CHAPITRE 10 LE TRAITEMENT DES ERREURS ET DES NON-REPONSES

Dimension: px
Commencer à balayer dès la page:

Download "CHAPITRE 10 LE TRAITEMENT DES ERREURS ET DES NON-REPONSES"

Transcription

1 CHAPITRE 10 LE TRAITEMENT DES ERREURS ET DES NON-REPONSES

2 PLAN DU CHAPITRE Les erreurs dans une enquête 10.2 Les non-réponses 10.3 L imputation 10.4 La méthode des réponses aléatoires 2

3 10.1 LES ERREURS DANS UNE ENQUETE Il existe, dans une enquête par sondage aléatoire, 4 sources principales d'erreur. La première est l erreur d échantillonnage. Les trois autres sont appelées «méthodologiques» : l erreur de couverture, l erreur de mesure et l erreur de non-réponse Erreur d'échantillonnage Cette erreur découle du caractère aléatoire du tirage d'un échantillon; elle a été examinée dans les chapitres précédents Erreur de couverture Elle est due au fait que certains individus dans la population ont une probabilité nulle de figurer dans l'échantillon Base de sondage Population 3

4 Erreur de mesure Elle provient des inexactitudes des réponses enregistrées Les principales causes de cette erreur sont: l'effet induit par l'enquêteur sur les réponses des enquêtés (enquête en face à face) l'erreur due aux défauts du questionnaire ou de l'instrument de mesure (enquête par questionnaire) l'erreur due au répondant (incapacité de répondre aux questions, désir de valorisation,...) Erreur due à la non-réponse Nous étudierons cette erreur dans ce chapitre Erreur totale Erreur d échantillonnage Erreur totale Erreur méthodologique N.B. : Il existe d autres erreurs (saisie, traitement ) 4

5 10.2 LES NON-REPONSES Types de non-réponses a) Définition On est en présence de non-réponse lorsque, pour au moins une unité de l'échantillon, au moins une question posée (par un enquêteur, dans un questionnaire ) n'a pas reçu de réponse ou encore que cette dernière n'est pas utilisable Il y a donc de la non-réponse quand il y a au moins une valeur manquante dans l'échantillon pour au moins une variable de l'enquête b) Non-réponse totale Pour une unité donnée de l'échantillon, si toutes les variables mesurées sont manquantes, on est en présence de non-réponse totale N.B. : Ce cas concerne aussi le cas de relevés où le nombre de réponses utilisables est faible par rapport à celui des autres Notation : nrt 5

6 c) Non-réponse partielle Pour une unité donnée de l'échantillon, si certaines des variables mesurées sont manquantes, on est en présence de non-réponse partielle Remarque : on ne qualifie pas de non-réponse partielle celle qui est déjà cataloguée comme non-réponse totale Notation : nrp d) Non-réponse ignorable Si le fait qu'une personne réponde ou non à une question n'est pas relié à la réponse à cette question, on est en présence d'une non-réponse ignorable Exemple : c'est le cas d'une personne qui ne renvoie pas le questionnaire simplement par paresse Notation : nri Si l'on a une non-réponse non ignorable, cette situation tend à biaiser les résultats de l'enquête Exemple : enquête sur la satisfaction des employés où seuls les employés non satisfaits renvoient le questionnaire 6

7 e) Partition de la population Population [N] Echantillon [n] Non-réponses totales [n nrt ] Réponses complètes [n rc ] Non-réponses partielles [n nrp ] Remarque : Si n r est le nombre de réponses : nr = nrc + nnrp 7

8 f) Remarques 1 ) Enquêtes répétées dans le temps Une enquête répétée dans le temps permet d'estimer non seulement des paramètres de la population mais aussi des quantités liées à son évolution Les différentes applications de l'enquête s'appellent des vagues v1 v2 v3 v4 v t Une non-réponse de vague (nrv) est une non-réponse qui se produit lors d'une ou de plusieurs vagues, mais pas de façon permanente Elle crée des «trous» dans la série de vagues 2 ) Raffinements On peut aussi distinguer les personnes qui, dans la population (et aussi dans l'échantillon), sont éligibles à l'enquête (e) et celles qui n'ont pas pu être contactées par les enquêteurs (nc); leurs effectifs sont généralement désignés respectivement par n e et n nc 8

9 Les causes de non-réponses a) Facteurs liés à la non-réponse totale Objectifs de l'enquête irréalistes Type d'enquête (obligatoire versus volontaire) Population (ou sous-population) difficile à joindre Méthode de collecte (interview par la poste, par enquêteur en face à face, téléphonique ) Période de l'année pendant laquelle se fait la collecte Durée de la période de collecte Réputation de l'organisme chargé de l'enquête Formation et expérience des interviewers Déménagement Nature du sujet Refus de répondre Absence de la personne à interviewer Incapacité à répondre (problème de langue...) Importance de l'enquête pour les enquêtés Fardeau de réponse (enquêtes répétées, enquêtes menées par d'autres organismes, durée de l'entrevue) Perte de questionnaires ou problème de transmission des données 9

10 b) Facteurs liés à la non-réponse partielle Objectifs de l'enquête irréalistes Méthode de collecte Formation et expérience de l'interviewer Refus de répondre (question délicate) Questionnaire mal conçu (questionnaire complexe, questions difficiles à comprendre,...) Fardeau de réponse Oubli de l'interviewer Donnée non disponible La personne interviewée ne connait pas la réponse (note: une réponse «ne sait pas» sur une question d'opinion peut effectivement être la vraie valeur) Réponse incohérente ou inutilisable 10

11 c) Le cas des enquêtes longitudinales 1 ) Erosion ou attrition Réduction de la taille du panel causée par la non-réponse totale chronique 2 ) Causes possibles Augmentation des refus catégoriques, difficulté à retracer les unités longitudinales (changements d'adresse, fusion d'entreprises...), pas de rotation au sein de l'échantillon (haut fardeau de réponse au cours du temps...) 3 ) Remarques Les unités non répondantes sont souvent celles qui sont d'intérêt L'érosion peut souvent être réduite en utilisant des incitatifs (cadeaux,...) et en utilisant de la rotation au sein de l'échantillon L'érosion doit être traitée avec soin à cause de biais potentiels si la non-réponse est non ignorable 11

