Commentaires à propos de l’article « Inférence statistique avec des échantillons d’enquête non probabiliste »
Section 3. Pondération ou modélisation pour l’utilisateur général
L’article de Wu et les addendas ci-dessus ont tendance à suivre les sentiers battus au chapitre du choix entre la pondération et la modélisation dans le contexte de l’inférence de population finie, qui remonte au moins à Hansen, Madow et Tepping (1983). En pensant à ce choix, je crois qu’il est important de faire la distinction entre les modèles utilisés pour en déduire les paramètres dits descriptifs au sens de Kalton (1983) et les modèles dignes d’intérêt, les paramètres dits d’analyse dans les modèles de régression, l’analyse des classes latentes, etc. Dans le premier cas, distinguer une cible descriptive d’intérêt des covariables de modélisation potentielles présente l’avantage de créer des estimateurs doublement robustes qui sont axés sur un seul paramètre descriptif. Cela nécessite également des hypothèses comme A1 à la section 2.1 (le score de propension ne dépend pas de la conditionnalité de par rapport à Lorsque les modèles eux-mêmes sont les cibles d’intérêt, il est possible que l’élaboration de poids à l’aide de scores de propension pour tenir compte du biais de sélection et, comme Wu le fait remarquer, l’utilisation d’équations d’estimation pondérées standards soit le choix le plus sensé, étant donné qu’on peut habituellement envisager un grand nombre de modèles. Ce choix nécessite une double robustesse, puisqu’il n’y a généralement aucune tentative de modéliser directement les paramètres d’analyse. Trouver des façons d’étendre la double robustesse à une vaste catégorie d’estimations de paramètres de modèle est un exercice qui peut s’avérer fructueux.
- Date de modification :