Séries chronologiques
Filtrer les résultats par
Aide à la rechercheMot(s)-clé(s)
Résultats
Tout (13)
Tout (13) (0 à 10 de 13 résultats)
- Articles et rapports : 12-001-X202300100010Description : Des estimations précises et sans biais des propensions à répondre (PR) jouent un rôle décisif dans l’observation, l’analyse et l’adaptation d’une collecte de données. Dans un environnement d’enquête fixe, ces paramètres sont stables et leurs estimations finissent par converger lorsque suffisamment de données historiques sont recueillies. Dans les pratiques d’enquête, toutefois, les taux de réponse varient progressivement dans le temps. Comprendre la variation temporelle de la prédiction des taux de réponse est essentiel lors de l’adaptation d’un plan d’enquête. La présente étude met en lumière la variation temporelle des taux de réponse au moyen de modèles hiérarchiques (à plusieurs niveaux) de séries chronologiques. Il est possible de générer des prédictions fiables en apprenant à partir de séries chronologiques historiques et de mises à jour avec de nouvelles données dans un cadre bayésien. Pour illustrer une étude de cas, nous nous concentrons sur des taux de réponse en ligne dans le cadre de l’enquête sur la santé réalisée aux Pays-Bas de 2014 à 2019.Date de diffusion : 2023-06-30
- Articles et rapports : 12-001-X201800154927Description :
L’étalonnage des séries mensuelles et trimestrielles à des données annuelles est une pratique courante adoptée par de nombreux instituts nationaux de statistique. Le problème de l’étalonnage se pose quand des données temporelles pour une même variable cible sont mesurées à différentes fréquences et qu’il est nécessaire d’éliminer les différences entre les sommes des valeurs infra-annuelles et les valeurs annuelles de référence. Plusieurs méthodes d’étalonnage sont décrites dans la littérature. La procédure d’étalonnage avec préservation des taux de croissance (PTC) est souvent considérée comme étant la meilleure. Il est généralement soutenu qu’elle a pour fondement un principe idéal de préservation du mouvement. Toutefois, nous montrons que l’étalonnage PTC présente des inconvénients appréciables qui importent pour les applications pratiques et qui ne sont pas décrits dans la littérature. Nous considérons d’autres modèles d’étalonnage qui ne souffrent pas de certains des effets indésirables de la PTC.
Date de diffusion : 2018-06-21 - Articles et rapports : 12-001-X201700254871Description :
L’article aborde la question de savoir comment utiliser des sources de données de rechange, telles que les données administratives et les données des médias sociaux, pour produire les statistiques officielles. Puisque la plupart des enquêtes réalisées par les instituts nationaux de statistique sont répétées au cours du temps, nous proposons une approche de modélisation de séries chronologiques structurelle multivariée en vue de modéliser les séries observées au moyen d’une enquête répétée avec les séries correspondantes obtenues à partir de ces sources de données de rechange. En général, cette approche améliore la précision des estimations directes issues de l’enquête grâce à l’utilisation de données d’enquête observées aux périodes précédentes et de données provenant de séries auxiliaires connexes. Ce modèle permet aussi de profiter de la plus grande fréquence des données des médias sociaux pour produire des estimations plus précises en temps réel pour l’enquête par sondage, au moment où les statistiques pour les médias sociaux deviennent disponibles alors que les données d’enquête ne le sont pas encore. Le recours au concept de cointégration permet d’examiner dans quelle mesure la série de rechange représente les mêmes phénomènes que la série observée au moyen de l’enquête répétée. La méthodologie est appliquée à l’Enquête sur la confiance des consommateurs des Pays-Bas et à un indice de sentiments dérivé des médias sociaux.