12 Les taux de réponse a) Taux de réponse opérationnel Ces taux servent à fournir de l'information sur le déroulement du processus de collecte 1 ) Taux de réussite de l'enquête T () n + n = n + n + n 1 c nrp c nrp nrt Rappel : n c = effectif des réponses complètes n nrp n nrt = effectif des (non-) réponses partielles = effectif des non-réponses totales N.B.: Ce taux se calcule généralement au niveau des personnes éligibles seulement 2 ) Performance des interviewers T ( ) n = n + n + n 2 c c nrp nrt N.B. : Ce taux mesure la capacité des interviewers à compléter leurs entrevues 12

13 3 ) Rendement des entrevues T ( ) n + n = n + n + n + n 3 c nrp c nrp nrt nc Rappels: Définitions de n c, n nrp et n nr : voir ci-dessus n nc = nombre de personnes non contactées N.B.: Ce rendement est calculé par rapport au nombre de contacts possibles auprès des personnes 4 ) Autre taux T ( ) n = n + n + n + n 4 c c nrp nrt nc Ce taux mesure le rapport entre le nombre d'entrevues complétées et le nombre d'entrevues potentielles 13

14 b) Taux de réponse correcteur Donne aussi de l'information sur le processus de collecte Ramène le sous-échantillon des répondants à l'échantillon initial Sert à corriger les poids de sondage pour tenir compte de la non-réponse (voir plus tard) Spécifiquement relié au rapport des unités répondantes sur le nombre d'unités dans l'échantillon Exemple : T = nombre de répondants taille d'échantillon Les personnes non contactées parce qu'elles sont hors du champ de l'enquête font partie des répondants (et non des non-répondants) mais leurs variables mesurées sont toutes mises à zéro (estimation par domaine) Peuvent être calculés pour des sous-groupes de la population, comme les strates, par exemple; ces sousgroupes peuvent être formés de sorte que la propension à réponse des personnes inclues dans ces ensembles soit relativement homogène Possibilité de séparer les personnes hors-champ des autres unités 14

15 Effet des réponses manquantes Les non-réponses créent généralement un biais qui dépend : Du taux de non-réponse De l'écart entre les comportements des répondants et des non-répondants en ce qui concerne la (les) variable(s) étudiée(s) Pour éviter ces inconvénients, deux approches peuvent généralement être envisagées: La prévention des non-réponses Le traitement des non-réponses 15

16 La prévention de la non-réponse La prévention de la non-réponse peut s'effectuer aux différentes étapes de l'enquête : Planification Construction de la base de sondage Choix du plan de sondage Conception du questionnaire Collecte des données Traitement des données et estimation Autres étapes a) Prévention au niveau de la planification Il est judicieux de : Retenir des objectifs de l'enquête réalistes D'exprimer des définitions claires des concepts à étudier De bien choisir la période de l'année où l'on fait l'enquête De disposer de ressources (humaines et financières) suffisantes pour la collecte De bien planifier chacune des étapes de l'enquête 16

17 b) Prévention au niveau de la base de sondage Disposer d'informations de contact correctes (adresse, téléphone, nom) Posséder des informations de classification correctes (langue, secteur d'activité,...) pour permettre l'envoi des "bons" questionnaires D'éviter des redondances (fardeau de réponse potentiellement élevé) c) Prévention au niveau du plan de sondage 1 ) Cas d'un échantillon commun à plusieurs enquêtes Contrôler le nombre de questionnaires qu'un répondant peut recevoir (fardeau de réponse) 2 ) Choix d'un échantillonnage plus efficace En réduisant la taille d'échantillon, on permet d'allouer plus de ressources à la collecte et de faire un meilleur suivi 3 ) Prendre un sous-échantillon des non-répondants Permet de réduire le biais de non-réponse si le taux de réponse lors du suivi est élevé Nécessite une période de collecte plus longue Coûteux Pourrait éventuellement être utilisé pour déterminer les caractéristiques des non-répondants 17

18 d) Prévention au niveau du questionnaire Un questionnaire bien conçu va permettre de réduire les réponses incohérentes Privilégier des questions simples, faciles à comprendre et courtes Eviter les abréviations Faire de bonnes traductions si recours à plusieurs langues Donner des instructions minimales sur le questionnaire (manuel) Evaluer les enquêtes précédentes Réaliser des tests et enquête pilote Recourir à la recherche cognitive (groupes de discussions,...) Impliquer tous les partis concernés Tenir compte du mode de collecte: la présentation est importante si le questionnaire est envoyé par courrier questionnaire complexe : Interview Assistée par Ordinateur (IAO) Attention aux questions sensibles (voir plus loin) 18

19 e) Prévention au niveau de la collecte des données Choix adéquat du (des) mode(s) de collecte Tests préalables Evaluation des résultats antérieurs éventuels Période de collecte suffisamment souple Bon programme de recrutement des enquêteurs Formation adéquate et continue Etablir un rapport de confiance avec l'enquêté assurer de l'aspect confidentiel des données susciter l'intérêt pour les résultats offrir éventuellement divers modes de collecte donner des incitatifs (si nécessaire cadeau, publication,...) effectuer un suivi de la collecte 19

20 f) Prévention au niveau du traitement et de l'estimation Méthode de traitement de la non-réponse et d'estimation efficace (utilisation d'information auxiliaire) permet de réduire la taille d'échantillon et, par conséquent, permet d'allouer plus de ressources à la collecte et de faire un meilleur suivi Minimiser le nombre de questions en effectuant des appariements pour obtenir l'information g) Prévention au niveau des autres étapes Une bonne évaluation et une analyse approfondie des données de l'enquête peuvent être utiles pour apporter des correctifs et ainsi mieux prévenir la non-réponse lors d'enquêtes ultérieures Etablir une documentation des améliorations à apporter et des études d'évaluation et d'analyse Veiller à la qualité de chaque étape de l'enquête 20

21 Le traitement de la non-réponse totale a) Relance des non-répondants (méthode de Hansen) Dans l'ensemble des non-répondants (de taille n 2 ), on tire de façon équiprobable et sans remise un sous-échantillon ' 2 2 =λ 2 0<λ< 1, et on s'arrange pour obtenir les réponses des n individus ré-enquêtés ' s, de taille n n ( ) ' 2 s U s 1 ' s 2 1 ) Estimateur de Hansen n n μ= yh = y + y n n 1 2 ' 1 2 où y 1 et et s 2 ' y 2 sont les moyennes des valeurs observées dans s 1 N.B. : En désignant par y 2 la moyenne qui résulterait des observations auprès des non-répondants, y 2 peut être estimée par ' y 2 21

