Estimation de quantiles sur petits domaines à l’aide de la régression spline et de la vraisemblance empirique

Section 7. Conclusion

Table des matières

Nous avons étudié l’estimation de quantiles sur petits domaines à l’aide du modèle de régression non paramétrique à erreurs emboîtées et d’une hypothèse de MRD semi-paramétrique pour les distributions des erreurs. Nous avons proposé deux estimateurs de quantiles à l’aide de l’approche de P-splines et de la vraisemblance empirique. Les résultats des simulations démontrent que les estimateurs proposés sont robustes et que leur efficacité est respectable tant pour des fonctions de régression linéaire que non paramétrique des quantiles intermédiaires. En principe, l’approche proposée peut être élargie aux modèles de régression non paramétriques à plusieurs covariables, même si elle donne bien plus de paramètres à estimer. Ce problème fera l’objet de travaux ultérieurs.

Remerciements

Nous remercions les professeurs Simon Wood, Matt Wand, Mahmoud Torabi et Song Cai pour leurs propositions utiles sur les routines R employées dans le présent document. Ces travaux ont obtenu le soutien de la Fondation nationale des sciences naturelles de la Chine (no 11661067), de la Fondation des sciences naturelles de la province de Qinghai (no 2015-ZJ-717,2019-ZJ-920), du programme de talents « Western Light » de l’Académie des sciences de Chine (2017) et du financement par l’intermédiaire de l’Institut canadien des sciences statistiques.

Bibliographie

Anderson, J.A. (1979). Multivariate logistic compounds. Biometrika, 66, 17-26.

Battese, G.E., Harter, R.M. et Fuller, W.A. (1988). An error-components model for prediction of county crop areas using survey and satellite data. Journal of the American Statistical Association, 80, 28-36.

Boor, C.D. (2001). A Practical Guide to Splines. New York: Springer.

Chambers, R., et Dunstan, R. (1986). Estimating distribution functions from survey data. Biometrika, 73, 597-604.

Chambers, R., et Tzavidis, N. (2006). M-quantile models for small area estimation. Biometrika, 93, 255-268.

Chaudhuri, S., et Ghosh, M. (2011). Empirical likelihood for small area estimation. Biometrika, 98, 473-480.

Chen, J., et Liu, Y. (2013). Quantile and quantile-function estimations under density ratio model. The Annals of Statistics, 41, 1669-1692.

Chen, J., et Liu, Y. (2018). Small area quantile estimation. Revue Internationale de Statistique. Sur papier. arXiv:1705.10063.

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, 269-277.

Jiang, J. (2010). Large Sample Techniques for Statistics. New York: Springer.

Jiang, J., et Lahiri, P. (2006a). Estimation of finite population domain means: A model-assisted empirical best prediction approach. Journal of the American Statistical Association, 101, 301-311.

Jiang, J., et Lahiri, P. (2006b). Mixed model prediction and small area estimation. Test, 15, 1-96.

Jiang, J., Ngueyen, T. et Rao, J.S. (2010). Méthode de l’enclos pour l’estimation non paramétrique sur petits domaines. Techniques d’enquête, 36, 1, 3-12. Article accessible à l’adresse https://www150.statcan.gc.ca/n1/fr/pub/12-001-x/2010001/article/11244-fra.pdf.

Kezioua, A., et Leoni-Aubina, S. (2008). On empirical likelihood for semiparametric two-sample density ratio models. Journal of Statistical Planning and Inference, 138, 915-928.

Lahiri, P.S., et Rao, J.N.K. (1995). Robust estimation of mean squared error of small area estimators. Journal of the American Statistical Association, 90, 758-766.

Lin, X., et Zhang, D. (1999). Inference in generalized additive mixed models using smoothing splines. Journal of the Royal Statistical Society, Series B, 61, 381-400.

Molina, I., and Rao, J.N.K. (2010). Small area estimation of poverty indicators. The Canadian Journal of Statistics, 38, 369-385.

Opsomer, J.D., Claeskens, G., Ranalli, M.G., Kauermann, G. et Breidt, F.J. (2008). Non-parametric small area estimation using penalized spline regression. Journal of the Royal Statistical Society: B, 70, 265-286.

Owen, A.B. (2001). Empirical Likelihood. New York: Chapman & Hall/CRC.

Prasad, N.G.N., et Rao, J.N.K. (1990). The estimation of mean squared errors of small area estimators. Journal of the American Statistical Association, 85, 163-171.

Pfeffermann, D. (2002). Small area estimation-New developments in small area estimation. Revue Internationale de Statistique, 70, 125-143.

Pfeffermann, D. (2013). New important developments in small area estimation. Statistical Science, 28, 40-68.

Pratesi, M., Ranalli, M.G. et Salvati, N. (2008). Semiparametric M-quantile regression for estimation for estimating the proportion of acidic lakes in 8-digit HUCs of the Northeastern US. Environmetrics, 19, 687-701.

Qin, J., et Zhang, B. (1997). A goodness-of-fit test for logistic regression models based on case-control data. Biometrika, 84, 609-618.

