Recherche par mot-clé
Filtrer les résultats par
Aide à la rechercheMot(s)-clé(s)
Type
Résultats
Tout (7)
Tout (7) ((7 résultats))
- Articles et rapports : 12-001-X200900110885Description :
La présence de pics dans le spectre d'un processus stationnaire signale l'existence de phénomènes périodiques stochastiques, tels que l'effet saisonnier. Nous proposons une mesure de ces pics spectraux et un test de détection de leur présence qui s'appuient sur l'évaluation de leur pente et de leur convexité agrégées. Notre méthode est élaborée de manière non paramétrique et peut donc être utile durant l'analyse préliminaire d'une série. Elle peut aussi servir à détecter la présence d'une saisonnalité résiduelle dans les données désaisonnalisées. Nous étudions le test diagnostique au moyen d'une simulation et d'une étude de cas à grande échelle portant sur des données provenant du U.S. Census Bureau et de l'Organisation de coopération et de développement économiques (OCDE).
Date de diffusion : 2009-06-22 - Articles et rapports : 11-522-X200600110398Description :
L'étude de données longitudinales est essentielle si l'on veut observer correctement l'évolution des variables d'intérêt chez les personnes, les collectivités et les populations plus importantes au cours du temps. Les modèles linéaires à effets mixtes (pour les réponses continues observées au fil du temps), ainsi que les modèles linéaires généralisés à effets mixtes et les équations d'estimation généralisées (pour les réponses plus générales, telles que les données binaires ou les dénombrements observés au fil du temps) sont les méthodes les plus répandues pour analyser les données longitudinales provenant d'études sur la santé, même si, comme toute méthode de modélisation, elles ont leurs limites, dues en partie aux hypothèses sous jacentes. Dans le présent article, nous discutons de certains progrès, dont l'utilisation de méthodes fondées sur des courbes, qui rendent la modélisation des données longitudinales plus souple. Nous présentons trois exemples d'utilisation de ces méthodes plus souples tirés de la littérature sur la santé, dans le but de démontrer que certaines questions par ailleurs difficiles peuvent être résolues raisonnablement lors de l'analyse de données longitudinales complexes dans les études sur la santé des populations.
Date de diffusion : 2008-03-17 - Articles et rapports : 11-522-X20030017707Description :
Ce document porte sur la structure et les mesures de la qualité qu'Eurostat utilise afin de fournir des séries économiques désaisonnalisées relatives à l'Union Européenne et à la Zone Euro.
Date de diffusion : 2005-01-26 - Articles et rapports : 12-001-X20000015178Description :
Par observation longitudinale, on entend la mesure répétée d'une même unité lors de plusieurs cycles d'enquête réalisés à intervalle fixe ou variable. On peut donc considérer chaque vecteur d'observations comme une série chronologique, couvrant habituellement une courte periode. L'analyse des données recueillies sur toutes les unités permet d'ajuster des modèles de série chronologique d'ordre faible, malgré le peu de longueur des séries individuelles.
Date de diffusion : 2000-08-30 - Enquêtes et programmes statistiques — Documentation : 11-522-X19980015033Description :
Les incidents de victimisation ne sont pas distribués aléatoirement de façon uniforme à travers la population, mais ont plutôt tendance à se limiter à un nombre relativement faible de personnes. Nous utilisons des données tirées de la U.S. National Crime Victimization Survey (NCVS), qui est une enquête par panel avec renouvellement à plusieurs degrés, pour estimer les probabilités conditionnelles d'être la victime d'un crime à un temps t, compte tenu de son état de victimisation lors d'interviews antérieures. Nous présentons et ajustons des modèles qui permettent l'utilisation d'informations partielles provenant de ménages qui emménagent dans l'unité de logement ou qui la quittent durant la période d'étude. Nous avons constaté que la probabilité estimée d'être la victime d'un crime de l'interview t, compte tenu de la situation à l'interview (t-l) diminue avec (t). Nous examinons également les conséquences éventuelles sur l'estimation des taux transversaux de victimisation.
Date de diffusion : 1999-10-22 - Articles et rapports : 12-001-X19990014709Description :
Nous élaborons une méthode qui permet d'estimer la variance dans le cas de la désaisonnalisation effectuée à l'aide de la méthode X-11 et qui prend en compte les effets de l'erreur d'échantillonnage et des erreurs liées à l'extension de prévision. Dans notre méthode, l'erreur de désaisonnalisation présente dans les valeurs centrales d'une série chronologique suffisamment longue est causée uniquement par les effets de l'application de filtres X-11 aux erreurs d'échantillonnage. Vers les deux extrémités d'une série, nous prenons également en considération la contribution des erreurs d'extrapolation rétrospective et de prévision à l'erreur de désaisonnalisation. Nous élargissons notre méthode afin d'obtenir la variance d'erreurs contenues dans des estimations de tendance X-11 et de prendre en compte l'erreur d'estimation de coefficients de régression utilisés pour modéliser, par exemple, des effets de calendrier. Dans le cas de nos résultats empiriques, la contribution la plus importante à la variance de la désaisonnalisation provenait souvent de l'erreur d'échantillonnage. Cependant, la variance des estimations de tendance augmentait de façon importante aux extrémités des séries, en raison des effets d'erreurs d'extrapolation rétrospective et de prévision. En outre, des composantes non stationnaires des erreurs d'échantillonnage produisaient des patrons singuliers dans la variance de la désaisonnalisation et de l'estimation de tendance.