Date de diffusion : 2017-12-21 - Articles et rapports : 12-001-X201700114819Description :
La modélisation de séries chronologiques structurelle est une puissante technique de réduction des variances pour les estimations sur petits domaines (EPD) reposant sur des enquêtes répétées. Le bureau central de la statistique des Pays-Bas utilise un modèle de séries chronologiques structurel pour la production des chiffres mensuels de l’Enquête sur la population active (EPA) des Pays-Bas. Cependant, ce type de modèle renferme des hyperparamètres inconnus qui doivent être estimés avant que le filtre de Kalman ne puisse être appliqué pour estimer les variables d’état du modèle. Le présent article décrit une simulation visant à étudier les propriétés des estimateurs des hyperparamètres de tels modèles. La simulation des distributions de ces estimateurs selon différentes spécifications de modèle viennent compléter les diagnostics types pour les modèles espace-état. Une autre grande question est celle de l’incertitude entourant les hyperparamètres du modèle. Pour tenir compte de cette incertitude dans les estimations d’erreurs quadratiques moyennes (EQM) de l’EPA, différents modes d’estimation sont pris en compte dans une simulation. En plus de comparer les biais EQM, cet article examine les variances et les EQM des estimateurs EQM envisagés.
Date de diffusion : 2017-06-22 - Articles et rapports : 11-522-X20050019467Description :
Nous passons en revue les techniques de traitement des données manquantes dans les enquêtes complexes lors de la réalisation d'une analyse longitudinale. En plus de présenter les mêmes types de données manquantes que les données transversales, les observations longitudinales souffrent de données manquantes dues aux abandons. En analyse longitudinale, les modèles à effets aléatoires sont ceux utilisés le plus fréquemment pour tenir compte de la nature longitudinale des données. Toutefois, l'intégration du plan de sondage complexe dans les modèles multiniveaux types utilisés dans ce genre d'analyse longitudinale pose des difficultés, surtout en présence de données manquantes dues à des cas d'abandon.
Date de diffusion : 2007-03-02 - Articles et rapports : 12-001-X19990014709Description :
Nous élaborons une méthode qui permet d'estimer la variance dans le cas de la désaisonnalisation effectuée à l'aide de la méthode X-11 et qui prend en compte les effets de l'erreur d'échantillonnage et des erreurs liées à l'extension de prévision. Dans notre méthode, l'erreur de désaisonnalisation présente dans les valeurs centrales d'une série chronologique suffisamment longue est causée uniquement par les effets de l'application de filtres X-11 aux erreurs d'échantillonnage. Vers les deux extrémités d'une série, nous prenons également en considération la contribution des erreurs d'extrapolation rétrospective et de prévision à l'erreur de désaisonnalisation. Nous élargissons notre méthode afin d'obtenir la variance d'erreurs contenues dans des estimations de tendance X-11 et de prendre en compte l'erreur d'estimation de coefficients de régression utilisés pour modéliser, par exemple, des effets de calendrier. Dans le cas de nos résultats empiriques, la contribution la plus importante à la variance de la désaisonnalisation provenait souvent de l'erreur d'échantillonnage. Cependant, la variance des estimations de tendance augmentait de façon importante aux extrémités des séries, en raison des effets d'erreurs d'extrapolation rétrospective et de prévision. En outre, des composantes non stationnaires des erreurs d'échantillonnage produisaient des patrons singuliers dans la variance de la désaisonnalisation et de l'estimation de tendance.
Date de diffusion : 1999-10-08 - Articles et rapports : 12-001-X199600114383Description :
L’estimation de la tendance-cycle par la méthode X-11-ARMMI est souvent effectuée en appliquant le filtre de Henderson à 13 termes à des données désaisonnalisées, modifiées par des valeurs extrêmes. Cependant, ce filtre produit dans la courbe tendance-cycle finale ou « historique » un grand nombre d’ondulations indésirables qui sont interprétées, erronément, comme des points de retournement. L’utilisation d’un filtre de Henderson plus long, tel que celui à 23 termes, n’est pas une solution, car ce filtre retarde la détection des points de retournement, donc, ne convient pas pour les analyses économiques et commerciales courantes. L’auteure propose une nouvelle méthode d’utilisation du filtre de Henderson à 13 termes ayant l’avantage de i) diminuer le nombre d’ondulations indésirables, ii) réduire l’importance des corrections apportées aux valeurs préliminaires et iii) ne pas augmenter le décalage avec lequel sont décelés les points de retournement. Les résultats de l’application de la méthode à neuf indicateurs avancés de l’Indice composite canadien des indicateurs avancés sont présentés à titre d’illustration.
