2016-Estimation pour petits domaines : nouveaux développements


Estimation pour petits domaines : nouveaux développements 
Présidente: Karla Fox (Statistics Canada)
Responsable: Mahmoud Torabi (University of Manitoba) 
[PDF]

M. GIOVANNA RANALLI, University of Perugia, Italy
Estimation pour petites régions de séries chronologiques relatives au taux de chômage à l'aide de modèles de Markov latents  [PDF]
 
Nous développons une nouvelle méthode d'estimation pour petites régions au niveau de la région, basée sur des modèles de Markov latents (LMM) dans un contexte bayésien. Les LMM permettent de traiter des données longitudinales dans lesquelles les caractéristiques d'intérêt et leur évolution dans le temps sont représentées par un processus latent qui suit une chaîne de Markov. Les petites régions peuvent passer d'un état latent à un autre au fil du temps. Les LMM peuvent être considérés comme une extension des modèles de chaînes de Markov qui tient compte des erreurs de mesure – et comme une extension dynamique des modèles de catégories latentes pour les données longitudinales. Nous effectuons l'estimation à l'aide d'un échantillonneur de Gibbs avec augmentation des données. Nous appliquons ce modèle à l'estimation du taux de chômage trimestriel pour diverses régions du marché du travail italien avec des données de l'EPA de 2004 à 2014. 
 
J.N.K. RAO, Carleton University
Mesure de l'incertitude des estimateurs pour petites régions dans les modèles au niveau de la région et de l'unité  [PDF]
 
On a largement recours à des estimateurs modélisés de la moyenne régionale dont l'efficacité est renforcée au moyen de données empruntées des régions connexes grâce à des modèles de liaison, parce que les estimateurs directs de la moyenne régionale pour une région précise sont imprécis en raison de la petite taille des échantillons régionaux. Nous étudions différentes méthodes d'estimation de l'erreur quadratique moyenne (EQM) des estimateurs modélisés et en évaluons les propriétés respectives. Nous étudions également les méthodes de calcul des intervalles de confiance pour les moyennes régionales. Nous examinons des modèles au niveau de la région et de l'unité. 
 
MAHMOUD TORABI, University of Manitoba
Prédiction dans les données de petites régions spatialement corrélées  [PDF]
 
Dans l'estimation pour petites régions, il faut prédire les caractéristiques des sous-populations (régions) en fonction de données à une échelle moins fine. Les prédicteurs sur petits domaines sont souvent améliorés à l'aide de modèles mixtes (standard). Cependant, dans de nombreuses situations, les caractéristiques sont liées à leur localisation. Par exemple, il est important pour les décideurs (et pour le grand public) de connaitre la répartition géographique d'une maladie rare (maladie chronique ou cancer). Nous proposons des modèles pour petites régions de la classe des modèles spatiaux mixtes capables de prédire des caractéristiques et d'obtenir l'erreur quadratique moyenne de prédiction (EQMP) correspondante et une estimation de l'EQMP. Nous évaluons la performance de cette approche via des simulations et une application réelle.