22 2 ) Propriétés de y H y H est un estimateur sans biais de μ V y N n 1 N 1 λ = σ + σ Nn n N λ ( ) 3 ) Remarque H 1, corr 2, corr On peut formuler un problème de coût dans ce contexte; soient C 1 le coût unitaire de tirage lors de la première étape et C 2 le coût unitaire de tirage lors de la relance ; on peut admettre, en général, que C1 < C2 Considérons le coût global : C = C n+ C n ' Pour un budget fixé a priori C, on peut chercher les valeurs de n et λ qui minimise V( y H ); on peut ainsi démontrer que: CN n = C N + C λ N C λ= C N N σ 1 2; corr σcorr N2σ2; corr où N 2 est le nombre (à estimer) de non-répondants de la 2 population et σ 2;corr leur variance corrigée 22

23 b) Repondération 1 ) Définition La repondération consiste à: Eliminer les unités comportant des données manquantes Ajuster les poids de sondage des répondants pour compenser ceux qui ont été éliminés 2 ) Rappel où 1 w i = π i τ= ˆ wy i i i s est le poids de sondage 3 ) Poids ajusté Si on dispose du taux de réponse correcteur on remplace nombre de répondants T = taille d'échantillon 1 w i par wi, ajust= wi T T peut être considéré comme un estimateur de la probabilité de réponse p ri d'un individu i de U (supposée dans un premier temps constante) Pour tenir compte de la spécificité de certaines sous-populations, on peut construire un modèle de réponse qui intègre cette situation 23

24 4 ) Caractéristiques de la repondération Il faut choisir un modèle de réponse qui permette d'obtenir une bonne approximation des vraies probabilités de réponse; dans ce cas, le biais sera petit, quelque soit le paramètre d'intérêt (par exemple, les corrélations entre les variables pourront être préservées) Pour obtenir un meilleur ajustement, le taux de réponse correcteur peut se calculer au niveau de strates, ou de quelque autre classification Exemples : Pour les enquêtes auprès des entreprises, les taux de réponse, calculés au niveau des strates suffisent souvent à ajuster les poids de sondage Pour les enquêtes sociales, les probabilités de réponse dépendent souvent de facteurs autres que les seules variables de stratification; ainsi, les personnes qui changent d'adresse sont moins susceptibles d'être retracées et ont donc des probabilités de réponse inférieures aux personnes sédentaires Une solution très intéressante consiste à utiliser de l'information auxiliaire pour modéliser les probabilités de réponse, par exemple à l'aide de la régression logistique Dans ce contexte, une stratégie de calage (au niveau de la population et au niveau de l'échantillon) peut être utilisée pour réduire la variance (et même le biais) 24

25 5 ) Remarques Les techniques de repondération utilisées en pratique sont souvent simples Aucune donnée artificielle n'est créée, ce qui a moins tendance à donner une fausse impression de précision (comparativement à l'imputation) Plusieurs logiciels sont disponibles pour obtenir les estimations désirées Dans le cas de la non-réponse totale, les méthodes de repondération conduisent à un seul ensemble de poids, ce qui est très pratique du point de vue des utilisateurs Si on voulait traiter de la même manière le cas de la non-réponse partielle, un très grand nombre d'ensembles de poids pourrait être requis ce nombre peut devenir rapidement très grand s'il y a un très grand nombre de variables Pour ces raisons, la repondération n'est en pratique utilisée que pour le traitement de la non-réponse totale; l'imputation est préférée à la repondération pour traiter la non-réponse partielle 25

26 c) Imputation L'imputation consiste à assigner une valeur plausible à l'ensemble des variables d'une personne non répondante Il existe plusieurs méthodes d'imputation : le choix de l'une ou l'autre dépend du nombre d'informations extérieures que l'on désire associer à la valeur imputée de sorte qu'elle reflète le mieux possible la vraie valeur manquante Exemple : l'imputation par la moyenne On remplace la valeur manquante par une moyenne calculée à partir des unités répondantes L'imputation est surtout utilisée pour traiter la nonréponse partielle bien qu'elle puisse également être utilisée pour le traitement de la non-réponse totale 26

27 Le traitement de la non-réponse partielle a) Le recours aux répondants Il s'agit d'éliminer toutes les observations comportant au moins une valeur manquante Risques de biais sauf si les non-réponses sont indépendantes des variables Nombre restreint d'individus utilisés dans l'estimateur b) Repondération Principe : voir paragraphe b) Inconvénients : il faut créer un poids ajusté pour chacune des variables mesurées par l'enquête En outre, il faudrait des poids ajustés par des analyses multivariées Exemple : si on a 3 variables, on a besoin en tout de 7 ensembles de poids : 3 ensembles de poids pour faire les analyses univariées 3 ensembles de poids pour faire les analyses bivariées 1 ensemble de poids pour faire les analyses impliquant les 3 variables 27

28 c) Imputation 1 ) Avantages Elle mène à la création d'un fichier de données complet Les résultats issus de différentes analyses seront vraisemblablement cohérents Contrairement aux méthodes de repondération, l'imputation permet l'utilisation d'un poids de sondage unique L'information disponible sur les répondants partiels peut être utilisée comme information auxiliaire pour améliorer la qualité des valeurs imputées 2 ) Risques L'inférence n'est généralement valide que si certaines hypothèses sous-jacentes (concernant le mécanisme de non-réponse et/ou le modèle d'imputation) sont satisfaites Certaines méthodes d'imputation ont tendance à distordre la distribution des variables d'intérêt L'imputation a tendance à distordre les relations entre les variables Le fait de traiter les valeurs imputées comme des valeurs observées peut entraîner une sous-estimation substantielle de la variance de l'estimateur, surtout si le taux de non-réponse n'est pas négligeable 28

29 10.3 L IMPUTATION Rappels L'imputation consiste à assigner une valeur plausible à l'ensemble des variables qui ne peuvent être mesurées du fait de non-réponse (totale ou partielle) d'une ou de plusieurs personnes sélectionnées dans l'échantillon Elle mène à la création d'un fichier de données complet Si y i est manquante, nous désignerons par y * i la valeur imputée qui la remplace L'imputation est surtout utilisée pour traiter la non-réponse partielle bien qu'elle puisse également être utilisée pour le traitement de la non-réponse totale; nous supposerons donc être dans le cas d'une non-réponse partielle, sauf mention contraire 29

