Théorie et méthodologie des enquêtes par sondage : orientations passées, présentes et futures
Section 4. L’avenir
Nous pouvons projeter un certain nombre de situations courantes dans l’avenir. Le contexte budgétaire sera strict et les demandes de produits augmenteront. Il y aura une demande de prévisions, ainsi que d’amélioration de l’accès des utilisateurs aux données. Il y aura une demande d’accélération de la production des statistiques, et ce, naturellement, sans compromettre la qualité. Une pression sera exercée afin que concordent les estimations provenant de sources différentes.
Nous nous attendons à ce que la plus grande vitesse des ordinateurs influe sur tous les aspects du domaine. Des algorithmes de vérification et d’imputation plus complexes seront établis. Le temps écoulé entre la collecte et la publication sera raccourci. Des analyses plus complexes seront effectuées sur les données d’enquêtes. Les procédures de couplage d’enregistrements seront améliorées. Les données seront mises à la disposition des utilisateurs sous différentes formes. Les bases de données consultables permettant à l’utilisateur de faire des recherches deviendront plus courantes. L’utilisation de données auxiliaires de toutes sortes, et en particulier des données administratives, augmentera. Les données administratives seront utilisées à la fois comme données auxiliaires et comme estimations directes pour certaines variables. Citro (2014) donne des exemples de variables pour lesquels des données administratives peuvent remplacer les réponses aux questions dans un questionnaire. L’utilisation de données auxiliaires quand l’appariement aux données recueillies est imparfait deviendra un domaine de recherche.
Les méthodes de communication modernes et les médias sociaux sont à l’origine de vastes quantités de données, la plupart d’entre elles générées pour répondre à des objectifs de court terme et mal spécifiés. Le terme « mégadonnées » n’est pas bien défini, mais la plupart d’entre nous seraient d’accord que les données des médias sociaux en font partie. Le rapport de l’AAPOR sur les mégadonnées (2015) contient une excellente analyse des possibilités et des défis associés à ce type de données. Tam et Clarke (2015) et Pfeffermann (2015) discutent de ces questions dans la perspective d’un organisme statistique gouvernemental. Parce qu’ils font partie de la société moderne, les médias sociaux présentent en eux-mêmes un intérêt pour les spécialistes des sciences sociales. Donc, des index et des résumés de ces données sont, et seront, produits. À titre d’exemple, mentionnons le Social Media Job Loss Index de l’Université du Michigan. L’échantillonnage joue un grand rôle dans la création de produits à partir de ces données.
L’un des défis consiste à transformer certains types de mégadonnées en une forme utilisable comme données auxiliaires. Par exemple, Porter, Holan, Wikle et Cressie (2014) se sont servis des fréquences de recherche de mots espagnols fournies par l’outil Google Trends comme covariables fonctionnelles pour estimer, au niveau de l’État, les proportions de personnes parlant l’espagnol, en utilisant les estimations de l’American Community Survey comme variables dépendantes dans des modèles de petits domaines.
L’un des avantages souvent mentionnés des enquêtes par sondage comparativement aux recensements est le coût. La structure de coût a évolué avec l’accroissement de la puissance de calcul et semble destinée à continuer d’évoluer. Aux États-Unis, la National Land Cover Database est un recensement de la couverture des terres (Han, Yang, Di et Mueller, 2012). En principe, les procédures de classification s’amélioreront, si bien que les données de ce genre serviront plus souvent de données auxiliaires. Les organismes de collecte de données investiront davantage dans la construction de fichiers de données auxiliaires améliorés au niveau de la population, de sorte que certaines données recueillies aujourd’hui sur des échantillons le seront au niveau de la population. Les mêmes types de développement des données se poursuivront pour les statistiques sur les populations et les entreprises.
