Analyses

Aller au contenu principal
Aller au pied de page

Sélection de la langue

English

Recherche et menus

Recherche et menus

Rechercher

Passer au filtres. Voir les résultats.

Quoi de neuf sur notre site

Centre de confiance de Statistique Canada

Résultats

Tout (3)

Tout (3) ((3 résultats))

1. Estimation sur petits domaines portant sur des chiffres pondérés d’enquête dans un modèle spatial à niveau agrégé Archivé
Articles et rapports : 12-001-X201900100006
Description :
Le prédicteur empirique dans une version au niveau du domaine du modèle linéaire généralisé mixte (MLGM) est amplement employé dans une estimation sur petits domaines (EPD) portant sur des dénombrements, mais cette méthode ne fait appel ni à la pondération d’échantillonnage ni à l’information de mise en grappes, lesquelles sont essentielles à une inférence valable avec les échantillons informatifs produits par les plans de sondage complexes d’aujourd’hui. Nous décrirons une méthode d’EPD qui intègre cette information d’échantillonnage à l’estimation de proportions ou de chiffres de petits domaines dans une version au niveau du domaine du MLGM. Nous élargissons encore notre méthode en employant une version avec dépendance spatiale du MLGM (MLGMS). Il est aussi question de l’estimation de l’erreur quadratique moyenne (EQM) pour cette méthode. Nous appliquons ensuite le traitement d’EPD à l’estimation de la fréquence de la pauvreté des ménages dans divers districts ruraux de l’État d’Uttar Pradesh en Inde, et ce, en couplant, d’une part, les données de l’enquête 2011-2012 sur les dépenses de consommation des ménages recueillies par le National Sample Survey Office (NSSO) et, d’autre part, les données du recensement de 2011 en Inde. Les résultats de cette application font voir un gain appréciable de précision avec les nouvelles méthodes comparativement aux estimations directes d’enquête.
Date de diffusion : 2019-05-07
2. Estimation de l'erreur quadratique moyenne robuste au biais pour les estimateurs sur petits domaines pseudo linéaires Archivé
Articles et rapports : 12-001-X201100211604
Description :
Nous proposons une méthode d'estimation de l'erreur quadratique moyenne (EQM) pour les estimateurs des moyennes de domaine en population finie qui peuvent être exprimés sous une forme pseudo-linéaire, c'est-à-dire comme une somme pondérée des valeurs d'échantillon. En particulier, la méthode proposée peut être utilisée pour estimer l'EQM du meilleur prédicteur linéaire sans biais empirique, de l'estimateur direct fondé sur un modèle et du prédicteur du M-quantile. Elle représente une extension des idées de Royall et Cumberland (1978) et mène à des estimateurs de l'EQM qui sont plus simples à mettre en oeuvre et éventuellement plus robustes au biais que ceux proposés dans la littérature sur les petits domaines. Cependant, il convient de souligner que les estimateurs de l'EQM définis en utilisant cette méthode peuvent également présenter une grande variabilité quand les tailles d'échantillon de domaine sont très petites. Nous illustrons les propriétés de la méthode à l'aide de simulations à grande échelle sous un modèle et sous un plan de sondage, dans ce dernier cas en nous fondant sur deux ensembles de données d'enquête réels contenant des données sur des petits domaines.
Date de diffusion : 2011-12-21
3. Estimation sur petits domaines sous linéarisation Archivé
Articles et rapports : 12-001-X201100111446
Description :
L'estimation sur petits domaines fondée sur des modèles linéaires mixtes est parfois inefficace quand les relations sous-jacentes ne sont pas linéaires. Nous présentons des techniques d'estimation sur petits domaines pour des variables qui peuvent être modélisées linéairement après une transformation non linéaire. En particulier, nous étendons l'estimateur direct fondé sur un modèle de Chandra et Chambers (2005, 2009) à des données qui concordent avec un modèle linéaire mixte sur l'échelle logarithmique, en utilisant le calage sur un modèle pour définir des poids pouvant être utilisés dans cet estimateur. Nos résultats montrent que l'estimateur fondé sur la transformation que nous obtenons est à la fois efficace et robuste à la distribution des effets aléatoires dans le modèle. Une application à des données d'enquêtes auprès des entreprises démontre la performance satisfaisante de la méthode.
Date de diffusion : 2011-06-29

Stats en bref (0)

