Commentaires à propos de l’article « Inférence statistique avec des échantillons d’enquête non probabiliste » : Échantillons non probabilistes : évaluation et voie à suivre
Section 2. Enquêtes non probabilistes lorsque les données sont manquantes au hasard
Wu fonde son analyse sur une présentation claire des quatre hypothèses sous-jacentes aux modèles qu’il examine. L’hypothèse la plus importante est que les données sont manquantes au hasard, ce qui signifie que pour un ensemble donné de covariables, la variable étudiée est indépendante de la décision de répondre. (Bien que la nomenclature soit normalisée dans la littérature, je ne peux pas m’empêcher d’exprimer mon malaise à l’égard du terme « données manquantes au hasard ». Bien sûr, les données sont manquantes au hasard, ce qui est vrai même pour son « contraire », tout aussi mal nommé, « données non manquantes au hasard ». Je rêve d’un jour où la nomenclature correspondra à la définition, peut-être en remplaçant DMH par le terme « indépendance conditionnelle », qui serait un meilleur nom. Cependant, je reconnais à quel point il est difficile de changer les termes acceptés que les gens utilisent.)
Compte tenu de ces hypothèses, Wu divise les approches selon celles basées sur des modèles, celles basées sur la pondération par l’inverse du score de propension (PISP) et celles en modèles doublement robustes. Dans les approches basées sur les modèles, nous voyons la gamme d’efforts à imputer à partir de l’échantillon observé, y compris l’imputation de masse qui, au sens large, comprend des approches souples d’appariement des échantillons qui nous permettent de représenter une plus grande population en fonction des points de données observés qui sont « proches », un mot ayant diverses définitions. La PISP s’appuie sur les mêmes hypothèses. Les estimateurs doublement robustes ont tendance à être plus récents et attrayants en raison de leur capacité à offrir aux spécialistes deux chances de parvenir à des hypothèses correctes. Wu documente habilement les maux de tête que ces modèles provoquent lorsqu’on les utilise pour réaliser une inférence.
Bien que Wu ait montré les différences dans ces approches, il est utile de comprendre qu’après tout, il n’a fait que « pêcher dans un seul coin de la mare ». Tous les modèles utilisent des renseignements semblables de façons semblables : ils supposent tous que les données sont manquantes au hasard et ils fournissent des outils pour modéliser ou imputer le comportement de personnes non observées sous forme d’extrapolations directes tirées des données observées. Si les titulaires d’un diplôme collégial diffèrent des autres diplômés et que nous avons trop de titulaires d’un diplôme collégial, toutes les approches fondées sur l’hypothèse des DMH consisteront à extrapoler à la population générale directement à partir des données de l’échantillon sur deux groupes au prorata de la présence de ces groupes dans la population cible.
Mon intuition me dit que les modèles envisagés par Wu sont à peu près aussi utiles, et aussi plus ou moins vulnérables aux violations de l’hypothèse des DMH. Ou y a-t-il des contextes dans lesquels nous nous attendons à ce que les différences entre les méthodes soient considérables ? Il n’est pas facile de répondre à cette question, certes, mais je serais fasciné d’apprendre le point de vue de Wu sur les situations où la principale « action » se trouve dans les échantillons non probabilistes et quels modèles il considère les mieux adaptés pour tenir compte de tels problèmes.
Une des approches possibles serait d’étudier la flexibilité entre les modèles. À ce stade, mon intuition me dit que même si, en théorie, ces différences peuvent être substantielles, en pratique, ces différences sont relativement modestes. Cela est particulièrement vrai si un spécialiste expérimenté possédant des connaissances dans le domaine définit un modèle paramétrique avec doigté, y compris les bonnes interactions et ainsi de suite.
- Date de modification :