La méthode d’ancrage : estimation des effets de l’intervieweur en l’absence d’attribution imbriquée de l’échantillon
Section 3. La méthode d’ancrage

Comme nous l’avons indiqué à la section 2.3, les méthodes existantes ajustent les effets possibles de l’intervieweur introduits aux étapes de recrutement et de mesure de la collecte de données en incluant des covariables au niveau du répondant et de la zone, ou au niveau de l’intervieweur dans les modèles multiniveaux (Hox, 1994). Toutefois, un tel ajustement peut être erroné si une partie de la variance de l’intervieweur est simplement due à un échantillonnage non imbriqué. Comme l’ont indiqué Elliott et West (2015), si des sujets ayant des valeurs semblables à une variable d’intérêt sont assignés à des intervieweurs de manière non aléatoire, par exemple, si un intervieweur travaillant de jour par téléphone a tendance à interroger des répondants plus âgés, dont l’âge peut être corrélé avec les principales variables d’intérêt, ces variables seront corrélées avec des intervieweurs spécifiques. Cependant, nous ne faisons que réordonner l’échantillon aléatoire, sans introduire d’erreur de mesure de la manière décrite dans la section 1, par exemple, West et Blom (2017). Ainsi, les données réelles ne sont pas modifiées et il n’y a pas de véritables effets de l’intervieweur : nous qualifions la corrélation résultante induite par l’intervieweur de « trompeuse » du point de vue de l’inflation de la variance. De cette façon, le fait d’estimer les effets de l’intervieweur sans tenir compte de l’attribution différentielle de l’échantillon peut mener à des inférences prudentes, ce qui entraîne des estimations trompeuses et trop larges de la variance de l’intervieweur, des valeurs p MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamiCaaaa@36D9@  et des intervalles de confiance, ainsi que des décisions opérationnelles incorrectes basées sur les effets prévus pour les intervieweurs individuels.

Pour combler cette importante lacune de la littérature, nous décrivons une méthode « d’ancrage » que les analystes peuvent utiliser pour estimer les composantes uniques de la variance dues aux effets de l’intervieweur sur la sélection et la mesure. La méthode vise à tirer avantage des corrélations entre les variables pour lesquelles l’erreur de mesure de l’intervieweur est préoccupante et les variables qui, selon ce que l’on a raison de croire et ce que l’on sait, sont exemptes d’erreur de mesure. Ainsi, la méthode permet d’éliminer la fraction de la corrélation induite par l’intervieweur qui est due à l’attribution non imbriquée de l’échantillon. Dans le cas le plus simple, si nous avons deux variables, l’une ( Y 1 ) MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaWaaeWabeaaca WGzbWaaSbaaSqaaiaaigdaaeqaaaGccaGLOaGaayzkaaaaaa@393D@  traitée comme étant exempte d’erreur de mesure (l’ancre) et l’autre ( Y 2 ) MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaWaaeWabeaaca WGzbWaaSbaaSqaaiaaikdaaeqaaaGccaGLOaGaayzkaaaaaa@393E@  traitée comme étant susceptible de présenter une erreur de mesure induite par l’intervieweur, et que notre objectif est d’estimer une moyenne de Y 2 , MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamywamaaBa aaleaacaaIYaaabeaakiaacYcaaaa@3864@  nous ajustons un modèle multiniveau aux données observées pour les deux variables qui inclut un effet aléatoire de l’intervieweur uniquement pour la variable sujette à l’erreur de mesure :

y ijk  =  μ k  + I ( k = 2 )  b i  +  ε ijk .     (3.1) MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamyEamaaBa aaleaacaWGPbGaamOAaiaadUgaaeqaaOGaaGjbVlabg2da9iaaysW7 cqaH8oqBdaWgaaWcbaGaam4AaaqabaGccaaMe8Uaey4kaSIaaGjbVl aadMeacaaMc8+aaeWabeaacaWGRbGaaGjbVlabg2da9iaaysW7caaI YaaacaGLOaGaayzkaaGaaGjbVlaadkgadaWgaaWcbaGaamyAaaqaba GccaaMe8Uaey4kaSIaaGjbVlabew7aLnaaBaaaleaacaWGPbGaamOA aiaadUgaaeqaaOGaaiOlaiaaywW7caaMf8UaaGzbVlaaywW7caaMf8 UaaiikaiaaiodacaGGUaGaaGymaiaacMcaaaa@66C5@