Nécessairement, notre discussion s’étend peu sur la collecte des données. La façon dont l’évolution de la technologie a modifié les procédures de collecte des données est peut-être plus évidente que le lien entre la technologie et la théorie. Pour les liens avec la théorie, consulter Bellhouse (2000). La collecte des données assistée par ordinateur devient la norme. Il faut s’attendre à ce que l’utilisation de la technologie de géolocalisation s’accroisse. Il est raisonnable de prévoir un plus grand usage d’outils de télédétection et de collecte des données à distance. Par exemple, il serait facile d’intégrer des données physiques recueillies par un appareil comme la montre Apple ou Fitbit dans une étude sur la santé. Des appareils de surveillance plus gros et moins attrayants sont utilisés à l’heure actuelle dans les enquêtes sur l’activité physique (van Remoortel, Giavedoni, Raste, Burtin, Louvaris, Gimeno-Santos, Langer, Glendenning, Hopkinson, Vogiatzis, Peterson, Wilson, Mann, Rabinovich, Puhan, Troosters et PROactive consortium, 2012).
Comme le révèle l’expérience récente, il devient de plus en plus difficile de recueillir des données par interview téléphonique ou par interview sur place. Les enquêtés font face à des activités plus vastes de collecte systématique de données. L’omniprésence des questionnaires sur la satisfaction concernant toute chose, des services médicaux au dentifrice, doit indubitablement avoir une incidence sur la volonté des individus à répondre. Il semble raisonnable de prévoir qu’il sera de plus en plus difficile d’obtenir leur coopération pour les méthodes habituelles de collecte des données. Cette tendance entraînera une étude plus approfondie de la nature des non-répondants et de la non-réponse. De même, des efforts seront déployés en vue d’adapter la collecte des données à l’évolution des méthodes de communication.
Les échantillons non probabilistes ont fait partie de l’activité de sondage tout au long de la période ultérieure à Neyman. En particulier, l’échantillonnage par quotas est couramment utilisé dans la recherche en marketing et ailleurs pour des raisons de coût (Sudman, 1966; 1976). Moser et Stuart (1953) et Stephan et McCarthy (1958) ont fait les premières comparaisons entre l’échantillonnage par quotas et l'échantillonnage probabiliste. Cochran (1977, page 136) affirme [Traduction] « La méthode des quotas produira probablement des échantillons biaisés pour les caractéristiques telles que le revenu, l’éducation et l’occupation, même si elle s’accorde souvent avec les échantillons probabilistes pour les questions d’opinion et d’attitude ». Le recours à des procédures telles que la poststratification et l’estimation par la régression sur des échantillons non probabilistes s’est poursuivi au même rythme que l’utilisation sur des échantillons probabilistes. Le changement de nature de la communication humaine offre des possibilités en ce qui concerne tant les procédures fondées sur un modèle que celles fondées sur les probabilités. En raison des structures de coût, de nouvelles méthodes, telles les procédures axées sur le Web, seront souvent appliquées en premier lieu dans des conditions non probabilistes et à des fins non gouvernementales.
À mesure que les procédures d’appariement s’amélioreront et que la demande de données détaillées augmentera, les procédures de contrôle de la divulgation et les travaux de recherche connexes susciteront davantage d’attention.
L’échantillonnage dans le contexte des enquêtes est une discipline appliquée, dont le fonctionnement est défini par la conjoncture sociale, géographique, culturelle et technologique. Il est difficile de prévoir l’impact qu’auront les changements sociaux et culturels sur cette discipline, même à court terme. Le fait que l’on doive présumer aujourd’hui que presque toutes nos activités publiques et une grande partie de nos activités privées sont susceptibles d’être enregistrées entraînera-t-il une attitude plus détendue de réponse aux questions ? L’amélioration des outils de surveillance fera-t-elle que les enquêtés seront davantage disposés à ce que l’on surveille leurs activités physiques ? Ou bien toute cette surveillance secondaire entraînera-t-elle une réaction négative à l’égard de la collecte systématique de données ? La plus grande disponibilité de résultats fondés sur des données que l’on a recueillies aura-t-elle un effet positif ou négatif sur les efforts de collecte de données ? Quel sera l’impact des divers médias sociaux ?
Il ressort clairement de la présente discussion que des facteurs externes à notre discipline détermineront nos futures activités. Il nous faudra alors adapter la collecte, le traitement, ainsi que la présentation et la diffusion des données.