Date de diffusion : 1999-10-08 - Articles et rapports : 12-001-X19960022979Description :
Dans cet article, les auteurs comparent empiriquement trois méthodes d'estimation - par régression, par régression restreinte au moyen de la méthode dite de la personne principale - utilisées dans une enquête-ménage sur les dépenses de consommation. Les trois méthodes sont appliquées à la stratification a posteriori, qui est importante dans de nombreuses enquêtes-ménages afin de corriger le sous-dénombrement de la population cible. Dans les recensements externes, on dispose habituellement de chiffres de population pour des strates a posteriori pour les personnes, mais non pour les ménages. Si on a besoin d'estimations par ménage, on doit assigner un facteur de pondération unique à chaque ménage, tout en utilisant le nombre de personnes pour la stratification a posteriori. On y parvient facilement en employant des estimateurs de régression pour les totaux ou les moyennes, et en utilisant le nombre de personnes dans les données auxiliaires de chaque ménage. L'estimation par régression restreinte permet de mieux calculer les facteurs de pondération, car on contrôle les valeurs extrêmes et l'on peut obtenir des estimateurs présentant une variance moindre que les estimateurs de Horvitz-Thompson, tout en respectant les totaux de contrôle de la population. Les méthodes de régression permettent également d'utiliser des contrôles pour les chiffres au niveau des personnes et des ménages et pour les données auxiliaires quantitatives. Avec la méthode dite de la personne principale, les personnes sont classées dans les strates a posteriori, et les facteurs de pondération pour les personnes font l'objet d'un rajustement par quotient afin d'obtenir des totaux de contrôle de la population. De la sorte, chaque personne dans un ménage peut se voir attribuer un facteur de pondération différent. Le facteur de pondération associé à la "personne principale" est alors choisi comme facteur de pondération pour le ménage. Nous comparerons les moyennes calculées à partir des trois méthodes, ainsi que leurs erreurs-types estimées, pour un certain nombre de dépenses tirées de l'enquête sur les dépenses de consommation parrainée par le Bureau of Labor Statistics.
Date de diffusion : 1997-01-30
Données (0)
Données (0) (0 résultat)
Aucun contenu disponible actuellement
Analyses (6)
Analyses (6) ((6 résultats))
- Articles et rapports : 12-001-X200900110885Description :
La présence de pics dans le spectre d'un processus stationnaire signale l'existence de phénomènes périodiques stochastiques, tels que l'effet saisonnier. Nous proposons une mesure de ces pics spectraux et un test de détection de leur présence qui s'appuient sur l'évaluation de leur pente et de leur convexité agrégées. Notre méthode est élaborée de manière non paramétrique et peut donc être utile durant l'analyse préliminaire d'une série. Elle peut aussi servir à détecter la présence d'une saisonnalité résiduelle dans les données désaisonnalisées. Nous étudions le test diagnostique au moyen d'une simulation et d'une étude de cas à grande échelle portant sur des données provenant du U.S. Census Bureau et de l'Organisation de coopération et de développement économiques (OCDE).
Date de diffusion : 2009-06-22 - Articles et rapports : 11-522-X200600110398Description :
L'étude de données longitudinales est essentielle si l'on veut observer correctement l'évolution des variables d'intérêt chez les personnes, les collectivités et les populations plus importantes au cours du temps. Les modèles linéaires à effets mixtes (pour les réponses continues observées au fil du temps), ainsi que les modèles linéaires généralisés à effets mixtes et les équations d'estimation généralisées (pour les réponses plus générales, telles que les données binaires ou les dénombrements observés au fil du temps) sont les méthodes les plus répandues pour analyser les données longitudinales provenant d'études sur la santé, même si, comme toute méthode de modélisation, elles ont leurs limites, dues en partie aux hypothèses sous jacentes. Dans le présent article, nous discutons de certains progrès, dont l'utilisation de méthodes fondées sur des courbes, qui rendent la modélisation des données longitudinales plus souple. Nous présentons trois exemples d'utilisation de ces méthodes plus souples tirés de la littérature sur la santé, dans le but de démontrer que certaines questions par ailleurs difficiles peuvent être résolues raisonnablement lors de l'analyse de données longitudinales complexes dans les études sur la santé des populations.
Date de diffusion : 2008-03-17 - Articles et rapports : 11-522-X20030017707Description :
Ce document porte sur la structure et les mesures de la qualité qu'Eurostat utilise afin de fournir des séries économiques désaisonnalisées relatives à l'Union Européenne et à la Zone Euro.
