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 (2)

Tout (2) ((2 résultats))

1. Estimation du maximum de vraisemblance avec contrainte (MVC) dans le lissage des taux de sous-dénombrement du recensement selon l’approche empirique de Bayes Archivé
Articles et rapports : 12-001-X199200114498
Description :
Une façon de calculer le sous-dénombrement au niveau infra-national (par ex. : pour un État) est de prendre des données-échantillon d’une enquête postcensitaire et de les lisser suivant un modèle linéaire de variables explicatives. Le rapport entre la variance de l’erreur d’échantillonnage et la variance de l’erreur de modèle correspondante détermine le degré de lissage. L’estimation par la méthode du maximum de vraisemblance peut mener à un lissage excessif et, par conséquent, rendre le calcul du sous-dénombrement trop tributaire du modèle linéaire. Les estimateurs du maximum de vraisemblance avec contrainte (MVC) ne présentent pas de tels inconvénients. Dans cet article, on traite la prévision empirique de Bayes du sous-dénombrement fondée sur l’estimation MVC et on la compare, par des exemples et des simulations, à celle fondée sur la méthode du maximum de vraisemblance et à celle fondée sur une méthode des moments. Les propriétés de distribution pour grand échantillon des estimateurs MVC permettent un calcul précis de l’erreur quadratique moyenne de prévision des filtres de lissage fondés sur l’estimation MVC.
Date de diffusion : 1992-06-15
2. Dans quelles circonstances les opérations de redressement améliorent-elles les chiffres du recensement ? Archivé
Articles et rapports : 12-001-X198800214592
Description :
Des arguments convaincants militent pour ou contre le redressement des chiffres des recensements décennaux aux États-Unis mais bon nombre de ces arguments reposent plus sur des considérations politiques que techniques. La décision de redresser les chiffres du recensement dépend essentiellement de la méthode de redressement. De plus, si le redressement devait s’effectuer, par exemple, à l’aide d’une méthode synthétique ou d’une méthode de régression, à quel niveau devrait-il se faire et comment devrait-on procéder pour les niveaux inférieurs ou supérieurs ? Pour apporter une réponse judicieuse à ces questions, il nous faut un modèle d’erreurs de sous-dénombrement « cohérent » en ce sens qu’il ne change pas d’un niveau d’agrégation à l’autre (pays, état, comté, etc.). Le présent article propose un modèle de ce genre; les sous-régions ayant des caractéristiques communes sont groupées par strate de telle sorte que les moyennes des facteurs de redressement des sous-régions de la strate soient les mêmes et que les variances soient inversement proportionnelles aux chiffres du recensement. En prenant en considération l’échantillonnage des régions (par l’estimation de système dual par exemple), nous pouvons construire des estimateurs empiriques de Bayes qui intègrent des éléments d’information sur la moyenne de la strate et la valeur de l’échantillon. Ces estimateurs sont calculés pour chaque état (51 états, y compris Washington, D.C.) et stratifiés selon l’origine raciale ou ethnique (3 strates) à l’aide de données de l’Enquête postcensitaire de 1980 (PEP 3-8, pour la population hors établissement institutionnel).
Date de diffusion : 1988-12-15

Stats en bref (0)

Stats en bref (0) (0 résultat)

Aucun contenu disponible actuellement

Articles et rapports (2)

Articles et rapports (2) ((2 résultats))

1. Estimation du maximum de vraisemblance avec contrainte (MVC) dans le lissage des taux de sous-dénombrement du recensement selon l’approche empirique de Bayes Archivé
Articles et rapports : 12-001-X199200114498
Description :
Une façon de calculer le sous-dénombrement au niveau infra-national (par ex. : pour un État) est de prendre des données-échantillon d’une enquête postcensitaire et de les lisser suivant un modèle linéaire de variables explicatives. Le rapport entre la variance de l’erreur d’échantillonnage et la variance de l’erreur de modèle correspondante détermine le degré de lissage. L’estimation par la méthode du maximum de vraisemblance peut mener à un lissage excessif et, par conséquent, rendre le calcul du sous-dénombrement trop tributaire du modèle linéaire. Les estimateurs du maximum de vraisemblance avec contrainte (MVC) ne présentent pas de tels inconvénients. Dans cet article, on traite la prévision empirique de Bayes du sous-dénombrement fondée sur l’estimation MVC et on la compare, par des exemples et des simulations, à celle fondée sur la méthode du maximum de vraisemblance et à celle fondée sur une méthode des moments. Les propriétés de distribution pour grand échantillon des estimateurs MVC permettent un calcul précis de l’erreur quadratique moyenne de prévision des filtres de lissage fondés sur l’estimation MVC.
Date de diffusion : 1992-06-15
2. Dans quelles circonstances les opérations de redressement améliorent-elles les chiffres du recensement ? Archivé
Articles et rapports : 12-001-X198800214592
Description :
Des arguments convaincants militent pour ou contre le redressement des chiffres des recensements décennaux aux États-Unis mais bon nombre de ces arguments reposent plus sur des considérations politiques que techniques. La décision de redresser les chiffres du recensement dépend essentiellement de la méthode de redressement. De plus, si le redressement devait s’effectuer, par exemple, à l’aide d’une méthode synthétique ou d’une méthode de régression, à quel niveau devrait-il se faire et comment devrait-on procéder pour les niveaux inférieurs ou supérieurs ? Pour apporter une réponse judicieuse à ces questions, il nous faut un modèle d’erreurs de sous-dénombrement « cohérent » en ce sens qu’il ne change pas d’un niveau d’agrégation à l’autre (pays, état, comté, etc.). Le présent article propose un modèle de ce genre; les sous-régions ayant des caractéristiques communes sont groupées par strate de telle sorte que les moyennes des facteurs de redressement des sous-régions de la strate soient les mêmes et que les variances soient inversement proportionnelles aux chiffres du recensement. En prenant en considération l’échantillonnage des régions (par l’estimation de système dual par exemple), nous pouvons construire des estimateurs empiriques de Bayes qui intègrent des éléments d’information sur la moyenne de la strate et la valeur de l’échantillon. Ces estimateurs sont calculés pour chaque état (51 états, y compris Washington, D.C.) et stratifiés selon l’origine raciale ou ethnique (3 strates) à l’aide de données de l’Enquête postcensitaire de 1980 (PEP 3-8, pour la population hors établissement institutionnel).
Date de diffusion : 1988-12-15

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.