Filtrer les résultats par
Aide à la rechercheMot(s)-clé(s)
Auteur(s)
Résultats
Tout (2)
Tout (2) ((2 résultats))
- Articles et rapports : 11-522-X202100100003Description :
La taille et la richesse croissantes des données numériques permettent de modéliser des relations et des interactions plus complexes, ce qui est le point fort de l’apprentissage automatique. Dans notre étude, nous avons appliqué le boosting de gradient au système néerlandais d’ensembles de données statistiques sociales pour estimer les probabilités de transition vers la pauvreté et de sortie de la pauvreté. Les estimations individuelles sont raisonnables, mais la méthode combinée avec SHAP et des modèles de substitution globaux apporte des avantages, principalement : le classement simultané de centaines de caractéristiques selon leur importance, une vue détaillée de leur relation avec les probabilités de transition, et l’identification fondée sur les données de sous-populations ayant des probabilités de transition relativement élevées et faibles. En outre, nous décomposons la différence de l’importance des caractéristiques entre la population générale et les sous-populations entre un effet de fréquence et un effet de la caractéristique. Nous mettons en garde contre les possibilités de mauvaise interprétation et discutons des futurs travaux envisageables.
Mots clés : classification; explicabilité; boosting de gradient; événement de la vie; facteurs de risque; décomposition SHAP.
Date de diffusion : 2021-10-15 - Articles et rapports : 11-522-X201700014745Description :
Au moment de la conception des enquêtes, un certain nombre de paramètres, comme la propension à la prise de contact, la propension à la participation et les coûts par unité d’échantillonnage, jouent un rôle décisif. Dans le cas des enquêtes permanentes, ces paramètres de conception d’enquête sont habituellement estimés à partir de l’expérience antérieure et mis à jour graduellement, au fur et à mesure des nouvelles expériences. Dans les nouvelles enquêtes, ces paramètres sont estimés à partir de l’opinion des experts et de l’expérience acquise dans des enquêtes similaires. Même si les instituts de sondage ont une expertise et une expérience relativement bonnes, l’énoncé, l’estimation et la mise à jour des paramètres de conception d’enquête se font rarement de façon systématique. Dans la présentation, nous proposons un cadre bayésien qui permet de prendre en compte et de mettre à jour les connaissances acquises et les opinions des experts concernant les paramètres. Ce cadre est établi dans le contexte de plans de collecte adaptatifs, dans lesquels les différentes unités de population peuvent être traitées différemment compte tenu des objectifs de qualité et de coût. Pour ce type d’enquête, l’exactitude des paramètres de conception devient encore plus cruciale pour prendre des décisions efficaces. Le cadre permet une analyse bayésienne du rendement d’une enquête pendant la collecte des données et entre les vagues. Nous démontrons l’analyse bayésienne au moyen d’une étude de simulation réaliste.
Date de diffusion : 2016-03-24
Stats en bref (0)
Stats en bref (0) (0 résultat)
Aucun contenu disponible actuellement
Articles et rapports (2)
Articles et rapports (2) ((2 résultats))
- Articles et rapports : 11-522-X202100100003Description :
La taille et la richesse croissantes des données numériques permettent de modéliser des relations et des interactions plus complexes, ce qui est le point fort de l’apprentissage automatique. Dans notre étude, nous avons appliqué le boosting de gradient au système néerlandais d’ensembles de données statistiques sociales pour estimer les probabilités de transition vers la pauvreté et de sortie de la pauvreté. Les estimations individuelles sont raisonnables, mais la méthode combinée avec SHAP et des modèles de substitution globaux apporte des avantages, principalement : le classement simultané de centaines de caractéristiques selon leur importance, une vue détaillée de leur relation avec les probabilités de transition, et l’identification fondée sur les données de sous-populations ayant des probabilités de transition relativement élevées et faibles. En outre, nous décomposons la différence de l’importance des caractéristiques entre la population générale et les sous-populations entre un effet de fréquence et un effet de la caractéristique. Nous mettons en garde contre les possibilités de mauvaise interprétation et discutons des futurs travaux envisageables.
Mots clés : classification; explicabilité; boosting de gradient; événement de la vie; facteurs de risque; décomposition SHAP.
Date de diffusion : 2021-10-15 - Articles et rapports : 11-522-X201700014745Description :
Au moment de la conception des enquêtes, un certain nombre de paramètres, comme la propension à la prise de contact, la propension à la participation et les coûts par unité d’échantillonnage, jouent un rôle décisif. Dans le cas des enquêtes permanentes, ces paramètres de conception d’enquête sont habituellement estimés à partir de l’expérience antérieure et mis à jour graduellement, au fur et à mesure des nouvelles expériences. Dans les nouvelles enquêtes, ces paramètres sont estimés à partir de l’opinion des experts et de l’expérience acquise dans des enquêtes similaires. Même si les instituts de sondage ont une expertise et une expérience relativement bonnes, l’énoncé, l’estimation et la mise à jour des paramètres de conception d’enquête se font rarement de façon systématique. Dans la présentation, nous proposons un cadre bayésien qui permet de prendre en compte et de mettre à jour les connaissances acquises et les opinions des experts concernant les paramètres. Ce cadre est établi dans le contexte de plans de collecte adaptatifs, dans lesquels les différentes unités de population peuvent être traitées différemment compte tenu des objectifs de qualité et de coût. Pour ce type d’enquête, l’exactitude des paramètres de conception devient encore plus cruciale pour prendre des décisions efficaces. Le cadre permet une analyse bayésienne du rendement d’une enquête pendant la collecte des données et entre les vagues. Nous démontrons l’analyse bayésienne au moyen d’une étude de simulation réaliste.
Date de diffusion : 2016-03-24
Revues et périodiques (0)
Revues et périodiques (0) (0 résultat)
Aucun contenu disponible actuellement
- Date de modification :