Remerciements
Nous remercions Graham Kalton pour ses remarques et suggestions ayant mené à des améliorations dans la version originale. Nous remercions les quatre participants, Graham Kalton, Sharon Lohr, Danny Pfeffermann et Chris Skinner, pour les suppléments sur l’histoire, les observations perspicaces sur le présent et les commentaires sur le futur de l’échantillonnage. Nous avonc choisi de ne pas préparer de réponse à ces discussions, car nous en avons apprécié une grande partie et avons trouvé peu de fondement à un désaccord.
Bibliographie
AAPOR Big Data Task Force (2015). AAPOR Report on Big Data. https://www.aapor.org/AAPOR_Main/media/MainSiteFiles/images/BigDataTaskForceReport_FINAL_2_12_15_b.pdf.
Anderson, R., Kasper, J. et Frankel, M. (1979). Total Survey Error: Applications to Improve Health Surveys. San Francisco, CA: Jossey-Bass.
Andridge, R.H., et Little, R.J. (2009). The use of sample weights in hot deck imputation. Journal of Official Statistics, 25, 21-36.
Antal, E., et Tillé, Y. (2011). A direct bootstrap method for complex sampling designs from a finite population. Journal of the American Statistical Association, 106, 534-543.
Battese, G.E., Harter, R.M. et Fuller, W.A. (1988). An error component model for prediction of county crop areas using survey and satellite data. Journal of the American Statistical Association, 83, 28-36.
Beaumont, J.-F., et Patak, Z. (2012). On the generalized bootstrap for sample surveys with special attention to Poisson sampling. International Statistical Review/Revue Internationale de Statistique, 80, 127-148.
Bellhouse, D.R. (1988). Systematic sampling. Dans Handbook of Statistics, (Éds., P.R. Kreshnaiah et C.R. Rao), Elsevier, 6, 125-145.
Bellhouse, D.R. (2000). Évolution de la théorie de l’échantillonnage d’enquête au XXe siècle et son rapport avec l’informatique. Techniques d’enquête, 26, 1, 13-23. Article accessible à l’adresse http://www.statcan.gc.ca/pub/12-001-x/2000001/article/5174-fra.pdf..
Bethlehem, J. (2009). The rise of survey sampling. Discussion Paper (09015), Statistics Netherlands, La Haye.
Bickel, P.J., et Freedman, D.A. (1984). Asymptotic normality and the bootstrap in stratified sampling. The Annals of Statistics, 12, 470-482.
Biemer, P.P., et Lyberg, L. (2003). Introduction to Survey Quality. New York: John Wiley & Sons, Inc.
Binder, D.A., et Roberts, G.A. (2003). Design-based and model-based methods for estimating model parameters. Dans Analysis of Survey Data, (Éds., R.L. Chambers et C.J. Skinner), Wiley, Chichester, Royaume-Uni, 29-48.
Bowley, A.L. (1926). Measurement of the precision attained in sampling. Bulletin de l’Institut International de Statistique, 22(1), 1-62.
Bowley, A.L. (1936). The application of sampling to economics and sociological problems. Journal of the American Statistical Association, 31, 474-480.
Brewer, K.R.W. (1963). Ratio estimation and finite populations: Some results deducible from the assumption of an underlying stochastic process. Australian Journal of Statistics, 5, 93-105.
Brewer, K.R.W. (2013). Trois controverses dans l’histoire de l’échantillonnage. Techniques d’enquête, 39, 2, 275-289. Article accessible à l’adresse http://www.statcan.gc.ca/pub/12-001-x/2013002/article/11883-fra.pdf.
Brick, M.J. (2011). The future of survey sampling. Public Opinion Quarterly, 75, 872-888.
Brick, M.J., et Montaquila, J.M. (2009). Non response and weights. Dans Handbook of Statistics, (Éds., D. Pfeffermann et C.R. Rao), Elsevier, Amsterdam, 29A, 163-185.