30 Estimateur imputé a) Hypothèse de base Soit un plan de sondage ignorable, tel que où ( Z = y ) = ( Z = ) P 1,x P 1 x i Z i 1 sii s = 0 sinon i ( y: variable d'intérêt, x: vecteur de variables auxiliaires) b) Estimateurs de τ et μ 1 ) S'il n'y a pas de non-réponse τ= w y ˆ i i i s où w = 1/ π est le poids de sondage i i 2 ) S'il y a des non-réponses s = sr snr, où s r est composé des répondants et s nr des non-répondants de l'échantillon: où * i τ ˆ = w y + * imp i i i i i s i s r nr w y y est une valeur imputée, à définir N.B.: τˆ imp τ μ ˆ imp = ou ˆ N Nˆ imp, avec Nˆ = 1/ πi i S 30

31 Méthode d estimation a) Types de méthodes On distingue les méthodes d'imputation dites déterministes de celles dites aléatoires Les méthodes déterministes sont celles qui fournissent une valeur fixe étant donnée l'échantillon si le processus d'imputation est répété Les méthodes aléatoires sont celles qui ont une composante aléatoire; elles ne fournissent donc pas nécessairement la même valeur si l'on répète le processus d'imputation pour un échantillon donné 1 ) Modèle de base y ( x ) = f +ε i i i où x est un vecteur de variables auxiliaires, disponible pour i s, et ε i un résidu aléatoire tel que 2 2 E ε = 0, E ε ε = 0 i j, E ε =σ ( ) ( ) ( ) ( ) i i j i i 2 ) Imputation déterministe Soit f ˆr l'estimation de f à partir de s r * y = fˆ x i s ( ) i r i nr y i x i 31

32 3 ) Imputation aléatoire ( x ) y = fˆ +σˆ e i s * * i r i i i nr où σ ˆ j est un estimateur de σ j et e * i un résidu tiré au hasard (PESR) dans l'ensemble des résidus standardisés : 1 e ˆ j = yj fr( x j) σˆ, pour j sr j b) Quelques méthodes simples 1 ) Imputation par la moyenne y = y i s * i r nr où y r est la moyenne des valeurs y i données par les répondants ( i s r ) 2 ) Imputation par le plus proche voisin y = y i s * i j nr où j s est le répondant tel que nr distance ( i, j) x x est minimum N.B. : la distance est à définir en fonction du problème 32

33 c) Classes homogènes d'imputation Il s'agit de subdiviser la population U en classes (sous-population) de manière telle que les individus d'une même classe ont un comportement semblable en termes de nonréponses Les classes peuvent être les strates d'une stratification Les classes peuvent être définies par des individus dont on estime, au vu de variables auxiliaires, qu'ils devraient avoir une probabilité de réponse semblable Il existe des méthodes alternatives permettant de créer ces classes 33

34 d) Imputation par régression linéaire simple 1 ) Imputation par régression linéaire simple On suppose disposer des valeurs d'une seule variable auxiliaire x ( i) 0 1 f x =β +β x et i 2 2 σ i =σ y = bˆ + bˆ x, où * i 0r 1r i et ( )( ) w x x y y bˆ bˆ y bˆ x w x x i i r i r i sr 1r =, 2 0r = r 1r r i s r ( ) i i r 1 1 y = w y, x = w x w w r i i r i i i i sr i i sr i s i s r r 2 ) Imputation par le quotient Cas particulier de l'imputation par régression: ( ) f xi =β xi et σ 2 2 i =σ * y ˆ i = br xi où ˆ yr br = x 3 ) Imputation par la moyenne (rappel) r xi 2 2 * ( ) ( ) x = 1, f x =β, σ =σ y = y i s i i i i r nr 34

35 4 ) Imputation par régression linéaire ' ( x ) x f = β=β +β x +β x + +β x où ( ) i i 0 1 i1 2 i2 m im 1 2 m ' β= β β β est un vecteur de paramètres inconnus 2 2 Posons σ ' i =σ λ x, i où λ est un vecteur de constantes λ ; la valeur imputée vaut alors: y = * ' xbˆ i i r où 1 ' ' ' ˆbr = wi xi x i / λ xi wi x i yi / λ xi i s i s r r N.B. : ˆb r est un estimateur MC de β 5 ) Imputation par régression avec résidus Imputation par régression + résidu aléatoire tiré (PESR) dans l'ensemble des résidus standardisés fournis par s r * où e e ( j s ) y = xbˆ + λ ( x) 1/2 * ' ' * i i r i i * =, tel que P( ei = ej) = wj / wk et i j r e 1/2 ' ' ( x ) ( y x bˆ ) = λ j j j j r e k s r 35

36 e) Autres méthodes 1 ) «Hot deck» Consiste à tirer au hasard un des répondants de l'échantillon que l'on appelle alors un donneur; les valeurs des variables du donneur sont ensuite assignées à un non-répondant donné Particulièrement utile parce qu'elle assigne automatiquement des valeurs cohérentes aux nonrépondants provenant directement des répondants Fonctionne autant pour les variables quantitatives que qualitatives Peut s'employer à l'intérieur de classes d'imputation 2 ) «Cold deck» Elle diffère du «hot deck» du fait qu'elle choisit le donneur parmi une source de données externe (exemple: données administratives ou enquêtes précédentes) 36

37 3 ) Imputation multiple Consiste à imputer, pour un non-répondant donné, différentes valeurs; les estimations sont alors calculées en utilisant un ou plusieurs des ensembles de données produites Exemple : Plusieurs imputations par «hot deck» Permet de mesurer la variabilité introduite par l'utilisation de valeurs imputées Peu employée en pratique, principalement à cause de la multiplication des ensembles de données 37

38 Imputation pour les enquêtes longitudinales a) Spécificité du problème Pour les enquêtes longitudinales, les méthodes d'imputation doivent tenir compte des données des vagues précédentes et suivantes, en plus de la vague courante Utiliser seulement les données de la vague courante peut créer des changements (ou transitions) artificiels Utiliser les données des vagues précédentes et suivantes seulement peut sous-représenter les changements b) Méthodes d'imputation utilisables Imputation par le plus proche voisin (imputation par donneur) en utilisant les données des vagues précédentes, suivantes et actuelle pour aider à trouver le donneur Imputation par modélisation en utilisant des variables auxiliaires provenant des vagues précédentes, suivantes et actuelle Exemple : Valeurs pour j Vague 1 Vague 2 Vague 3 ventes ? profits moyenne des ventes

39 1 ) Imputation par la moyenne Vente imputée = (pas plausible si comparées aux vagues 1 et 3) 2 ) Imputation historique : Vente imputée = (pas plausible si comparées à la moyenne des ventes pour la vague 2 et aussi si les profits sont corrélés avec les ventes) 3 ) Imputation par modélisation Solution utilisant les données des vagues précédentes, suivantes et actuelle : Modèle 1 : VENTES = α + β MOYVENTES = MOYVENTES vente imputée = Modèle 2 : VENTES = α + β PROFITS = PROFITS 39

40 10.4 LA METHODE DES REPONSES ALEATOIRES Introduction Comment peut-on estimer la proportion de personnes qui possèdent une «caractéristique délicate» à partir d un échantillon s (PESR)? Stratégie de base Une urne contient une proportion θ de boules blanches et une proportion ( 1 θ ) de boules noires. L'enquêté tire au hasard une boule de l'urne sans la montrer à l'enquêteur Si la boule est blanche, il répond «oui» ou «non» à une affirmation A Si la boule est noire, il répond «oui» ou «non» à l'affirmation contraire A On cherche à estimer affirmation A p A, la proportion de «oui» à une 40

41 a) Estimation de p A Soit π la probabilité de recevoir une réponse «oui» : A ( 1 )( 1 p ) π=θ p + θ Si ˆπ est la proportion de «oui» obtenue dans s: A ˆp A = πˆ ( 1 θ) 2θ 1 ˆp Aestime sans biais p A. En outre: 1 V p V ( ˆ A ) = ( πˆ 2 ) ( 2θ 1) pa( 1 pa) 1 θ( 1 θ) 2 n n( 2θ 1) + étant donné que V( π ˆ ) = π( 1 π ) n N.B. : les valeurs de θ qui minimisent le second terme de V( ˆp A ) sont θ= 0 etθ = 1. Mais dans ces cas, le secret de la réponse est peu sûr comment se rendre compte du risque de connaître la vérité à partir de la réponse fournie par l enquêté? 41

42 a) Degré de protection Tentons de reconstituer la probabilité de posséder A: ( ) P A oui ( ) P A non θp A = θ + θ = pa ( 1 )( 1 pa) ( 1 θ) pa ( 1 θ ) p +θ( 1 p ) A A Supposons que θ soit plus grand que 1 2, ce qui ne nuit pas à la généralité de la procédure. Dans ce cas, on peut montrer que: ( ) P ( A non) P A oui Or, plus la valeur de Max P( A oui ),P( A non) petite, plus les individus sont protégés est Dès lors, ( ) P A oui peut servir à mesurer le degré de protection de l'individu 42

43 Stratégie de substitution Reprenons le principe de la stratégie de base Si la boule tirée est blanche, l'enquête répond «oui» ou «non» à la proposition A Si la boule tirée est noire, il répond «oui» ou «non» à un énoncé B, indépendant de A Dès lors : A A ( 1 ) p ( 1 θ) π =θ p + θ ˆp = πˆ 2θ 1 B a) Si p B est connu, on a: V ( ˆp ) A = π ( 1 π) nθ 2 b) Si p B n'est pas connu, on l'estimera par une valeur obtenue à partir d une pré-enquête: * p B ( ˆp ) A ( 1 θ) * π ˆ pb ˆp A =, θ V ( 1 π) p ( 1 p )( 1 θ) π = + nθ B B 2 * 2 n θ 2 où * n est la taille de l'échantillon de la pré-enquête N.B. : On peut aussi introduire une mesure de la protection de l'individu 43

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

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

Correction des exemples. Mathieu EMILY

Correction des exemples. Mathieu EMILY Correction des exemples Mathieu EMILY Novembre 2005 Table des Matières Exemple_Exercice 1 Page 2 Exemple_Exercice 2 Page 3 Exemple_Exercice 3 Page 5 Exemple_Exercice 4 Page 6 Exemple_Exercice 5 Page 7

Plus en détail

Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010

Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année

Plus en détail

Méthodologie d'estimation dans l'enquête Sans-Domicile 2012. Alexandre Lebrère

Méthodologie d'estimation dans l'enquête Sans-Domicile 2012. Alexandre Lebrère Méthodologie d'estimation dans l'enquête Sans-Domicile 2012 Alexandre Lebrère 05/12/2013 Plan Introduction: Le problème posé 1. L apurement des questionnaires 2. Le calage des prestations 3. L'imputation

Plus en détail

Méthodes de sondage Echantillonnage et Redressement

Méthodes de sondage Echantillonnage et Redressement Méthodes de sondage Echantillonnage et Redressement Guillaume Chauvet École Nationale de la Statistique et de l Analyse de l Information 27 avril 2015 Guillaume Chauvet (ENSAI) Echantillonnage 27 avril

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

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,

Plus en détail

Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014

Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Démarche Statistique 1 Échantillonnage Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Introduction Objectif statistique descriptive: sur l'échantillon statistique inférentielle:

Plus en détail

Petit rappel sur l administration du questionnaire...

Petit rappel sur l administration du questionnaire... Petit rappel sur l administration du questionnaire... PIl existe deux procédés pour faire passer un questionnaire à la population sondée : < L entrevue avec un interviewer : Par entrevue téléphonique;

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

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

DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE

DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE 1 Définir le type de variable Dans notre cas, la variable est quantitative nominale. Note : Une variable est qualitative nominale quand

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

EXERCICES SUR LES PROBABILITÉS

EXERCICES SUR LES PROBABILITÉS EXERCICES SUR LES PROBABILITÉS Exercice 1 Dans un univers Ω, on donne deux événements A et B incompatibles tels que p(a) = 0,2 et p(b) = 0,7. Calculer p(a B), p(a B), p ( A ) et p ( B ). Exercice 2 Un

Plus en détail

SuBu. Gardez un œil sur vos budgets. Guide du gestionnaire comptable

SuBu. Gardez un œil sur vos budgets. Guide du gestionnaire comptable Context O SuBu Gardez un œil sur vos budgets Version 2 (10 octobre 2014) L'ensemble de la documentation de SuBu est (c) Nicolas Granon, 2011 2014 Guide du gestionnaire comptable Si vous n'êtes pas familier

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

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur

Plus en détail

9 5 2 5 Espaces probabilisés

9 5 2 5 Espaces probabilisés BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Cours (8) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012. Test du Khi 2

Cours (8) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012. Test du Khi 2 Test du Khi 2 Le test du Khi 2 (khi deux ou khi carré) fournit une méthode pour déterminer la nature d'une répartition, qui peut être continue ou discrète. Domaine d application du test : Données qualitatives

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

Fiche qualité SRCV 2009. Carte d identité de l enquête

Fiche qualité SRCV 2009. Carte d identité de l enquête Fiche qualité SRCV 2009 Nom Carte d identité de Enquête Statistique sur les ressources et les conditions de vie Année de Les données de sont relatives à 2009 La première enquête SRCV a démarré en 2004.

