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 (57)

Tout (57) (0 à 10 de 57 résultats)

1. Échantillonnage d’ensembles ordonnés avec probabilité proportionnelle à la taille dans des populations stratifiées
Articles et rapports : 12-001-X202000200001
Description :
Le présent article construit un échantillon d’ensembles ordonnés avec probabilité proportionnelle à la taille (PPT) à partir d’une population stratifiée. Un échantillon d’ensembles ordonnés PPT partitionne les unités d’un échantillon PPT en groupes d’observations semblables. La construction de groupes semblables repose sur des positions relatives (rangs) d’unités dans de petits ensembles de comparaison. Ainsi, les rangs induisent plus de structure (stratification) dans l’échantillon en plus de la structure de données créée par des probabilités de sélection inégales dans un échantillon PPT. La structure de données ajoutée rend l’échantillon d’ensembles ordonnés PPT plus informatif qu’un échantillon PPT. On construit l’échantillon d’ensembles ordonnés PPT stratifié en sélectionnant un échantillon d’ensembles ordonnés PPT à partir de chaque strate de la population. L’article construit des estimateurs sans biais pour la moyenne de la population, le total de la population et leurs variances. On applique le nouveau plan d’échantillonnage à des données sur la production de pommes pour estimer la production totale de pommes en Turquie.
Date de diffusion : 2020-12-15
2. Estimation et inférence des moyennes de domaine soumises à des contraintes qualitatives
Articles et rapports : 12-001-X202000200002
Description :
Dans de nombreuses enquêtes à grande échelle, des estimations sont produites pour un grand nombre de petits domaines définis par des classifications croisées de variables démographiques, géographiques et autres. Bien que la taille globale de l’échantillon de ces enquêtes puisse être très grande, la taille des échantillons des domaines est parfois trop petite pour permettre une estimation fiable. Nous proposons une méthode d’estimation améliorée qui s’applique quand il est possible de formuler des relations « naturelles » ou qualitatives (comme des ordonnancements ou des contraintes d’inégalité) pour les moyennes des domaines au niveau de la population. Nous restons dans un cadre inférentiel fondé sur le plan, mais nous imposons des contraintes représentant ces relations sur les estimations échantillonnales. Nous démontrons que l’estimateur de domaine contraint qui en résulte est convergent par rapport au plan et a une distribution asymptotique normale tant que les contraintes sont asymptotiquement satisfaites au niveau de la population. L’estimateur et l’estimateur de la variance connexe sont facilement mis en œuvre en pratique. L’applicabilité de la méthode est illustrée par les données de la National Survey of College Graduates des États-Unis (NSCG, Enquête nationale sur les diplômés des collèges) de 2015.
Date de diffusion : 2020-12-15
3. Ajustement de pondération hiérarchique bayésienne et inférence d’enquête
Articles et rapports : 12-001-X202000200003
Description :
Nous combinons pondération et prédiction bayésienne dans une approche unifiée pour l’inférence d’enquête. Les principes généraux de l’analyse bayésienne impliquent que les modèles pour les résultats d’enquête devraient être conditionnés par toutes les variables influant sur les probabilités d’inclusion. Nous intégrons toutes les variables servant à l’ajustement de pondération dans un cadre de régression multiniveau et de poststratification pour obtenir un sous-produit générant des poids basés sur un modèle après lissage. Nous améliorons l’estimation sur petits domaines en traitant les divers problèmes complexes que posent les applications dans la vie réelle pour obtenir une inférence robuste à des niveaux plus fins pour les sous-domaines d’intérêt. Nous examinons les interactions profondes et introduisons des distributions a priori structurées pour le lissage et la stabilisation des estimations. Le calcul se fait par Stan et avec le paquet rstanarm du code source libre R, disponible pour utilisation publique. Nous évaluons les propriétés selon le plan de la procédure bayésienne. Nous recourons à des études en simulation pour illustrer comment la prédiction basée sur un modèle et l’inférence pondérée peuvent donner de meilleurs résultats que la pondération classique. Nous appliquons la méthode à la New York Longitudinal Study of Wellbeing (LSW). La nouvelle approche produit des poids lissés et rend plus efficace une inférence robuste de population finie, plus particulièrement pour des sous-ensembles de la population.