Cassel, C.M., Särndal, C.-E. et Wretman, J.H. (1976). Some results on generalized difference estimation and generalized regression estimation for finite populations. Biometrika, 63, 615-620.
Citro, C.F. (2014). Des modes multiples pour les enquêtes à des sources de données multiples pour les estimations. Techniques d’enquête, 40, 2, 151-181. Article accessible à l’adresse http://www.statcan.gc.ca/pub/12-001-x/2014002/article/14128-fra.pdf.
Cochran, W.G. (1953). Sampling Techniques. New York: John Wiley & Sons, Inc.
Cochran, W.G. (1977). Sampling Techniques, 3rd Edition. New York: John Wiley & Sons, Inc.
Dalenius, T. (1974). Ends and Means of Total Survey Design. Report in “Errors in Surveys”, Stockholm University.
Deming, E. (1944). On errors in surveys. American Sociological Review, 9, 359-369.
Deming, E. (1950). Some Theory of Sampling. New York: John Wiley & Sons, Inc.
Deming, W.E. (1953). On a probability mechanism to attain an economic balance between the resultant error of non-response and the bias of non-response. Journal of the American Statistical Association, 48, 743-772.
Deming, W.E., et Stephan, F.F. (1940). On a least squares adjustment of a sampled frequency table when the expected marginal totals are known. Annals of Mathematical Statistics, 11, 4, 427-444.
Deville, J.-C., et Särndal, C.-E. (1992). Calibration-estimators in survey sampling. Journal of the American Statistical Association, 376-382.
Deville, J.-C., et Tillé, Y. (2004). Efficient balanced sampling: The cube method. Biometrika, 91, 893-912.
Dippo, C.S., Fay, R.E. et Morgenstein, D.H. (1984). Computing variances from complex samples with replicate weights. Proceedings of the American Statistical Association, Section on Survey Research Methods, 489-494.
DuMouchel, W.H., et Duncan, G.J. (1983). Using sample survey weights in multiple regression analysis of stratified samples. Journal of the American Statistical Association, 78, 535-543.
Durbin, J. (1958). Sampling theory for estimates based on fewer individuals than the number selected. Bulletin de l’Institut International de Statistique, 36, 113-119.
Durbin, J. (1959). A note on the application of Quenouille’s method of bias reduction to the estimation of ratios. Biometrika, 46, 477-480.
Efron, B. (1979). Bootstrap methods: Another look at the jackknife. Annals of Statistics, 7, 1-26.
Fay, R.E., et Herriot, R.A. (1979). Estimates of income for small places. An application of James-Stein procedures to census data. Journal of the American Statistical Association, 74, 366, 269-277.
Francisco, C.A., et Fuller, W.A. (1991). Estimation of quantiles with survey data. Annals of Statistics, 19, 454-469.
Fuller, W.A. (1975). Regression analysis sample survey. Sankhyā, Series C, 37, 117-132.
Fuller, W.A. (1984). Application de la méthode des moindres carrés et de techniques connexes aux plans de sondage complexes. Techniques d’enquête, 10, 1, 107-130. Article accessible à l’adresse http://www.statcan.gc.ca/pub/12-001-x/1984001/article/14352-fra.pdf.
Fuller, W.A. (2009a). Some design properties of a rejective sampling procedure. Biometrika, 96, 1-12.
Fuller, W.A. (2009b). Sampling Statistics. New York: John Wiley & Sons, Inc.
Fuller, W.A., et An, A.B. (1998). Regression adjustments for nonresponse. Journal of Indian Society of Agricultural Statistics, 51, 331-342.
Godambe, V.P. (1955). A unified theory of sampling from finite populations. Journal of the Royal Statistical Society, Series B, 17, 269-278.
Godambe, V.P. (1966). A new approach to sampling from finite populations. Journal of the Royal Statistical Society, Series B, 28, 310-328.
Gonzalez, M.E. (1973). Use and evaluation of synthetic estimates. Proceedings of the Social Statistics Section of the American Statistical Association, 33-36.
