Recherche par mot-clé

Aller au contenu principal
Aller au pied de page

Sélection de la langue

English

Recherche et menus

Recherche et menus

Rechercher

Résultats

Tout (63)

Tout (63) (0 à 10 de 63 résultats)

1. Échantillonnage d’ensembles ordonnés avec probabilité proportionnelle à la taille dans des populations stratifiées
Articles et rapports : 12-001-X202000200001
Description :
Le présent article construit un échantillon d’ensembles ordonnés avec probabilité proportionnelle à la taille (PPT) à partir d’une population stratifiée. Un échantillon d’ensembles ordonnés PPT partitionne les unités d’un échantillon PPT en groupes d’observations semblables. La construction de groupes semblables repose sur des positions relatives (rangs) d’unités dans de petits ensembles de comparaison. Ainsi, les rangs induisent plus de structure (stratification) dans l’échantillon en plus de la structure de données créée par des probabilités de sélection inégales dans un échantillon PPT. La structure de données ajoutée rend l’échantillon d’ensembles ordonnés PPT plus informatif qu’un échantillon PPT. On construit l’échantillon d’ensembles ordonnés PPT stratifié en sélectionnant un échantillon d’ensembles ordonnés PPT à partir de chaque strate de la population. L’article construit des estimateurs sans biais pour la moyenne de la population, le total de la population et leurs variances. On applique le nouveau plan d’échantillonnage à des données sur la production de pommes pour estimer la production totale de pommes en Turquie.
Date de diffusion : 2020-12-15
2. Estimation et inférence des moyennes de domaine soumises à des contraintes qualitatives
Articles et rapports : 12-001-X202000200002
Description :
Dans de nombreuses enquêtes à grande échelle, des estimations sont produites pour un grand nombre de petits domaines définis par des classifications croisées de variables démographiques, géographiques et autres. Bien que la taille globale de l’échantillon de ces enquêtes puisse être très grande, la taille des échantillons des domaines est parfois trop petite pour permettre une estimation fiable. Nous proposons une méthode d’estimation améliorée qui s’applique quand il est possible de formuler des relations « naturelles » ou qualitatives (comme des ordonnancements ou des contraintes d’inégalité) pour les moyennes des domaines au niveau de la population. Nous restons dans un cadre inférentiel fondé sur le plan, mais nous imposons des contraintes représentant ces relations sur les estimations échantillonnales. Nous démontrons que l’estimateur de domaine contraint qui en résulte est convergent par rapport au plan et a une distribution asymptotique normale tant que les contraintes sont asymptotiquement satisfaites au niveau de la population. L’estimateur et l’estimateur de la variance connexe sont facilement mis en œuvre en pratique. L’applicabilité de la méthode est illustrée par les données de la National Survey of College Graduates des États-Unis (NSCG, Enquête nationale sur les diplômés des collèges) de 2015.
Date de diffusion : 2020-12-15
3. Ajustement de pondération hiérarchique bayésienne et inférence d’enquête
Articles et rapports : 12-001-X202000200003
Description :
Nous combinons pondération et prédiction bayésienne dans une approche unifiée pour l’inférence d’enquête. Les principes généraux de l’analyse bayésienne impliquent que les modèles pour les résultats d’enquête devraient être conditionnés par toutes les variables influant sur les probabilités d’inclusion. Nous intégrons toutes les variables servant à l’ajustement de pondération dans un cadre de régression multiniveau et de poststratification pour obtenir un sous-produit générant des poids basés sur un modèle après lissage. Nous améliorons l’estimation sur petits domaines en traitant les divers problèmes complexes que posent les applications dans la vie réelle pour obtenir une inférence robuste à des niveaux plus fins pour les sous-domaines d’intérêt. Nous examinons les interactions profondes et introduisons des distributions a priori structurées pour le lissage et la stabilisation des estimations. Le calcul se fait par Stan et avec le paquet rstanarm du code source libre R, disponible pour utilisation publique. Nous évaluons les propriétés selon le plan de la procédure bayésienne. Nous recourons à des études en simulation pour illustrer comment la prédiction basée sur un modèle et l’inférence pondérée peuvent donner de meilleurs résultats que la pondération classique. Nous appliquons la méthode à la New York Longitudinal Study of Wellbeing (LSW). La nouvelle approche produit des poids lissés et rend plus efficace une inférence robuste de population finie, plus particulièrement pour des sous-ensembles de la population.
Date de diffusion : 2020-12-15
4. La vraisemblance pénalisée de Firth pour les régressions à risques proportionnels en cas d’enquêtes complexes
Articles et rapports : 12-001-X202000200004
Description :
Le présent article propose une méthode de mise à l’échelle des poids pour la vraisemblance pénalisée de Firth pour des modèles de régression à risques proportionnels. La méthode calcule une relation entre la vraisemblance pénalisée utilisant des poids mis à l’échelle et la vraisemblance pénalisée utilisant des poids non mis à l’échelle, et elle montre que la vraisemblance pénalisée utilisant des poids mis à l’échelle possède certaines propriétés souhaitables. Une étude par simulations indique que la vraisemblance pénalisée utilisant des poids mis à l’échelle produit des biais plus petits dans les estimations ponctuelles et les erreurs-types que les biais produits par la vraisemblance pénalisée utilisant des poids non mis à l’échelle. La vraisemblance pénalisée pondérée est appliquée à l’estimation des taux de risque pour les crises cardiaques au moyen d’un ensemble de données à grande diffusion provenant de la National Health and Epidemiology Follow up Study (NHEFS, Étude de suivi épidémiologique et de santé nationale). L’annexe contient les instructions SASMD servant à estimer les taux de risque à l’aide de données d’enquêtes complexes.
