Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage

Dimension: px
Commencer à balayer dès la page:

Download "Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage"

Transcription

1 Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012

2 Introduction et contexte 2/27 1 Introduction et contexte 2 Non-réponse ignorable 3 Non-réponse non-ignorable 4 Simulations

3 Introduction et contexte 3/27 Comment traiter la non-réponse? Le mécanisme de non-réponse constitue une sélection aléatoire mais non contrôlée par un plan de sondage L échantillon des répondants est-il représentatif de la population U? Peut-on ignorer ce mécanisme? Et si oui, comment?

4 Introduction et contexte 4/27 La non-réponse corrélée à la variable d intérêt Un mécanisme de non-réponse lié à la variable d intérêt peut biaiser l estimateur de son total Des exemples de l enquête emploi ou de l enquête patrimoine

5 Introduction et contexte 5/27 Le contexte On se place dans le cas d une enquête exhaustive U est une population finie de taille N Les éléments de U sont repérés par l indice k Pour chaque élément k on observe les réalisations (x k, y k, z k, r k ) du vecteur aléatoire (X k, Y k, Z k, R k ) Les vecteurs (X k, Y k, R k ) sont i.i.d

6 Non-réponse ignorable 6/27 1 Introduction et contexte 2 Non-réponse ignorable 3 Non-réponse non-ignorable 4 Simulations

7 Non-réponse ignorable 7/27 La non-réponse ignorable Elle peut être MCAR ou MAR MCAR : Missing completely at random ; la non-réponse n est pas corrélée à la variable d intérêt MAR : Missing at random ; la non-réponse n est corrélée à la variable d intérêt qu à travers des covariables de Y k observées. Conditionnellement à ces variables, la non-réponse n est pas corrélée à la variable d intérêt Exemple des groupes homogènes de repondération Sexe*groupes d âge

8 Non-réponse ignorable 8/27 La non-réponse ignorable, cas MAR Modèle de régression linéaire de Y k sur U : Y k = α 0 + α 1 X k + ε k où E(ε k /X k ) = 0 Modèle de réponse, E(R k /X k ) = ρ(x k ) Non-réponse MAR : E(ε k R k /X k ) = 0 E(Y k R k /X k ) = E(Y k /X k )E(R k /X k )

9 Non-réponse ignorable 9/27 Modèle de régression linéaire de Y k sur l échantillon des répondants s r : Y k = α 0 + α 1 X k + ε k = α X k + ε k où E(ε k R k /X k ) = 0, α = (α 0, α 1 ) et X k = (1, X k ) L estimateur par les MCO [ ] 1 [ ] 1 1 ˆα = R k X k X k R k X k Y k N N k U converge asymptotiquement vers α k U

10 Non-réponse ignorable 10/27 La non-réponse ignorable, cas MAR Pour estimer le total t y = k U y k, on peut utiliser une estimateur par la régression : où t x = (N, t x = k U x k) ˆt y = t x ˆα

11 Non-réponse non-ignorable 11/27 1 Introduction et contexte 2 Non-réponse ignorable 3 Non-réponse non-ignorable 4 Simulations

12 Non-réponse non-ignorable 12/27 La non-réponse non-ignorable On étudie un cas de non-réponse non-ignorable proche du cas précédent Cette fois-ci, une des variables explicatives dans le modèle modèle sur Y k n est pas une variable auxiliaire C est une variable observée uniquement sur l échantillon des répondants C est donc une autre variable d intérêt du modèle

13 Non-réponse non-ignorable 13/27 Notations Variables auxiliaires dont les totaux sont connus sur U X k = (1, X k,1, X k,2 ) Variables explicatives de la non-réponse Z k = (1, X k,1, Z k,2 ) Variables d intérêt Y k = (Y k, Z k,2 ) La variable X k,2 est corrélée positivement à la variable Z k,2

14 Non-réponse non-ignorable 14/27 Modèle de non-réponse Ou : E(R k /Z k, X k, Y k ) = E(R k /Z k ) = ρ(z k ) E(R k X k /Z k ) = E(R k /Z k )E(X k /Z k ) E(R k Y k /Z k ) = E(R k /Z k )E(Y k /Z k ) Remarque : la variable X k,2 est corrélée à Z k,2 mais n a pas d effet explicatif direct sur la non-réponse.

