Théorie des sondages : cours 5

Transcription

1 Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne [email protected] Master Besançon-2010

2 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur par le ratio 3. l estimateur par la régression

3 Question : comment peut-on faire pour améliorer l estimateur de Horvitz-Thompson ˆt π = y k? π s k L estimateur d HT ne contient pas d information auxiliaire à part les probabilités d inclusion π k. Réponse : en prenant en compte l information auxiliaire. Information auxiliaire : des variables X 1,..., X J prenant les valeurs x 1k,..., x Jk pour le k-ème individu et connues avant la mise en place d une enquête. Deux situations : 1. une variable X j est connue pour chaque individus de la population ou 2. le total de X j, U x jk est connu sans avoir accès aux valeurs individuelles x jk. On note x k = (x 1k,..., x Jk ) pour tous k U.

4 Prise en compte de l information auxiliaire : estimateur par le ratio et poststratifié Information auxiliaire : une caractéristique de la théorie des sondages. Ce sont des variables disponibles dans la base de sondage Ces variables peuvent servir de deux façons pour améliorer la qualité des estimations : lors de la conception du plan de sondage : la plan stratifié, à probabilités inégales, par grappes ou à plusieurs degrés ; le plan équilibré (pas dans ce cours) lors de la conception d un nouvel estimateur : poststratifié, l estimateur par le ratio, par la régression, par le calage (pas dans ce cours).

5 L estimateur par le ratio Laplace (1802) a été le premier a avoir proposé faire un sondage au lieu d une énumération exhaustive ; Objectif : estimer la population de la France. Méthode : l estimateur par ratio (une règle de trois ) : il prend un échantillon de taille 30 de communes de toute la France et il obtient un total de ˆt habitants,30com = habitants ; il connaît également le nombre de naissances dans ces 30 communes : ˆt naissances,30com = ce qui implique que il y a une naissance pour = personnes il connaît le nombre total de naissances par an en 1802 et il fait le raisonnement que les communes avec beaucoup d habitants vont avoir plus de naissances, il estime le nombre total d habitants comme t habitants = t naissances ˆt habitants,30com ˆt naissances,30com

6 Dans l exemple de Laplace : le nombre de naissances est l information auxiliaire qui est bien corrélée avec la variable nombre d habitants. (Il doit connaître que t x et x k pour k s.) L estimateur proposé par Laplace est beaucoup utilisé pour estimer des totaux : et il s appelle l estimateur par ratio : ˆt y,ratio = t x ˆt y ˆt x = t x ˆR Propriétés : en général, cet estimateur est biaisé mais pour des échantillons de grande taille, ce biais est très proche de zéro. Si l information auxiliaire est très corrélée avec la variable d intérêt alors, l erreur quadratique moyenne de ˆt y,ratio est plus petite que si on n avait pas utilisé d information auxiliaire.

7 Exemple (Lohr, 1999) Supposons que nous voulons estimer le nombre de poissons péchés au long d un lac. On considère un plan aléatoire simple sans remise de taille n = 2 dans une population de taille N = 4 : nous avons N = 4 endroits pour pécher ; on connaît le nombre x i de filets qui se trouvent à chaque endroit pour pécher. Les valeurs pour toute la population se trouvent dans le tableau suivant : endroit, i total filet, x i t x = 22 nombre poissons, y i t y = 1400

8 P L estimateur par le ratio est ˆt yrat = t x Ps y i s x où s est un des 6 i échantillons possibles de taille 2. Par exemple, si s = (1, 2) ˆt yrat = = échantillon ˆt yrat (ˆt yrat t y ) 2 (1, 2) (1, 3) (1, 4) (2, 3) (2, 4) (3, 4) L espérance de ˆt yrat est la moyenne arithmétique des valeurs possibles de ˆt yrat pour chaque échantillon, E(ˆt yrat ) = et le biais est = 1.83