Date de diffusion : 2020-12-15
5. Classification semi-automatisée des réponses à des questions ouvertes à étiquettes multiples
Articles et rapports : 12-001-X202000200005
Description :
Dans les enquêtes, les réponses textuelles à des questions ouvertes ont de l’importance, puisqu’elles permettent aux répondants de livrer plus de renseignements sans contrainte. Dans une classification automatique des réponses à des questions ouvertes en apprentissage supervisé, la précision souvent n’est pas assez grande. Comme autre possibilité, une stratégie de classification semi-automatisée peut être envisagée : les réponses sont classifiées automatiquement dans le groupe facile à classer et classifiées manuellement dans le reste. Nous présentons ici une méthode de classification semi-automatisée des réponses à des questions ouvertes à étiquettes multiples pour les cas où les réponses textuelles peuvent appartenir simultanément à plusieurs classes. La méthode que nous proposons se trouve à combiner de multiples chaînes de classification probabiliste en évitant des coûts de calcul prohibitifs. L’évaluation du rendement sur trois ensembles de données démontre l’efficacité de cette méthode.
Date de diffusion : 2020-12-15
6. Validation du module de la sécurité alimentaire de l'Étude longitudinale et internationale des adultes de 2018
Articles et rapports : 89-648-X2020004
Description :
Le présent rapport technique a pour but de valider le module de la sécurité alimentaire de l'Étude longitudinale et internationale des adultes (ELIA) de 2018 (vague 4) et de fournir des recommandations qui seront utilisées aux fins d’analyse. La section 2 du rapport donne un aperçu des données de l’ELIA. La section 3 donne des renseignements de base quant aux mesures de la sécurité alimentaire dans les enquêtes nationales et explique pourquoi ces mesures sont importantes dans la documentation actuelle. La section 4 offre une analyse des données relatives à la sécurité alimentaire en présentant des statistiques descriptives clés et des contrôles logiques faisant appel à la méthodologie de l'ELIA et à des renseignements fournis par des chercheurs externes. Dans la section 5, la validation de certification a été effectuée en comparant d'autres enquêtes nationales canadiennes qui ont utilisé un module de la sécurité alimentaire avec le module utilisé dans l’ELIA. Enfin, la section 6 présente les observations clés et leur incidence quant à l’ELIA.
Date de diffusion : 2020-11-02
7. La création d’une base de données Robots!
Articles et rapports : 11-633-X2020004
Description :
Les progrès accomplis récemment dans le domaine de l’intelligence artificielle ont ravivé d’anciennes craintes de voir les robots remplacer les humains dans l’économie. Les vagues d’automatisation précédentes ont modifié le rôle de la main-d’œuvre, sans toutefois le réduire, mais la flexibilité humanoïde des robots pourrait changer la donne cette fois-ci. La question de savoir si ce sera le cas est une question empirique, à laquelle on n’a pu répondre dans le passé en raison d’un manque de données pertinentes. Le présent article brosse un portrait de la création d’un ensemble de données en vue de combler cette lacune statistique au Canada. Robots! est une base de données de panel à l’échelle des entreprises sur l’adoption de robots créée à l’aide des données sur les importations canadiennes. Les données révèlent des investissements considérables dans les robots dans l’économie canadienne de 1996 à 2017. Bien que de nombreux robots soient importés par des grossistes en robotique ou des programmeurs en vue de la revente, on peut attribuer la majorité d’entre eux à l’entreprise qui finit par les adopter (directement). Les données peuvent être utilisées pour étudier l’incidence de l’adoption de robots à l’échelle des régions économiques, des industries ou des entreprises.
Date de diffusion : 2020-11-02
8. Les objectifs de développement durable : objectif 1, pas de pauvreté Archivé
Articles et rapports : 11-637-X202000100001
Description : Comme premier objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à éliminer la pauvreté sous toutes ses formes et partout dans le monde d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au premier objectif de développement durable en faveur d'éliminer la pauvreté, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20
9. Les objectifs de développement durable : objectif 2, faim « zéro » Archivé
Articles et rapports : 11-637-X202000100002
Description : Comme deuxième objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à éliminer la faim, assurer la securité alimentaire, améliorer la nutrition et promouvoir l'agriculture durable d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au deuxième objectif de développement durable en faveur d'éliminer la faim, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20
10. Les objectifs de développement durable : objectif 3, bonne santé et bien-être Archivé
Articles et rapports : 11-637-X202000100003
Description : Comme troisième objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à permettre à tous de vivre en bonne santé et promouvoir le bien-être de tous à tout âge d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au troisième objectif de développement durable en faveur de la bonne santé et bien-être, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20