Plus en détail

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace.

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace. Traonmilin Yann traonmil@enst.fr MOD Algorithmique Probabiliste 1. Deux exemples 1.1. Quicksort randomisé. Dans l'algorithme de tri classique Quicksort, le pivot est choisi au début du tableau puis on

Plus en détail

Les conducteurs automobiles évaluent-ils correctement leur risque de commettre un accident?

Les conducteurs automobiles évaluent-ils correctement leur risque de commettre un accident? Les conducteurs automobiles évaluent-ils correctement leur risque de commettre un accident? Nathalie LEPINE GREMAQ, Université de Toulouse1, 31042 Toulouse, France GRAPE, Université Montesquieu-Bordeaux

Plus en détail

Statistique et Médias: la partie immergée de l iceberg. Philippe Tassi Journées ENS - ENSAI Rennes, 28 septembre 2007

Statistique et Médias: la partie immergée de l iceberg. Philippe Tassi Journées ENS - ENSAI Rennes, 28 septembre 2007 Statistique et Médias: la partie immergée de l iceberg Philippe Tassi Journées ENS - ENSAI Rennes, 28 septembre 2007 Les médias A priori, un objectif simple en terme de mesure : Compter et qualifier -

Plus en détail

STRATÉGIE RÉGIONALE D EXAMEN Présentation à la Société canadienne d évaluation Charlottetown, 5 juin 2006 Daniel Gagnon, Gestionnaire int.

STRATÉGIE RÉGIONALE D EXAMEN Présentation à la Société canadienne d évaluation Charlottetown, 5 juin 2006 Daniel Gagnon, Gestionnaire int. STRATÉGIE RÉGIONALE D EXAMEN Présentation à la Société canadienne d évaluation Charlottetown, 5 juin 2006 Daniel Gagnon, Gestionnaire int. planification et examen Plan de la présentation Introduction Contexte

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 Le sujet est numéroté de 1 à 5. L annexe 1 est à rendre avec la copie. L exercice Vrai-Faux est

Plus en détail

C3 : Manipulations statistiques

C3 : Manipulations statistiques C3 : Manipulations statistiques Dorat Rémi 1- Génération de valeurs aléatoires p 2 2- Statistiques descriptives p 3 3- Tests statistiques p 8 4- Régression linéaire p 8 Manipulations statistiques 1 1-

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

Consignes d été en Mathématiques

Consignes d été en Mathématiques MPSI-PCSI Consignes d été 4-5 Classes préparatoires MPSI-PCSI, Lycée Châtelet, Douai Rentrée de Septembre 5 Consignes d été en Mathématiques Vous trouverez dans ce document trois rubriques :. Le mot du

Plus en détail

Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France

Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes

Plus en détail

NC 35 Norme comptable relative aux états financiers consolidés

NC 35 Norme comptable relative aux états financiers consolidés NC 35 Norme comptable relative aux états financiers consolidés Champ d'application 1. La présente norme doit être appliquée à la préparation et à la présentation des états financiers consolidés d'un groupe

Plus en détail

L indice des fonctionnaires à la liquidation de leur retraite DREES

L indice des fonctionnaires à la liquidation de leur retraite DREES CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 10 avril 2014 à 9 h 30 «Carrières salariales et retraites dans les secteurs privé et public» Document N 8 Document de travail, n engage pas le Conseil

Plus en détail

Calculs de probabilités conditionelles

Calculs de probabilités conditionelles Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

Plus en détail

Les probabilités. Chapitre 18. Tester ses connaissances

Les probabilités. Chapitre 18. Tester ses connaissances Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce

Plus en détail

BOFIP-GCP du 14-0004 du 25/02/2014

BOFIP-GCP du 14-0004 du 25/02/2014 DIRECTION GENERALE DES FINANCES PUBLIQUES BOFIP-GCP du 14-0004 du 25/02/2014 NOR : BUDE1404375J Instruction du 12 février 2014 COMPTABILISATION DES CHANGEMENTS DE METHODES COMPTABLES, CHANGEMENTS D'ESTIMATIONS

Plus en détail

Problématique de la qualité des données statistiques

Problématique de la qualité des données statistiques Revue du Schéma directeur de la Statistique du Mali Problématique de la qualité des données statistiques La qualité : «l ensemble des propriétés et caractéristiques d un produit ou d un service qui lui

Plus en détail

LES STATISTIQUES. Valérie Bougault, PhD. valerie.bougault@univ-lille2.fr

LES STATISTIQUES. Valérie Bougault, PhD. valerie.bougault@univ-lille2.fr LES STATISTIQUES Valérie Bougault, PhD. valerie.bougault@univ-lille2.fr Référence: S. Champely. «Statistique vraiment appliquée au sport». Ed de Boeck université (Bruxelles), Coll Sciences et pratiques

Plus en détail

Couples de variables aléatoires discrètes

Couples de variables aléatoires discrètes Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7.

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7. UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre Fiche N 7 (avec corrigé) L objet de ce TD est de vous initier à la démarche et à quelques

Plus en détail

L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques.

L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques. L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques 1 BUTS DU COURS : se familiariser avec le vocabulaire statistique o variable dépendante, variable indépendante o statistique descriptive,

Plus en détail

Les activités d innovation des entreprises wallonnes

Les activités d innovation des entreprises wallonnes Les activités d innovation des entreprises wallonnes 1. Introduction L enquête «Community Innovation Survey» ( CIS ) a pour objectif de fournir des informations concernant les activités d innovation au

Plus en détail

NOTIONS DE PROBABILITÉS

NOTIONS DE PROBABILITÉS NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...