Groves, R.M. (1989). Survey Errors and Survey Costs. New York: John Wiley & Sons, Inc.
Groves, R.M. (2011). Three eras of survey research. Public Opinion Quarterly, 73, 861-871.
Groves, R.M., et Heeringa, S.G. (2006). Responsive designs for household surveys: Tolls for actively controlling survey errors and costs. Journal of the Royal Statistical Society, Series A, 169, 439-457.
Groves, R.M., et Lyberg, L. (2010). Total survey error: Past, present and future. Public Opinion Quarterly, 74, 849-879.
Hájek, J. (1960). Limiting distributions in simple random sampling from a finite population. Publications of the Mathematical Institute of the Hungarian Academy, 5, 361-374.
Hájek, J. (1964). Asymptotic theory of rejective sampling with varying probabilities from a finite population. Annals of Mathematical Statistics, 35, 1491-1523.
Han, W., Yang, Z., Di, L. et Mueller, R. (2012). CropScape: A Web service based application for exploring and disseminating US conterminous geospatial cropland data products for decision support. Computers and Electronics in Agriculture, 84, 111-123.
Hansen, M.H., et Hurwitz, W.N. (1943). On the theory of sampling from finite populations. Annals of Mathematical Statistics, 14, 333-362.
Hansen, M.H., et Hurwitz, W.N. (1946). The problem of non-response in sample surveys. Journal of the American Statistical Association, 41, 517-529.
Hansen, M.H., Hurwitz, W.N. et Madow, W.G. (1953). Sample Survey Methods and Theory, Vols. I et II, New York: John Wiley & Sons, Inc.
Hansen, M.H., Madow, W.G. et Tepping, B.J. (1983). An evaluation of model-dependent and probability-sampling inferences in sample surveys. Journal of the American Statistical Association, 78, 776-793.
Hansen, M.H., Hurwitz, W.N., Marks, E.S. et Mauldin, W.P. (1951). Response errors in surveys. Journal of the American Statistical Association, 46, 147-190.
Hansen, M.H., Hurwitz, W.N., Nisselson, H. et Steinberg, J. (1955). The redesign of the census current population survey. Journal of the American Statistical Association, 50, 701-719.
Hartley, H.O. (1959). Analytical studies of survey data. Dans le volume en l’honneur de Corrado Gini, Instituto di Statistica, Rome, 1-32.
Hartley, H.O., et Rao, J.N.K. (1968). A new estimation theory for sample surveys. Biometrika, 55, 547-557.
Hidiroglou, M.A., Fuller, W.A. et Hickman, R.D. (1976). SUPER CARP Statistical Laboratory, Survey Section, Iowa State University, Ames, IA.
Horvitz, D.G., et Thompson, D.J. (1952). A generalization of sampling without replacement from a finite universe. Journal of the American Statistical Association, 47, 663-685.
Huang, E.T., et Fuller, W.A. (1978). Nonnegative regression estimation for sample survey data. Proceedings of the Social Statistics Section, American Statistical Association, 300-305.
Jagers, P. (1986). Post-stratification against bias in sampling. International Statistical Review/Revue Internationale de Statistique, 54, 159-167.
Kalton, G. (1983). Compensating for Missing Survey Data. Survey Research Center, University of Michigan, Ann Arbor, Michigan.
Kalton, G., et Kish, L. (1984). Some efficient random imputation methods. Communications in Statistics, A13, 1919-1939.
Kiaer, A. (1897). The representative method of statistical surveys (1976 English translation of the original Norwegian), Oslo, Central Bureau of Statistics of Norway.
Kim, J.K., et Fuller, W.A. (2004). Fractional hot deck imputation. Biometrika, 91, 559-578.
Kim, J.K., et Shao, J. (2013). Statistical Methods for Handling Incomplete Data. CRC Press, Boca Raton, FL.
Kish, L. (1995). The hundred years’ wars of survey sampling. Statistics in Transition, 2, 813-830.
Kish, L., et Frankel, M.R. (1970). Balanced repeated replications for standard errors. Journal of the American Statistical Association, 65, 1071-1094.
Kish, L., et Frankel, M.R. (1974). Inference from complex samples (with discussion). Journal of the Royal Statistical Society, Series B, 36, 1-37.
Korn, E.L., et Graubard, B.I. (1995). Analysis of large health surveys: Accounting for the sampling designs. Journal of the Royal Statistical Society, Series A, 158, 263-295.
Kreuter, F. (2013). Improving Surveys with Paradata. Hoboken: Wiley.
Krewski, D., et Rao, J.N.K. (1981). Inference from stratified samples: Properties of the linearization, jackknife, and balanced repeated replication methods. Annals of Statistics, 9, 1010-1019.
Little, R.J.A. (1982). Models for nonresponse in sample surveys. Journal of the American Statistical Association, 77, 237-250.
Little, R.J.A., et Rubin, D.B. (1987, 2014). Statistical Analysis with Missing Data. New York: John Wiley & Sons, Inc., (Deuxième édition 2014).
Madow, W.G. (1948). On the limiting distribution of estimates based on samples from finite universes. Annals of Mathematical Statistics, 19, 535-545.
Madow, W.G., et Madow, L.H. (1944). On the theory of systematic sampling, I. The Annals of Mathematical Statistics, 15, 1-24.
Madow, W.G., Nisselson, H. et Olkin, I. (Éds.) (1983). Incomplete Data in Sample Surveys, 1, 2, 3, New York: Academic Press.
Mahalanobis, P.C. (1939). A sample survey of the acreage under jute in Bengal. Sankhyā, 4, 511-531.
Mahalanobis, P.C. (1944). On large-scale sample surveys. Philosophical Transactions of the Royal Society of London, Series B, 231, 329-451.
Mahalanobis, P.C. (1946). Recent experiments in statistical sampling in the Indian Statistical Institute. Journal of the Royal Statistical Society, 109, 325-378.
McCarthy, P.J. (1966). Replication: An approach to the analysis of data from complex surveys. Vital and Health Statisitcs, Series 2, No. 14, National Center for Health Statistics, Public Health Service, Washington DC.
McCarthy, P.J. (1969). Pseudoreplication: Further evaluation and application of the balanced half-sample technique. Vital and Health Statistics, Series 2, No. 31, National Center for Health Statistics, Public Health Service, Washington, DC.
McCarthy, P.J. (1969). Pseudoreplication: Half-samples. International Statistical Review/Revue Internationale de Statistique, 37, 239-264.
McCarthy, P.J., et Snowden, L.B. (1985). The bootstrap and finite population sampling. Vital Health Statistics, 2-95, Public Health Service Publication, 85-1369, U.S. Government Printing Office, Washington, D.C.
Narain, R.D. (1951). On sampling without replacement with varying probabilities. Journal of the Indian Society of Agricultural Statistics, 3, 169-174.
Neyman, J. (1934). On the two different aspects of the representative method: The method of stratified sampling and the method of purposive selection. Journal of the Royal Statistical Society, 97, 558-625.
Owen, A.B. (1988). Empirical likelihood ration confidence intervals for a single functional. Biometrika, 75, 237-249.
Pfeffermann, D. (2015). Methodological issues and challenges in the production of official statistics. Journal of Survey Statistics and Methodology, 3, 425-483.
Pfeffermann, D., et Sverchkov, M. (1999). Parametric and semiparametric estimation of regression models fitted to survey data. Sankhyā, Series B, 61, 166-186.
Porter, A.T., Holan, S.H., Wikle, C.K. et Cressie, N. (2014). Spatial Fay-Herriot model for small area estimation with functional covariates. Spatial Statistics, 10, 27-42.
Purcell, N., et Kish, L. (1979). Estimation for small domains. Biometrics, 35, 365-384.
Rao, J.N.K. (2003). Small Area Estimation. Hoboken: Wiley.
Rao, J.N.K. (2005). Évaluation de l’interaction entre la théorie et la pratique des enquêtes par sondage. Techniques d’enquête, 31, 2, 127-151. Article accessible à l’adresse http://www.statcan.gc.ca/pub/12-001-x/2005002/article/9040-fra.pdf.