Dans (3.1), i = 1, …, I MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamyAaiaays W7cqGH9aqpcaaMe8UaaGymaiaacYcacaaMe8UaeSOjGSKaaiilaiaa ysW7caWGjbaaaa@4217@  indexe les intervieweurs, j = 1, …,  J i MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamOAaiaays W7cqGH9aqpcaaMe8UaaGymaiaacYcacaaMe8UaeSOjGSKaaiilaiaa ysW7caWGkbWaaSbaaSqaaiaadMgaaeqaaaaa@4333@  indexe les répondants parmi les intervieweurs, k = 1, 2 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaam4Aaiaays W7cqGH9aqpcaaMe8UaaGymaiaacYcacaaMe8UaaGOmaaaa@3EA8@  indexe la variable (1 = ancre, 2 = variable d’intérêt), b i  ~ N ( 0,  σ b 2 ) MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamOyamaaBa aaleaacaWGPbaabeaakiaaysW7ieaacaWF+bGaaGjbVlaad6eacaaM c8+aaeWabeaacaaIWaGaaiilaiaaysW7cqaHdpWCdaqhaaWcbaGaam OyaaqaaiaaikdaaaaakiaawIcacaGLPaaaaaa@468D@  correspond à l’effet de l’intervieweur, et

( ε ij1 ε ij2 ) ~ N( ( 0 0 ),  [ σ 1 2 σ 12 σ 12 σ 2 2 ] ). MathType@MTEF@5@5@+= feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaWaaeWaaeaafa qabeGabaaabaGaeqyTdu2aaSbaaSqaaiaadMgacaWGQbGaaGymaaqa baaakeaacqaH1oqzdaWgaaWcbaGaamyAaiaadQgacaaIYaaabeaaaa aakiaawIcacaGLPaaacaaMe8ocbaGaa8NFaiaaysW7caWGobWaaeWa aeaadaqadaqaauaabeqaceaaaeaacaaIWaaabaGaaGimaaaaaiaawI cacaGLPaaacaGGSaGaaGjbVlaaykW7daWadaqaauaabeqaciaaaeaa cqaHdpWCdaqhaaWcbaGaaGymaaqaaiaaikdaaaaakeaacqaHdpWCda WgaaWcbaGaaGymaiaaikdaaeqaaaGcbaGaeq4Wdm3aaSbaaSqaaiaa igdacaaIYaaabeaaaOqaaiabeo8aZnaaDaaaleaacaaIYaaabaGaaG OmaaaaaaaakiaawUfacaGLDbaaaiaawIcacaGLPaaacaGGUaaaaa@5E2B@

Dans ce manuscrit, l’inférence est centrée sur μ 2 , MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeqiVd02aaS baaSqaaiaaikdaaeqaaOGaaiilaaaa@393C@  bien que σ b 2 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeq4Wdm3aa0 baaSqaaiaadkgaaeaacaaIYaaaaaaa@3977@  ou b i MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamOyamaaBa aaleaacaWGPbaabeaaaaa@37E5@  puissent également présenter un intérêt si nous nous concentrons sur la variance des intervieweurs ou sur la détermination des intervieweurs individuels qui contribuent à cette variance.

