Filtrer les résultats par
Aide à la rechercheMot(s)-clé(s)
Année de publication
Auteur(s)
Résultats
Tout (7)
Tout (7) ((7 résultats))
- Articles et rapports : 12-001-X201400114030Description :
L’article décrit les résultats d’une étude par simulation Monte Carlo réalisée en vue de comparer l’efficacité de quatre modèles hiérarchiques bayésiens d’estimation sur petits domaines pour estimer des proportions au niveau de l’État au moyen de données provenant d’échantillons aléatoires simples stratifiés tirés d’une population finie fixe. Deux des modèles reposent sur les hypothèses fréquentes selon lesquelles, pour chaque petit domaine échantillonné, la proportion pondérée par les poids de sondage estimée suit une loi normale et sa variance d’échantillonnage est connue. L’un de ces modèles comprend un modèle de lien linéaire et l’autre, un modèle de lien logistique. Les deux autres modèles utilisent tous deux un modèle de lien logistique et reposent sur l’hypothèse que la variance d’échantillonnage est inconnue. L’un de ces deux modèles suppose que le modèle d’échantillonnage obéit à une loi normale et l’autre, qu’il obéit à une loi bêta. L’étude montre que, pour chacun des quatre modèles, la couverture sous le plan de sondage de l’intervalle de crédibilité des proportions au niveau de l’État en population finie s’écarte considérablement du niveau nominal de 95 % utilisé pour construire les intervalles.
Date de diffusion : 2014-06-27 - Articles et rapports : 12-001-X200900110886Description :
La variabilité d'intervieweur est une composante importante de la variabilité des statistiques produites par sondage. Diverses stratégies liées au format et à la formulation des questions, ainsi qu'à la formation, à la charge de travail, à l'expérience et à l'affectation des intervieweurs sont employées pour essayer de réduire la variabilité d'intervieweur. La formule classique de mesure de la variabilité d'intervieweur, souvent appelée effet d'intervieweur, est donnée par ieff := deff_int = 1 + (n bar sub int - 1) rho sub int, où rho sub int et n bar sub int sont, respectivement, la corrélation intra intervieweur et la moyenne simple des charges de travail d'intervieweur. Dans le présent article, nous donnons une justification assistée par modèle de cette formule bien connue pour les méthodes d'échantillonnage avec probabilités égales (EPE) quand il n'existe pas de grappes spatiales dans l'échantillon et que les charges de travail des intervieweurs sont égales. Toutefois, les grappes spatiales ainsi que la pondération inégale sont très fréquentes dans les enquêtes à grande échelle. Dans le contexte d'un plan d'échantillonnage complexe, nous obtenons une formule appropriée de la variabilité d'intervieweur qui tient compte des probabilités inégales de sélection et des grappes spatiales. Notre formule fournit une évaluation plus exacte des effets d'intervieweur et permet donc d'affecter un budget plus raisonnable au contrôle de la variabilité d'intervieweur. Nous proposons aussi une décomposition de l'effet global en effets dus à la pondération, aux grappes spatiales et aux intervieweurs. Cette décomposition aide à comprendre différents moyens de réduire la variance totale.
Date de diffusion : 2009-06-22 - Articles et rapports : 11-522-X200600110393Description :
Dans le présent article, nous calculons un estimateur de deuxième ordre sans biais (ou presque sans biais) de l'erreur quadratique moyenne de prédiction (EQMP) du meilleur prédicteur linéaire sans biais empirique (MPLSBE) d'un total de petit domaine pour une extension, selon l'hypothèse de non-normalité, du modèle bien connu de Fay-Herriot. Plus précisément, nous calculons notre estimateur de l'EQMP en posant essentiellement certaines conditions de moment pour les distributions de l'erreur d'échantillonnage et des effets aléatoires. L'estimateur de l'EQMP de Prasad-Rao fondé sur l'hypothèse de normalité se révèle étonnamment robuste en ce sens qu'il reste un estimateur de deuxième ordre sans biais dans des conditions de non-normalité des effets aléatoires lorsqu'un estimateur simple de la méthode des moments est employé pour la composante de variance et lorsque l'erreur d'échantillonnage suit une distribution normale. Nous montrons que l'estimateur de l'EQMP fondé sur l'hypothèse de normalité n'est plus un estimateur de deuxième ordre sans biais lorsque l'erreur d'échantillonnage suit une distribution non normale ou lorsque la méthode des moments de Fay-Herriot est utilisée pour estimer la composante de variance même si l'erreur d'échantillonnage suit une distribution normale. Il est intéressant de noter que lorsque l'estimateur simple de la méthode des moments est utilisé pour la composante de variance, l'estimateur de l'EQMP que nous proposons n'exige pas une estimation du kurtosis des effets aléatoires. Les résultats d'une étude de simulation sur l'exactitude de l'estimateur de l'EQMP proposé, dans des conditions de non-normalité de la distribution tant de l'erreur d'échantillonnage que des effets aléatoires, sont également présentés.