15 Non-réponse non-ignorable 15/27 Modèle de la variable d intérêt On suppose que Y k suit un modèle de régression linéaire Y k = α 0 + α 1 X k,1 + α 2 Z k,2 + ε k E(ε k /Z k, X k ) = 0 Pour autant, on ne peut pas proposer un estimateur Greg de t y car on ne dispose pas de la valeur du total t z2

16 Non-réponse non-ignorable 16/27 Modèle de régression à variable instrumentale On écrit un nouveau modèle "dégradé" pour Y k en utilisant la corrélation entre X k,2 et Z k,2 : Y k = β 0 + β 1 X k,1 + β 2 X k,2 + τ k E(τ k /Z k ) = 0 D un point de vue statistique, il s agit d un modèle de régression à variable instrumentale Ce modèle est moins bien ajusté que le modèle initial, par contre, il reste identifiable sur s r car E(τ k R k /Z k ) = 0

17 Non-réponse non-ignorable 17/27 Modèle de régression à variable instrumentale En effet, sur s r on prendra l estimateur : [ ] 1 [ ] ˆβ VI 1 1 = c k R k Z k X k c k R k Z k Y k N N k U k U [ ] 1 [ ] 1 1 = β + c k R k Z k X k c k R k Z k τ k, N N k U k U où c k s interprète comme un poids de l élément k et est une fonction de Z k : c k = f(z k ).

18 Non-réponse non-ignorable 18/27 Estimateur IVGreg ˆβ VI converge asymptotiquement vers β On peut utiliser cette fois-ci un estimateur par la régression (instrumentale) : ˆt V y I I = t x ˆβV = [ 1 ] c k R k t x c l R l Z l X l Z k Y k k U l U

19 Non-réponse non-ignorable 19/27 Estimateur IVGreg : estimateur linéaire ˆt V I y = k U R k w V I k Y k, où w V I k = c k t x [ 1 ] c l R l Z l X l Z k l U = c k 1 + ( t x k U est le poids d enquête de l élément k. ) [ ] 1 c k R k X k c l R l Z l X l Z k l U

20 Simulations 20/27 1 Introduction et contexte 2 Non-réponse ignorable 3 Non-réponse non-ignorable 4 Simulations

21 Simulations 21/27 Simulations Monte Carlo On génère une population de taille N = 1000 Variables explicatives de la non-réponse Z k,1 gamma(20, 20) (observée sur s r ) Z k,2 U[0, 600] (observée sur s r ) Z k,3 U[0, 600], (non observée) Variables auxiliaires X k,1 = Z k,1 X k,2 = 0, 5(Z k,2 + U k,2 ), où U k,2 N(0, ) X k,3 = 0, 5(Z k,2 + Z k,3 )

22 Simulations 22/27 Simulations Monte Carlo La variable Y k est générée par le modèle linéaire : où E N(0, ) Y k = X k,1 + 20Z k,2 + E k.

23 Simulations 23/27 Simulations Monte Carlo K = 1000 simulations du mécanisme de réponse R k suit une loi de Bernoulli de paramètre : ( ) exp( zk, z k, z k,3 ) p k = exp( z k, z k, z k,3 )

24 Simulations 24/27 Simulations Monte Carlo On compare quatre estimateurs du total t y ˆt y : moyenne des valeurs de y sur s r multipliée par N ˆt y,x x : estimateur par la régression habituel ˆt y,x3 z : estimateur par la régression instrumentale avec X 3 comme variable proxy de Z 2 ˆt y,x z : estimateur par la régression instrumentale avec Z 1 et Z 2 comme instruments et X 2 comme variable proxy de Z 2

25 Simulations 25/27 Biais relatifs ˆt y ˆt y,x x ˆt y,x3 z ˆt y,x z

26 Simulations 26/27 Biais relatifs - estimateurs de t z ˆt z2 ˆt z2,x x ˆt z2,x3 zˆt z2,x z

27 Simulations 27/27 Beaumont, J.-F. (2000). Une méthode d estimation en présence de non-réponse non-ignorable. Techniques d enquêtes, vol 26, pp Deville, J.-C. (2004). La correction de la non-réponse par calage généralisé. Actes des journées de méthodologie satistique, 16 et 17 décembre 2002, INSEE Méthodes. Fuller, A.F. (2009). Sampling Statistics. Wiley, 371. Gautier, E. (2005). Eléments sur les mécanismes de la sélection dans les enquêtes et sur la non-réponse non-igorable. Actes des journées de méthodologie satistique, INSEE. Särndal, C.E. and Sixten L. (2005). Estimation in Surveys with Nonresponse. Wiley.

