Analyses

Un siècle marqué par la confiance, la sécurité, les faits

Centre de confiance de Statistique Canada : Découvrez comment Statistique Canada veille à la protection de vos données et de vos renseignements personnels.

Filtrer les résultats par

Aide à la recherche
Currently selected filters that can be removed

Mot(s)-clé(s)

Année de publication

4 facets displayed. 0 facets selected.

Contenu

1 facets displayed. 0 facets selected.
Aide à l'ordre
entrées

Résultats

Tout (4)

Tout (4) ((4 résultats))

  • Articles et rapports : 12-001-X201900100005
    Description :

    L’estimation sur petits domaines à l’aide de modèles au niveau du domaine peut parfois bénéficier de covariables observées sujettes à des erreurs aléatoires, par exemple des covariables qui sont elles-mêmes des estimations tirées d’une autre enquête. Sachant les estimations des variances de ces erreurs de mesure (échantillonnage) pour chaque petit domaine, on peut tenir compte de l’incertitude de ces covariables au moyen de modèles d’erreur de mesure (par exemple Ybarra et Lohr, 2008). Deux types de modèles d’erreur de mesure au niveau du domaine ont été examinés dans les publications traitant de l’estimation sur petits domaines. Le modèle fonctionnel d’erreur de mesure suppose que les valeurs sous-jacentes réelles des covariables avec erreur de mesure sont des quantités fixes mais inconnues. Le modèle structurel d’erreur de mesure suppose que ces valeurs réelles suivent un modèle, ce qui donne un modèle multivarié pour les covariables observées avec erreur et la variable dépendante initiale. Nous comparons ces deux modèles à la solution consistant à simplement ignorer l’erreur de mesure lorsqu’elle est présente (modèle naïf), en étudiant les conséquences pour les erreurs quadratiques moyennes de prédiction de l’utilisation d’un modèle incorrect avec différentes hypothèses sous-jacentes sur le modèle vrai. Les comparaisons réalisées au moyen de formules analytiques pour les erreurs quadratiques moyennes et en supposant que les paramètres du modèle sont connus donnent des résultats surprenants. Nous illustrons également les résultats à l’aide d’un modèle ajusté aux données du programme Small Area Income and Poverty Estimates (SAIPE, Estimations sur petits domaines du revenu et de la pauvreté) du U.S. Census Bureau.

    Date de diffusion : 2019-05-07

  • Articles et rapports : 11-522-X200600110391
    Description :

    L'estimation sur petits domaines au moyen de modèles linéaires au niveau du domaine repose habituellement sur l'hypothèse de normalité des effets aléatoires au niveau du domaine (erreurs de modélisation) et des erreurs de sondage dans les estimations directes par sondage. Les observations aberrantes peuvent poser un problème et être dues à des valeurs aberrantes des erreurs de modélisation ou des erreurs de sondage, deux possibilités dont les incidences sont fort différentes. Nous considérons ici les deux possibilités et étudions empiriquement comment l'utilisation d'une approche bayésienne reposant sur l'hypothèse que l'une des composantes de l'erreur suit une loi t permet de traiter les valeurs aberrantes éventuelles. Les exemples empiriques reposent sur des modèles des rapports de pauvreté dans les États américains utilisés par le Small Area Income and Poverty Estimates program du U.S. Census Bureau, en étendant les modèles gaussiens habituels afin de supposer que l'erreur de modélisation ou l'erreur de sondage suit une loi t. Nous examinons comment les résultats sont influencés par la variation du nombre de degrés de liberté (supposé connu) de la loi t. Nous constatons que l'utilisation d'une loi t à faible nombre de degrés de liberté peut réduire les effets des valeurs aberrantes, mais dans les exemples discutés, les résultats ne vont pas jusqu'à s'approcher du rejet catégorique des observations.

    Date de diffusion : 2008-03-17

  • Articles et rapports : 12-001-X19990014709
    Description :

    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-X199000214535
    Description :

    Scott et Smith (1974) et Scott, Smith et Jones (1977) ont proposé d’utiliser les résultats de l’extraction de signal afin d’améliorer les estimations tirées des enquêtes à passages répétés; c’est ce qu’on appelle l’approche chronologique à l’estimation dans les enquêtes à passages répétés. Dans cet article, nous examinons les fondements théoriques de cette approche en précisant qu’elle repose sur la reconnaissance de deux sources de variation - variation chronologique et variation d’échantillonnage - et qu’elle peut aussi servir à résoudre d’autres problèmes qui mettent en évidence ces deux sources de variation. Avec cette approche, nous obtenons des résultats théoriques concernant la convergence selon le plan des estimateurs de séries chronologiques et l’absence de corrélation entre la série du signal et la série des erreurs d’échantillonnage. Nous constatons que, dans la perspective d’un plan de sondage, l’approche chronologique engendre, par rapport aux estimateurs classiques, une variance et une erreur quadratique moyenne moins élevées mais un biais plus grand. Nous voyons brièvement comment appliquer cette approche par la modélisation puis, à titre d’exemple, nous prenons la série des ventes au détail des établissements de restauration (ou restaurants) et des débits de boissons, tirée de la Retail Trade Survey du U.S. Bureau of the Census.