Afin de fournir une explication heuristique de la raison pour laquelle l’approche d’ancrage proposée fonctionne, supposons que y ij1 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamyEamaaBa aaleaacaWGPbGaamOAaiaaigdaaeqaaaaa@39A6@  et y ij2 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamyEamaaBa aaleaacaWGPbGaamOAaiaaikdaaeqaaaaa@39A7@  net de b i MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamOyamaaBa aaleaacaWGPbaabeaaaaa@37E5@  sont presque parfaitement corrélés. Étant donné que y ij1 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamyEamaaBa aaleaacaWGPbGaamOAaiaaigdaaeqaaaaa@39A6@  est dépourvue d’erreur de mesure, elle peut servir de donnée substitutive de la composante d’erreur non mesurée de y ij2 , MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamyEamaaBa aaleaacaWGPbGaamOAaiaaikdaaeqaaOGaaiilaaaa@3A61@  en absorbant l’erreur artificielle de y ij2 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamyEamaaBa aaleaacaWGPbGaamOAaiaaikdaaeqaaaaa@39A7@  induite par le classement des données. L’absence d’imbrication signifie que l’estimation d’un modèle mixte linéaire reposant uniquement sur y ij2 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamyEamaaBa aaleaacaWGPbGaamOAaiaaikdaaeqaaaaa@39A7@  donnera une estimation biaisée vers le haut de σ b 2 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeq4Wdm3aa0 baaSqaaiaadkgaaeaacaaIYaaaaaaa@3977@  si σ 12  > 0. MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeq4Wdm3aaS baaSqaaiaaigdacaaIYaaabeaakiaaysW7cqGH+aGpcaaMe8UaaGim aiaac6caaaa@3EE2@  Des renseignements seront disponibles pour réduire le biais de σ ^ b 2 . MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGafq4WdmNbaK aadaqhaaWcbaGaamOyaaqaaiaaikdaaaGccaGGUaaaaa@3A43@  De grands échantillons et des corrélations élevées entre ε ij1 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeqyTdu2aaS baaSqaaiaadMgacaWGQbGaaGymaaqabaaaaa@3A4F@  et ε ij2 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeqyTdu2aaS baaSqaaiaadMgacaWGQbGaaGOmaaqabaaaaa@3A50@  donneront des estimations de plus en plus précises de σ b 2 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeq4Wdm3aa0 baaSqaaiaadkgaaeaacaaIYaaaaaaa@3977@  et donc, de l’incidence réelle de l’erreur de mesure induite par l’intervieweur sur la variance de μ ^ 2 . MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGafqiVd0MbaK aadaWgaaWcbaGaaGOmaaqabaGccaGGUaaaaa@394E@

Cette approche peut aisément être généralisée au cas où l’on dispose de variables d’ancrage K − 1  ≥  2 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaam4saiaays W7cqGHsislcaaMe8UaaGymaiaaysW7caaMc8UaeyyzImRaaGjbVlaa ykW7caaIYaaaaa@4428@  exemptes d’erreur de mesure :

y ijk  =  μ k  + I ( k = K )  b iK0  +  ε ijk ,  i = 1, …, I, j = 1, …,  J i , k = 1, …, K.     (3.2) MathType@MTEF@5@5@+= feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamyEamaaBa aaleaacaWGPbGaamOAaiaadUgaaeqaaOGaaGjbVlabg2da9iaaysW7 cqaH8oqBdaWgaaWcbaGaam4AaaqabaGccaaMe8Uaey4kaSIaaGjbVl aadMeacaaMc8+aaeWabeaacaWGRbGaaGjbVlabg2da9iaaysW7caWG lbaacaGLOaGaayzkaaGaaGjbVlaadkgadaWgaaWcbaGaamyAaiaadU eacaaIWaaabeaakiaaysW7cqGHRaWkcaaMe8UaeqyTdu2aaSbaaSqa aiaadMgacaWGQbGaam4AaaqabaGccaGGSaGaaGjbVlaaysW7caWGPb GaaGjbVlabg2da9iaaysW7caaIXaGaaiilaiaaysW7cqWIMaYscaGG SaGaaGjbVlaadMeacaGGSaGaaGjbVlaadQgacaaMe8Uaeyypa0JaaG jbVlaaigdacaGGSaGaaGjbVlablAciljaacYcacaaMe8UaamOsamaa BaaaleaacaWGPbaabeaakiaacYcacaaMe8Uaam4AaiaaysW7cqGH9a qpcaaMe8UaaGymaiaacYcacaaMe8UaeSOjGSKaaiilaiaaysW7caWG lbGaaiOlaiaaywW7caaMf8UaaGzbVlaaywW7caaMf8Uaaiikaiaaio dacaGGUaGaaGOmaiaacMcaaaa@966A@