9 L erreur quadratique moyenne est donnée par EQR(ˆt yrat ) = E(ˆt yrat t y ) 2 = 1 (ˆt yrat t y ) 2 = 14451, 2 6 Considérons maintenant l estimateur par les valeurs dilatées qui ne prend pas en compte l information auxiliaire : ˆt y = N n s y i : échantillon ˆt y (ˆt y t y ) 2 (1, 2) 2 ( ) = (1, 3) (1, 4) (2, 3) (2, 4) (3, 4) Le biais de cet estimateur est 0 mais sa variance est Alors, l estimateur par le ratio est légèrement biaisé mais son EQR est nettement inférieure à celle de l estimateur par les valeurs dilatées qui est sans biais. s

10 Précision de l estimateur par le ratio L estimateur par le ratio ˆt rat = t x ˆR est un estimateur non-linéaire et il est linéarisé par : ˆt rat t y + s u k π k, avec u k la variable linéarisée de ˆt rat donnée par u k = y k Rx k Le biais est donné par E(ˆt rat ) t y = Cov(ˆR, ˆt x ) ( ) u k Pour n grand, Var(ˆt rat ) Var π k s

11 Comparaison entre l estimateur de HT et l estimateur par le ratio pour un plan SRS Nous voulons estimer le total t y = k U y k; On considère un échantillon SRS de taille n; sans inf. aux. et en utilisant l estimateur par les valeurs dilatées : ˆt y = N s y k n avec une variance estimée égale à N 2 1 f n S ys 2 = N 2 1 f 1 (y k ȳ s ) 2 ; n N 1 avec l inf.aux. et l estimateur par le ratio : ˆt yrat = t x ˆt y = t x ˆt s y k x avec une variance estimée égale à N 2 1 f n car ȳ s ˆR x s = 0. S 2 y ˆRx,s = N2 1 f n 1 N 1 s s x k (y k ˆRx k ) 2 s

12 Si on compare les deux formules, dans la première situation nous avons la somme des carrés des écarts de y k à la moyenne ȳ s et dans la deuxième situation, nous avons la somme des carrés des écarts de y k à la droite de régression y = ˆRx Superficie dediée aux fermes en Superficie dediée aux fermes en Superficie dediée aux fermes en Superficie dediée aux fermes en 1987

13 En conclusion 1. L estimateur par le ratio est conseillé lorsque la relation entre Y et X est proche d une droite passante par l origine et la variance de Y est proportionnelle avec X, var(y k ) = σ 2 x k ; 2. Dans ces conditions, le ratio ˆR est la pente de la droite de régression obtenue par des moindres carrées pondérés : (y k Rx k ) ˆR 2 = argmin R s x k

14 Application de l estimateur par le ratio : estimation dans un domaine quand la taille du domaine est connue Soit U d U un domaine et nous voulons estimer le total d une variable Y dans le domaine U d, t d = U d y k Soit s U un échantillon SRS de taille n et s d = s U d. L estimateur de HT de t d (voir TD 1) est ˆt π = N n s d y k. Si on connaît la taille du domaine, N d = U 1 k U d on peut utiliser l estimateur par le ratio qui est plus efficace : s ˆt d,rat = N d d y k = N d y s d 1 sd k Ud

15 Poststratification Considérons l exemple suivant (Lohr, 1999) : on veut estimer le nombre total d étudiants qui veulent être professeurs après leurs études dans une population de 4000 étudiants ; on prend un échantillon aléatoire simple sans remise de taille n = 400; on sait par ailleurs que dans la population totale on a 2700 femmes et 1300 hommes ; dans notre échantillon, il y a 240 femmes dont 84 veulent être des professeurs et 160 hommes dont 40 veulent être des professeurs On utilise cette information et on obtient l estimation suivante : = Il s agît d une règle de trois à l intérieur de chaque groupe!

16 Propriétés La méthode d estimation utilisée est appelée poststratification car utilise l information auxiliaire (le fait d appartenir à un certain groupe) après le tirage de l échantillon. Dans la plupart des cas, l estimateur poststratifié est meilleur que l estimateur par les valeurs dilatées et il est équivalent au plan stratifié avec l allocation proportionnelle. variation totale=variation inter-groupes+variation intra-groupes La poststratification réduit la variance si la variation entre groupes est grande. Dans l exemple donné, l information auxiliaire est le fait que la population est plus homogène à l intérieur de chaque groupe que dans la population totale.