Date de diffusion : 1996-06-14 - Articles et rapports : 12-001-X199100214505Description :
La méthode de désaisonnalisation X-11-ARMMI de même que la variante X-11 du programme Census Method II utilisent un test F d’analyse de variance ordinaire pour déterminer la présence d’un mouvement saisonnier stable. Ce test est appliqué à des séries formées de composantes saisonnières estimées et d’aléas (résidus) qui sont très susceptibles d’être autocorrélés, ce qui va à l’encontre de l’hypothèse fondamentale du test F. Les producteurs de données désaisonnalisées connaissent depuis longtemps cette lacune et se servent rarement de la valeur théorique de la statistique F comme critère pour la désaisonnalisation. Ils préfèrent utiliser des règles empiriques du genre « F égal ou supérieur à 7 ». Dans cet article, nous présentons un test exact qui tient compte des résidus autocorrélés qui suivent un processus MMS (à moyennes mobiles saisonnier) du type (0, q) (0, Q)_s. Nous comparons ensuite les résultats de ce test, qui est une version modifiée du test F, avec ceux du test d’analyse de variance de la X-11-ARMMI pour un grand nombre de séries socio-économiques canadiennes.
Date de diffusion : 1991-12-16 - Articles et rapports : 12-001-X199000214532Description :
À l’aide de graphiques et de cartes de la province de Saskatchewan, nous faisons une analyse des naissances enregistrées en 1986 et 1987 par division de recensement. Nous cherchons à déterminer de quelle manière le nombre des naissances est lié aux périodes de l’année et aux régions géographiques; à cette fin, nous établissons des cartes en courbes de niveau qui décrivent le phénomène des naissances de façon uniforme. Le fait qu’il s’agit de données agrégées pose un problème majeur. En deuxième lieu, nous voulons vérifier dans quelle mesure le modèle normal logarithmique de Poisson peut remplacer, pour des données discrètes, le modèle de régression normal pour variables aléatoires continues. À cette fin, une hiérarchie de modèles pour variables aléatoires discrètes sont ajustés aux observations par la méthode du maximum de vraisemblance; il s’agit du modèle de Poisson ordinaire, du modèle de Poisson avec effet des années et des jours ouvrables et du modèle normal logarithmique de Poisson avec effet des années et des jours ouvrables, l’utilisation de ce dernier étant justifiée par l’absence de covariables importantes dans le processus d’ajustement. Comme nous l’indiquons dans l’article, il s’agit là de résultats provisoires.
Date de diffusion : 1990-12-14 - 10. Méthode pour l’analyse des modèles ARMMI ArchivéArticles et rapports : 12-001-X199000214533Description :
Le modèle ARMMI est souvent utilisé pour l’analyse des modèles de séries chronologiques. Toutefois, ce genre d’analyse fait souvent abstraction des erreurs contenues dans les données d’enquête. Par l’intermédiaire de modèles d’espace d’états comportant des conditions initiales partiellement diffuses, les auteurs montrent comment estimer les paramètres inconnus du modèle ARMMI à l’aide des méthodes du maximum de vraisemblance. En outre, ils montrent qu’il est possible de lisser les estimations d’enquête à l’aide d’un modèle empirique de Bayes et de faire une vérification du modèle ARMMI. Enfin, ils appliquent ces techniques à une série sur le chômage tirée de l’Enquête sur la population active.