Stats en bref (0) (0 résultat)

Aucun contenu disponible actuellement

Articles et rapports (3)

Articles et rapports (3) ((3 résultats))

1. Estimation sur petits domaines portant sur des chiffres pondérés d’enquête dans un modèle spatial à niveau agrégé Archivé
Articles et rapports : 12-001-X201900100006
Description :
Le prédicteur empirique dans une version au niveau du domaine du modèle linéaire généralisé mixte (MLGM) est amplement employé dans une estimation sur petits domaines (EPD) portant sur des dénombrements, mais cette méthode ne fait appel ni à la pondération d’échantillonnage ni à l’information de mise en grappes, lesquelles sont essentielles à une inférence valable avec les échantillons informatifs produits par les plans de sondage complexes d’aujourd’hui. Nous décrirons une méthode d’EPD qui intègre cette information d’échantillonnage à l’estimation de proportions ou de chiffres de petits domaines dans une version au niveau du domaine du MLGM. Nous élargissons encore notre méthode en employant une version avec dépendance spatiale du MLGM (MLGMS). Il est aussi question de l’estimation de l’erreur quadratique moyenne (EQM) pour cette méthode. Nous appliquons ensuite le traitement d’EPD à l’estimation de la fréquence de la pauvreté des ménages dans divers districts ruraux de l’État d’Uttar Pradesh en Inde, et ce, en couplant, d’une part, les données de l’enquête 2011-2012 sur les dépenses de consommation des ménages recueillies par le National Sample Survey Office (NSSO) et, d’autre part, les données du recensement de 2011 en Inde. Les résultats de cette application font voir un gain appréciable de précision avec les nouvelles méthodes comparativement aux estimations directes d’enquête.
Date de diffusion : 2019-05-07
2. Estimation de l'erreur quadratique moyenne robuste au biais pour les estimateurs sur petits domaines pseudo linéaires Archivé
Articles et rapports : 12-001-X201100211604
Description :
Nous proposons une méthode d'estimation de l'erreur quadratique moyenne (EQM) pour les estimateurs des moyennes de domaine en population finie qui peuvent être exprimés sous une forme pseudo-linéaire, c'est-à-dire comme une somme pondérée des valeurs d'échantillon. En particulier, la méthode proposée peut être utilisée pour estimer l'EQM du meilleur prédicteur linéaire sans biais empirique, de l'estimateur direct fondé sur un modèle et du prédicteur du M-quantile. Elle représente une extension des idées de Royall et Cumberland (1978) et mène à des estimateurs de l'EQM qui sont plus simples à mettre en oeuvre et éventuellement plus robustes au biais que ceux proposés dans la littérature sur les petits domaines. Cependant, il convient de souligner que les estimateurs de l'EQM définis en utilisant cette méthode peuvent également présenter une grande variabilité quand les tailles d'échantillon de domaine sont très petites. Nous illustrons les propriétés de la méthode à l'aide de simulations à grande échelle sous un modèle et sous un plan de sondage, dans ce dernier cas en nous fondant sur deux ensembles de données d'enquête réels contenant des données sur des petits domaines.
Date de diffusion : 2011-12-21
3. Estimation sur petits domaines sous linéarisation Archivé
Articles et rapports : 12-001-X201100111446
Description :
L'estimation sur petits domaines fondée sur des modèles linéaires mixtes est parfois inefficace quand les relations sous-jacentes ne sont pas linéaires. Nous présentons des techniques d'estimation sur petits domaines pour des variables qui peuvent être modélisées linéairement après une transformation non linéaire. En particulier, nous étendons l'estimateur direct fondé sur un modèle de Chandra et Chambers (2005, 2009) à des données qui concordent avec un modèle linéaire mixte sur l'échelle logarithmique, en utilisant le calage sur un modèle pour définir des poids pouvant être utilisés dans cet estimateur. Nos résultats montrent que l'estimateur fondé sur la transformation que nous obtenons est à la fois efficace et robuste à la distribution des effets aléatoires dans le modèle. Une application à des données d'enquêtes auprès des entreprises démontre la performance satisfaisante de la méthode.
Date de diffusion : 2011-06-29

Revues et périodiques (0)

Revues et périodiques (0) (0 résultat)

Aucun contenu disponible actuellement

Signaler un problème ou une erreur sur cette page

Date de modification :: 2024-06-13

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.