Données (0)

Données (0) (0 résultat)

Aucun contenu disponible actuellement

Analyses (57)

Analyses (57) (0 à 10 de 57 résultats)

1. Échantillonnage d’ensembles ordonnés avec probabilité proportionnelle à la taille dans des populations stratifiées
Articles et rapports : 12-001-X202000200001
Description :
Le présent article construit un échantillon d’ensembles ordonnés avec probabilité proportionnelle à la taille (PPT) à partir d’une population stratifiée. Un échantillon d’ensembles ordonnés PPT partitionne les unités d’un échantillon PPT en groupes d’observations semblables. La construction de groupes semblables repose sur des positions relatives (rangs) d’unités dans de petits ensembles de comparaison. Ainsi, les rangs induisent plus de structure (stratification) dans l’échantillon en plus de la structure de données créée par des probabilités de sélection inégales dans un échantillon PPT. La structure de données ajoutée rend l’échantillon d’ensembles ordonnés PPT plus informatif qu’un échantillon PPT. On construit l’échantillon d’ensembles ordonnés PPT stratifié en sélectionnant un échantillon d’ensembles ordonnés PPT à partir de chaque strate de la population. L’article construit des estimateurs sans biais pour la moyenne de la population, le total de la population et leurs variances. On applique le nouveau plan d’échantillonnage à des données sur la production de pommes pour estimer la production totale de pommes en Turquie.
Date de diffusion : 2020-12-15
2. Estimation et inférence des moyennes de domaine soumises à des contraintes qualitatives
Articles et rapports : 12-001-X202000200002
Description :
Dans de nombreuses enquêtes à grande échelle, des estimations sont produites pour un grand nombre de petits domaines définis par des classifications croisées de variables démographiques, géographiques et autres. Bien que la taille globale de l’échantillon de ces enquêtes puisse être très grande, la taille des échantillons des domaines est parfois trop petite pour permettre une estimation fiable. Nous proposons une méthode d’estimation améliorée qui s’applique quand il est possible de formuler des relations « naturelles » ou qualitatives (comme des ordonnancements ou des contraintes d’inégalité) pour les moyennes des domaines au niveau de la population. Nous restons dans un cadre inférentiel fondé sur le plan, mais nous imposons des contraintes représentant ces relations sur les estimations échantillonnales. Nous démontrons que l’estimateur de domaine contraint qui en résulte est convergent par rapport au plan et a une distribution asymptotique normale tant que les contraintes sont asymptotiquement satisfaites au niveau de la population. L’estimateur et l’estimateur de la variance connexe sont facilement mis en œuvre en pratique. L’applicabilité de la méthode est illustrée par les données de la National Survey of College Graduates des États-Unis (NSCG, Enquête nationale sur les diplômés des collèges) de 2015.
Date de diffusion : 2020-12-15
3. Ajustement de pondération hiérarchique bayésienne et inférence d’enquête
Articles et rapports : 12-001-X202000200003
Description :
Nous combinons pondération et prédiction bayésienne dans une approche unifiée pour l’inférence d’enquête. Les principes généraux de l’analyse bayésienne impliquent que les modèles pour les résultats d’enquête devraient être conditionnés par toutes les variables influant sur les probabilités d’inclusion. Nous intégrons toutes les variables servant à l’ajustement de pondération dans un cadre de régression multiniveau et de poststratification pour obtenir un sous-produit générant des poids basés sur un modèle après lissage. Nous améliorons l’estimation sur petits domaines en traitant les divers problèmes complexes que posent les applications dans la vie réelle pour obtenir une inférence robuste à des niveaux plus fins pour les sous-domaines d’intérêt. Nous examinons les interactions profondes et introduisons des distributions a priori structurées pour le lissage et la stabilisation des estimations. Le calcul se fait par Stan et avec le paquet rstanarm du code source libre R, disponible pour utilisation publique. Nous évaluons les propriétés selon le plan de la procédure bayésienne. Nous recourons à des études en simulation pour illustrer comment la prédiction basée sur un modèle et l’inférence pondérée peuvent donner de meilleurs résultats que la pondération classique. Nous appliquons la méthode à la New York Longitudinal Study of Wellbeing (LSW). La nouvelle approche produit des poids lissés et rend plus efficace une inférence robuste de population finie, plus particulièrement pour des sous-ensembles de la population.
Date de diffusion : 2020-12-15
4. La vraisemblance pénalisée de Firth pour les régressions à risques proportionnels en cas d’enquêtes complexes
Articles et rapports : 12-001-X202000200004
Description :
Le présent article propose une méthode de mise à l’échelle des poids pour la vraisemblance pénalisée de Firth pour des modèles de régression à risques proportionnels. La méthode calcule une relation entre la vraisemblance pénalisée utilisant des poids mis à l’échelle et la vraisemblance pénalisée utilisant des poids non mis à l’échelle, et elle montre que la vraisemblance pénalisée utilisant des poids mis à l’échelle possède certaines propriétés souhaitables. Une étude par simulations indique que la vraisemblance pénalisée utilisant des poids mis à l’échelle produit des biais plus petits dans les estimations ponctuelles et les erreurs-types que les biais produits par la vraisemblance pénalisée utilisant des poids non mis à l’échelle. La vraisemblance pénalisée pondérée est appliquée à l’estimation des taux de risque pour les crises cardiaques au moyen d’un ensemble de données à grande diffusion provenant de la National Health and Epidemiology Follow up Study (NHEFS, Étude de suivi épidémiologique et de santé nationale). L’annexe contient les instructions SASMD servant à estimer les taux de risque à l’aide de données d’enquêtes complexes.