Date de diffusion : 2020-12-15
4. La vraisemblance pénalisée de Firth pour les régressions à risques proportionnels en cas d’enquêtes complexes
Articles et rapports : 12-001-X202000200004
Description :
Le présent article propose une méthode de mise à l’échelle des poids pour la vraisemblance pénalisée de Firth pour des modèles de régression à risques proportionnels. La méthode calcule une relation entre la vraisemblance pénalisée utilisant des poids mis à l’échelle et la vraisemblance pénalisée utilisant des poids non mis à l’échelle, et elle montre que la vraisemblance pénalisée utilisant des poids mis à l’échelle possède certaines propriétés souhaitables. Une étude par simulations indique que la vraisemblance pénalisée utilisant des poids mis à l’échelle produit des biais plus petits dans les estimations ponctuelles et les erreurs-types que les biais produits par la vraisemblance pénalisée utilisant des poids non mis à l’échelle. La vraisemblance pénalisée pondérée est appliquée à l’estimation des taux de risque pour les crises cardiaques au moyen d’un ensemble de données à grande diffusion provenant de la National Health and Epidemiology Follow up Study (NHEFS, Étude de suivi épidémiologique et de santé nationale). L’annexe contient les instructions SASMD servant à estimer les taux de risque à l’aide de données d’enquêtes complexes.
Date de diffusion : 2020-12-15
5. Classification semi-automatisée des réponses à des questions ouvertes à étiquettes multiples
Articles et rapports : 12-001-X202000200005
Description :
Dans les enquêtes, les réponses textuelles à des questions ouvertes ont de l’importance, puisqu’elles permettent aux répondants de livrer plus de renseignements sans contrainte. Dans une classification automatique des réponses à des questions ouvertes en apprentissage supervisé, la précision souvent n’est pas assez grande. Comme autre possibilité, une stratégie de classification semi-automatisée peut être envisagée : les réponses sont classifiées automatiquement dans le groupe facile à classer et classifiées manuellement dans le reste. Nous présentons ici une méthode de classification semi-automatisée des réponses à des questions ouvertes à étiquettes multiples pour les cas où les réponses textuelles peuvent appartenir simultanément à plusieurs classes. La méthode que nous proposons se trouve à combiner de multiples chaînes de classification probabiliste en évitant des coûts de calcul prohibitifs. L’évaluation du rendement sur trois ensembles de données démontre l’efficacité de cette méthode.
Date de diffusion : 2020-12-15
6. La création d’une base de données Robots!
Articles et rapports : 11-633-X2020004
Description :
Les progrès accomplis récemment dans le domaine de l’intelligence artificielle ont ravivé d’anciennes craintes de voir les robots remplacer les humains dans l’économie. Les vagues d’automatisation précédentes ont modifié le rôle de la main-d’œuvre, sans toutefois le réduire, mais la flexibilité humanoïde des robots pourrait changer la donne cette fois-ci. La question de savoir si ce sera le cas est une question empirique, à laquelle on n’a pu répondre dans le passé en raison d’un manque de données pertinentes. Le présent article brosse un portrait de la création d’un ensemble de données en vue de combler cette lacune statistique au Canada. Robots! est une base de données de panel à l’échelle des entreprises sur l’adoption de robots créée à l’aide des données sur les importations canadiennes. Les données révèlent des investissements considérables dans les robots dans l’économie canadienne de 1996 à 2017. Bien que de nombreux robots soient importés par des grossistes en robotique ou des programmeurs en vue de la revente, on peut attribuer la majorité d’entre eux à l’entreprise qui finit par les adopter (directement). Les données peuvent être utilisées pour étudier l’incidence de l’adoption de robots à l’échelle des régions économiques, des industries ou des entreprises.
