Techniques d’enquête

Le présent article examine les complexités méthodologiques associées à la conception des enquêtes-entreprises, en mettant particulièrement l’accent sur les stratégies d’échantillonnage mises en œuvre par les organismes nationaux de statistique. Il aborde les défis inhérents à la nature dynamique de la population des entreprises, qui nécessite des mises à jour constantes de la base de sondage afin d’en garantir la représentativité et la pertinence. Les considérations essentielles en matière de plan de sondage comprennent la détermination de la taille optimale des échantillons, la stratification selon des dimensions clés telles que l’industrie, la région géographique et la taille de l’entreprise, ainsi que le traitement des créations d’entreprises et l’exclusion des unités inactives (ou « unités disparues »). L’article applique la méthode de répartition de puissance de Bankier (1988) à un plan de stratification à deux dimensions par industrie et région géographique, puis en évalue le rendement en comparant les coefficients de variation obtenus à ceux produits par un algorithme du ratissage appliqué aux coefficients marginaux. L’approche est ensuite étendue à un contexte multivarié afin de couvrir plusieurs domaines d’estimation. La discussion englobe aussi des enjeux pratiques liés au renouvellement et à la coordination des échantillons, essentiels pour maintenir la qualité des données et réduire le fardeau des répondants au fil du temps.

La meilleure prédiction observée (MPO) dans le cadre d’un modèle de régression à erreurs emboîtées (REE) a déjà été proposée en utilisant une erreur quadratique moyenne de prédiction (EQMP) fondée sur le plan comme outil pour calculer le meilleur estimateur prédictif (MEP). Une étude récente a montré que la MPO selon le modèle de REE pouvait être associée à une instabilité numérique lors du calcul du MEP. Nous proposons plusieurs modifications de la MPO en vertu du modèle de REE, y compris celles utilisant une EQMP fondée sur un modèle pour calculer le MEP, afin d’améliorer la stabilité numérique et le rendement prédictif. Nous comparons le rendement des stratégies modifiées de MPO avec celui des méthodes existantes dans le cadre d’une étude par simulation. Un exemple de données réelles est examiné.

On propose une approche hiérarchique bayésienne approximative pour laquelle on utilise la famille exponentielle naturelle avec fonction de variance quadratique en combinant de l’information tirée de multiples sources, afin d’améliorer les estimations de moyennes de population finie pour de petits domaines dans le cadre d’enquêtes traditionnelles. Contrairement aux autres approches bayésiennes relatives à l’échantillonnage d’une population finie, on ne suppose pas de modèle pour toutes les unités de la population finie et l’on n’a pas besoin de procéder au couplage d’unités échantillonnées à la base de population finie. On suppose un modèle uniquement pour les unités d’une population finie pour lesquelles on observe la variable dépendante, car, dans le cas de ces unités, le modèle supposé peut être vérifié à l’aide des outils statistiques existants. On ne suggère pas de modèle élaboré selon les moyennes réelles des unités non observées. On suppose plutôt que les moyennes de population des cellules ayant la même combinaison de niveaux de facteur sont identiques pour tous les petits domaines et que la moyenne de population d’une cellule est identique à la moyenne des unités observées dans cette cellule. On met en application la méthodologie que l’on propose pour une enquête réelle couplant des renseignements tirés de multiples sources de données disparates. On fournit également des moyens pratiques de sélectionner un modèle pouvant s’appliquer à un ensemble élargi de modèles dans le même contexte, mais pour un éventail diversifié de problèmes scientifiques.

Dans le présent article, nous étudions le rendement des estimateurs hiérarchiques bayésiens (HB) sur petits domaines reposant sur des distributions a priori non informatives et informatives. Nous appliquons les modèles bayésiens de You et Chapman (2006) et de You (2021) aux données de l’Enquête sur la population active (EPA) du Canada et évaluons l’incidence des distributions a priori sur les estimateurs HB. Une comparaison des modèles bayésiens et une étude par simulation sont également réalisées. Nos résultats indiquent qu’une distribution a priori informative exacte peut produire de très bons résultats et que les distributions a priori non informatives peuvent aussi avoir un très bon rendement. Les distributions a priori informatives inexactes peuvent produire de mauvais résultats en matière de biais important et de coefficient de variation (CV) élevé. Les distributions a priori non informatives sont recommandées dans la pratique pour l’estimation HB sur petits domaines, à moins que des distributions a priori informatives correctement précisées soient disponibles. Les distributions a priori informatives sont particulièrement utiles lorsque le nombre de petits domaines est relativement faible.

Nous présentons et appliquons une méthodologie pour améliorer l’inférence des paramètres pour petits domaines en utilisant des données tirées de plusieurs sources. Les présents travaux prolongent ceux de Cahoy et Sedransk (2023) qui ont montré la façon d’intégrer des statistiques sommaires provenant de sources multiples. Notre méthodologie pour effectuer des inférences sur la proportion de personnes dans les comtés de Floride qui ne sont pas couvertes par un régime d’assurance-maladie s’appuie sur des distributions a priori hiérarchiques globales-locales. Les résultats d’une vaste étude par simulation montrent que cette méthodologie, fondée sur de multiples sources de données, permettra de produire de meilleures inférences. Parmi les cinq variantes du modèle qui ont été évaluées, celles reposant sur les distributions a priori de type horseshoe pour l’ensemble des variances produisent de meilleurs résultats que celles reposant sur les distributions a priori de type LASSO pour les variances locales.