Date de diffusion : 2020-12-15
5. Classification semi-automatisée des réponses à des questions ouvertes à étiquettes multiples
Articles et rapports : 12-001-X202000200005
Description :
Dans les enquêtes, les réponses textuelles à des questions ouvertes ont de l’importance, puisqu’elles permettent aux répondants de livrer plus de renseignements sans contrainte. Dans une classification automatique des réponses à des questions ouvertes en apprentissage supervisé, la précision souvent n’est pas assez grande. Comme autre possibilité, une stratégie de classification semi-automatisée peut être envisagée : les réponses sont classifiées automatiquement dans le groupe facile à classer et classifiées manuellement dans le reste. Nous présentons ici une méthode de classification semi-automatisée des réponses à des questions ouvertes à étiquettes multiples pour les cas où les réponses textuelles peuvent appartenir simultanément à plusieurs classes. La méthode que nous proposons se trouve à combiner de multiples chaînes de classification probabiliste en évitant des coûts de calcul prohibitifs. L’évaluation du rendement sur trois ensembles de données démontre l’efficacité de cette méthode.
Date de diffusion : 2020-12-15
6. Validation du module de la sécurité alimentaire de l'Étude longitudinale et internationale des adultes de 2018
Articles et rapports : 89-648-X2020004
Description :
Le présent rapport technique a pour but de valider le module de la sécurité alimentaire de l'Étude longitudinale et internationale des adultes (ELIA) de 2018 (vague 4) et de fournir des recommandations qui seront utilisées aux fins d’analyse. La section 2 du rapport donne un aperçu des données de l’ELIA. La section 3 donne des renseignements de base quant aux mesures de la sécurité alimentaire dans les enquêtes nationales et explique pourquoi ces mesures sont importantes dans la documentation actuelle. La section 4 offre une analyse des données relatives à la sécurité alimentaire en présentant des statistiques descriptives clés et des contrôles logiques faisant appel à la méthodologie de l'ELIA et à des renseignements fournis par des chercheurs externes. Dans la section 5, la validation de certification a été effectuée en comparant d'autres enquêtes nationales canadiennes qui ont utilisé un module de la sécurité alimentaire avec le module utilisé dans l’ELIA. Enfin, la section 6 présente les observations clés et leur incidence quant à l’ELIA.
Date de diffusion : 2020-11-02
7. La création d’une base de données Robots!
Articles et rapports : 11-633-X2020004
Description :
Les progrès accomplis récemment dans le domaine de l’intelligence artificielle ont ravivé d’anciennes craintes de voir les robots remplacer les humains dans l’économie. Les vagues d’automatisation précédentes ont modifié le rôle de la main-d’œuvre, sans toutefois le réduire, mais la flexibilité humanoïde des robots pourrait changer la donne cette fois-ci. La question de savoir si ce sera le cas est une question empirique, à laquelle on n’a pu répondre dans le passé en raison d’un manque de données pertinentes. Le présent article brosse un portrait de la création d’un ensemble de données en vue de combler cette lacune statistique au Canada. Robots! est une base de données de panel à l’échelle des entreprises sur l’adoption de robots créée à l’aide des données sur les importations canadiennes. Les données révèlent des investissements considérables dans les robots dans l’économie canadienne de 1996 à 2017. Bien que de nombreux robots soient importés par des grossistes en robotique ou des programmeurs en vue de la revente, on peut attribuer la majorité d’entre eux à l’entreprise qui finit par les adopter (directement). Les données peuvent être utilisées pour étudier l’incidence de l’adoption de robots à l’échelle des régions économiques, des industries ou des entreprises.
Date de diffusion : 2020-11-02
8. Les objectifs de développement durable : objectif 1, pas de pauvreté Archivé
Articles et rapports : 11-637-X202000100001
Description : Comme premier objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à éliminer la pauvreté sous toutes ses formes et partout dans le monde d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au premier objectif de développement durable en faveur d'éliminer la pauvreté, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20
9. Les objectifs de développement durable : objectif 2, faim « zéro » Archivé
Articles et rapports : 11-637-X202000100002
Description : Comme deuxième objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à éliminer la faim, assurer la securité alimentaire, améliorer la nutrition et promouvoir l'agriculture durable d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au deuxième objectif de développement durable en faveur d'éliminer la faim, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20
10. Les objectifs de développement durable : objectif 3, bonne santé et bien-être Archivé
Articles et rapports : 11-637-X202000100003
Description : Comme troisième objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à permettre à tous de vivre en bonne santé et promouvoir le bien-être de tous à tout âge d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au troisième objectif de développement durable en faveur de la bonne santé et bien-être, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20