Date de diffusion : 2005-01-26 - Articles et rapports : 12-001-X20000015178Description :
Par observation longitudinale, on entend la mesure répétée d'une même unité lors de plusieurs cycles d'enquête réalisés à intervalle fixe ou variable. On peut donc considérer chaque vecteur d'observations comme une série chronologique, couvrant habituellement une courte periode. L'analyse des données recueillies sur toutes les unités permet d'ajuster des modèles de série chronologique d'ordre faible, malgré le peu de longueur des séries individuelles.
Date de diffusion : 2000-08-30 - Articles et rapports : 12-001-X19990014709Description :
Nous élaborons une méthode qui permet d'estimer la variance dans le cas de la désaisonnalisation effectuée à l'aide de la méthode X-11 et qui prend en compte les effets de l'erreur d'échantillonnage et des erreurs liées à l'extension de prévision. Dans notre méthode, l'erreur de désaisonnalisation présente dans les valeurs centrales d'une série chronologique suffisamment longue est causée uniquement par les effets de l'application de filtres X-11 aux erreurs d'échantillonnage. Vers les deux extrémités d'une série, nous prenons également en considération la contribution des erreurs d'extrapolation rétrospective et de prévision à l'erreur de désaisonnalisation. Nous élargissons notre méthode afin d'obtenir la variance d'erreurs contenues dans des estimations de tendance X-11 et de prendre en compte l'erreur d'estimation de coefficients de régression utilisés pour modéliser, par exemple, des effets de calendrier. Dans le cas de nos résultats empiriques, la contribution la plus importante à la variance de la désaisonnalisation provenait souvent de l'erreur d'échantillonnage. Cependant, la variance des estimations de tendance augmentait de façon importante aux extrémités des séries, en raison des effets d'erreurs d'extrapolation rétrospective et de prévision. En outre, des composantes non stationnaires des erreurs d'échantillonnage produisaient des patrons singuliers dans la variance de la désaisonnalisation et de l'estimation de tendance.
Date de diffusion : 1999-10-08 - Articles et rapports : 12-001-X19960022979Description :
Dans cet article, les auteurs comparent empiriquement trois méthodes d'estimation - par régression, par régression restreinte au moyen de la méthode dite de la personne principale - utilisées dans une enquête-ménage sur les dépenses de consommation. Les trois méthodes sont appliquées à la stratification a posteriori, qui est importante dans de nombreuses enquêtes-ménages afin de corriger le sous-dénombrement de la population cible. Dans les recensements externes, on dispose habituellement de chiffres de population pour des strates a posteriori pour les personnes, mais non pour les ménages. Si on a besoin d'estimations par ménage, on doit assigner un facteur de pondération unique à chaque ménage, tout en utilisant le nombre de personnes pour la stratification a posteriori. On y parvient facilement en employant des estimateurs de régression pour les totaux ou les moyennes, et en utilisant le nombre de personnes dans les données auxiliaires de chaque ménage. L'estimation par régression restreinte permet de mieux calculer les facteurs de pondération, car on contrôle les valeurs extrêmes et l'on peut obtenir des estimateurs présentant une variance moindre que les estimateurs de Horvitz-Thompson, tout en respectant les totaux de contrôle de la population. Les méthodes de régression permettent également d'utiliser des contrôles pour les chiffres au niveau des personnes et des ménages et pour les données auxiliaires quantitatives. Avec la méthode dite de la personne principale, les personnes sont classées dans les strates a posteriori, et les facteurs de pondération pour les personnes font l'objet d'un rajustement par quotient afin d'obtenir des totaux de contrôle de la population. De la sorte, chaque personne dans un ménage peut se voir attribuer un facteur de pondération différent. Le facteur de pondération associé à la "personne principale" est alors choisi comme facteur de pondération pour le ménage. Nous comparerons les moyennes calculées à partir des trois méthodes, ainsi que leurs erreurs-types estimées, pour un certain nombre de dépenses tirées de l'enquête sur les dépenses de consommation parrainée par le Bureau of Labor Statistics.
Date de diffusion : 1997-01-30
Références (1)
Références (1) ((1 résultat))
- Enquêtes et programmes statistiques — Documentation : 11-522-X19980015033Description :
Les incidents de victimisation ne sont pas distribués aléatoirement de façon uniforme à travers la population, mais ont plutôt tendance à se limiter à un nombre relativement faible de personnes. Nous utilisons des données tirées de la U.S. National Crime Victimization Survey (NCVS), qui est une enquête par panel avec renouvellement à plusieurs degrés, pour estimer les probabilités conditionnelles d'être la victime d'un crime à un temps t, compte tenu de son état de victimisation lors d'interviews antérieures. Nous présentons et ajustons des modèles qui permettent l'utilisation d'informations partielles provenant de ménages qui emménagent dans l'unité de logement ou qui la quittent durant la période d'étude. Nous avons constaté que la probabilité estimée d'être la victime d'un crime de l'interview t, compte tenu de la situation à l'interview (t-l) diminue avec (t). Nous examinons également les conséquences éventuelles sur l'estimation des taux transversaux de victimisation.
Date de diffusion : 1999-10-22
- Date de modification :