Filtrer les résultats par
Aide à la rechercheMot(s)-clé(s)
Auteur(s)
Résultats
Tout (3)
Tout (3) ((3 résultats))
- Articles et rapports : 12-001-X20040027747Description :
La réduction de l'exactitude de la classification révisée des personnes en chômage dans la Current Population Survey (CPS) a été décrite dans Biemer et Bushery (2000). Dans le présent article, nous donnons des preuves supplémentaires de cette anomalie et essayons de découvrir la source de l'erreur grâce à une analyse étendue des données de la CPS recueillies avant et après le remaniement. L'article présente une approche novatrice de décomposition de l'erreur dans le cas d'un processus de classification complexe, comme la classification de la situation d'activité de la CPS, par une analyse markovienne de classes latentes (MLCA). En vue de déterminer la cause de la perte apparente d'exactitude de la classification des chômeurs, nous recensons les composantes clés du questionnaire qui déterminent les classifications et nous estimons la contribution de chacune à l'erreur totale du processus de classification. Ces travaux serviront d'orientation aux études futures des causes profondes des erreurs lors de la collecte de données sur la situation d'activité dans le cadre de la CPS, éventuellement au moyen d'expériences cognitives en laboratoire et (ou) d'essais sur le terrain.
Date de diffusion : 2005-02-03 - Articles et rapports : 12-001-X20000025534Description :
Les auteurs ont surtout cherché à vérifier la validité des estimations MLCA (analyse markovienne de structure latente) de l'erreur de classification de la population active et à évaluer la possibilité que ce type d'analyse remplace les méthodes traditionnelles d'évaluation de la qualité des données.
Date de diffusion : 2001-02-28 - Articles et rapports : 12-001-X199300214460Description :
Les méthodes qui servent à estimer le biais de réponse dans les enquêtes requièrent des mesures répétées « non biaisées » pour à tout le moins un sous-échantillon d’observations. L’estimateur habituel du biais de réponse est la différence entre la moyenne des observations originales et la moyenne des observations non biaisées. Dans cet article, nous étudions divers estimateurs du biais de réponse tirés de la prédiction modéliste. Nous supposons comme plan de sondage un échantillonnage à deux phases stratifié, avec échantillonnage aléatoire simple dans chaque phase. Nous supposons que la caractéristique y est observée pour chaque unité échantillonnée dans la phase 1, tandis que la valeur vraie de la caractéristique, \mu, est observée pour chaque unité du sous-échantillon prélevée dans la phase 2. Nous supposons en outre qu’une variable auxiliaire x est connue pour chaque unité de l’échantillon de la phase 1 et que le chiffre de population de x est connu. On suppose un certain nombre de modèles qui mettent en relation y, \mu et x; de ces modèles découlent divers estimateurs de E (y - \mu), le biais de réponse. Les estimateurs sont calculés à l’aide d’une méthode d’auto-amorçage destinée à l’estimation de la variance, du biais et de l’erreur quadratique moyenne. La méthode que nous utilisons est en fait la méthode de Bickel-Freedman à une phase, étendue à un plan à deux phases stratifié. À des fins d’illustration, nous appliquons la méthode étudiée à des données du programme de réinterview du National Agricultural Statistics Service. Nous montrons par ces données que l’estimateur fondé sur un modèle de Särndal, Swensson et Wretman (1991) est supérieur à l’estimateur de différence habituel, ce qui prouve qu’il est possible d’améliorer les estimateurs classiques au moyen de la prédiction modéliste.
Date de diffusion : 1993-12-15
Stats en bref (0)
Stats en bref (0) (0 résultat)
Aucun contenu disponible actuellement
Articles et rapports (3)
Articles et rapports (3) ((3 résultats))
- Articles et rapports : 12-001-X20040027747Description :
La réduction de l'exactitude de la classification révisée des personnes en chômage dans la Current Population Survey (CPS) a été décrite dans Biemer et Bushery (2000). Dans le présent article, nous donnons des preuves supplémentaires de cette anomalie et essayons de découvrir la source de l'erreur grâce à une analyse étendue des données de la CPS recueillies avant et après le remaniement. L'article présente une approche novatrice de décomposition de l'erreur dans le cas d'un processus de classification complexe, comme la classification de la situation d'activité de la CPS, par une analyse markovienne de classes latentes (MLCA). En vue de déterminer la cause de la perte apparente d'exactitude de la classification des chômeurs, nous recensons les composantes clés du questionnaire qui déterminent les classifications et nous estimons la contribution de chacune à l'erreur totale du processus de classification. Ces travaux serviront d'orientation aux études futures des causes profondes des erreurs lors de la collecte de données sur la situation d'activité dans le cadre de la CPS, éventuellement au moyen d'expériences cognitives en laboratoire et (ou) d'essais sur le terrain.
Date de diffusion : 2005-02-03 - Articles et rapports : 12-001-X20000025534Description :
Les auteurs ont surtout cherché à vérifier la validité des estimations MLCA (analyse markovienne de structure latente) de l'erreur de classification de la population active et à évaluer la possibilité que ce type d'analyse remplace les méthodes traditionnelles d'évaluation de la qualité des données.
Date de diffusion : 2001-02-28 - Articles et rapports : 12-001-X199300214460Description :
Les méthodes qui servent à estimer le biais de réponse dans les enquêtes requièrent des mesures répétées « non biaisées » pour à tout le moins un sous-échantillon d’observations. L’estimateur habituel du biais de réponse est la différence entre la moyenne des observations originales et la moyenne des observations non biaisées. Dans cet article, nous étudions divers estimateurs du biais de réponse tirés de la prédiction modéliste. Nous supposons comme plan de sondage un échantillonnage à deux phases stratifié, avec échantillonnage aléatoire simple dans chaque phase. Nous supposons que la caractéristique y est observée pour chaque unité échantillonnée dans la phase 1, tandis que la valeur vraie de la caractéristique, \mu, est observée pour chaque unité du sous-échantillon prélevée dans la phase 2. Nous supposons en outre qu’une variable auxiliaire x est connue pour chaque unité de l’échantillon de la phase 1 et que le chiffre de population de x est connu. On suppose un certain nombre de modèles qui mettent en relation y, \mu et x; de ces modèles découlent divers estimateurs de E (y - \mu), le biais de réponse. Les estimateurs sont calculés à l’aide d’une méthode d’auto-amorçage destinée à l’estimation de la variance, du biais et de l’erreur quadratique moyenne. La méthode que nous utilisons est en fait la méthode de Bickel-Freedman à une phase, étendue à un plan à deux phases stratifié. À des fins d’illustration, nous appliquons la méthode étudiée à des données du programme de réinterview du National Agricultural Statistics Service. Nous montrons par ces données que l’estimateur fondé sur un modèle de Särndal, Swensson et Wretman (1991) est supérieur à l’estimateur de différence habituel, ce qui prouve qu’il est possible d’améliorer les estimateurs classiques au moyen de la prédiction modéliste.
Date de diffusion : 1993-12-15
Revues et périodiques (0)
Revues et périodiques (0) (0 résultat)
Aucun contenu disponible actuellement
- Date de modification :