Rao, J.N.K., et Molina, I. (2015). Small Area Estimation: Second Edition. Hoboken: Wiley.
Rao, J.N.K., et Scott, A.J. (1981). The analysis of categorical data from complex sample surveys: Chi-squared tests for goodness of fit and independence in two-way tables. Journal of the American Statistical Association, 76, 221-230.
Rao, J.N.K., et Scott, A.J. (1984). On chi-squared tests for multiway contingency tables with cell proportions estimated from survey data. Annals of Statistics, 12, 46-60.
Rao, J.N.K., et Shao, J. (1999). Modified balanced repeated replication for complex survey data. Biometrika, 86, 403-415.
Rao, J.N.K., et Wu, C.F.J. (1988). Resampling inference with complex survey data. Journal of the American Statistical Association, 83, 231-241.
Royall, R.M. (1968). An old approach to finite population sampling. Journal of the American Statistical Association, 63, 1269-1279.
Royall, R.M. (1970). On finite population sampling theory under certain linear regression models. Biometrika, 57, 377-387.
Rubin, D.B. (1974). Characterizing the estimation of parameters in incomplete data problems. Journal of the American Statistical Association, 69, 467-474.
Rubin, D.B. (1976). Inference and missing data. Biometrika, 63, 581-590.
Rubin, D.B. (1987). Multiple Imputation for Nonresponse in Surveys. New York: John Wiley & Sons, Inc.
Schaible, W.L. (Éd.) (1996). Indirect Estimators in U.S. Federal Programs. New York: Springer.
Sitter, R.R. (1992). A resampling procedure for complex survey data. Journal of the American Statistical Association, 87, 755-765.
Skinner, C.J. (1994). Sample models and weights. Dans Proceedings of the Survey Research Methods Section, American Statistical Association, 133-142.
Steinberg, J. (Éd.) (1979). Synthetic Estimates for Small Areas: Statistical Workshop Papers and Discussion. NIDA Research Monograph no 24. U.S. Government Printing Office, Washington, D.C., États-Unis.
Stephan, F., et McCarthy, P.J. (1958). Sampling Opinions. New York: John Wiley & Sons, Inc.
Sudman, S. (1966). Probability sampling with quotas. Journal of the American Statistical Association, 61, 749-791.
Sudman, S. (1976). Applied Sampling. New York: Academic Press.
Sukhatme, P.V. (1954). Sampling Theory of Surveys with Applications. Iowa State College Press, Ames.
Tam, S.-M., et Clarke, F. (2015). Big data, official statistics and some initiatives by the Australian Bureau of Statistics. International Statistical Review/Revue Internationale de Statistique, 83, 436-448.
Tchuprow, A.A. (1923). On the mathematical expectation of the moments of frequency distributions in the case of correlated observations. Metron, 2, 461-493, 646-683.
Thomsen, I. (1973). A note on the efficiency of weighting subclass means to reduce the effects of non-response when analyzing survey data. Statistisk Tidskrift, 11, 278-283.
van Remoortel, H., Giavedoni, S., Raste, Y., Burtin, C., Louvaris, Z., Gimeno-Santos, E., Langer, D., Glendenning, A., Hopkinson, N.S., Vogiatzis, I., Peterson, B.T., Wilson, F., Mann, B., Rabinovich, R., Puhan, M.A., Troosters, T. et PROactive consortium (2012). Validity of activity monitors in health and chronic disease: A systematic review. International Journal of Behavioral Nutrition and Physical Activity, 9.
Wolter, K.M. (2007). Introduction to Variance Estimation. New York: Springer-Verlag.
Woodruff, R.S. (1952). Confidence intervals for medians and other position measures. Journal of the American Statistical Association, 47, 635-636.
Yates, F. (1948). Systematic sampling. Philosophocal Transaction of the Royal Society of London, Series A, A241, 345-377.
Yates, F. (1949). Sampling Methods for Censuses and Surveys. Griffin, Londres.
- Date de modification :