1 Design-based and model-based methods for estimating model parameters

1 Design-based and model-based methods for estimating model parameters Groupe de lecture Econométrie des données d'enquête Compte-rendu de la troisième réunion, 19 janvier 2015 La modélisation en théorie des sondages Suivi par Marine Guillerm et Ronan Le Saout Cette troisième

Plus en détail

Théorie des sondages : cours 5

Théorie des sondages : cours 5 Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur

Plus en détail

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA

Plus en détail

Non-réponse et données manquantes. Sylvie Rousseau & Gilbert Saporta décembre 2011

Non-réponse et données manquantes. Sylvie Rousseau & Gilbert Saporta décembre 2011 Non-réponse et données manquantes Sylvie Rousseau & Gilbert Saporta décembre 2011 1 EXEMPLES DE TAUX DE RÉPONSE À CERTAINES ENQUÊTES Pour les enquêtes auprès des entreprises, le taux de non-réponse est

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R

Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Méthodes de Simulation

Méthodes de Simulation Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents

Plus en détail

Critère du choix des variables auxiliaires à utiliser dans l'estimateur par calage

Critère du choix des variables auxiliaires à utiliser dans l'estimateur par calage des variables auxiliaires à utiliser dans l'estimateur par calage Mohammed El Haj Tirari Institut National de Statistique et d'economie Appliquée - roc Laboratoire de Statistique d'enquêtes, CREST - Ensai

Plus en détail

Article. Peut-on établir des statistiques officielles à partir d enquêtes en ligne reposant sur le principe de l autosélection? par Jelke Bethlehem

Article. Peut-on établir des statistiques officielles à partir d enquêtes en ligne reposant sur le principe de l autosélection? par Jelke Bethlehem Composante du produit n o -5-X au catalogue de Statistique Canada La série des symposiums internationaux de Statistique Canada : recueil Article Symposium 008 : Collecte des données : défis, réalisations

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

Faut-il pondérer? ...Ou l'éternelle question de l'économètre confronté à un problème de sondage. Laurent Davezies et Xavier D'Haultf uille.

Faut-il pondérer? ...Ou l'éternelle question de l'économètre confronté à un problème de sondage. Laurent Davezies et Xavier D'Haultf uille. Faut-il pondérer?...ou l'éternelle question de l'économètre confronté à un problème de sondage Laurent Davezies et Xavier D'Haultf uille Juin 2009 Résumé Ce papier précise dans quels cas les estimations

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz

Plus en détail

Estimation des inégalités dans l enquête Patrimoine 2004

Estimation des inégalités dans l enquête Patrimoine 2004 Estimation des inégalités dans l enquête Patrimoine 2004 Eric Gautier, Cédric Houdré To cite this version: Eric Gautier, Cédric Houdré. Estimation des inégalités dans l enquête Patrimoine 2004. Economie

Plus en détail

Evaluer l ampleur des économies d agglomération

Evaluer l ampleur des économies d agglomération Pierre-Philippe Combes GREQAM - Université d Aix-Marseille Ecole d Economie de Paris CEPR Janvier 2008 Supports de la présentation Combes, P.-P., T. Mayer et J.-T. Thisse, 2006, chap. 11. Economie Géographique,

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE

UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Évaluation de la régression bornée

Évaluation de la régression bornée Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement

Plus en détail

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température corporelle d un castor (une petite introduction aux séries temporelles) Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature

Plus en détail

Table des matières. I Mise à niveau 11. Préface

Table des matières. I Mise à niveau 11. Préface Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université

Plus en détail

Le modèle linéaire généralisé avec R : fonction glm()

Le modèle linéaire généralisé avec R : fonction glm() SEMIN- Le modèle linéaire généralisé avec R : fonction glm() Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Ecole Normale Supérieure 46 rue d'ulm F-75230 Paris Cedex 05 sebastien.ballesteros@biologie.ens.fr

Plus en détail

DISTINGUER LES EFFETS DE SELECTION ET DE MESURE. Céreq, 10 Place de la Joliette, BP 21321, 13567 Marseille cedex 02, dzikowski@cereq.

