes et non probabilistes et s’appuie sur des modèles d’apprentissage automatique pour construire un estimateur composite. L’estimateur composite proposé intègre les enquêtes probabilistes et non probabilistes lorsque les deux types d’enquêtes contiennent des variables réponses d’intérêt. Nous analysons le rendement de cet estimateur, par rapport à un estimateur composite existant dans la littérature, tant sur le plan analytique qu’empirique, à l’aide de données provenant de plusieurs enquêtes de Kennedy et coll. (2024). Enfin, nous déterminons les conditions dans lesquelles l’estimateur proposé donne de meilleurs résultats que les estimateurs fondés uniquement sur des enquêtes probabilistes. Numéro d'exemplaire : 2026001Auteur(s) : Sen, Aditi; Lahiri, ParthaProduit principal :Techniques d'enquête
