Appariement statistique par imputation fractionnaire
5. Modèles d’erreur de mesureAppariement statistique par imputation fractionnaire
5. Modèles d’erreur de mesure
Examinons maintenant l’application d’un appariement statistique au
problème des modèles d’erreur de mesure. Supposons que l’on s’intéresse au
paramètre
θ
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacqaH4oqCaa
a@395F@
de la distribution conditionnelle
f
(
y
2
|
y
1
;
θ
)
.
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGMbWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGOmaaqabaGccaaMc8oa
caGLiWoacaaMc8UaamyEamaaBaaaleaacaaIXaaabeaakiaaiUdacq
aH4oqCaiaawIcacaGLPaaacaGGUaaaaa@45D5@
Dans l’échantillon initial,
au lieu d’observer
(
y
1
i
,
y
2
i
)
,
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaqadaqaai
aadMhadaWgaaWcbaGaaGymaiaadMgaaeqaaOGaaGilaiaadMhadaWg
aaWcbaGaaGOmaiaadMgaaeqaaaGccaGLOaGaayzkaaGaaiilaaaa@4053@
on observe
(
x
i
,
y
2
i
)
,
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaqadaqaai
aadIhadaWgaaWcbaGaamyAaaqabaGccaaISaGaamyEamaaBaaaleaa
caaIYaGaamyAaaqabaaakiaawIcacaGLPaaacaGGSaaaaa@3F97@
où
x
i
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG4bWaaS
baaSqaaiaadMgaaeqaaaaa@39C0@
est une version contaminée de
y
1
i
.
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG5bWaaS
baaSqaaiaaigdacaWGPbaabeaakiaac6caaaa@3B38@
Comme il est possible que
l’inférence pour
θ
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacqaH4oqCaa
a@395F@
fondée sur
(
x
i
,
y
2
i
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaqadaqaai
aadIhadaWgaaWcbaGaamyAaaqabaGccaaISaGaamyEamaaBaaaleaa
caaIYaGaamyAaaqabaaakiaawIcacaGLPaaaaaa@3EE7@
soit biaisée, d’autres
renseignements sont nécessaires. L’une des façons courantes d’obtenir ces
renseignements supplémentaires est de recueillir
(
x
i
,
y
1
i
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaqadaqaai
aadIhadaWgaaWcbaGaamyAaaqabaGccaaISaGaamyEamaaBaaaleaa
caaIXaGaamyAaaqabaaakiaawIcacaGLPaaaaaa@3EE6@
dans le cadre d’une étude de
calage externe. Dans ce cas, on observe
(
x
i
,
y
1
i
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaqadaqaai
aadIhadaWgaaWcbaGaamyAaaqabaGccaaISaGaamyEamaaBaaaleaa
caaIXaGaamyAaaqabaaakiaawIcacaGLPaaaaaa@3EE6@
dans l’échantillon A et
(
x
i
,
y
2
i
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaqadaqaai
aadIhadaWgaaWcbaGaamyAaaqabaGccaaISaGaamyEamaaBaaaleaa
caaIYaGaamyAaaqabaaakiaawIcacaGLPaaaaaa@3EE7@
dans l’échantillon B,
l’échantillon A étant l’échantillon de calage et l’échantillon B,
l’échantillon principal. Guo et Little (2011) présentent une application d’un
calage externe.
Le cadre de calage externe peut s’exprimer sous forme de problème
d’appariement statistique. Le tableau 5.1 établit de façon explicite le
lien entre l’appariement statistique et le calage externe. Une hypothèse de
variable instrumentale permet l’inférence pour
θ
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacqaH4oqCaa
a@395F@
en fonction de données selon
la structure présentée dans le tableau 1.1. Dans la notation du modèle
d’erreur de mesure, l’hypothèse de variable instrumentale est
f
(
y
2
i
|
y
1
i
,
x
i
)
=
f
(
y
2
i
|
y
1
i
)
et
f
(
y
1
i
|
x
i
=
a
)
≠
f
(
y
1
i
|
x
i
=
b
)
,
(
5.1
)
MathType@MTEF@5@5@+=
feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGMbWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGOmaiaadMgaaeqaaOGa
aGPaVdGaayjcSdGaaGPaVlaadMhadaWgaaWcbaGaaGymaiaadMgaae
qaaOGaaGilaiaadIhadaWgaaWcbaGaamyAaaqabaaakiaawIcacaGL
PaaacaaI9aGaamOzamaabmaabaWaaqGaaeaacaWG5bWaaSbaaSqaai
aaikdacaWGPbaabeaakiaaykW7aiaawIa7aiaaykW7caWG5bWaaSba
aSqaaiaaigdacaWGPbaabeaaaOGaayjkaiaawMcaaiaaysW7caaMe8
UaaGjbVlaabwgacaqG0bGaaGjbVlaaysW7caaMe8UaamOzamaabmaa
baWaaqGaaeaacaWG5bWaaSbaaSqaaiaaigdacaWGPbaabeaakiaayk
W7aiaawIa7aiaaykW7caWG4bWaaSbaaSqaaiaadMgaaeqaaOGaaGyp
aiaadggaaiaawIcacaGLPaaacqGHGjsUcaWGMbWaaeWaaeaadaabca
qaaiaadMhadaWgaaWcbaGaaGymaiaadMgaaeqaaOGaaGPaVdGaayjc
SdGaaGPaVlaadIhadaWgaaWcbaGaamyAaaqabaGccaaI9aGaamOyaa
GaayjkaiaawMcaaiaaiYcacaaMf8UaaGzbVlaaywW7caaMf8Uaaiik
aiaaiwdacaGGUaGaaGymaiaacMcaaaa@87FA@
pour certains
a
≠
b
.