Plus en détail

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,

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

Examen intra LOG3000 Hiver 2014

Examen intra LOG3000 Hiver 2014 Examen intra LOG3000 Hiver 2014 Vendredi le 28 février 2014. Durée : 08h30 à 10h00 (total 1h30). Local : B-415. Total des points : 20. Pondération de l'examen dans la note finale : 35%. Sans documentation,

Plus en détail

Le test triangulaire

Le test triangulaire Le test triangulaire Objectif : Détecter l absence ou la présence de différences sensorielles entre 2 produits. «les 2 produits sont-ils perçus comme différents?» Contexte : la différence sensorielle entre

Plus en détail

Technique d Enquête et Méthode de Sondage

Technique d Enquête et Méthode de Sondage Technique d Enquête et Méthode de Sondage Matthieu NEVEU Licence d Économétrie Année 2004-2005 Références Ouvrages généraux Brossier G et Dussaix AM (1999). Enquêtes et Sondages. Dunod Ardilly Pascal (1994).

Plus en détail

Évaluations aléatoires : Comment tirer au sort?

Évaluations aléatoires : Comment tirer au sort? Évaluations aléatoires : Comment tirer au sort? William Parienté Université Catholique de Louvain J-PAL Europe povertyactionlab.org Plan de la semaine 1. Pourquoi évaluer? 2. Comment mesurer l impact?

Plus en détail

Chapitre 5 Les Probablilités

Chapitre 5 Les Probablilités A) Introduction et Définitions 1) Introduction Chapitre 5 Les Probablilités De nombreuses actions provoquent des résultats qui sont dus en partie ou en totalité au hasard. Il est pourtant nécessaire de

Plus en détail

Leçon 5. Systèmes de gestion à recomplétement périodique et stock de sécurité

Leçon 5. Systèmes de gestion à recomplétement périodique et stock de sécurité CANEGE Leçon 5 Systèmes de gestion à recomplétement périodique et stock Objectif : A l'issue de la leçon l'étudiant doit être capable : dans le cadre des calendriers d approvisionnement à recomplètement

Plus en détail

NC 06 Norme comptable relative aux Immobilisations incorporelles

NC 06 Norme comptable relative aux Immobilisations incorporelles NC 06 Norme comptable relative aux Immobilisations incorporelles Objectif 01. Une entreprise peut acquérir des éléments incorporels ou peut elle-même les développer. Ces éléments peuvent constituer des

Plus en détail

TUTORIEL ETHNOS : La réalisation d'une enquête par questionnaire

TUTORIEL ETHNOS : La réalisation d'une enquête par questionnaire TUTORIEL ETHNOS : La réalisation d'une enquête par questionnaire Pour découvrir le mode opératoire en vidéo : Sur Internet, lancer le site web de Softconcept : http://www.softconcept.com/fr/logiciel_d_enquete/ethnos.htm

Plus en détail

Crésus-comptabilité analytique

Crésus-comptabilité analytique Crésus-comptabilité analytique 1 Supplément au manuel d'utilisation Crésus-comptabilité Table des matières 1. Introduction 3 2. Centres d'analyse 4 2.1. Introduction 4 2.2. Création des centres d'analyse

Plus en détail

3 Les premiers résultats des plans d'actions

3 Les premiers résultats des plans d'actions 3 Les premiers résultats des plans d'actions Les résultats que nous avons obtenus en ce qui concerne les plans d'action, résultent de l'analyse de 48 entreprises seulement. Revenons sur notre échantillon.

Plus en détail

Evaluation de la variabilité d'un système de mesure

Evaluation de la variabilité d'un système de mesure Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les

Plus en détail

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

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

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

L intimidation au Québec. 19 novembre 2012

L intimidation au Québec. 19 novembre 2012 L intimidation au Québec 19 novembre 2012 2 La présente étude a été réalisée par Internet auprès de 652 personnes de plus de 18 ans, réparties dans toutes les régions du Québec. Les entrevues ont été réalisées

Plus en détail

Chapitre 1 : Introduction aux bases de données

Chapitre 1 : Introduction aux bases de données Chapitre 1 : Introduction aux bases de données Les Bases de Données occupent aujourd'hui une place de plus en plus importante dans les systèmes informatiques. Les Systèmes de Gestion de Bases de Données

Plus en détail

La qualité des données sur les revenus : enquête versus fichier administratif L exemple de l enquête SRCV 2005. Laurence DAUPHIN INSEE 25 mars 2009

La qualité des données sur les revenus : enquête versus fichier administratif L exemple de l enquête SRCV 2005. Laurence DAUPHIN INSEE 25 mars 2009 La qualité des données sur les revenus : enquête versus fichier administratif L exemple de l enquête SRCV 2005 Laurence DAUPHIN INSEE PLAN Le dispositif SRCV Pourquoi une «refonte»? L appariement Sources

Plus en détail

ENQUETE BUDGET DE FAMILLE 1995

ENQUETE BUDGET DE FAMILLE 1995 METHOD.DOC ENQUETE BUDGET DE FAMILLE 1995 Méthodologie INSEE 1998 I - L ECHANTILLON Mode de désignation de l échantillon Sélection des ménages intérrogés L'échantillon sélectionné pour cette enquête comporte

Plus en détail

CONCEPTION ET TIRAGE DE L ÉCHANTILLON

CONCEPTION ET TIRAGE DE L ÉCHANTILLON CHAPITRE 4 CONCEPTION ET TIRAGE DE L ÉCHANTILLON Ce chapitre technique 1 s adresse principalement aux spécialistes de sondage, mais aussi au coordinateur et aux autres responsables techniques de l enquête.

Plus en détail

TESTS D'HYPOTHESES Etude d'un exemple

TESTS D'HYPOTHESES Etude d'un exemple TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses

Plus en détail

générale Enquête sociale Canada 1+1 Statistique ENQUÊTE SUR LA FAMILLE DOCUMENTATION SUR LES MICRODONNÉES À GRANDE DIFFUSION Canada a...

générale Enquête sociale Canada 1+1 Statistique ENQUÊTE SUR LA FAMILLE DOCUMENTATION SUR LES MICRODONNÉES À GRANDE DIFFUSION Canada a... Enquête sociale générale ENQUÊTE SUR LA FAMILLE DOCUMENTATION SUR LES MICRODONNÉES À GRANDE DIFFUSION ~ a... ~ c E ~ E Il Il Il Il E Il E E + Statistique Canada Statistics Canada Canada T A BLE DES MAT

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Développement itératif, évolutif et agile