Date de diffusion : 2020-11-02
7. Validation du module de la sécurité alimentaire de l'Étude longitudinale et internationale des adultes de 2018
Articles et rapports : 89-648-X2020004
Description :
Le présent rapport technique a pour but de valider le module de la sécurité alimentaire de l'Étude longitudinale et internationale des adultes (ELIA) de 2018 (vague 4) et de fournir des recommandations qui seront utilisées aux fins d’analyse. La section 2 du rapport donne un aperçu des données de l’ELIA. La section 3 donne des renseignements de base quant aux mesures de la sécurité alimentaire dans les enquêtes nationales et explique pourquoi ces mesures sont importantes dans la documentation actuelle. La section 4 offre une analyse des données relatives à la sécurité alimentaire en présentant des statistiques descriptives clés et des contrôles logiques faisant appel à la méthodologie de l'ELIA et à des renseignements fournis par des chercheurs externes. Dans la section 5, la validation de certification a été effectuée en comparant d'autres enquêtes nationales canadiennes qui ont utilisé un module de la sécurité alimentaire avec le module utilisé dans l’ELIA. Enfin, la section 6 présente les observations clés et leur incidence quant à l’ELIA.
Date de diffusion : 2020-11-02
8. Les objectifs de développement durable : objectif 1, pas de pauvreté Archivé
Articles et rapports : 11-637-X202000100001
Description : Comme premier objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à éliminer la pauvreté sous toutes ses formes et partout dans le monde d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au premier objectif de développement durable en faveur d'éliminer la pauvreté, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20
9. Les objectifs de développement durable : objectif 2, faim « zéro » Archivé
Articles et rapports : 11-637-X202000100002
Description : Comme deuxième objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à éliminer la faim, assurer la securité alimentaire, améliorer la nutrition et promouvoir l'agriculture durable d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au deuxième objectif de développement durable en faveur d'éliminer la faim, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20
10. Les objectifs de développement durable : objectif 3, bonne santé et bien-être Archivé
Articles et rapports : 11-637-X202000100003
Description : Comme troisième objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à permettre à tous de vivre en bonne santé et promouvoir le bien-être de tous à tout âge d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au troisième objectif de développement durable en faveur de la bonne santé et bien-être, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20

Stats en bref (15)

Stats en bref (15) (0 à 10 de 15 résultats)

1. Normes statistiques : norme nationale sur la recherche et développement Archivé
Stats en bref : 11-627-M2020072
Description :
Cette infographie donne un aperçu de la classification canadienne de la recherche et développement (CCRD), une norme nationale développée conjointement par la Fondation canadienne pour l'innovation (FCI), les Instituts de recherche en santé du Canada (IRSC), le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG), le Conseil de recherches en sciences humaines du Canada (CRSH) et Statistique Canada.
Date de diffusion : 2020-10-05
2. Qualité des données en six dimensions Archivé
Stats en bref : 89-20-00062020001
Description :
Dans cette vidéo, on vous présentera les fondements de la qualité des données, qui peuvent se résumer en six dimensions, ou six façons différentes de penser à la qualité. Vous apprendrez également comment chaque dimension peut être utilisée pour évaluer la qualité des données.
Date de diffusion : 2020-09-23
3. Types de données : comprendre et explorer les données Archivé
Stats en bref : 89-20-00062020004
Description :
Dans ce module, nous explorerons les concepts des données et des renseignements statistiques, et les différences entre eux. Vous apprendrez également les différents types de données.
Date de diffusion : 2020-09-23
4. Recueillir des données : éléments à prendre en considération avant de recueillir des données Archivé
Stats en bref : 89-20-00062020005
Description :
La collecte de données consiste d’abord à déterminer les données dont vous avez besoin, puis à savoir où les trouver, comment les obtenir et comment assurer leur sécurité. Ce module vous présente les éléments dont vous devriez tenir compte au moment de recueillir des données.
Date de diffusion : 2020-09-23
5. Que sont les données? Introduction à la terminologie et aux concepts relatifs aux données Archivé
Stats en bref : 89-20-00062020006
Description :
Cette vidéo aborde des termes et des concepts relatifs aux données, comme les ensembles de données, les bases de données, la protection des données, les variables de données, les microdonnées et les macrodonnées, ainsi que les renseignements statistiques.
Date de diffusion : 2020-09-23
6. Le cheminement des données : éléments d’une navigation réussie Archivé
Stats en bref : 89-20-00062020007
Description :
Dans cette vidéo, vous apprendrez les étapes et les activités liées au cheminement des données, ainsi que les bases sur lesquelles il repose.
Date de diffusion : 2020-09-23
7. Exactitude et validation des données : méthodes pour assurer la qualité des données Archivé
Stats en bref : 89-20-00062020008
Description :
L’exactitude est l’une des six dimensions de la qualité des données qui sont prises en compte à Statistique Canada. L’exactitude s’entend de la mesure dans laquelle les données rendent compte de la vérité ou de ce qui s’est réellement produit. Dans cette vidéo, nous présenterons des méthodes pour mettre en lumière le concept d’exactitude, sur le plan de la validité et de la précision. Nous discuterons également des méthodes de validation et de vérification de l’exactitude des valeurs de données.
Date de diffusion : 2020-09-23
8. Analyse 101, partie 1 : élaborer un plan d’analyse Archivé
Stats en bref : 89-20-00062020009
Description :
À la fin de cette vidéo, vous serez familiarisés avec les concepts de base du processus analytique : les principes directeurs de l’analyse les étapes du processus analytique et, la planification de votre analyse.
Date de diffusion : 2020-09-23
9. Analyse 101, partie 2 : mettre en œuvre le plan d’analyse Archivé
Stats en bref : 89-20-00062020010
Description :
Cette vidéo va vous permettre d’apprendre comment mettre en œuvre votre plan d’analyse. Les étapes clés de la mise en œuvre de votre plan comprennent : la préparation et la vérification de vos données, la réalisation de votre analyse, et la documentation des décisions relatives à votre analyse.
Date de diffusion : 2020-09-23
10. Analyse 101, partie 3 : communiquer ses conclusions Archivé
Stats en bref : 89-20-00062020011
Description :
Cette vidéo va vous apprendre comment résumer et interpréter vos données et comment communiquer vos conclusions. Les éléments clés de la communication de vos conclusions sont les suivants : choisir les conclusions essentielles, résumer et interpréter les résultats, organiser et évaluer les revues, et préparer la diffusion.
Date de diffusion : 2020-09-23

Articles et rapports (42)

Articles et rapports (42) (0 à 10 de 42 résultats)

1. Échantillonnage d’ensembles ordonnés avec probabilité proportionnelle à la taille dans des populations stratifiées
Articles et rapports : 12-001-X202000200001
Description :
Le présent article construit un échantillon d’ensembles ordonnés avec probabilité proportionnelle à la taille (PPT) à partir d’une population stratifiée. Un échantillon d’ensembles ordonnés PPT partitionne les unités d’un échantillon PPT en groupes d’observations semblables. La construction de groupes semblables repose sur des positions relatives (rangs) d’unités dans de petits ensembles de comparaison. Ainsi, les rangs induisent plus de structure (stratification) dans l’échantillon en plus de la structure de données créée par des probabilités de sélection inégales dans un échantillon PPT. La structure de données ajoutée rend l’échantillon d’ensembles ordonnés PPT plus informatif qu’un échantillon PPT. On construit l’échantillon d’ensembles ordonnés PPT stratifié en sélectionnant un échantillon d’ensembles ordonnés PPT à partir de chaque strate de la population. L’article construit des estimateurs sans biais pour la moyenne de la population, le total de la population et leurs variances. On applique le nouveau plan d’échantillonnage à des données sur la production de pommes pour estimer la production totale de pommes en Turquie.
Date de diffusion : 2020-12-15
2. Estimation et inférence des moyennes de domaine soumises à des contraintes qualitatives
Articles et rapports : 12-001-X202000200002
Description :
Dans de nombreuses enquêtes à grande échelle, des estimations sont produites pour un grand nombre de petits domaines définis par des classifications croisées de variables démographiques, géographiques et autres. Bien que la taille globale de l’échantillon de ces enquêtes puisse être très grande, la taille des échantillons des domaines est parfois trop petite pour permettre une estimation fiable. Nous proposons une méthode d’estimation améliorée qui s’applique quand il est possible de formuler des relations « naturelles » ou qualitatives (comme des ordonnancements ou des contraintes d’inégalité) pour les moyennes des domaines au niveau de la population. Nous restons dans un cadre inférentiel fondé sur le plan, mais nous imposons des contraintes représentant ces relations sur les estimations échantillonnales. Nous démontrons que l’estimateur de domaine contraint qui en résulte est convergent par rapport au plan et a une distribution asymptotique normale tant que les contraintes sont asymptotiquement satisfaites au niveau de la population. L’estimateur et l’estimateur de la variance connexe sont facilement mis en œuvre en pratique. L’applicabilité de la méthode est illustrée par les données de la National Survey of College Graduates des États-Unis (NSCG, Enquête nationale sur les diplômés des collèges) de 2015.
Date de diffusion : 2020-12-15
3. Ajustement de pondération hiérarchique bayésienne et inférence d’enquête
Articles et rapports : 12-001-X202000200003
Description :
Nous combinons pondération et prédiction bayésienne dans une approche unifiée pour l’inférence d’enquête. Les principes généraux de l’analyse bayésienne impliquent que les modèles pour les résultats d’enquête devraient être conditionnés par toutes les variables influant sur les probabilités d’inclusion. Nous intégrons toutes les variables servant à l’ajustement de pondération dans un cadre de régression multiniveau et de poststratification pour obtenir un sous-produit générant des poids basés sur un modèle après lissage. Nous améliorons l’estimation sur petits domaines en traitant les divers problèmes complexes que posent les applications dans la vie réelle pour obtenir une inférence robuste à des niveaux plus fins pour les sous-domaines d’intérêt. Nous examinons les interactions profondes et introduisons des distributions a priori structurées pour le lissage et la stabilisation des estimations. Le calcul se fait par Stan et avec le paquet rstanarm du code source libre R, disponible pour utilisation publique. Nous évaluons les propriétés selon le plan de la procédure bayésienne. Nous recourons à des études en simulation pour illustrer comment la prédiction basée sur un modèle et l’inférence pondérée peuvent donner de meilleurs résultats que la pondération classique. Nous appliquons la méthode à la New York Longitudinal Study of Wellbeing (LSW). La nouvelle approche produit des poids lissés et rend plus efficace une inférence robuste de population finie, plus particulièrement pour des sous-ensembles de la population.
Date de diffusion : 2020-12-15
4. La vraisemblance pénalisée de Firth pour les régressions à risques proportionnels en cas d’enquêtes complexes
Articles et rapports : 12-001-X202000200004
Description :
Le présent article propose une méthode de mise à l’échelle des poids pour la vraisemblance pénalisée de Firth pour des modèles de régression à risques proportionnels. La méthode calcule une relation entre la vraisemblance pénalisée utilisant des poids mis à l’échelle et la vraisemblance pénalisée utilisant des poids non mis à l’échelle, et elle montre que la vraisemblance pénalisée utilisant des poids mis à l’échelle possède certaines propriétés souhaitables. Une étude par simulations indique que la vraisemblance pénalisée utilisant des poids mis à l’échelle produit des biais plus petits dans les estimations ponctuelles et les erreurs-types que les biais produits par la vraisemblance pénalisée utilisant des poids non mis à l’échelle. La vraisemblance pénalisée pondérée est appliquée à l’estimation des taux de risque pour les crises cardiaques au moyen d’un ensemble de données à grande diffusion provenant de la National Health and Epidemiology Follow up Study (NHEFS, Étude de suivi épidémiologique et de santé nationale). L’annexe contient les instructions SASMD servant à estimer les taux de risque à l’aide de données d’enquêtes complexes.
Date de diffusion : 2020-12-15
5. Classification semi-automatisée des réponses à des questions ouvertes à étiquettes multiples
Articles et rapports : 12-001-X202000200005
Description :
Dans les enquêtes, les réponses textuelles à des questions ouvertes ont de l’importance, puisqu’elles permettent aux répondants de livrer plus de renseignements sans contrainte. Dans une classification automatique des réponses à des questions ouvertes en apprentissage supervisé, la précision souvent n’est pas assez grande. Comme autre possibilité, une stratégie de classification semi-automatisée peut être envisagée : les réponses sont classifiées automatiquement dans le groupe facile à classer et classifiées manuellement dans le reste. Nous présentons ici une méthode de classification semi-automatisée des réponses à des questions ouvertes à étiquettes multiples pour les cas où les réponses textuelles peuvent appartenir simultanément à plusieurs classes. La méthode que nous proposons se trouve à combiner de multiples chaînes de classification probabiliste en évitant des coûts de calcul prohibitifs. L’évaluation du rendement sur trois ensembles de données démontre l’efficacité de cette méthode.
Date de diffusion : 2020-12-15
6. La création d’une base de données Robots!
Articles et rapports : 11-633-X2020004
Description :
Les progrès accomplis récemment dans le domaine de l’intelligence artificielle ont ravivé d’anciennes craintes de voir les robots remplacer les humains dans l’économie. Les vagues d’automatisation précédentes ont modifié le rôle de la main-d’œuvre, sans toutefois le réduire, mais la flexibilité humanoïde des robots pourrait changer la donne cette fois-ci. La question de savoir si ce sera le cas est une question empirique, à laquelle on n’a pu répondre dans le passé en raison d’un manque de données pertinentes. Le présent article brosse un portrait de la création d’un ensemble de données en vue de combler cette lacune statistique au Canada. Robots! est une base de données de panel à l’échelle des entreprises sur l’adoption de robots créée à l’aide des données sur les importations canadiennes. Les données révèlent des investissements considérables dans les robots dans l’économie canadienne de 1996 à 2017. Bien que de nombreux robots soient importés par des grossistes en robotique ou des programmeurs en vue de la revente, on peut attribuer la majorité d’entre eux à l’entreprise qui finit par les adopter (directement). Les données peuvent être utilisées pour étudier l’incidence de l’adoption de robots à l’échelle des régions économiques, des industries ou des entreprises.
Date de diffusion : 2020-11-02
7. Validation du module de la sécurité alimentaire de l'Étude longitudinale et internationale des adultes de 2018
Articles et rapports : 89-648-X2020004
Description :
Le présent rapport technique a pour but de valider le module de la sécurité alimentaire de l'Étude longitudinale et internationale des adultes (ELIA) de 2018 (vague 4) et de fournir des recommandations qui seront utilisées aux fins d’analyse. La section 2 du rapport donne un aperçu des données de l’ELIA. La section 3 donne des renseignements de base quant aux mesures de la sécurité alimentaire dans les enquêtes nationales et explique pourquoi ces mesures sont importantes dans la documentation actuelle. La section 4 offre une analyse des données relatives à la sécurité alimentaire en présentant des statistiques descriptives clés et des contrôles logiques faisant appel à la méthodologie de l'ELIA et à des renseignements fournis par des chercheurs externes. Dans la section 5, la validation de certification a été effectuée en comparant d'autres enquêtes nationales canadiennes qui ont utilisé un module de la sécurité alimentaire avec le module utilisé dans l’ELIA. Enfin, la section 6 présente les observations clés et leur incidence quant à l’ELIA.
Date de diffusion : 2020-11-02
8. Les objectifs de développement durable : objectif 1, pas de pauvreté Archivé
Articles et rapports : 11-637-X202000100001
Description : Comme premier objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à éliminer la pauvreté sous toutes ses formes et partout dans le monde d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au premier objectif de développement durable en faveur d'éliminer la pauvreté, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20
9. Les objectifs de développement durable : objectif 2, faim « zéro » Archivé
Articles et rapports : 11-637-X202000100002
Description : Comme deuxième objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à éliminer la faim, assurer la securité alimentaire, améliorer la nutrition et promouvoir l'agriculture durable d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au deuxième objectif de développement durable en faveur d'éliminer la faim, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20
10. Les objectifs de développement durable : objectif 3, bonne santé et bien-être Archivé
Articles et rapports : 11-637-X202000100003
Description : Comme troisième objectif défini dans le Programme de développement durable à l'horizon 2030, le Canada et les autres États membres de l'ONU se sont engagés à permettre à tous de vivre en bonne santé et promouvoir le bien-être de tous à tout âge d'ici 2030. Cette infographie de 2020 donne un aperçu des indicateurs sous-jacents au troisième objectif de développement durable en faveur de la bonne santé et bien-être, ainsi que les statistiques et sources de données utilisées pour suivre et rendre compte de cet objectif au Canada.
Date de diffusion : 2020-10-20

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 :: 2024-04-19

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.