DISTINGUER LES EFFETS DE SELECTION ET DE MESURE. Céreq, 10 Place de la Joliette, BP 21321, 13567 Marseille cedex 02, dzikowski@cereq. COMPARAISON DES MODES DE COLLECTE PAR TELEPHONE ET PAR INTERNET DANS LE CADRE DE L ENQUETE GENERATION DU CEREQ. ANALYSE DES ABANDONS EN COURS ET TENTATIVE POUR DISTINGUER LES EFFETS DE SELECTION ET DE

Plus en détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

Les cessions de créances restent-elles possibles en IFRS?

Les cessions de créances restent-elles possibles en IFRS? Conférence IMA France Mardi 30 janvier 2007 - www.ima-france.com Les cessions de créances restent-elles possibles en IFRS? Lionel Escaffre Professeur associé à l Université d Angers Commissaire aux Comptes

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Approche bayésienne des modèles à équations structurelles

Approche bayésienne des modèles à équations structurelles Manuscrit auteur, publié dans "42èmes Journées de Statistique (2010)" Approche bayésienne des modèles à équations structurelles Séverine Demeyer 1,2 & Nicolas Fischer 1 & Gilbert Saporta 2 1 LNE, Laboratoire

Plus en détail

STATISTIQUES. UE Modélisation pour la biologie

STATISTIQUES. UE Modélisation pour la biologie STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres

Plus en détail

Le pire des cas dans le choix de la copule

Le pire des cas dans le choix de la copule Comment éviter le pire Département de Mathématique Université de Bretagne Occidentale 29200 Brest Solvency 2 impose aux assureurs une analyse des risques accumulés sur plusieurs produits d assurances.

Plus en détail

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

Plus en détail

aux différences est appelé équation aux différences d ordre n en forme normale.

aux différences est appelé équation aux différences d ordre n en forme normale. MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires CHAPITRE I. SIMULATION DE VARIABLES ALÉATOIRES 25 Chapitre I Simulation de variables aléatoires La simulation informatique de variables aléatoires, aussi complexes soient elles, repose sur la simulation

Plus en détail

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Svetlana Gribkova, Olivier Lopez Laboratoire de Statistique Théorique et Appliquée, Paris 6 4 Mars 2014

Plus en détail

Internet est-il l avenir des enquêtes Génération?

Internet est-il l avenir des enquêtes Génération? Établissement public sous double tutelle des ministères de l'éducation nationale, de l'enseignement supérieur et de la Recherche du Travail, de l Emploi, de la Formation professionnelle et du Dialogue

Plus en détail

Luc Behaghel, Bruno Crépon et Marc Gurgand. Septembre 2009

Luc Behaghel, Bruno Crépon et Marc Gurgand. Septembre 2009 Evaluation d impact de l accompagnement des demandeurs d emploi par les Opérateurs Privés de Placement et le programme Cap Vers l Entreprise Annexe technique Luc Behaghel, Bruno Crépon et Marc Gurgand

Plus en détail

Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1

Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be

Plus en détail

Value at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061

Value at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061 Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain

Plus en détail

Probabilités III Introduction à l évaluation d options

Probabilités III Introduction à l évaluation d options Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un

Plus en détail

MAP 553 Apprentissage statistique

MAP 553 Apprentissage statistique MAP 553 Apprentissage statistique Université Paris Sud et Ecole Polytechnique http://www.cmap.polytechnique.fr/~giraud/map553/map553.html PC1 1/39 Apprentissage? 2/39 Apprentissage? L apprentissage au

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 3. Les distributions à deux variables Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles

Plus en détail

En 2014, comment mener à bien une enquête aléatoire en population générale par téléphone?

En 2014, comment mener à bien une enquête aléatoire en population générale par téléphone? En 2014, comment mener à bien une enquête aléatoire en population générale par téléphone? Prémila Choolun 1, François Beck 2, Christophe David 1, Valérie Blineau 1, Romain Guignard 3, Arnaud Gautier 3,

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Econométrie Appliquée Séries Temporelles

Econométrie Appliquée Séries Temporelles Chapitre 1. UFR Economie Appliquée. Cours de C. Hurlin 1 U.F.R. Economie Appliquée Maîtrise d Economie Appliquée Cours de Tronc Commun Econométrie Appliquée Séries Temporelles Christophe HURLIN Chapitre

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Vanina Bousquet 24 mars 2015