Dans ce cas, les premières variables K − 1 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaam4saiaays W7cqGHsislcaaMe8UaaGymaaaa@3B76@  sont supposées être exemptes d’erreur de mesure de la part de l’intervieweur et la variable K e MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaam4samaaCa aaleqabaGaaeyzaaaaaaa@37C9@  est la variable d’intérêt, b iK0  ~ N ( 0,  τ 2 ), MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamOyamaaBa aaleaacaWGPbGaam4saiaaicdaaeqaaOGaaGjbVJqaaiaa=5hacaaM e8UaamOtaiaaykW7daqadeqaaiaaicdacaGGSaGaaGjbVlabes8a0n aaCaaaleqabaGaaGOmaaaaaOGaayjkaiaawMcaaiaacYcaaaa@47E2@  et ( ε ij1  …  ε ijK ) T  ~  N K  ( 0, Σ ), MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaWaaeWabeaacq aH1oqzdaWgaaWcbaGaamyAaiaadQgacaaIXaaabeaakiaaysW7cqWI MaYscaaMe8UaeqyTdu2aaSbaaSqaaiaadMgacaWGQbGaam4saaqaba aakiaawIcacaGLPaaadaahaaWcbeqaaiaadsfaaaGccaaMe8ocbaGa a8NFaiaaysW7caWGobWaaSbaaSqaaiaadUeaaeqaaOGaaGPaVpaabm qabaGaaGimaiaacYcacaaMe8Uaeu4OdmfacaGLOaGaayzkaaGaaiil aaaa@53F4@  où Σ MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeu4Odmfaaa@3768@  est une matrice de covariance K × K MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaam4saiaays W7cqGHxdaTcaaMe8Uaam4saaaa@3CB5@  non structurée. Sinon, au lieu d’utiliser directement (3.2), il est également possible de ramener (3.2) à une variable bidimensionnelle dans (3.1) en remplaçant Y 1i MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamywamaaBa aaleaacaaIXaGaamyAaaqabaaaaa@3897@  par la meilleure prédiction linéaire de Y Ki , MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamywamaaBa aaleaacaWGlbGaamyAaaqabaGccaGGSaaaaa@3966@  en utilisant les variables d’ancrage : Y ^ Ki  = E ( Y Ki |   Y 1i , …,  Y K − 1, i ) =  β ^ T X i MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGabmywayaaja WaaSbaaSqaaiaadUeacaWGPbaabeaakiaaysW7cqGH9aqpcaaMe8Ua amyraiaaykW7daqadeqaaiaadMfadaWgaaWcbaGaam4saiaadMgaae qaaOWaaqqabeaacaaMc8UaamywamaaBaaaleaacaaIXaGaamyAaaqa baGccaGGSaGaaGjbVlablAciljaacYcacaaMe8UaamywamaaBaaale aacaWGlbGaaGjbVlabgkHiTiaaysW7caaIXaGaaiilaiaaysW7caWG PbaabeaaaOGaay5bSdaacaGLOaGaayzkaaGaaGjbVlabg2da9iaays W7ceWHYoGbaKaadaahaaWcbeqaaiaadsfaaaGccaWHybWaaSbaaSqa aiaadMgaaeqaaaaa@615A@  où X ^ i  =  ( Y 1i , …,  Y K − 1, i ) T MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGabCiwayaaja WaaSbaaSqaaiaadMgaaeqaaOGaaGjbVlabg2da9iaaysW7daqadeqa aiaadMfadaWgaaWcbaGaaGymaiaadMgaaeqaaOGaaiilaiaaysW7cq WIMaYscaGGSaGaaGjbVlaadMfadaWgaaWcbaGaam4saiaaysW7cqGH sislcaaMe8UaaGymaiaacYcacaaMe8UaamyAaaqabaaakiaawIcaca GLPaaadaahaaWcbeqaaiaadsfaaaaaaa@50D3@  et β ^  =  ( X T  X ) −1 X T Y K . MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGabCOSdyaaja GaaGjbVlabg2da9iaaysW7daqadeqaaiaahIfadaahaaWcbeqaaiaa dsfaaaGccaaMc8UaaCiwaaGaayjkaiaawMcaamaaCaaaleqabaGaey OeI0IaaGymaaaakiaahIfadaahaaWcbeqaaiaadsfaaaGccaWHzbWa aSbaaSqaaiaadUeaaeqaaOGaaiOlaaaa@47A3@

