Recherche par mot-clé
Filtrer les résultats par
Aide à la rechercheMot(s)-clé(s)
Résultats
Tout (4)
Tout (4) ((4 résultats))
- Articles et rapports : 11-522-X20020016748Description :
Les praticiens utilisent souvent des données provenant d'enquêtes complexes (comme les enquêtes sur la population active et sur la santé basées sur un plan d'échantillonnage en grappes stratifiées) pour ajuster des modèles de régression logistique ou autres. Au cours des deux dernières décennies, beaucoup d'énergie a été consacrée à la mise au point de méthodes d'analyse des données d'enquêtes qui tiennent compte des caractéristiques du plan de sondage. Dans cet article, on étudie une méthode de remplacement intitulée échantillonnage inverse.
Des programmes spécialisés, comme SUDAAN et WESVAR, sont également commercialisés pour la mise en oeuvre de certaines de ces méthodes qui sont élaborées pour tenir compte des caractéristiques du plan de sondage. Toutefois, ces méthodes nécessitent des données supplémentaires, telles que les poids d'échantillonnage, les effets de plan ou l'analyse de groupement de microdonnées.
L'échantillonnage inverse (Hinkins et coll., Technique d'enquête, 1977) offre une méthode de rechange qui consiste à défaire les structures complexes des données afin de pouvoir appliquer des méthodes types. On tire des sous échantillons répétés à structure aléatoire simple et on analyse chaque sous échantillon par des méthodes types, et on les rassemble pour augmenter l'efficacité. Cette méthode permet de préserver le caractère confidentiel des fichiers de microdonnées bien qu'elle nécessite de nombreux calculs. Un inconvénient est qu'elle peut produire des estimations biaisées des paramètres de régression si la taille des sous échantillons est faible (comme dans le cas de l'échantillonnage en grappes stratifié).
Dans cet article, on propose une méthode basée sur des équations d'estimation qui consiste à rassembler les sous échantillons avant l'estimation et qui produit donc des estimations presque non biaisées des paramètres de régression, quelle que soit la taille des sous échantillons. En outre, elle nécessite moins de calculs que la méthode originale. On applique cette méthode à des données en grappes corrélées produites au moyen d'un modèle de régression linéaire à erreurs emboîtées pour illustrer ses avantages. On analyse aussi un ensemble de données réelles provenant d'une enquête de Statistique Canada par la méthode des équations d'estimation.
Date de diffusion : 2004-09-13 - Articles et rapports : 12-001-X20030026784Description :
Skinner et Elliot (2002) ont proposé une mesure simple du risque de divulgation pour les microdonnées d'enquête et montré comment estimer cette mesure sous échantillonnage avec probabilités égales. Dans le présent article, nous montrons comment on peut étendre leurs résultats pour l'estimation ponctuelle et l'estimation de la variance à l'échantillonnage avec probabilités inégales. Nous élaborons notre méthode en supposant un plan d'échantillonnage de Poisson et faisons certains commentaires sur les résultats éventuels lorsqu'on s'écarte de cette hypothèse.
Date de diffusion : 2004-01-27 - 3. Inférence pour les ensembles de microdonnées à grande diffusion partiellement synthétiques ArchivéArticles et rapports : 12-001-X20030026785Description :
L'une des méthodes permettant d'éviter les divulgations consiste à diffuser des ensembles de microdonnées à grande diffusion partiellement synthétiques. Ces ensembles comprennent les unités enquêtés au départ, mais certaines valeurs recueillies, comme celles de nature délicate présentant un haut risque de divulgation ou celles d'identificateurs clés, sont remplacées par des imputations multiples. Bien qu'on recoure à l'heure actuelle à des approches partiellement synthétiques pour protéger les données à grande diffusion, on ne les a pas encore assorties de méthodes d'inférence valides. Le présent article décrit de telles méthodes. Elles sont fondées sur les concepts de l'imputation multiple en vue de remplacer des données manquantes, mais s'appuient sur des règles différentes pour combiner les estimations ponctuelles et les estimations de la variance. Ces règles de combinaison diffèrent aussi de celles élaborées par Raghunathan, Reiter et Rubin (2003) pour les ensembles de données entièrement synthétiques. La validité de ces nouvelles règles est illustrée au moyen d'études par simulation.
Date de diffusion : 2004-01-27 - Articles et rapports : 12-001-X20030026787Description :
L'application des méthodes statistiques classiques aux données provenant d'enquêtes complexes sans tenir compte des caractéristiques du plan de sondage peut donner lieu à des inférences incorrectes. Certaines méthodes ont été mises au point pour tenir compte du plan de sondage, mais elles nécessitent des renseignements supplémentaires, comme les poids de sondage, les effets de plan ou l'identification des grappes pour les microdonnées. L'échantillonnage inverse (Hinkins, Oh et Scheuren 1997) offre une autre approche qui consiste à défaire les structures des données d'enquête complexe de sorte qu'on puisse appliquer les méthodes classiques. Des sous-échantillons répétés sont tirés selon un plan d'échantillonnage aléatoire simple inconditionnel et analysés individuellement par les méthodes types, puis combinés pour augmenter l'efficacité. Cette méthode permet de préserver le caractère confidentiel des microdonnées, mais elle nécessite une grande capacité de calcul. Nous présentons une théorie de l'échantillonnage inverse et explorons ses limites. Nous proposons une approche fondée sur des équations d'estimation combinées pour traiter les paramètres complexes, tels que les ratios et les paramètres de régression linéaire ou logistique «en cas de recensement». La méthode est appliquée à un ensemble de données corrélées en grappes présentées dans Battese, Harter et Fuller(1988).
Date de diffusion : 2004-01-27
Données (0)
Données (0) (0 résultat)
Aucun contenu disponible actuellement
Analyses (4)
Analyses (4) ((4 résultats))
- Articles et rapports : 11-522-X20020016748Description :
Les praticiens utilisent souvent des données provenant d'enquêtes complexes (comme les enquêtes sur la population active et sur la santé basées sur un plan d'échantillonnage en grappes stratifiées) pour ajuster des modèles de régression logistique ou autres. Au cours des deux dernières décennies, beaucoup d'énergie a été consacrée à la mise au point de méthodes d'analyse des données d'enquêtes qui tiennent compte des caractéristiques du plan de sondage. Dans cet article, on étudie une méthode de remplacement intitulée échantillonnage inverse.
Des programmes spécialisés, comme SUDAAN et WESVAR, sont également commercialisés pour la mise en oeuvre de certaines de ces méthodes qui sont élaborées pour tenir compte des caractéristiques du plan de sondage. Toutefois, ces méthodes nécessitent des données supplémentaires, telles que les poids d'échantillonnage, les effets de plan ou l'analyse de groupement de microdonnées.
L'échantillonnage inverse (Hinkins et coll., Technique d'enquête, 1977) offre une méthode de rechange qui consiste à défaire les structures complexes des données afin de pouvoir appliquer des méthodes types. On tire des sous échantillons répétés à structure aléatoire simple et on analyse chaque sous échantillon par des méthodes types, et on les rassemble pour augmenter l'efficacité. Cette méthode permet de préserver le caractère confidentiel des fichiers de microdonnées bien qu'elle nécessite de nombreux calculs. Un inconvénient est qu'elle peut produire des estimations biaisées des paramètres de régression si la taille des sous échantillons est faible (comme dans le cas de l'échantillonnage en grappes stratifié).
Dans cet article, on propose une méthode basée sur des équations d'estimation qui consiste à rassembler les sous échantillons avant l'estimation et qui produit donc des estimations presque non biaisées des paramètres de régression, quelle que soit la taille des sous échantillons. En outre, elle nécessite moins de calculs que la méthode originale. On applique cette méthode à des données en grappes corrélées produites au moyen d'un modèle de régression linéaire à erreurs emboîtées pour illustrer ses avantages. On analyse aussi un ensemble de données réelles provenant d'une enquête de Statistique Canada par la méthode des équations d'estimation.
Date de diffusion : 2004-09-13 - Articles et rapports : 12-001-X20030026784Description :
Skinner et Elliot (2002) ont proposé une mesure simple du risque de divulgation pour les microdonnées d'enquête et montré comment estimer cette mesure sous échantillonnage avec probabilités égales. Dans le présent article, nous montrons comment on peut étendre leurs résultats pour l'estimation ponctuelle et l'estimation de la variance à l'échantillonnage avec probabilités inégales. Nous élaborons notre méthode en supposant un plan d'échantillonnage de Poisson et faisons certains commentaires sur les résultats éventuels lorsqu'on s'écarte de cette hypothèse.
Date de diffusion : 2004-01-27 - 3. Inférence pour les ensembles de microdonnées à grande diffusion partiellement synthétiques ArchivéArticles et rapports : 12-001-X20030026785Description :
L'une des méthodes permettant d'éviter les divulgations consiste à diffuser des ensembles de microdonnées à grande diffusion partiellement synthétiques. Ces ensembles comprennent les unités enquêtés au départ, mais certaines valeurs recueillies, comme celles de nature délicate présentant un haut risque de divulgation ou celles d'identificateurs clés, sont remplacées par des imputations multiples. Bien qu'on recoure à l'heure actuelle à des approches partiellement synthétiques pour protéger les données à grande diffusion, on ne les a pas encore assorties de méthodes d'inférence valides. Le présent article décrit de telles méthodes. Elles sont fondées sur les concepts de l'imputation multiple en vue de remplacer des données manquantes, mais s'appuient sur des règles différentes pour combiner les estimations ponctuelles et les estimations de la variance. Ces règles de combinaison diffèrent aussi de celles élaborées par Raghunathan, Reiter et Rubin (2003) pour les ensembles de données entièrement synthétiques. La validité de ces nouvelles règles est illustrée au moyen d'études par simulation.
Date de diffusion : 2004-01-27 - Articles et rapports : 12-001-X20030026787Description :
L'application des méthodes statistiques classiques aux données provenant d'enquêtes complexes sans tenir compte des caractéristiques du plan de sondage peut donner lieu à des inférences incorrectes. Certaines méthodes ont été mises au point pour tenir compte du plan de sondage, mais elles nécessitent des renseignements supplémentaires, comme les poids de sondage, les effets de plan ou l'identification des grappes pour les microdonnées. L'échantillonnage inverse (Hinkins, Oh et Scheuren 1997) offre une autre approche qui consiste à défaire les structures des données d'enquête complexe de sorte qu'on puisse appliquer les méthodes classiques. Des sous-échantillons répétés sont tirés selon un plan d'échantillonnage aléatoire simple inconditionnel et analysés individuellement par les méthodes types, puis combinés pour augmenter l'efficacité. Cette méthode permet de préserver le caractère confidentiel des microdonnées, mais elle nécessite une grande capacité de calcul. Nous présentons une théorie de l'échantillonnage inverse et explorons ses limites. Nous proposons une approche fondée sur des équations d'estimation combinées pour traiter les paramètres complexes, tels que les ratios et les paramètres de régression linéaire ou logistique «en cas de recensement». La méthode est appliquée à un ensemble de données corrélées en grappes présentées dans Battese, Harter et Fuller(1988).
Date de diffusion : 2004-01-27
Références (0)
Références (0) (0 résultat)
Aucun contenu disponible actuellement
- Date de modification :