Vanina Bousquet 24 mars 2015 Traitement des données manquantes par une méthode d imputation multiple : Application à des données d enquête et de surveillance des maladies infectieuses Vanina Bousquet 24 mars 2015 Plan 1. Contexte

Plus en détail

Chapitre 11 METHODOLOGIE D ENQUÊTES

Chapitre 11 METHODOLOGIE D ENQUÊTES Chapitre 11 METHODOLOGIE D ENQUÊTES PLAN DU CHAPITRE 11 11.1 LE QUESTIONNAIRE 11.1.1 Qu est-ce qu un questionnaire? 11.1.2 Etapes de la construction d un questionnaire 11.1.3 Règles de base pour l élaboration

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. 14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,

Plus en détail

La survie nette actuelle à long terme Qualités de sept méthodes d estimation

La survie nette actuelle à long terme Qualités de sept méthodes d estimation La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg

Plus en détail

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007 Université de Montréal 14 mars 2007 Christian FRANCQ GREMARS-EQUIPPE, Université Lille 3 Propriétés statistiques des modèles GARCH Outline 1 Identification 2 Test de bruit blanc faible Test d homoscédaticité

Plus en détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

Exigences pour les risques de marché

Exigences pour les risques de marché Page 1/7 L approche standard selon les art. 84 87 OFR Colonne 01 Colonne 02 Colonne 03 Position Facteur de Exigence Risque de marché des devises, de l or et des matières premières Ligne 001 Devises (1)

Plus en détail

Que faire lorsqu on considère plusieurs variables en même temps?

Que faire lorsqu on considère plusieurs variables en même temps? Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites

Plus en détail

Equation LIDAR : exp 2 Equation RADAR :

Equation LIDAR : exp 2 Equation RADAR : Contexte scientifique Systèmes LIDAR/RADAR Equation LIDAR : exp Equation RADAR : p (r) : puissance rétrodiffusée r : altitude ou profondeur. C : constante instrumentale. β : coefficient de rétrodiffusion

Plus en détail

Fiche qualité relative à l enquête Santé et Itinéraire Professionnel 2010 (SIP) Carte d identité de l enquête

Fiche qualité relative à l enquête Santé et Itinéraire Professionnel 2010 (SIP) Carte d identité de l enquête Fiche qualité relative à Santé et Itinéraire Professionnel 2010 (SIP) Nom Années de Périodicité Panel (suivi d échantillon) Services concepteurs Service réalisant Sujets principaux traités dans Carte d

Plus en détail

FIMA, 7 juillet 2005

FIMA, 7 juillet 2005 F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation

Plus en détail

Chapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3

Chapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3 Chapitre 3 : Le budget des ventes Introduction 2 Rappel des différents budgets opérationnels - budget des ventes (chapitre 3) - budget de production (chapitre 4) - budget des approvisionnements et des

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

MODELE A CORRECTION D ERREUR ET APPLICATIONS

MODELE A CORRECTION D ERREUR ET APPLICATIONS MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques

Plus en détail

Probabilités II Étude de quelques lois. Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec.

Probabilités II Étude de quelques lois. Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec. Probabilités II Étude de quelques lois Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec.fr 2012 2013 1 1 Lois discrètes. On considère des v.a. ne prenant que des valeurs

Plus en détail

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités

Plus en détail

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur

Plus en détail

Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.

Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION

Plus en détail

Introduction à la statistique non paramétrique

Introduction à la statistique non paramétrique Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non

Plus en détail

Les modèles de choix binaire

Les modèles de choix binaire Chapitre 4 Les modèles de choix binaire Les modèles de régression linéaire développés ci-dessus concernent une variable dépendante continue (comme par exemple le salaire ou le taux de chômage). Ce chapitre

Plus en détail

La nouvelle planification de l échantillonnage

La nouvelle planification de l échantillonnage La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage

Plus en détail

Notes de cours Statistique avec le logiciel R

Notes de cours Statistique avec le logiciel R Notes de cours Statistique avec le logiciel R Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Année 2013-2014 Chapitre 1 Introduction L objectif de ce cours est

Plus en détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

VI. Tests non paramétriques sur un échantillon

VI. Tests non paramétriques sur un échantillon VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes

Plus en détail

Données individuelles : bien les protéger pour mieux les diffuser

Données individuelles : bien les protéger pour mieux les diffuser Données individuelles : bien les protéger pour mieux les diffuser Maxime Bergeat 1 1 Insee - Département des méthodes statistiques 18 boulevard Adolphe Pinard, timbre L120, 75675 Paris cedex 14 maxime.bergeat@insee.fr

