Imputation multiple bayésienne pour des données catégoriques à grande échelle contenant des zéros structurels

Consulter la version la plus récente.

Information archivée dans le Web

L’information dont il est indiqué qu’elle est archivée est fournie à des fins de référence, de recherche ou de tenue de documents. Elle n’est pas assujettie aux normes Web du gouvernement du Canada et elle n’a pas été modifiée ou mise à jour depuis son archivage. Pour obtenir cette information dans un autre format, veuillez communiquer avec nous.

Contenu archivé

Cette page Web a été archivée dans le Web.

Daniel Manrique-Vallier et Jerome P. Reiter^{Note 1}

Résumé

Nous proposons une approche d’imputation multiple des réponses manquant aléatoirement dans les enquêtes à grande échelle qui ne portent que sur des variables catégoriques présentant des zéros structurels. Notre approche consiste à utiliser des mélanges de lois multinomiales comme outils d’imputation et à tenir compte des zéros structurels en concevant les données observées comme un échantillon tronqué issu d’une population hypothétique ne contenant pas de zéros structurels. Cette approche possède plusieurs caractéristiques intéressantes : les imputations sont générées à partir de modèles bayésiens conjoints cohérents qui tiennent compte automatiquement des dépendances complexes et s’adaptent facilement à de grands nombres de variables. Nous décrivons un algorithme d’échantillonnage de Gibbs pour mettre en œuvre l’approche et illustrons son potentiel au moyen d’une étude par échantillonnage répété en utilisant des microdonnées de recensement à grande diffusion provenant de l’État de New York, aux États Unis.

Mots-clés

Classes latentes; log-linéaire; valeur manquante; mélange; multinomiale; non réponse.

Table des matières

• 1. Introduction
• 2. Modèle d’imputation bayésien à classes latentes avec zéros structurels
• 3. Étude par simulation
• 4. Conclusion
• Remerciements
• Bibliographie

---

Notes

1. Daniel Manrique-Vallier est professeur adjoint au Département de Statistique, Indiana University, Bloomington, IN 47408. Courriel : dmanriqu@indiana.edu; Jerome P. Reiter est professeur Mrs. Alexander Hehmeyer of Statistical Science, Duke University, Durham, NC 27708-0251. Courriel : jerry@stat.duke.edu.