Techniques d’enquête
Méthodes d’estimation sur petits domaines avec échantillonnage défini par un seuil d’inclusion
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.
par María Guadarrama, Isabel Molina et Yves TilléNote 1
- Date de diffusion : Le 30 juin 2020
Résumé
L’échantillonnage défini par un seuil d’inclusion est appliqué quand il est trop coûteux ou difficile d’obtenir les informations requises pour un sous-ensemble d’unités de la population et que, par conséquent, ces unités sont délibérément exclues de la sélection de l’échantillon. Si les unités exclues sont différentes des unités échantillonnées pour ce qui est des caractéristiques d’intérêt, les estimateurs naïfs peuvent être fortement biaisés. Des estimateurs par calage ont été proposés aux fins de réduction du biais sous le plan. Toutefois, dans les estimations sur petits domaines, ils peuvent être inefficaces y compris en l’absence d’échantillonnage défini par un seuil d’inclusion. Les méthodes d’estimation sur petits domaines fondées sur un modèle peuvent servir à réduire le biais causé par l’échantillonnage défini par un seuil d’inclusion si le modèle supposé se vérifie pour l’ensemble de la population. Parallèlement, pour les petits domaines, ces méthodes fournissent des estimateurs plus efficaces que les méthodes de calage. Étant donné qu’on obtient les propriétés fondées sur un modèle en supposant que le modèle se vérifie, mais qu’aucun modèle n’est exactement vrai, nous analysons ici les propriétés de plan des procédures de calage et des procédures fondées sur un modèle pour l’estimation de caractéristiques sur petits domaines sous échantillonnage défini par un seuil d’inclusion. Nos conclusions confirment que les estimateurs fondés sur un modèle réduisent le biais causé par un échantillonnage défini par un seuil d’inclusion et donnent des résultats significativement meilleurs en matière d’erreur quadratique moyenne du plan.
Mots-clés : Estimateurs par calage; échantillonnage défini par un seuil d’inclusion; meilleur prédicteur linéaire sans biais empirique (EBLUP pour empirical best linear unbiased predictor); meilleur prédicteur empirique ou estimateur bayésien empirique (MPE ou EBE); modèle à erreurs emboîtées; modèles au niveau de l’unité.
Table des matières
- Section 1. Introduction
- Section 2. Échantillonnage défini par un seuil d’inclusion pour petits domaines
- Section 3. Estimateurs directs de base
- Section 4. Estimateurs par calage
- Section 5. EBLUP selon le modèle à erreurs emboîtées
- Section 6. Meilleur prédicteur empirique selon le modèle à erreurs emboîtées
- Section 7. Estimation de l’EQM
- Section 8. Expériences de simulation
- Section 9. Estimation des ventes totales dans les provinces espagnoles
- Section 10. Conclusions
- Remerciements
- Annexe
- Bibliographie
Citation de l'article
Guadarrama, M., Molina, I. et Tillé, Y. (2020). Méthodes d’estimation sur petits domaines avec échantillonnage défini par un seuil d’inclusion. Techniques d’enquête, Statistique Canada, n° 12-001-X au catalogue, vol. 46, n° 1. Article accessible à l'adresse http://www.statcan.gc.ca/pub/12-001-x/2020001/article/00004-fra.htm.
Note
- Date de modification :