Références (6)

Références (6) ((6 résultats))

1. Base de données longitudinales sur l’immigration (BDIM) - Rapport technique, 2018 Archivé
Enquêtes et programmes statistiques — Documentation : 11-633-X2019005
Description :
La base de données longitudinales sur l’immigration (BDIM) est une source importante et complète de données contribuant à mieux comprendre le comportement économique des immigrants. Il s’agit du seul ensemble annuel de données canadiennes permettant d’étudier les caractéristiques des immigrants au Canada au moment de leur admission ainsi que leur situation économique et leur mobilité régionale (interprovinciale) sur plus de 35 ans. La BDIM comprend les dossiers administratifs d'Immigration, Réfugiés et Citoyenneté Canada (IRCC) qui contiennent des renseignements exhaustifs sur les immigrants admis au Canada depuis 1952. Elle comprend également des données sur les résidents non permanents à qui on a délivré des permis de séjour temporaire depuis 1980. Ce rapport traitera des sources de données, des concepts et des variables de la BDIM, du couplage d’enregistrements, du traitement des données, de la diffusion, de l’évaluation des données et des indicateurs de qualité, de la comparabilité avec d’autres ensembles de données relatives à l’immigration ainsi que des analyses que permet la BDIM.

La BDIM a été diffusée en plusieurs étapes. Les sections 2.2 et 7 de ce rapport ont été révisées pour refléter les mises à jour.