Date de diffusion : 2008-03-17 - Articles et rapports : 12-001-X20050018094Description :
Les modèles de régression à erreur emboîtée sont utilisés fréquemment pour l'estimation par petits domaines et les problèmes connexes. Cependant, l'application des critères standard de sélection du modèle de régression aux modèles à erreur emboîtée donne parfois lieu à des méthodes de sélection du modèle inefficaces. Nous illustrons ce point en examinant les propriétés de la statistique C_P au moyen d'une étude par simulation de Monte Carlo. L'inefficacité de la statistique C_P peut, cependant, être corrigée grâce à une transformation appropriée des données.
Date de diffusion : 2005-07-21 - Articles et rapports : 12-001-X19990014715Description :
The Gallup Organization a mené des enquêtes-ménages pour étudier la prévalence à l'échelle des États de la consommation d'alcool et de drogues (par exemple, cocaïne, marijuana, etc.). Les estimations traditionnelles dans le cadre d'enquêtes fondées sur le plan d'échantillonnage relativement à l'utilisation et à la dépendance pour des comptés et des groupes démographiques choisis ont des erreurs-types inacceptables parce que la taille des échantillons dans des groupes infra-états est trop petite. L'estimation synthétique incorpore des renseignements démographiques et des indicateurs sociaux dans les estimations de la prévalence grâce à un modèle de régression implicite. Les estimations synthétiques ont tendance à produire des variances plus petites que les estimations fondées sur le plan d'échantillonnage, mais elles peuvent être très homogènes d'un comté à l'autre lorsque les variables auxiliaires sont homogènes. Les estimations composites pour les données régionales sont des mouvements ponérées des estimations synthétiques et des estimations d'enquêtes fondées sur le plan d'échantillonnage. Un deuxième problème que l'on ne rencontre pas généralement au niveau de l'État, mais qui est présent pour des zones infra-états et des groupes concerne l'estimation des erreurs-types des prévalences estimées qui sont près de zéro. Cette difficulté touche non seulement les estimations des enquêtes-ménages téléphoniques, mais aussi les estimations composites. Un modèle hiérarchique est proposé pour régler ce problème. Des estimateurs composites empririques de Bayes, qui incorporent des facteurs de pondération des enquêtes, des prévalences et des estimateurs selon la technique du jackknife de leurs erreurs quadratiques moyennes sont présentés et illustrés.
Date de diffusion : 1999-10-08 - Articles et rapports : 12-001-X19990014718Description :
Les auteurs de la présente note montrent que la formule bien connue de l'effet de plan de sondage, proposée intuitivement par Kish, comporte une justification à base de modèle. La formule peut-être interprétée comme une valeur prudente de l'effet réel de plan de sondage.
Date de diffusion : 1999-10-08 - Articles et rapports : 12-001-X199200214480Description :
Les auteurs se penchent sur l’estimation du « poids en valeur » et de l’« importance relative » de diverses strates de produits et services pour les régions de consommation. L’estimation de ces paramètres est une opération indispensable pour la construction des indices des prix à la consommation aux É.-U. Dans cet article, on se sert de modèles à plusieurs variables pour construire des estimateurs composites qui intègrent de l’information provenant de sources pertinentes. L’erreur quadratique moyenne (EQM) des estimateurs proposés et des estimateurs existants est estimée au moyen des demi-échantillons répétés tirés de l’enquête. D’après les résultats obtenus, les estimateurs proposés semblent être supérieurs aux autres estimateurs.
Date de diffusion : 1992-12-15
Stats en bref (0)
Stats en bref (0) (0 résultat)
Aucun contenu disponible actuellement
Articles et rapports (7)
Articles et rapports (7) ((7 résultats))
- Articles et rapports : 12-001-X201400114030Description :
L’article décrit les résultats d’une étude par simulation Monte Carlo réalisée en vue de comparer l’efficacité de quatre modèles hiérarchiques bayésiens d’estimation sur petits domaines pour estimer des proportions au niveau de l’État au moyen de données provenant d’échantillons aléatoires simples stratifiés tirés d’une population finie fixe. Deux des modèles reposent sur les hypothèses fréquentes selon lesquelles, pour chaque petit domaine échantillonné, la proportion pondérée par les poids de sondage estimée suit une loi normale et sa variance d’échantillonnage est connue. L’un de ces modèles comprend un modèle de lien linéaire et l’autre, un modèle de lien logistique. Les deux autres modèles utilisent tous deux un modèle de lien logistique et reposent sur l’hypothèse que la variance d’échantillonnage est inconnue. L’un de ces deux modèles suppose que le modèle d’échantillonnage obéit à une loi normale et l’autre, qu’il obéit à une loi bêta. L’étude montre que, pour chacun des quatre modèles, la couverture sous le plan de sondage de l’intervalle de crédibilité des proportions au niveau de l’État en population finie s’écarte considérablement du niveau nominal de 95 % utilisé pour construire les intervalles.
Date de diffusion : 2014-06-27 - Articles et rapports : 12-001-X200900110886Description :
La variabilité d'intervieweur est une composante importante de la variabilité des statistiques produites par sondage. Diverses stratégies liées au format et à la formulation des questions, ainsi qu'à la formation, à la charge de travail, à l'expérience et à l'affectation des intervieweurs sont employées pour essayer de réduire la variabilité d'intervieweur. La formule classique de mesure de la variabilité d'intervieweur, souvent appelée effet d'intervieweur, est donnée par ieff := deff_int = 1 + (n bar sub int - 1) rho sub int, où rho sub int et n bar sub int sont, respectivement, la corrélation intra intervieweur et la moyenne simple des charges de travail d'intervieweur. Dans le présent article, nous donnons une justification assistée par modèle de cette formule bien connue pour les méthodes d'échantillonnage avec probabilités égales (EPE) quand il n'existe pas de grappes spatiales dans l'échantillon et que les charges de travail des intervieweurs sont égales. Toutefois, les grappes spatiales ainsi que la pondération inégale sont très fréquentes dans les enquêtes à grande échelle. Dans le contexte d'un plan d'échantillonnage complexe, nous obtenons une formule appropriée de la variabilité d'intervieweur qui tient compte des probabilités inégales de sélection et des grappes spatiales. Notre formule fournit une évaluation plus exacte des effets d'intervieweur et permet donc d'affecter un budget plus raisonnable au contrôle de la variabilité d'intervieweur. Nous proposons aussi une décomposition de l'effet global en effets dus à la pondération, aux grappes spatiales et aux intervieweurs. Cette décomposition aide à comprendre différents moyens de réduire la variance totale.
Date de diffusion : 2009-06-22 - Articles et rapports : 11-522-X200600110393Description :
Dans le présent article, nous calculons un estimateur de deuxième ordre sans biais (ou presque sans biais) de l'erreur quadratique moyenne de prédiction (EQMP) du meilleur prédicteur linéaire sans biais empirique (MPLSBE) d'un total de petit domaine pour une extension, selon l'hypothèse de non-normalité, du modèle bien connu de Fay-Herriot. Plus précisément, nous calculons notre estimateur de l'EQMP en posant essentiellement certaines conditions de moment pour les distributions de l'erreur d'échantillonnage et des effets aléatoires. L'estimateur de l'EQMP de Prasad-Rao fondé sur l'hypothèse de normalité se révèle étonnamment robuste en ce sens qu'il reste un estimateur de deuxième ordre sans biais dans des conditions de non-normalité des effets aléatoires lorsqu'un estimateur simple de la méthode des moments est employé pour la composante de variance et lorsque l'erreur d'échantillonnage suit une distribution normale. Nous montrons que l'estimateur de l'EQMP fondé sur l'hypothèse de normalité n'est plus un estimateur de deuxième ordre sans biais lorsque l'erreur d'échantillonnage suit une distribution non normale ou lorsque la méthode des moments de Fay-Herriot est utilisée pour estimer la composante de variance même si l'erreur d'échantillonnage suit une distribution normale. Il est intéressant de noter que lorsque l'estimateur simple de la méthode des moments est utilisé pour la composante de variance, l'estimateur de l'EQMP que nous proposons n'exige pas une estimation du kurtosis des effets aléatoires. Les résultats d'une étude de simulation sur l'exactitude de l'estimateur de l'EQMP proposé, dans des conditions de non-normalité de la distribution tant de l'erreur d'échantillonnage que des effets aléatoires, sont également présentés.
Date de diffusion : 2008-03-17 - Articles et rapports : 12-001-X20050018094Description :
Les modèles de régression à erreur emboîtée sont utilisés fréquemment pour l'estimation par petits domaines et les problèmes connexes. Cependant, l'application des critères standard de sélection du modèle de régression aux modèles à erreur emboîtée donne parfois lieu à des méthodes de sélection du modèle inefficaces. Nous illustrons ce point en examinant les propriétés de la statistique C_P au moyen d'une étude par simulation de Monte Carlo. L'inefficacité de la statistique C_P peut, cependant, être corrigée grâce à une transformation appropriée des données.
Date de diffusion : 2005-07-21 - Articles et rapports : 12-001-X19990014715Description :
The Gallup Organization a mené des enquêtes-ménages pour étudier la prévalence à l'échelle des États de la consommation d'alcool et de drogues (par exemple, cocaïne, marijuana, etc.). Les estimations traditionnelles dans le cadre d'enquêtes fondées sur le plan d'échantillonnage relativement à l'utilisation et à la dépendance pour des comptés et des groupes démographiques choisis ont des erreurs-types inacceptables parce que la taille des échantillons dans des groupes infra-états est trop petite. L'estimation synthétique incorpore des renseignements démographiques et des indicateurs sociaux dans les estimations de la prévalence grâce à un modèle de régression implicite. Les estimations synthétiques ont tendance à produire des variances plus petites que les estimations fondées sur le plan d'échantillonnage, mais elles peuvent être très homogènes d'un comté à l'autre lorsque les variables auxiliaires sont homogènes. Les estimations composites pour les données régionales sont des mouvements ponérées des estimations synthétiques et des estimations d'enquêtes fondées sur le plan d'échantillonnage. Un deuxième problème que l'on ne rencontre pas généralement au niveau de l'État, mais qui est présent pour des zones infra-états et des groupes concerne l'estimation des erreurs-types des prévalences estimées qui sont près de zéro. Cette difficulté touche non seulement les estimations des enquêtes-ménages téléphoniques, mais aussi les estimations composites. Un modèle hiérarchique est proposé pour régler ce problème. Des estimateurs composites empririques de Bayes, qui incorporent des facteurs de pondération des enquêtes, des prévalences et des estimateurs selon la technique du jackknife de leurs erreurs quadratiques moyennes sont présentés et illustrés.
Date de diffusion : 1999-10-08 - Articles et rapports : 12-001-X19990014718Description :
Les auteurs de la présente note montrent que la formule bien connue de l'effet de plan de sondage, proposée intuitivement par Kish, comporte une justification à base de modèle. La formule peut-être interprétée comme une valeur prudente de l'effet réel de plan de sondage.
Date de diffusion : 1999-10-08 - Articles et rapports : 12-001-X199200214480Description :
Les auteurs se penchent sur l’estimation du « poids en valeur » et de l’« importance relative » de diverses strates de produits et services pour les régions de consommation. L’estimation de ces paramètres est une opération indispensable pour la construction des indices des prix à la consommation aux É.-U. Dans cet article, on se sert de modèles à plusieurs variables pour construire des estimateurs composites qui intègrent de l’information provenant de sources pertinentes. L’erreur quadratique moyenne (EQM) des estimateurs proposés et des estimateurs existants est estimée au moyen des demi-échantillons répétés tirés de l’enquête. D’après les résultats obtenus, les estimateurs proposés semblent être supérieurs aux autres estimateurs.
Date de diffusion : 1992-12-15
Revues et périodiques (0)
Revues et périodiques (0) (0 résultat)
Aucun contenu disponible actuellement
- Date de modification :