3.1       Remarques sur l’estimation

Il est possible d’utiliser un logiciel standard de modèle linéaire mixte (par exemple SAS PROC MIXED) pour ajuster les modèles dans (3.1) ou (3.2) et obtenir une estimation ponctuelle du maximum de vraisemblance restreint (REML) μ ^ 2 MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGafqiVd0MbaK aadaWgaaWcbaGaaGOmaaqabaaaaa@3892@  ainsi qu’une estimation de la variance connexe. Nous avons fourni un exemple annoté de ce code dans les documents supplémentaires. Les pondérations utilisées pour tenir compte des probabilités inégales de sélection, de l’ajustement pour la non-réponse et de la calibration sur des valeurs de population connues peuvent être incorporées à l’aide de l’estimation du pseudo-maximum de vraisemblance (PML; Pfeffermann, Skinner, Holmes, Goldstein et Rasbash, 1998; Rabe-Hesketh et Skrondal, 2006) lors de l’ajustement des modèles dans (3.1) ou (3.2). Nous recommandons généralement d’attribuer aux intervieweurs une pondération de 1 lors de l’ajustement de modèles multiniveaux pondérés de ces formulaires, afin d’imiter la notion d’échantillonnage aléatoire simple des intervieweurs à partir d’une population hypothétique d’intervieweurs. Les pondérations des répondants doivent être remises à l’échelle pour que leur somme corresponde au nombre final de répondants pour chaque intervieweur (Carle, 2009), et des extensions de la méthode PML décrites par Veiga, Smith et Brown (2014), et Heeringa, West et Berglund (2017, chapitre 11) peuvent être utilisées pour incorporer les pondérations remises à l’échelle dans l’estimation de la structure de covariance résiduelle dans (3.1) ou (3.2). Dans les échantillons à plusieurs degrés où les intervieweurs franchissent des zones géographiques, il est également possible d’utiliser des modèles à effets aléatoires recoupés (Rasbash et Goldstein, 1994).

3.2       La méthode d’ancrage bayésienne

En présence de renseignements a priori sur les paramètres d’intérêt dans ce modèle (par exemple dans une enquête transversale répétée menée par un intervieweur), les modèles dans (3.1) ou (3.2) peuvent également être ajustés en utilisant une approche bayésienne pour incorporer les renseignements préalables. Dans les enquêtes répétées qui contrôlent soigneusement le rendement de l’intervieweur, il est important d’avoir de bonnes prédictions des effets de l’intervieweur individuel basées sur la composante de variance estimée. En raison des données historiques d’une enquête ayant les mêmes conditions essentielles de conception, il est possible d’estimer les paramètres d’intérêt dans (3.1) en utilisant ces données historiques, et de définir ensuite des distributions a priori informatives pour ces paramètres. (Parmi ces types d’enquêtes, citons les collectes de données transversales répétées faisant partie des enquêtes de haute qualité commanditées par les administrations publiques, comme la National Health Interview Survey ou, comme l’exemple pris dans cette étude, le Behavioral Risk Factor Surveillance System). Plus précisément, nous envisageons l’utilisation d’une distribution a priori de l’écart-type de l’effet de l’intervieweur σ b MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeq4Wdm3aaS baaSqaaiaadkgaaeqaaaaa@38BA@  qui suit une demi-distribution t MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamiDaaaa@36DD@  (Gelman, 2006) ayant des degrés de liberté ν MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeqyVd4gaaa@379C@  et un écart-type s : MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaam4Caiaays W7caGG6aaaaa@3927@