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGHbGaey
iyIKRaamOyaiaac6caaaa@3BEF@
L’hypothèse de variable instrumentale peut
être considérée raisonnable dans les applications relatives à l’erreur dans les
covariables parce que le modèle d’intérêt en question est
f
(
y
2
i
|
y
1
i
)
,
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGMbWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGOmaiaadMgaaeqaaOGa
aGPaVdGaayjcSdGaaGPaVlaadMhadaWgaaWcbaGaaGymaiaadMgaae
qaaaGccaGLOaGaayzkaaGaaGilaaaa@453A@
et
x
i
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG4bWaaS
baaSqaaiaadMgaaeqaaaaa@39C0@
est une version contaminée de
y
1
i
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG5bWaaS
baaSqaaiaaigdacaWGPbaabeaaaaa@3A7C@
ne contenant aucun renseignement
supplémentaire à propos de
y
2
i
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG5bWaaS
baaSqaaiaaikdacaWGPbaabeaaaaa@3A7D@
sachant
y
1
i
.
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG5bWaaS
baaSqaaiaaigdacaWGPbaabeaakiaac6caaaa@3B38@
Tableau 5.1
Structure de données pour le modèle d’erreur de mesure
Sommaire du tableau
Le tableau montre les résultats de Structure de données pour le modèle d’erreur de mesure . Les données sont présentées selon (titres de rangée) et XXXX(figurant comme en-tête de colonne).
x
i
MathType@MTEF@5@5@+=
feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqk0Jf9crFfpeea0xh9v8qiW7rqqrFjFfea0xe9Lq=Je9
vqaqFeFr0xbbG8FaYPYRWFb9fi0FXxbbf9Ff0dfrpm0dXdHqVu0=vr
0=vr0=fdbeqabeWaceGabiqabeqabmqabeabbaGcbaGaamiEamaaBa
aaleaacaWGPbaabeaaaaa@3BC4@
y
1 i
MathType@MTEF@5@5@+=
feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqk0Jf9crFfpeea0xh9v8qiW7rqqrFjFfea0xe9Lq=Je9
vqaqFeFr0xbbG8FaYPYRWFb9fi0FXxbbf9Ff0dfrpm0dXdHqVu0=vr
0=vr0=fdbeqabeWaceGabiqabeqabmqabeabbaGcbaGaamyEamaaBa
aaleaacaaIXaGaamyAaaqabaaaaa@3C80@
y
2 i
MathType@MTEF@5@5@+=
feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqk0Jf9crFfpeea0xh9v8qiW7rqqrFjFfea0xe9Lq=Je9
vqaqFeFr0xbbG8FaYPYRWFb9fi0FXxbbf9Ff0dfrpm0dXdHqVu0=vr
0=vr0=fdbeqabeWaceGabiqabeqabmqabeabbaGcbaGaamyEamaaBa
aaleaacaaIYaGaamyAaaqabaaaaa@3C81@
Enquête A (étude de calage)
o
o
Cette cellule ne contient aucune données
Enquête B (étude principale)
o
Cette cellule ne contient aucune données
o
Dans le cas où
f
(
y
2
i
|
y
1
i
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGMbWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGOmaiaadMgaaeqaaOGa
aGPaVdGaayjcSdGaaGPaVlaadMhadaWgaaWcbaGaaGymaiaadMgaae
qaaaGccaGLOaGaayzkaaaaaa@4484@
et
f
(
y
1
i
|
x
i
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGMbWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGymaiaadMgaaeqaaOGa
aGPaVdGaayjcSdGaaGPaVlaadIhadaWgaaWcbaGaamyAaaqabaaaki
aawIcacaGLPaaaaaa@43C7@
sont entièrement
paramétriques, on peut utiliser l’imputation fractionnaire paramétrique pour
exécuter l’algorithme EM . Cette méthode exige une évaluation de
l’espérance conditionnelle de la fonction de score des données complètes
sachant les valeurs observées. Pour évaluer l’espérance conditionnelle par
imputation fractionnaire, on écrit d’abord la distribution conditionnelle de
y
1
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG5bWaaS
baaSqaaiaaigdaaeqaaaaa@398E@
sachant
(
x
,
y
2
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaqadaqaai
aadIhacaaISaGaamyEamaaBaaaleaacaaIYaaabeaaaOGaayjkaiaa
wMcaaaaa@3CD5@
comme suit :
f
(
y
1
|
x
,
y
2
)
∝
f
(
y
1
|
x
)
f
(
y
2
|
y
1
)
.
(
5.2
)
MathType@MTEF@5@5@+=
feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGMbWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGymaaqabaGccaaMc8oa
caGLiWoacaaMc8UaamiEaiaaiYcacaWG5bWaaSbaaSqaaiaaikdaae
qaaaGccaGLOaGaayzkaaGaeyyhIuRaamOzamaabmaabaWaaqGaaeaa
caWG5bWaaSbaaSqaaiaaigdaaeqaaOGaaGPaVdGaayjcSdGaaGPaVl
aadIhaaiaawIcacaGLPaaacaWGMbWaaeWaaeaadaabcaqaaiaadMha
daWgaaWcbaGaaGOmaaqabaGccaaMc8oacaGLiWoacaaMc8UaamyEam
aaBaaaleaacaaIXaaabeaaaOGaayjkaiaawMcaaiaai6cacaaMf8Ua
aGzbVlaaywW7caaMf8UaaGzbVlaacIcacaaI1aGaaiOlaiaaikdaca
GGPaaaaa@66E9@
Soit un estimateur
f
^
a
(
y
1
i
|
x
i
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaaceWGMbGbaK
aadaWgaaWcbaGaamyyaaqabaGcdaqadaqaamaaeiaabaGaamyEamaa
BaaaleaacaaIXaGaamyAaaqabaGccaaMc8oacaGLiWoacaaMc8Uaam
iEamaaBaaaleaacaWGPbaabeaaaOGaayjkaiaawMcaaaaa@44F3@
de
f
(
y
1
i
|
x
i
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGMbWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGymaiaadMgaaeqaaOGa
aGPaVdGaayjcSdGaaGPaVlaadIhadaWgaaWcbaGaamyAaaqabaaaki
aawIcacaGLPaaaaaa@43C7@
provenant de l’échantillon de calage
(échantillon A). La mise en œuvre de l’algorithme EM par imputation
fractionnaire se déroule comme suit :
Pour
chaque
i
∈
B
,
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGPbGaey
icI4SaamOqaiaacYcaaaa@3B92@
générer
y
1
i
*
(
j
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG5bWaa0
baaSqaaiaaigdacaWGPbaabaGaaGOkamaabmaabaGaamOAaaGaayjk
aiaawMcaaaaaaaa@3DA9@
à partir de
f
^
a
(
y
1
|
x
i
)
,
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaaceWGMbGbaK
aadaWgaaWcbaGaamyyaaqabaGcdaqadaqaamaaeiaabaGaamyEamaa
BaaaleaacaaIXaaabeaakiaaykW7aiaawIa7aiaaykW7caWG4bWaaS
baaSqaaiaadMgaaeqaaaGccaGLOaGaayzkaaGaaiilaaaa@44B5@
pour
j
=
1,
…
,
m
.
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGQbGaaG
ypaiaaigdacaaISaGaeSOjGSKaaGilaiaad2gacaGGUaaaaa@3E4C@
Calculer
les poids fractionnaires
w
i
j
(
t
)
*
∝
f
(
y
2
i
|
y
1
i
*
(
j
)
;
θ
^
t
)
MathType@MTEF@5@5@+=
feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG3bWaa0
baaSqaaiaadMgacaWGQbWaaeWaaeaacaWG0baacaGLOaGaayzkaaaa
baGaaGOkaaaakiabg2Hi1kaadAgadaqadaqaamaaeiaabaGaamyEam
aaBaaaleaacaaIYaGaamyAaaqabaGccaaMc8oacaGLiWoacaaMc8Ua
amyEamaaDaaaleaacaaIXaGaamyAaaqaaiaaiQcadaqadaqaaiaadQ
gaaiaawIcacaGLPaaaaaGccaaI7aGafqiUdeNbaKaadaWgaaWcbaGa
amiDaaqabaaakiaawIcacaGLPaaaaaa@5330@
avec
∑
j
=
1
m
w
i
j
(
t
)
*
=
1.