17 Notations et résultats Considérons les notations utilisées lors du plan stratifié : Un échantillon s de taille n est sélectionné dans U selon un plan SAS (le plus utilisé mais un autre type de plan de sondage peut être envisagé). Soit s g = s U g de taille aléatoire n sg dans la sous-population U g, la partie de s se trouvant G G s = s g, n = n sg. g=1 g=1 L estimateur post-stratifié du total est la somme des g estimateurs par le ratio : G ˆt ypost = N g y sg g=1 avec y sg = s g y k /n sg pour n sg 0.

18 L estimateur post-stratifié : variance et estimateur de la variance La variance approximative est donnée par AV (ˆt ypost ) = N 2 1 f n G g=1 W g S 2 yu g + N 2 1 f n 2 pour W g = Ng N et S yu 2 g = 1 N g 1 U g (y k y Ug ) 2. G (1 W g )SyU 2 g g=1 Remarque : Supposons que les sous-populations U g sont des strates et on utilise l allocation proportionnelle, alors la variance du π-estimateur est le premier terme de l expression de AV (ˆt ypost ). L estimateur de la variance est ˆV (ˆt ypost ) = (1 f ) pour Sys 2 g = 1 n sg 1 s g (y k y sg ) 2. G N 2 Sys 2 g g n g=1 sg

19 Quand utiliser la poststratification? 1. dans le cas des sondages à plusieurs items : on peut utiliser différentes variables auxiliaires pour différentes variables d intérêt. 2. dans le traitement de la nonréponse ; 3. l appartenance d un individu à un certain groupe n est pas connue au moment de la mise en place de l enquête.

20 Exemple : On veut estimer la somme moyenne dédiée à la nourriture/mois dans les ménages américaines. Nous avons la distribution de la taille des ménages comme suit : taille du ménage pourcentage Malheureusement, la base de sondage ne contient pas l information concernant la taille de chaque ménage, par conséquent on ne peut pas faire une stratification. Mais on peut faire une poststratification.

21 L estimateur par la régression du total Si la relation entre Y et X est proche d une droite avec intercept, alors y k = β 0 + β 1 x k = X k β où β = (β 0, β 1 ) et X k = (1, x k ) peut donner une bonne approximation du nuage des points. L estimateur par la regression pour le total t y = U y k est ˆt yr = s y k ŷ k π k + U ŷ k = s y k x k B π k + U x k B ŷ k = x k B et B = ( B 0, B 1 ) l estimateur de β dans l échantillon s.

22 L estimateur par la regression pour un plan SRS Le coefficient de regression β est estimé par moindres carrés dans la population par ( ) ( B0 P = y ) U B 1 x U B 1 U (x k x U )(y k y U ) P U (x k x U ) 2 qui est ensuite estimé dans l échantillon par ( ) ( ˆB0 P = y s ˆB 1 x s ˆB 1 s (x k x s)(y k y s ) P s (x k x s) 2 ) et ˆB 1 = Sxy,s. Sx 2 L estimateur par regression est ( ) ˆt yr = N y s + ˆB 1 (x U x s )

23 Variance et estimateur de la variance pour un plan général L estimateur par régression ˆt yr = ˆt yπ + (t x t xπ ) B est approximativement sans biais pour le total t y = U y k est sa variance approximative est donné par AV (ˆt yr ) = U U kl E k π k E l π l pour E k = y k x kb et l estimateur de la variance est pour e ks = y k x k B. V (ˆt yr ) = s s kl π kl e ks π k e ls π l.

24 Variance pour un plan SRS AV (ˆt yr ) = N 2 1 f n S 2 E,U = N2 1 f n = N 2 1 f n S 2 y,u (1 R2 ) 1 N 1 (E k E U ) 2 où R 2 est le coefficient de corrélation entre X et Y dans la population. Donc, cette variance est petite si : n est grand n/n grand S y petit R = ±1 ou proche. U