p ( σ b  |  ν, s ) =  2Γ ( ν + 1 2 ) Γ ( v 2 )   νπ s 2   ( 1 +  σ b 2 ν s 2 ) − ν + 1 2 , τ ≥ 0.     (3.3) MathType@MTEF@5@5@+= feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamiCaiaayk W7daqadeqaaiabeo8aZnaaBaaaleaacaWGIbaabeaakiaaykW7daab beqaaiaaykW7cqaH9oGBcaGGSaGaaGjbVlaadohaaiaawEa7aaGaay jkaiaawMcaaiaaysW7cqGH9aqpcaaMe8+aaSaaaeaacaaIYaGaeu4K dCKaaGPaVpaabmaabaWaaSqaaSqaaiabe27aUjaaysW7cqGHRaWkca aMe8UaaGymaaqaaiaaikdaaaaakiaawIcacaGLPaaaaeaacqqHtoWr caaMc8+aaeWaaeaadaWcbaWcbaGaamODaaqaaiaaikdaaaaakiaawI cacaGLPaaacaaMe8+aaOaaaeaacaaMc8UaeqyVd4MaeqiWdaNaam4C amaaCaaaleqabaGaaGOmaaaaaeqaaaaakiaaysW7daqadaqaaiaaig dacaaMe8Uaey4kaSIaaGjbVpaalaaabaGaeq4Wdm3aa0baaSqaaiaa dkgaaeaacaaIYaaaaaGcbaGaeqyVd4Maam4CamaaCaaaleqabaGaaG OmaaaaaaaakiaawIcacaGLPaaadaahaaWcbeqaaiabgkHiTmaaleaa meaacqaH9oGBcaaMc8Uaey4kaSIaaGPaVlaaigdaaeaacaaIYaaaaa aakiaacYcacaaMf8UaeqiXdqNaaGjbVlabgwMiZkaaysW7caaIWaGa aiOlaiaaywW7caaMf8UaaGzbVlaaywW7caaMf8Uaaiikaiaaiodaca GGUaGaaG4maiaacMcaaaa@931E@

À l’instar de Gelman, nous supposons que ν = 3, MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaeqyVd4MaaG jbVlabg2da9iaaysW7caaIZaGaaiilaaaa@3D29@  et nous estimons s MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaam4Caaaa@36DC@  en fonction d’estimations a priori des effets de l’intervieweur. Nous envisageons des distributions a priori standards faibles pour les moyennes à effet fixe : p ( μ k )   ~ ind   N ( 0,  10 6 ) MathType@MTEF@5@5@+= feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamiCaiaayk W7daqadeqaaiabeY7aTnaaBaaaleaacaWGRbaabeaaaOGaayjkaiaa wMcaaiaaysW7caaMc8+aaybyaeqaleqabaGaaeyAaiaab6gacaqGKb aabaacbaqcLbwacaWF+baaaOGaaGjbVlaaykW7caWGobGaaGPaVpaa bmqabaGaaGimaiaacYcacaaMe8UaaGymaiaaicdadaahaaWcbeqaai aaiAdaaaaakiaawIcacaGLPaaaaaa@5174@  et pour la variance résiduelle :

