Filtrer les résultats par

Aide à la recherche
Currently selected filters that can be removed

Mot(s)-clé(s)

Année de publication

1 facets displayed. 1 facets selected.

Auteur(s)

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

Résultats

Tout (1)

Tout (1) ((1 résultat))

  • 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
Stats en bref (0)

Stats en bref (0) (0 résultat)

Aucun contenu disponible actuellement

Articles et rapports (1)

Articles et rapports (1) ((1 résultat))

  • 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
Revues et périodiques (0)

Revues et périodiques (0) (0 résultat)

Aucun contenu disponible actuellement

Date de modification :