Une estimation à partir de données d’enquête classique fondée sur le plan repose sur un plan de sondage adéquatement défini afin d’obtenir une inférence valable. Nous tenons compte des propriétés de l’estimation par régression en cas d’erreur de spécification du plan de sondage, dans lequel les probabilités d’inclusion nominale et réelle ne sont pas nécessairement les mêmes. Cette situation générale d’erreur de spécification d’un plan de sondage comporte beaucoup de défis dans le contexte moderne dans lequel sont réalisées les enquêtes. Dans ce contexte, une analyse asymptotique de l’estimateur par la régression, une expression du biais et une expression de la variance sont présentées. En outre, un estimateur de la variance convergent est obtenu et une expression qui estime le biais en partie ou en totalité est présentée. Cette dernière expression peut être utilisée en tant qu’indicateur de la présence d’un biais causé par l’erreur de spécification d’un spécialiste. Une étude par simulation est menée afin d’étayer la théorie exposée.

Les échantillons probabilistes sont considérés comme la référence pour recueillir des renseignements dans les études basées sur la population, mais l’on utilise fréquemment, dans la pratique, des échantillons non probabilistes en raison de leur faible coût, de leur commodité et de l’absence de base de sondage pour l’enquête. Les estimations naïves fondées sur des échantillons non probabilistes risquent, en l’absence d’ajustements, d’être trompeuses en raison d’un biais de sélection. Une approche valide d’intégration des données comprenant l’imputation massive, la pondération par le score de propension et le calage a récemment été utilisée pour améliorer la représentativité des échantillons non probabilistes. L’efficacité de l’approche d’imputation massive dépend des hypothèses sous-jacentes du modèle. Dans le présent article, nous proposons d’utiliser l’apprentissage profond pour l’imputation massive dans une combinaison d’échantillons probabilistes et non probabilistes et de le comparer à plusieurs approches modernes d’imputation massive basée sur l’apprentissage automatique, y compris la modélisation additive généralisée, l’arbre de régression, la forêt aléatoire et le renforcement extrême du gradient (XGBoosting). Dans l’étude par simulation, les approches basées sur l’apprentissage profond se sont révélées plus robustes et efficaces que d’autres approches d’imputation massive contre l’invalidation des hypothèses sous-jacentes du modèle dans les scénarios de non-linéarité.

Les organismes nationaux de statistique consacrent des ressources à la promotion de l’utilisation des données administratives dans les statistiques officielles. Cependant, les données administratives ne sont pas élaborées en vue de produire des statistiques. Il s’agit plutôt du résultat d’un événement ou d’une opération en lien avec des procédures administratives d’organisations, d’administrations publiques et d’organismes gouvernementaux. Il est donc essentiel d’évaluer la qualité des données administratives en ce qui concerne les sources d’erreur, tout particulièrement la représentativité par rapport à la population cible. Dans le présent document, on exploite la force des échantillons probabilistes de référence ou des recensements qui peuvent servir à déceler le manque de représentativité dans les données administratives, et l’on présente des indicateurs de qualité fondés sur des mesures de distance et des indicateurs de représentativité (indicateurs R). On fait état de leur application à l’aide d’une étude par simulation et l’on se penche sur une application réelle en utilisant un ensemble de données administratives du bureau national de la statistique du Royaume-Uni.

L’utilisation de sources de données non probabilistes à des fins statistiques et pour des statistiques officielles a gagné en popularité au cours des dernières années. L’inférence statistique fondée sur des échantillons non probabilistes devient toutefois plus difficile en raison de sa nature biaisée et de l’absence de représentativité. Dans le présent article, nous proposons un estimateur de pondération probabiliste inverse équilibrant les quantiles (PPIEQ) pour des échantillons non probabilistes. Nous appliquons ici l’idée de Harms et Duchesne (2006) permettant d’utiliser les renseignements sur les quantiles dans le processus d’estimation afin de reproduire des totaux connus et la répartition de variables auxiliaires. Nous parlons de l’estimation des probabilités de PPIEQ et de sa variance. Notre étude par simulation a montré la robustesse des estimateurs proposés par rapport à une spécification erronée de modèle, qui aident ainsi à réduire les biais et l’erreur quadratique moyenne. En dernier lieu, nous avons appliqué les méthodes proposées pour estimer la proportion d’emplois vacants destinés à des travailleurs ukrainiens en Pologne en utilisant un ensemble intégré de données administratives et d’enquête sur les postes vacants.

La catégorie des modèles linéaires généralisés (GLM) est une généralisation flexible de la régression par les moindres carrés ordinaires qui permet de relier le modèle linéaire à la variable réponse à l’aide d’une fonction de lien et suppose que l’ampleur de la variance de chaque mesure est fonction de sa valeur prédite. La multicolinéarité dans les GLM peut faire augmenter les variances des coefficients estimés et peut provoquer une mauvaise prédiction dans certaines régions de l’espace de régression. Elle peut également entraîner une statistique de Wald non significative, même lorsque les variables explicatives sont hautement prédictives dans un modèle de la famille des GLM. Peu de recherches ont étudié de près le diagnostic de multicolinéarité dans les GLM, en particulier lorsque des données d’enquête complexes sont utilisées. Dans le présent article, nous développons des facteurs d’inflation de la variance (VIF) qui mesurent l’augmentation de la variance d’un estimateur de paramètre due à la s multicolinéarité dans les GLM. De plus, nous étendons les VIF et les indices de conditionnement pour les appliquer à des données d’enquête complexes, en tenant compte des caractéristiques du plan, par exemple les poids, les grappes et les strates. Ces méthodes sont illustrées au moyen de données provenant d’une enquête auprès des ménages sur la santé et la nutrition

Dans la présente étude, une procédure d’inférence selon un modèle de séries chronologiques structurel multivarié est élaborée pour la production de chiffres mensuels sur la confiance des consommateurs. Les données d’entrée pour le modèle sont cinq séries d’estimations directes pour les indices mesurant la confiance des consommateurs, tirées de l’Enquête sur la confiance des consommateurs des Pays-Bas. Le modèle améliore l’exactitude des estimations directes, puisqu’il permet une meilleure séparation des erreurs de mesure et d’échantillonnage par rapport aux paramètres cibles estimés. Les erreurs-types pour les mouvements mois-à-mois sont clairement plus petites dans le modèle de séries chronologiques. Un deuxième problème abordé dans cette étude est lié à la transition vers un nouveau processus d’enquête en 2017. Des modèles de séries chronologiques structurels combinés à un essai parallèle sont appliqués pour estimer les discontinuités causées par le remaniement. Un algorithme conçu pour les variables de la confiance des consommateurs est élaboré pour construire des séries de données d’entrée ininterrompues pour le modèle de séries chronologiques structurel mentionné précédemment. Cette méthode d’inférence a facilité une transition harmonieuse vers un nouveau plan d’enquête et a donné lieu à des séries ininterrompues sur la confiance des consommateurs remontant jusqu’à 1986. Cette méthode est mise en œuvre pour la production de chiffres mensuels officiels sur la confiance des consommateurs aux Pays-Bas.

La présente étude permet d’examiner les effets de l’intervieweur sur la non-réponse des ménages dans le cadre de trois vagues de la Household Finance and Consumption Survey (HFCS ou enquête sur les finances et la consommation des ménages en français) en Autriche à l’aide d’un modèle multiniveau. Traiter la non-réponse à sa source est crucial pour maintenir la qualité et la représentativité des données d’enquête. Nos conclusions indiquent que la variation du comportement de réponse expliquée par les effets de l’intervieweur a diminué, passant d’un tiers à la première vague à 7 % à la troisième vague. Les intervieweurs efficaces tendent à être titulaires d’un grade universitaire, à être mariés, à être propriétaires et à avoir une plus grande charge de travail. De plus, une rémunération moyenne plus élevée dans la municipalité du ménage influe négativement sur la participation aux enquêtes. Ces renseignements soulignent l’intérêt d’une sélection ciblée des intervieweurs et de stratégies de formation pour améliorer les taux de réponse.

Des modèles de régression à erreurs emboîtées sont couramment utilisés pour intégrer des variables auxiliaires propres aux unités afin d’améliorer les estimations sur petits domaines. En cas d’erreur de spécification relative à la structure de la moyenne du modèle, l’erreur quadratique moyenne de prédiction (EQMP) fondée sur le plan des meilleurs prédicteurs linéaires sans biais empiriques (MPLSBE) augmente généralement. La méthode de meilleure prédiction observée (MPO) a été proposée dans le but d’améliorer l’EQMP fondée sur le plan par rapport à la méthode MPLSBE. Dans la présente étude, nous menons des expériences de simulation de Monte Carlo pour comprendre l’effet d’erreurs de spécification de la structure de la moyenne sur différents estimateurs sur petits domaines. Nos résultats laissent entendre que la méthode MPO reposant sur des variables auxiliaires au niveau de l’unité ne fournit pas de meilleurs résultats que la méthode MPLSBE pour ce qui est de l’EQMP fondée sur le plan, sauf si le nombre de petits domaines m est extrêmement grand. À l’inverse, les rendements de la méthode MPO s’améliorent nettement lorsque des variables auxiliaires au niveau du domaine sont utilisées. La présente étude inclut à la fois des données analytiques et numériques pour illustrer ces observations; elle fournit en outre des renseignements pratiques pour faire face aux erreurs de spécification de modèle dans le contexte d’estimations sur petits domaines (EPD).