Date de diffusion : 2020-07-20
2. Brosser un portrait du Canada : le Recensement de la population de 2021
Avis et consultations : 98-26-0001
Description :
Ce livre blanc présente l’approche prévue par Statistique Canada dans le cadre du Recensement de la population de 2021. Il fournit en outre une explication claire des processus qui sous-tendent le programme du recensement, en abordant le contenu, le fonctionnement et les aspects juridiques du programme, de même que son caractère historique. Statistique Canada reconnaît qu’il est important non seulement de mener à bien le recensement, mais également de faire preuve de transparence quant à la façon dont ces efforts sont réalisés et de fournir des renseignements à cet égard. Brosser un portrait du Canada : le Recensement de la population de 2021 donne aux lecteurs un aperçu exclusif et détaillé de la façon dont les données du recensement sont recueillies et analysées, puis communiquées aux Canadiens, sous forme de renseignements statistiques de grande qualité, servant à prendre des décisions fondées sur des données probantes dans la société canadienne.
Date de diffusion : 2020-07-20
3. Test du contenu du recensement de 2019 : conception et méthodologie Archivé
Enquêtes et programmes statistiques — Documentation : 98-20-00012020020
Description :
Ce feuillet d’information fournit des renseignements détaillés sur la conception et la méthodologie de la composante du contenu du Test du recensement de 2019. Ce test a évalué les modifications apportées au libellé et à l’enchaînement de certaines questions, ainsi que l’ajout éventuel de nouvelles questions, afin de déterminer le contenu du Recensement de la population de 2021.

Date de diffusion : 2020-07-20
4. Stratégie de données de Statistique Canada
Enquêtes et programmes statistiques — Documentation : 89-26-0003
Description :
La stratégie des données de Statistique Canada (SCDS) fournit un plan d'action pour la gestion et l'exploitation des actifs de données de l'organisme afin d'assurer leur utilisation et leur valeur optimales tout en maintenant la confiance du public. Comme Statistique Canada est le fournisseur de confiance du pays en matière de données et d'informations de haute qualité pour soutenir la prise de décisions et de politiques fondées sur des données probantes, la SCDS comprend naturellement aussi le plan de l'organisme visant à fournir un soutien et une expertise en matière de données à d'autres organisations gouvernementales (fédérales, provinciales et territoriales), à des organisations non gouvernementales, au secteur privé, au milieu universitaire et à d'autres communautés nationales et internationales).
Le SCDS fournit une feuille de route sur la façon dont Statistique Canada continuera à gouverner et à gérer ses précieux actifs de données dans le cadre de son programme de modernisation et en conformité et en réponse à d'autres stratégies et initiatives du gouvernement fédéral. Ces stratégies fédérales comprennent la Stratégie des données pour la fonction publique fédérale, le Plan d'action national du Canada pour la transparence gouvernementale 2018-2020 et le Plan stratégique des opérations numériques du Secrétariat du Conseil du Trésor : 2018-2022.
Date de diffusion : 2020-04-30
5. Sources et méthodes : Investissement en immobilisations dans les infrastructures
Enquêtes et programmes statistiques — Documentation : 34-26-0002
Description :
À partir de l'année de référence 2018, l'enquête annuelle sur les dépenses en immobilisations (CAPEX) a ajouté du contenu permettant de produire des estimations de dépenses en immobilisations par actifs d'infrastructures. En plus du contenu existant, le nouveau questionnaire demande une ventilation des dépenses par fonction (ou objectif) ainsi que la source de financement des dépenses en capital à partir des subventions publiques.
Ce produit décrira les sources et les méthodes utilisées pour produire des estimations des dépenses en immobilisations et des réparations spécifiques aux actifs d'infrastructure et ce par fonction.
Date de diffusion : 2020-04-01
6. Concept d'accédant à la propriété : note de référence technique Archivé
Enquêtes et programmes statistiques — Documentation : 75F0002M2020001
Description :
La présente note définit le concept d'accédant à la propriété, employé dans l'Enquête canadienne sur le logement de 2018 (ECL). Elle comprend aussi la méthodologie utilisée pour déterminer les accédants à la propriété et fournit une analyse de sensibilité relevant d'autres méthodologies.
Date de diffusion : 2020-01-15

Signaler un problème ou une erreur sur cette page

Date de modification :: 2024-09-29

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.