    Date de diffusion : 1990-12-14
Stats en bref (0)

Stats en bref (0) (0 résultat)

Aucun contenu disponible actuellement

Articles et rapports (4)

Articles et rapports (4) ((4 résultats))

  • Articles et rapports : 12-001-X201900100005
    Description :

    L’estimation sur petits domaines à l’aide de modèles au niveau du domaine peut parfois bénéficier de covariables observées sujettes à des erreurs aléatoires, par exemple des covariables qui sont elles-mêmes des estimations tirées d’une autre enquête. Sachant les estimations des variances de ces erreurs de mesure (échantillonnage) pour chaque petit domaine, on peut tenir compte de l’incertitude de ces covariables au moyen de modèles d’erreur de mesure (par exemple Ybarra et Lohr, 2008). Deux types de modèles d’erreur de mesure au niveau du domaine ont été examinés dans les publications traitant de l’estimation sur petits domaines. Le modèle fonctionnel d’erreur de mesure suppose que les valeurs sous-jacentes réelles des covariables avec erreur de mesure sont des quantités fixes mais inconnues. Le modèle structurel d’erreur de mesure suppose que ces valeurs réelles suivent un modèle, ce qui donne un modèle multivarié pour les covariables observées avec erreur et la variable dépendante initiale. Nous comparons ces deux modèles à la solution consistant à simplement ignorer l’erreur de mesure lorsqu’elle est présente (modèle naïf), en étudiant les conséquences pour les erreurs quadratiques moyennes de prédiction de l’utilisation d’un modèle incorrect avec différentes hypothèses sous-jacentes sur le modèle vrai. Les comparaisons réalisées au moyen de formules analytiques pour les erreurs quadratiques moyennes et en supposant que les paramètres du modèle sont connus donnent des résultats surprenants. Nous illustrons également les résultats à l’aide d’un modèle ajusté aux données du programme Small Area Income and Poverty Estimates (SAIPE, Estimations sur petits domaines du revenu et de la pauvreté) du U.S. Census Bureau.

    Date de diffusion : 2019-05-07

  • Articles et rapports : 11-522-X200600110391
    Description :

    L'estimation sur petits domaines au moyen de modèles linéaires au niveau du domaine repose habituellement sur l'hypothèse de normalité des effets aléatoires au niveau du domaine (erreurs de modélisation) et des erreurs de sondage dans les estimations directes par sondage. Les observations aberrantes peuvent poser un problème et être dues à des valeurs aberrantes des erreurs de modélisation ou des erreurs de sondage, deux possibilités dont les incidences sont fort différentes. Nous considérons ici les deux possibilités et étudions empiriquement comment l'utilisation d'une approche bayésienne reposant sur l'hypothèse que l'une des composantes de l'erreur suit une loi t permet de traiter les valeurs aberrantes éventuelles. Les exemples empiriques reposent sur des modèles des rapports de pauvreté dans les États américains utilisés par le Small Area Income and Poverty Estimates program du U.S. Census Bureau, en étendant les modèles gaussiens habituels afin de supposer que l'erreur de modélisation ou l'erreur de sondage suit une loi t. Nous examinons comment les résultats sont influencés par la variation du nombre de degrés de liberté (supposé connu) de la loi t. Nous constatons que l'utilisation d'une loi t à faible nombre de degrés de liberté peut réduire les effets des valeurs aberrantes, mais dans les exemples discutés, les résultats ne vont pas jusqu'à s'approcher du rejet catégorique des observations.

    Date de diffusion : 2008-03-17

  • Articles et rapports : 12-001-X19990014709
    Description :

    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-X199000214535
    Description :

    Scott et Smith (1974) et Scott, Smith et Jones (1977) ont proposé d’utiliser les résultats de l’extraction de signal afin d’améliorer les estimations tirées des enquêtes à passages répétés; c’est ce qu’on appelle l’approche chronologique à l’estimation dans les enquêtes à passages répétés. Dans cet article, nous examinons les fondements théoriques de cette approche en précisant qu’elle repose sur la reconnaissance de deux sources de variation - variation chronologique et variation d’échantillonnage - et qu’elle peut aussi servir à résoudre d’autres problèmes qui mettent en évidence ces deux sources de variation. Avec cette approche, nous obtenons des résultats théoriques concernant la convergence selon le plan des estimateurs de séries chronologiques et l’absence de corrélation entre la série du signal et la série des erreurs d’échantillonnage. Nous constatons que, dans la perspective d’un plan de sondage, l’approche chronologique engendre, par rapport aux estimateurs classiques, une variance et une erreur quadratique moyenne moins élevées mais un biais plus grand. Nous voyons brièvement comment appliquer cette approche par la modélisation puis, à titre d’exemple, nous prenons la série des ventes au détail des établissements de restauration (ou restaurants) et des débits de boissons, tirée de la Retail Trade Survey du U.S. Bureau of the Census.

    Date de diffusion : 1990-12-14
Revues et périodiques (0)

Revues et périodiques (0) (0 résultat)

Aucun contenu disponible actuellement

Date de modification :