p ( σ 1 2 σ 12 σ 12 σ 2 2 ) ~ INV − WISHART ( 2, I ). MathType@MTEF@5@5@+= feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr 4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrVepeea0xe9Lq=Jc9 vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr=x fr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaGaamiCaiaays W7daqadaqaauaabeqaciaaaeaacqaHdpWCdaqhaaWcbaGaaGymaaqa aiaaikdaaaaakeaacqaHdpWCdaWgaaWcbaGaaGymaiaaikdaaeqaaa GcbaGaeq4Wdm3aaSbaaSqaaiaaigdacaaIYaaabeaaaOqaaiabeo8a ZnaaDaaaleaacaaIYaaabaGaaGOmaaaaaaaakiaawIcacaGLPaaaca aMe8ocbaGaa8NFaiaaysW7caqGjbGaaeOtaiaabAfacaaMe8UaeyOe I0IaaGjbVlaabEfacaqGjbGaae4uaiaabIeacaqGbbGaaeOuaiaabs facaaMe8+aaeWaaeaacaaIYaGaaiilaiaaysW7caWGjbaacaGLOaGa ayzkaaGaaiOlaaaa@5FA6@

Cette approche présente des avantages comparativement aux approches de mise à l’essai du rapport de vraisemblance qui reposent sur une théorie asymptotique, en particulier pour les petits échantillons. En utilisant des renseignements a priori visant à contraindre la distribution a posteriori résultante pour les composantes de la variance de l’intervieweur, nous évitons généralement des tirages extrêmement importants de la composante de la variance, sans pour autant contraindre les moyennes ou les variances résiduelles. Elle contraint également les tirages a posteriori des composantes de la variance à être supérieurs à zéro, ce qui permet une inférence basée sur de petites composantes de la variance, alors que les procédures d’ajustement des modèles fréquentistes fixent généralement ces estimations des composantes de la variance exactement à zéro (ce qui équivaut à une hypothèse plutôt déraisonnable selon laquelle chaque intervieweur produit exactement la même estimation de l’enquête; West et Elliott, 2014). Dans de tels cas, les effets des intervieweurs (même s’ils sont faibles) seraient complètement laissés de côté. L’approche bayésienne permettrait néanmoins d’intégrer les petits effets dans l’inférence. Elle permettrait également d’obtenir des intervalles crédibles pour les composantes de la variance de l’intervieweur en fonction des tirages a posteriori.

3.3       Choix des variables d’ancrage

Selon une hypothèse clé sous-jacente de l’approche standard basée sur la régression et de la méthode d’ancrage, les variables sélectionnées sont exemptes d’erreurs induites par l’intervieweur. À l’instar de l’hypothèse de répartition au hasard des données manquantes formulée dans les ouvrages publiés sur les données manquantes, nous ne pensons pas qu’il y aura souvent des cas où nous pourrons être certains de cette hypothèse. Nous croyons plutôt que des approximations pourront être disponibles sur la base de mesures démographiques simples (par exemple l’âge) ou d’autres questions factuelles comportant des choix de réponse simples (par exemple l’emploi actuel), et que l’intervieweur aura peu de chances d’introduire une erreur. L’identification de covariables exemptes d’erreurs avant la collecte des données est une composante substantielle et méthodologique importante de cette approche. La documentation méthodologique a priori sur les variables les plus sujettes aux effets de l’intervieweur (West et Blom, 2017) peut être consultée pour cette composante de l’approche.

Comme nous l’avons mentionné ci-dessus, si nous disposons de plusieurs covariables sans erreur mesurées selon les répondants, nous pouvons préserver leur pouvoir prédictif (et donc la corrélation des résidus de l’ancre avec les résidus de la variable d’intérêt) en effectuant un calcul de la prédiction linéaire de la variable d’intérêt à partir d’un modèle linéaire qui inclut les effets fixes de toutes les covariables exemptes d’erreur. Nous envisageons une telle approche dans nos études par simulation et nos applications, et nous la comparons à l’approche « standard », qui consiste simplement en un ajustement de ces covariables dans un modèle multiniveau dans le but d’améliorer l’estimation de la composante de variance de l’intervieweur (Hox, 1994).

Enfin, l’approche d’ancrage s’appuie sur des modèles à effets mixtes susceptibles de produire des estimations correctes avec une quantité suffisante de données. Cependant, ces modèles peuvent être plus difficiles à ajuster, en particulier pour les petits échantillons; par conséquent, nous envisageons également des approches bayésiennes de rechange lors de l’évaluation de l’approche d’ancrage.


Date de modification :