Rao, J.N.K. (2003). Small Area Estimation. New York: John Wiley & Sons, Inc.

Rao, J.N.K., Kovar, J.G. et Mantel, H.J. (1990). On estimating distribution functions and quantiles from survey data using auxiliary information. Biometrika, 77, 365-375.

Rao, J.N.K., et Molina, I. (2015). Small Area Estimation, 2nd Edition. New York: John Wiley & Sons, Inc.

Rao, J.N.K., Sinha, S.K. et Dumitrescu, L. (2014). Robust small area estimation under semi-parametric mixed models. The Canadian Journal of Statistics, 42, 126-141.

Ruppert, D., Wand, M.P. et Carroll, R.J. (2003). Semiparametric Regression. Cambridge University Press, Cambridge.

Salvati, N., Tzavidis, N. et Pratesi, M. (2012). Small area estimation via M-quantile geographically weighted regression. Test, 21, 1-28.

Sinha, S.K., et Rao, J.N.K. (2009). Robust small area estimation. The Canadian Journal of Statistics, 37(3), 381-399.

Sperlich, S., et José Lombardía, M. (2010). Local polynomial inference for small area statistics: Estimation, validation and prediction. Journal of Non-parametric Statistics, 22, 633-648.

Statistique Canada (2014). Survey of labour and income dynamics, 2011. Accessible à l’adresse : http://tinyurl.com/y2ys2zzs.

Torabi, M., et Shokoohi, F. (2015). Non-parametric generalized linear mixed models in small area estimation. The Canadian Journal of Statistics, 43, 82-96.

Tzavidis, N., et Chambers, R. (2005). Bias adjusted estimation for small areas with M-quantile models. Statistics in Transition, 7, 707-713.

Tzavidis, N., Salvati, N. et Pratesi, M. (2008). M-quantile models with application to poverty mapping. Statistical Methods and Applications, 17, 393-411.

Tzavidis, N., Marchetti, S. et Chambers, R. (2010). Robust prediction of small area means and quantiles. Australian and New Zealand Journal of Statistics, 52, 167-186.

Wood, S.N. (2006). Generalized Additive Models: An Introduction with R. Boca Raton, Floride: Chapman & Hall/CRC.

Renseignements supplémentaires

ISSN : 1712-5685

Politique de rédaction

Techniques d’enquête publie des articles sur les divers aspects des méthodes statistiques qui intéressent un organisme statistique comme, par exemple, les problèmes de conception découlant de contraintes d’ordre pratique, l’utilisation de différentes sources de données et de méthodes de collecte, les erreurs dans les enquêtes, l’évaluation des enquêtes, la recherche sur les méthodes d’enquête, l’analyse des séries chronologiques, la désaisonnalisation, les études démographiques, l’intégration de données statistiques, les méthodes d’estimation et d’analyse de données et le développement de systèmes généralisés. Une importance particulière est accordée à l’élaboration et à l’évaluation de méthodes qui ont été utilisées pour la collecte de données ou appliquées à des données réelles. Tous les articles seront soumis à une critique, mais les auteurs demeurent responsables du contenu de leur texte et les opinions émises dans la revue ne sont pas nécessairement celles du comité de rédaction ni de Statistique Canada.

Présentation de textes pour la revue

Techniques d’enquête est publiée en version électronique deux fois l’an. Les auteurs désirant faire paraître un article sont invités à le faire parvenir en français ou en anglais en format électronique et préférablement en Word au rédacteur en chef, (statcan.smj-rte.statcan@canada.ca, Statistique Canada, 150 Promenade du Pré Tunney, Ottawa, (Ontario), Canada, K1A 0T6). Pour les instructions sur le format, veuillez consulter les directives présentées dans la revue ou sur le site web (www.statcan.gc.ca/Techniquesdenquete).

Note de reconnaissance

Le succès du système statistique du Canada repose sur un partenariat bien établi entre Statistique Canada et la population, les entreprises, les administrations canadiennes et les autres organismes. Sans cette collaboration et cette bonne volonté, il serait impossible de produire des statistiques précises et actuelles.

Normes de service à la clientèle

Statistique Canada s'engage à fournir à ses clients des services rapides, fiables et courtois. À cet égard, notre organisme s'est doté de normes de service à la clientèle qui doivent être observées par les employés lorsqu'ils offrent des services à la clientèle.

Droit d'auteur

Publication autorisée par le ministre responsable de Statistique Canada.

© Sa Majesté la Reine du chef du Canada, représentée par le ministre de l’Industrie 2019

L'utilisation de la présente publication est assujettie aux modalités de l'Entente de licence ouverte de Statistique Canada.

N° 12-001-X au catalogue

Périodicité : semi-annuel

Ottawa

fermer


Table des matières

Résumé - Page principale de l'article
Section 1. Introduction
Section 2. Modèle et hypothèses
Section 3. Approche proposée
Section 4. Estimation bootstrap des erreurs quadratiques moyennes
Section 5. Simulations de Monte Carlo
Section 6. Application empirique
Section 7. Conclusion
Remerciements
Bibliographie

fermer
Date de modification :