Date de diffusion : 1990-12-14
Données (0)
Données (0) (0 résultat)
Aucun contenu disponible actuellement
Analyses (13)
Analyses (13) (0 à 10 de 13 résultats)
- Articles et rapports : 12-001-X202300100010Description : Des estimations précises et sans biais des propensions à répondre (PR) jouent un rôle décisif dans l’observation, l’analyse et l’adaptation d’une collecte de données. Dans un environnement d’enquête fixe, ces paramètres sont stables et leurs estimations finissent par converger lorsque suffisamment de données historiques sont recueillies. Dans les pratiques d’enquête, toutefois, les taux de réponse varient progressivement dans le temps. Comprendre la variation temporelle de la prédiction des taux de réponse est essentiel lors de l’adaptation d’un plan d’enquête. La présente étude met en lumière la variation temporelle des taux de réponse au moyen de modèles hiérarchiques (à plusieurs niveaux) de séries chronologiques. Il est possible de générer des prédictions fiables en apprenant à partir de séries chronologiques historiques et de mises à jour avec de nouvelles données dans un cadre bayésien. Pour illustrer une étude de cas, nous nous concentrons sur des taux de réponse en ligne dans le cadre de l’enquête sur la santé réalisée aux Pays-Bas de 2014 à 2019.Date de diffusion : 2023-06-30
- Articles et rapports : 12-001-X201800154927Description :
L’étalonnage des séries mensuelles et trimestrielles à des données annuelles est une pratique courante adoptée par de nombreux instituts nationaux de statistique. Le problème de l’étalonnage se pose quand des données temporelles pour une même variable cible sont mesurées à différentes fréquences et qu’il est nécessaire d’éliminer les différences entre les sommes des valeurs infra-annuelles et les valeurs annuelles de référence. Plusieurs méthodes d’étalonnage sont décrites dans la littérature. La procédure d’étalonnage avec préservation des taux de croissance (PTC) est souvent considérée comme étant la meilleure. Il est généralement soutenu qu’elle a pour fondement un principe idéal de préservation du mouvement. Toutefois, nous montrons que l’étalonnage PTC présente des inconvénients appréciables qui importent pour les applications pratiques et qui ne sont pas décrits dans la littérature. Nous considérons d’autres modèles d’étalonnage qui ne souffrent pas de certains des effets indésirables de la PTC.
Date de diffusion : 2018-06-21 - Articles et rapports : 12-001-X201700254871Description :
L’article aborde la question de savoir comment utiliser des sources de données de rechange, telles que les données administratives et les données des médias sociaux, pour produire les statistiques officielles. Puisque la plupart des enquêtes réalisées par les instituts nationaux de statistique sont répétées au cours du temps, nous proposons une approche de modélisation de séries chronologiques structurelle multivariée en vue de modéliser les séries observées au moyen d’une enquête répétée avec les séries correspondantes obtenues à partir de ces sources de données de rechange. En général, cette approche améliore la précision des estimations directes issues de l’enquête grâce à l’utilisation de données d’enquête observées aux périodes précédentes et de données provenant de séries auxiliaires connexes. Ce modèle permet aussi de profiter de la plus grande fréquence des données des médias sociaux pour produire des estimations plus précises en temps réel pour l’enquête par sondage, au moment où les statistiques pour les médias sociaux deviennent disponibles alors que les données d’enquête ne le sont pas encore. Le recours au concept de cointégration permet d’examiner dans quelle mesure la série de rechange représente les mêmes phénomènes que la série observée au moyen de l’enquête répétée. La méthodologie est appliquée à l’Enquête sur la confiance des consommateurs des Pays-Bas et à un indice de sentiments dérivé des médias sociaux.
Date de diffusion : 2017-12-21 - Articles et rapports : 12-001-X201700114819Description :
La modélisation de séries chronologiques structurelle est une puissante technique de réduction des variances pour les estimations sur petits domaines (EPD) reposant sur des enquêtes répétées. Le bureau central de la statistique des Pays-Bas utilise un modèle de séries chronologiques structurel pour la production des chiffres mensuels de l’Enquête sur la population active (EPA) des Pays-Bas. Cependant, ce type de modèle renferme des hyperparamètres inconnus qui doivent être estimés avant que le filtre de Kalman ne puisse être appliqué pour estimer les variables d’état du modèle. Le présent article décrit une simulation visant à étudier les propriétés des estimateurs des hyperparamètres de tels modèles. La simulation des distributions de ces estimateurs selon différentes spécifications de modèle viennent compléter les diagnostics types pour les modèles espace-état. Une autre grande question est celle de l’incertitude entourant les hyperparamètres du modèle. Pour tenir compte de cette incertitude dans les estimations d’erreurs quadratiques moyennes (EQM) de l’EPA, différents modes d’estimation sont pris en compte dans une simulation. En plus de comparer les biais EQM, cet article examine les variances et les EQM des estimateurs EQM envisagés.
Date de diffusion : 2017-06-22 - Articles et rapports : 11-522-X20050019467Description :
Nous passons en revue les techniques de traitement des données manquantes dans les enquêtes complexes lors de la réalisation d'une analyse longitudinale. En plus de présenter les mêmes types de données manquantes que les données transversales, les observations longitudinales souffrent de données manquantes dues aux abandons. En analyse longitudinale, les modèles à effets aléatoires sont ceux utilisés le plus fréquemment pour tenir compte de la nature longitudinale des données. Toutefois, l'intégration du plan de sondage complexe dans les modèles multiniveaux types utilisés dans ce genre d'analyse longitudinale pose des difficultés, surtout en présence de données manquantes dues à des cas d'abandon.
Date de diffusion : 2007-03-02 - Articles et rapports : 12-001-X19990014709Description :
Nous élaborons une méthode qui permet d'estimer la variance dans le cas de la désaisonnalisation effectuée à l'aide de la méthode X-11 et qui prend en compte les effets de l'erreur d'échantillonnage et des erreurs liées à l'extension de prévision. Dans notre méthode, l'erreur de désaisonnalisation présente dans les valeurs centrales d'une série chronologique suffisamment longue est causée uniquement par les effets de l'application de filtres X-11 aux erreurs d'échantillonnage. Vers les deux extrémités d'une série, nous prenons également en considération la contribution des erreurs d'extrapolation rétrospective et de prévision à l'erreur de désaisonnalisation. Nous élargissons notre méthode afin d'obtenir la variance d'erreurs contenues dans des estimations de tendance X-11 et de prendre en compte l'erreur d'estimation de coefficients de régression utilisés pour modéliser, par exemple, des effets de calendrier. Dans le cas de nos résultats empiriques, la contribution la plus importante à la variance de la désaisonnalisation provenait souvent de l'erreur d'échantillonnage. Cependant, la variance des estimations de tendance augmentait de façon importante aux extrémités des séries, en raison des effets d'erreurs d'extrapolation rétrospective et de prévision. En outre, des composantes non stationnaires des erreurs d'échantillonnage produisaient des patrons singuliers dans la variance de la désaisonnalisation et de l'estimation de tendance.
Date de diffusion : 1999-10-08 - Articles et rapports : 12-001-X199600114383Description :
L’estimation de la tendance-cycle par la méthode X-11-ARMMI est souvent effectuée en appliquant le filtre de Henderson à 13 termes à des données désaisonnalisées, modifiées par des valeurs extrêmes. Cependant, ce filtre produit dans la courbe tendance-cycle finale ou « historique » un grand nombre d’ondulations indésirables qui sont interprétées, erronément, comme des points de retournement. L’utilisation d’un filtre de Henderson plus long, tel que celui à 23 termes, n’est pas une solution, car ce filtre retarde la détection des points de retournement, donc, ne convient pas pour les analyses économiques et commerciales courantes. L’auteure propose une nouvelle méthode d’utilisation du filtre de Henderson à 13 termes ayant l’avantage de i) diminuer le nombre d’ondulations indésirables, ii) réduire l’importance des corrections apportées aux valeurs préliminaires et iii) ne pas augmenter le décalage avec lequel sont décelés les points de retournement. Les résultats de l’application de la méthode à neuf indicateurs avancés de l’Indice composite canadien des indicateurs avancés sont présentés à titre d’illustration.
Date de diffusion : 1996-06-14 - Articles et rapports : 12-001-X199100214505Description :
La méthode de désaisonnalisation X-11-ARMMI de même que la variante X-11 du programme Census Method II utilisent un test F d’analyse de variance ordinaire pour déterminer la présence d’un mouvement saisonnier stable. Ce test est appliqué à des séries formées de composantes saisonnières estimées et d’aléas (résidus) qui sont très susceptibles d’être autocorrélés, ce qui va à l’encontre de l’hypothèse fondamentale du test F. Les producteurs de données désaisonnalisées connaissent depuis longtemps cette lacune et se servent rarement de la valeur théorique de la statistique F comme critère pour la désaisonnalisation. Ils préfèrent utiliser des règles empiriques du genre « F égal ou supérieur à 7 ». Dans cet article, nous présentons un test exact qui tient compte des résidus autocorrélés qui suivent un processus MMS (à moyennes mobiles saisonnier) du type (0, q) (0, Q)_s. Nous comparons ensuite les résultats de ce test, qui est une version modifiée du test F, avec ceux du test d’analyse de variance de la X-11-ARMMI pour un grand nombre de séries socio-économiques canadiennes.
Date de diffusion : 1991-12-16 - Articles et rapports : 12-001-X199000214532Description :
À l’aide de graphiques et de cartes de la province de Saskatchewan, nous faisons une analyse des naissances enregistrées en 1986 et 1987 par division de recensement. Nous cherchons à déterminer de quelle manière le nombre des naissances est lié aux périodes de l’année et aux régions géographiques; à cette fin, nous établissons des cartes en courbes de niveau qui décrivent le phénomène des naissances de façon uniforme. Le fait qu’il s’agit de données agrégées pose un problème majeur. En deuxième lieu, nous voulons vérifier dans quelle mesure le modèle normal logarithmique de Poisson peut remplacer, pour des données discrètes, le modèle de régression normal pour variables aléatoires continues. À cette fin, une hiérarchie de modèles pour variables aléatoires discrètes sont ajustés aux observations par la méthode du maximum de vraisemblance; il s’agit du modèle de Poisson ordinaire, du modèle de Poisson avec effet des années et des jours ouvrables et du modèle normal logarithmique de Poisson avec effet des années et des jours ouvrables, l’utilisation de ce dernier étant justifiée par l’absence de covariables importantes dans le processus d’ajustement. Comme nous l’indiquons dans l’article, il s’agit là de résultats provisoires.
Date de diffusion : 1990-12-14 - 10. Méthode pour l’analyse des modèles ARMMI ArchivéArticles et rapports : 12-001-X199000214533Description :
Le modèle ARMMI est souvent utilisé pour l’analyse des modèles de séries chronologiques. Toutefois, ce genre d’analyse fait souvent abstraction des erreurs contenues dans les données d’enquête. Par l’intermédiaire de modèles d’espace d’états comportant des conditions initiales partiellement diffuses, les auteurs montrent comment estimer les paramètres inconnus du modèle ARMMI à l’aide des méthodes du maximum de vraisemblance. En outre, ils montrent qu’il est possible de lisser les estimations d’enquête à l’aide d’un modèle empirique de Bayes et de faire une vérification du modèle ARMMI. Enfin, ils appliquent ces techniques à une série sur le chômage tirée de l’Enquête sur la population active.
Date de diffusion : 1990-12-14
Références (0)
Références (0) (0 résultat)
Aucun contenu disponible actuellement
- Date de modification :