Développement itératif, évolutif et agile Document Développement itératif, évolutif et agile Auteur Nicoleta SERGI Version 1.0 Date de sortie 23/11/2007 1. Processus Unifié Développement itératif, évolutif et agile Contrairement au cycle de vie

Plus en détail

Le sondage indirect, la méthode du partage des poids

Le sondage indirect, la méthode du partage des poids STA108 : Enquêtes et sondages Le sondage indirect, la méthode du partage des poids Sondages en plusieurs degrés, sondage en deux phase et sondages indirects Exemple : les enquêtes par téléphone, bases

Plus en détail

L ENQUETE PAR QUESTIONNAIRE

L ENQUETE PAR QUESTIONNAIRE L ENQUETE PAR QUESTIONNAIRE 1 Pourquoi utiliser cet outil en évaluation? L'enquête par questionnaire est un outil d observation qui permet de quantifier et comparer l information. Cette information est

Plus en détail

P1 : Corrigés des exercices

P1 : Corrigés des exercices P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à

Plus en détail

PLANIFICATION ET SUIVI D'UN PROJET

PLANIFICATION ET SUIVI D'UN PROJET Centre national de la recherche scientifique Direction des systèmes d'information REFERENTIEL QUALITE Guide méthodologique PLANIFICATION ET SUIVI D'UN PROJET Référence : CNRS/DSI/conduite-projet/developpement/gestion-projet/guide-planfi-suivi-projet

Plus en détail

plan directeur des systèmes d'information objectif et marche à suivre

plan directeur des systèmes d'information objectif et marche à suivre plan directeur des systèmes d'information objectif et marche à suivre Direction du développement des entreprises et des affaires Préparé par Michel Lapointe Conseiller en gestion Publié par la Direction

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Directives du Programme Ontarien de soutien aux personnes handicapées - directives pour le soutien du revenu

Directives du Programme Ontarien de soutien aux personnes handicapées - directives pour le soutien du revenu Directives du Programme Ontarien de soutien aux personnes handicapées - directives pour le soutien du revenu 2.3 - Admissibilité des conjoints, conjointes Résumé de la Politique Une personne est considérée

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

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

Probabilités CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES

Probabilités CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Chapitre Ce que dit le programme : Probabilités CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Objectifs visés par l enseignement des statistiques et probabilités à l occasion de résolutions de problèmes dans

Plus en détail

Enquête sociale générale EMPLOI DU TEMPS, MOBILITÉ SOCIALE ET LANGUE - 1986

Enquête sociale générale EMPLOI DU TEMPS, MOBILITÉ SOCIALE ET LANGUE - 1986 1 Enquête sociale générale EMPLOI DU TEMPS, MOBILITÉ SOCIALE ET LANGUE - 1986 6-1cl(, ~ Documentation sur te ficbier de microdonnées à grande diffusion -et guide des utilisateurs 1 --. 111--- 1 1-1Ii1-:

Plus en détail

3.7. Les sondages dans la révision (6 septembre 1996) 91

3.7. Les sondages dans la révision (6 septembre 1996) 91 c est-à-dire des relations qui sont inattendues ou contradictoires avec des éléments probants obtenus par d autres voies, le réviseur devra procéder à leur étude. Cette étude commencera habituellement

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

A PROPOS DES TABLES DE NOMBRES AU HASARD

A PROPOS DES TABLES DE NOMBRES AU HASARD A PROPOS DES TABLES DE NOMBRES AU HASARD Dans les bulletins n 3 et n 5, nous avons publié dans le courrier des lecteurs deux exemples de séances de travaux dirigés durant lesquelles les étudiants devaient

Plus en détail

CONSEIL NATIONAL DE LA COMPTABILITÉ

CONSEIL NATIONAL DE LA COMPTABILITÉ CONSEIL NATIONAL DE LA COMPTABILITÉ Avis n 97.06 du 18 juin 1997 relatif aux changements de méthodes comptables, changements d'estimation, changements d'options fiscales et corrections d'erreurs Le Conseil

Plus en détail

La correction des erreurs d'enregistrement et de traitement comptables

La correction des erreurs d'enregistrement et de traitement comptables La correction des erreurs d'enregistrement et de traitement comptables Après l'étude des différents types d'erreurs en comptabilité (Section 1) nous étudierons la cause des erreurs (Section 2) et les techniques

Plus en détail

Date de diffusion publique : 4 septembre, 2012

Date de diffusion publique : 4 septembre, 2012 En règle générale, les Canadiens sont confiants de pouvoir reconnaître les signes d une urgence médicale, mais ils sont moins certains d avoir les compétences nécessaires pour intervenir. Quatre Canadiens

Plus en détail

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction

Plus en détail

Chapitre 3 : Introduction aux probabilités

Chapitre 3 : Introduction aux probabilités IUT de Sceaux Département TC1 Mathématiques Chapitre 3 : Introduction aux probabilités 1. Évènements Les événements élémentaires sont les issues possibles d'une expérience aléatoire. Un événement est un

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Série de TD N 1. On lance un dé dont les faces sont numérotées de 1 à 6, donc

Série de TD N 1. On lance un dé dont les faces sont numérotées de 1 à 6, donc Série de TD N 1 Exercice 1 Combien de " mots " de cinq lettres au plus peut-on former avec les quatre lettres de mot "CLAN". Ces lettres étant répétées ou non, et leur ordre n intervenant pas. Exercice

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Introduction à la Statistique Inférentielle

Introduction à la Statistique Inférentielle UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique

Plus en détail

METHODOLOGIE L'ENQUETE NATIONALE SUR LES STATISTIQUES AGRICOLES VERSION DECEMBRE 93

METHODOLOGIE L'ENQUETE NATIONALE SUR LES STATISTIQUES AGRICOLES VERSION DECEMBRE 93 BURKINA FASO ------ MINISTERE DE L'AGRICULTURE ET DES RESSOURCES ANIMALES ------ SECRETARIAT GENERAL ------ DIRECTION DES STATISTIQUES AGRO-PASTORALES METHODOLOGIE DE L'ENQUETE NATIONALE SUR LES STATISTIQUES

Plus en détail

Installation d'un serveur DHCP sous Windows 2000 Serveur

Installation d'un serveur DHCP sous Windows 2000 Serveur Installation d'un serveur DHCP sous Windows 2000 Serveur Un serveur DHCP permet d'assigner des adresses IP à des ordinateurs clients du réseau. Grâce à un protocole DHCP (Dynamic Host Configuration Protocol),

Plus en détail