Comparaison d’estimateurs sur petits domaines au niveau de l’unité et au niveau du domaine 6. Conclusions
Dans le présent article, les auteurs ont comparé l’efficacité des estimateurs fondés sur un modèle de régression à erreur emboîtée au niveau de l’unité et sur le modèle de Fay-Herriot au niveau du domaine à l’aide d’une étude par simulations fondée sur le plan. Ils ont comparé les estimations ponctuelles et les taux de couverture des intervalles de confiance des estimateurs au niveau de l’unité et au niveau du domaine. Dans l’ensemble, l’estimateur pseudo-EBLUP au niveau de l’unité est le plus efficace en termes de biais et de taux de couverture, que l’échantillonnage soit ou non informatif. L’estimateur EBLUP est efficace sous une modélisation exacte, puisque l’échantillonnage est non informatif en vertu du modèle au niveau de l’unité exact décrit en (2.2). L’estimateur pseudo-EBLUP est également assez robuste à une spécification inexacte du modèle. En pratique, les auteurs recommandent de construire les estimateurs pseudo-EBLUP à l’aide des poids d’enquête et des observations au niveau de l’unité dont il est question à la section 2.2. Dans le cas des modèles au niveau du domaine, l’estimateur FH-HA donne de meilleurs résultats que l’estimateur FH-HT; l’estimateur FH-EAS donne des résultats médiocres. On recommande donc de construire les estimateurs HA pondérés et d’appliquer ensuite le modèle de Fay-Herriot pour obtenir les estimateurs fondés sur le modèle correspondants si on utilise des estimateurs sur petits domaines au niveau du domaine.
Remerciements
Les auteurs remercient le rédacteur en chef adjoint et deux évaluateurs pour leurs suggestions et commentaires, qui ont permis d’améliorer considérablement la présentation des résultats. Ils tiennent à remercier plus particulièrement l’un des évaluateurs pour ses commentaires fort minutieux et constructifs.
Bibliographie
Battese, G.E., Harter, R.M. et Fuller, W.A. (1988). An error components model for prediction of county crop area using survey and satellite data. Journal of the American Statistical Association, 83, 28-36.
Cressie, N. (1992). Estimation du maximum de vraisemblance avec contrainte (MVC) dans le lissage des taux de sous-dénombrement du recensement selon l’approche empirique de Baye. Techniques d’enquête, 18, 1, 83-103.
Datta, G.S., et Lahiri, P. (2000). A unified measure of uncertainty of estimated best linear unbiased predictors in small area estimation problems. Statistics Sinica, 10, 613-627.
Fay, R.E., et Herriot, R.A. (1979). Estimation of income for small places: An application of James-Stein procedures to census data. Journal of the American Statistical Association, 74, 268-277.
Pfeffermann, D., et Sverchkov, M. (2007). Small-area estimation under informative probability sampling of areas and within the selected areas. Journal of the American Statistical Association, 102, 480, 1427-1439.
Prasad, N.G.N., et Rao, J.N.K. (1990). The estimation of mean squared error of small area estimators. Journal of the American Statistical Association, 85, 163-171.
Rao, J.N.K. (2003). Small Area Estimation. New York : John Wiley & Sons, Inc.
Rivest, L.-P., et Vandal, N. (2003). Mean squared error estimation for small areas when the small area variances are estimated. Proceedings of the International Conference on Recent Advances in Survey Sampling, (Éd., J.N.K. Rao).
Torabi, M., et Rao, J.N.K. (2010). The mean squared error estimators of small area means using survey weights. The Canadian Journal of Statistics, 38, 598-608.
Verret, F., Rao, J.N.K. et Hidiroglou, M.A. (2015). Estimation sur petits domaines fondée sur un modèle sous échantillonnage informatif. Techniques d’enquête, 41, 2, 353-368.
Wang, J., et Fuller, W.A. (2003). The mean squared error of small area predictors constructed with estimated area variances. Journal of the American Statistical Association, 98, 716-723.
You, Y. (2010). Small Area Estimation under the Fay-Herriot Model Using Different Model Variance Estimation Methods and Different Input Sampling Variances. Document de travail de la Direction de la méthodologie, SRID-2010-003E, Statistique Canada, Ottawa, Canada.
You, Y., et Rao, J.N.K. (2002). A pseudo empirical best linear unbiased prediction approach to small area estimation using survey weights. The Canadian Journal of Statistics, 30, 431-439.
You, Y., Rao, J.N.K. et Kovacevic, M. (2003). Estimation des effets fixes et des composantes de la variance par un modèle à valeur aléatoire à l’origine en utilisant des données d’enquête. Recueil : Symposium 2003, Défis reliés à la réalisation d’enquêtes pour la prochaine décennie, Statistique Canada.
- Date de modification :