Plus en détail

L Econométrie des Données de Panel

L Econométrie des Données de Panel Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire

Plus en détail

Modèles Estimés sur Données de Panel

Modèles Estimés sur Données de Panel Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,

Plus en détail

Université de Montréal. Temps de Branchement du Mouvement Brownien Branchant Inhomogène. Jean-Sébastien Turcotte

Université de Montréal. Temps de Branchement du Mouvement Brownien Branchant Inhomogène. Jean-Sébastien Turcotte Université de Montréal Temps de Branchement du Mouvement Brownien Branchant Inhomogène par Jean-Sébastien Turcotte Département de mathématiques et de statistique Faculté des arts et des sciences Mémoire

Plus en détail

L impact du mode d enquête sur la mesure des comportements de mobilité

L impact du mode d enquête sur la mesure des comportements de mobilité SERVICES - TOURISME - TRANSPORTS L impact du mode d enquête sur la mesure des comportements de mobilité Caroline Bayart* et Patrick Bonnel** Les enquêtes de mobilité sont indispensables, tant à la compréhension,

Plus en détail

Espérance, variance, quantiles

Espérance, variance, quantiles Espérance, variance, quantiles Mathématiques Générales B Université de Genève Sylvain Sardy 22 mai 2008 0. Motivation Mesures de centralité (ex. espérance) et de dispersion (ex. variance) 1 f(x) 0.0 0.1

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Les Français et le découvert bancaire

Les Français et le découvert bancaire Les Français et le découvert bancaire Octobre 2014 Contacts Presse : Héloïse Guillet / 01 75 43 33 82 / heloise@lanouvelle-agence.com Sommaire Synthèse de Présentation de Panorabanques.com Contacts Méthodologie

Plus en détail

Une introduction. Lionel RIOU FRANÇA. Septembre 2008

Une introduction. Lionel RIOU FRANÇA. Septembre 2008 Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4

Plus en détail

2. Stimulations sensorielles

2. Stimulations sensorielles 2. Stimulations sensorielles 2.1. Introduction Position spatiale et orientation «Route» map «Survey» map Trajet défini Exécution motrice 2.1. Introduction Mémoire spatio-temporelle du trajet Position spatiale

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

Plus en détail

Documents complémentaires au PPN du DUT Statistique et informatique décisionnelle (STID)

Documents complémentaires au PPN du DUT Statistique et informatique décisionnelle (STID) CPN INFO STID spécialité DUT STID Documents complémentaires au PPN du DUT Statistique et informatique décisionnelle (STID) Description des parcours de modules complémentaires destinés à la poursuite d

Plus en détail

Master 1 MAIM-SITN. Régression pour des données de type catégorie

Master 1 MAIM-SITN. Régression pour des données de type catégorie Master 1 MAIM-SITN Régression pour des données de type catégorie Présenté par : Fariath SOULE Encadrant : Gabriela CIUPERCA Année universitaire : 2012-2013 Remerciements Je remercie Madame Gabriela CIUPERCA,

Plus en détail

Le modèle de régression linéaire

Le modèle de régression linéaire Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le

Plus en détail

Crédit à la consommation, un bon outil pour la rentrée?

Crédit à la consommation, un bon outil pour la rentrée? Crédit à la consommation, un bon outil pour la rentrée? Contexte Empruntis intervient sur le crédit depuis 15 ans 370 000 ménages nous sollicitent chaque année pour leur besoin en crédit à la consommation

Plus en détail

Interception des signaux issus de communications MIMO

Interception des signaux issus de communications MIMO Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus

Plus en détail

Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales

Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales Pierre Thomas Léger IEA, HEC Montréal 2013 Table des matières 1 Introduction 2 2 Spécifications

Plus en détail

1 Définition de la non stationnarité

1 Définition de la non stationnarité Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles

Plus en détail

COURS DE STATISTIQUE APPLIQUÉE

COURS DE STATISTIQUE APPLIQUÉE UNIVERSITE PROTESTANTE AU CONGO CENTRE CONGOLAIS-ALLEMAND DE MICROFINANCE COURS DE STATISTIQUE APPLIQUÉE Professeur Daniel MUKOKO Samba daniel_mukoko@yahoo.fr Quelques références Droesbeke, Jean-Jacques,

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail