Filtrer les résultats par

Aide à la recherche
Currently selected filters that can be removed

Mot(s)-clé(s)

Année de publication

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

Résultats

Tout (3)

Tout (3) ((3 résultats))

  • Articles et rapports : 11-522-X202200100003
    Description : L’estimation à de fins niveaux d’agrégation est nécessaire pour mieux décrire une société. Les approches fondées sur un modèle d’estimation sur petits domaines qui combinent des données d’enquête parcimonieuses à des données riches provenant de sources auxiliaires se sont révélées utiles pour améliorer la fiabilité des estimations sur petits domaines. Nous examinons ici un scénario où des estimations basées sur un modèle pour petits domaines, produit à un niveau d’agrégation donné, devaient être désagrégées pour mieux décrire la structure sociale à des niveaux plus fins. Pour ce scénario, nous avons élaboré une méthode de répartition afin de mettre en œuvre la désagrégation, surmontant les problèmes associés à la disponibilité des données et à l’élaboration de modèles à des niveaux de cette finesse. La méthode est appliquée à l’estimation de la littératie et de la numératie des adultes au niveau du comté par groupe, au moyen des données du Programme pour l’évaluation internationale des compétences des adultes (PEICA) des États-Unis. Dans cette application, les groupes sont définis en fonction de l’âge ou de la scolarité, mais la méthode pourrait être appliquée à l’estimation d’autres groupes en quête d’équité.
    Date de diffusion : 2024-03-25

  • Articles et rapports : 12-001-X200900110881
    Description :

    Les diagnostics de régression ont pour objectif de détecter des points individuels ou des groupes de points qui exercent une influence importante sur un modèle ajusté. Lorsqu'on ajuste un modèle à l'aide de données d'enquête, les sources d'influence sont la variable réponse Y, les variables explicatives X et les poids de sondage W. Le présent article traite de l'utilisation de la matrice chapeau et des effets de levier pour déceler les points qui pourraient être influents dans l'ajustement des modèles linéaires parce que les valeurs des variables explicatives ou des poids sont grandes. Nous comparons aussi les résultats qu'un analyste pourrait obtenir s'il utilisait les moindres carrés ordinaires plutôt que les moindres carrés pondérés par les poids de sondage pour déterminer quels points sont influents.

    Date de diffusion : 2009-06-22

  • Articles et rapports : 12-001-X200700210491
    Description :

    La poststratification est une méthode courante d'estimation dans le cas des enquêtes ménages. Les cellules sont créées d'après les caractéristiques qui sont connues pour tous les répondants de l'échantillon et pour lesquelles il existe des dénombrements de contrôle externes provenant d'un recensement ou d'une autre source. Les inverses des corrections par poststratification sont habituellement appelés ratios de couverture. La couverture de certains groupes démographiques peut être sensiblement inférieure à 100 % et la poststratification est destinée à corriger les biais résultant d'une couverture insatisfaisante. Une méthode standard de poststratification consiste à regrouper ou à combiner certaines cellules lorsque les tailles d'échantillon sont inférieures à un minimum donné ou que les corrections des poids sont supérieures à un maximum donné. Le regroupement peut accroître ou réduire la variance d'une estimation, mais pourrait simultanément augmenter son biais. Nous étudions les effets, sur le biais et la variance, de ce type de regroupement dynamique des cellules du point de vue théorique et par simulation en utilisant une population basée sur la National Health Interview Survey de 2003. Nous proposons deux estimateurs possibles qui réduisent l'importance des corrections des poids lorsque les cellules sont regroupées.

    Date de diffusion : 2008-01-03
Stats en bref (0)

Stats en bref (0) (0 résultat)

Aucun contenu disponible actuellement

Articles et rapports (3)

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

  • Articles et rapports : 11-522-X202200100003
    Description : L’estimation à de fins niveaux d’agrégation est nécessaire pour mieux décrire une société. Les approches fondées sur un modèle d’estimation sur petits domaines qui combinent des données d’enquête parcimonieuses à des données riches provenant de sources auxiliaires se sont révélées utiles pour améliorer la fiabilité des estimations sur petits domaines. Nous examinons ici un scénario où des estimations basées sur un modèle pour petits domaines, produit à un niveau d’agrégation donné, devaient être désagrégées pour mieux décrire la structure sociale à des niveaux plus fins. Pour ce scénario, nous avons élaboré une méthode de répartition afin de mettre en œuvre la désagrégation, surmontant les problèmes associés à la disponibilité des données et à l’élaboration de modèles à des niveaux de cette finesse. La méthode est appliquée à l’estimation de la littératie et de la numératie des adultes au niveau du comté par groupe, au moyen des données du Programme pour l’évaluation internationale des compétences des adultes (PEICA) des États-Unis. Dans cette application, les groupes sont définis en fonction de l’âge ou de la scolarité, mais la méthode pourrait être appliquée à l’estimation d’autres groupes en quête d’équité.
    Date de diffusion : 2024-03-25

  • Articles et rapports : 12-001-X200900110881
    Description :

    Les diagnostics de régression ont pour objectif de détecter des points individuels ou des groupes de points qui exercent une influence importante sur un modèle ajusté. Lorsqu'on ajuste un modèle à l'aide de données d'enquête, les sources d'influence sont la variable réponse Y, les variables explicatives X et les poids de sondage W. Le présent article traite de l'utilisation de la matrice chapeau et des effets de levier pour déceler les points qui pourraient être influents dans l'ajustement des modèles linéaires parce que les valeurs des variables explicatives ou des poids sont grandes. Nous comparons aussi les résultats qu'un analyste pourrait obtenir s'il utilisait les moindres carrés ordinaires plutôt que les moindres carrés pondérés par les poids de sondage pour déterminer quels points sont influents.

    Date de diffusion : 2009-06-22

  • Articles et rapports : 12-001-X200700210491
    Description :

    La poststratification est une méthode courante d'estimation dans le cas des enquêtes ménages. Les cellules sont créées d'après les caractéristiques qui sont connues pour tous les répondants de l'échantillon et pour lesquelles il existe des dénombrements de contrôle externes provenant d'un recensement ou d'une autre source. Les inverses des corrections par poststratification sont habituellement appelés ratios de couverture. La couverture de certains groupes démographiques peut être sensiblement inférieure à 100 % et la poststratification est destinée à corriger les biais résultant d'une couverture insatisfaisante. Une méthode standard de poststratification consiste à regrouper ou à combiner certaines cellules lorsque les tailles d'échantillon sont inférieures à un minimum donné ou que les corrections des poids sont supérieures à un maximum donné. Le regroupement peut accroître ou réduire la variance d'une estimation, mais pourrait simultanément augmenter son biais. Nous étudions les effets, sur le biais et la variance, de ce type de regroupement dynamique des cellules du point de vue théorique et par simulation en utilisant une population basée sur la National Health Interview Survey de 2003. Nous proposons deux estimateurs possibles qui réduisent l'importance des corrections des poids lorsque les cellules sont regroupées.

    Date de diffusion : 2008-01-03
Revues et périodiques (0)

Revues et périodiques (0) (0 résultat)

Aucun contenu disponible actuellement

Date de modification :