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaaeWaqabS
qaaiaadQgacaaI9aGaaGymaaqaaiaad2gaa0GaeyyeIuoakiaaykW7
caWG3bWaa0baaSqaaiaadMgacaWGQbWaaeWaaeaacaWG0baacaGLOa
GaayzkaaaabaGaaGOkaaaakiaai2dacaaIXaGaaiOlaaaa@471E@
Mettre
à jour
θ
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacqaH4oqCaa
a@395F@
en résolvant
∑
i
∈
B
w
i
b
∑
j
=
1
m
w
i
j
(
t
)
*
S
(
θ
;
y
1
i
*
(
j
)
,
y
2
i
)
=
0,
MathType@MTEF@5@5@+=
feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaaeqbqabS
qaaiaadMgacqGHiiIZcaWGcbaabeqdcqGHris5aOGaaGPaVlaadEha
daWgaaWcbaGaamyAaiaadkgaaeqaaOWaaabCaeqaleaacaWGQbGaaG
ypaiaaigdaaeaacaWGTbaaniabggHiLdGccaaMc8Uaam4DamaaDaaa
leaacaWGPbGaamOAamaabmaabaGaamiDaaGaayjkaiaawMcaaaqaai
aaiQcaaaGccaWGtbWaaeWaaeaacqaH4oqCcaaI7aGaamyEamaaDaaa
leaacaaIXaGaamyAaaqaaiaaiQcadaqadaqaaiaadQgaaiaawIcaca
GLPaaaaaGccaaISaGaamyEamaaBaaaleaacaaIYaGaamyAaaqabaaa
kiaawIcacaGLPaaacaaI9aGaaGimaiaaiYcaaaa@5FD3@
où
S
(
θ
;
y
1
,
y
2
)
=
∂
log
f
(
y
2
|
y
1
;
θ
)
/
∂
θ
.
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGtbWaae
WaaeaacqaH4oqCcaaMc8UaaG4oaiaadMhadaWgaaWcbaGaaGymaaqa
baGccaaISaGaamyEamaaBaaaleaacaaIYaaabeaaaOGaayjkaiaawM
caaiaai2dadaWcgaqaaiabgkGi2kGacYgacaGGVbGaai4zaiaadAga
daqadaqaamaaeiaabaGaamyEamaaBaaaleaacaaIYaaabeaakiaayk
W7aiaawIa7aiaaykW7caWG5bWaaSbaaSqaaiaaigdaaeqaaOGaaG4o
aiabeI7aXbGaayjkaiaawMcaaaqaaiabgkGi2kabeI7aXbaacaGGUa
aaaa@5900@
Reprendre
à l’étape 2 jusqu’à la convergence.
Cette méthode exige que l’on génère des données à partir de
f
(
y
1
|
x
)
.
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGMbWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGymaaqabaGccaaMc8oa
caGLiWoacaaMc8UaamiEaaGaayjkaiaawMcaaiaac6caaaa@4267@
Dans le cas de certains
modèles non linéaires ou de modèles assortis de variances non constantes, la
simulation à partir de la distribution conditionnelle de
y
1
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG5bWaaS
baaSqaaiaaigdaaeqaaaaa@398E@
sachant
x
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG4baaaa@38A6@
peut exiger le recours à des
méthodes Monte Carlo comme l’acceptation-rejet ou l’algorithme de
Metropolis-Hastings. La simulation présentée à la section 6.2 est un bon
exemple d’une simulation dans laquelle la distribution conditionnelle de
y
1
|
x
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaabcaqaai
aadMhadaWgaaWcbaGaaGymaaqabaGccaaMc8oacaGLiWoacaaMc8Ua
amiEaaaa@3F41@
n’a pas d’expression de forme
explicite. Dans ce cas, on peut envisager une autre solution plus simple à
calculer. Pour décrire cette solution, posons
h
(
y
1
|
x
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGObWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGymaaqabaGccaaMc8oa
caGLiWoacaaMc8UaamiEaaGaayjkaiaawMcaaaaa@41B7@
comme distribution
conditionnelle « de travail », par exemple la distribution normale, à
partir de laquelle les échantillons peuvent être facilement générés. On présume
que les estimations
f
^
a
(
y
1
|
x
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaaceWGMbGbaK
aadaWgaaWcbaGaamyyaaqabaGcdaqadaqaamaaeiaabaGaamyEamaa
BaaaleaacaaIXaaabeaakiaaykW7aiaawIa7aiaaykW7caWG4baaca
GLOaGaayzkaaaaaa@42E1@
et
h
^
a
(
y
1
|
x
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaaceWGObGbaK
aadaWgaaWcbaGaamyyaaqabaGcdaqadaqaamaaeiaabaGaamyEamaa
BaaaleaacaaIXaaabeaakiaaykW7aiaawIa7aiaaykW7caWG4baaca
GLOaGaayzkaaaaaa@42E3@
de
f
(
y
1
|
x
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGMbWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGymaaqabaGccaaMc8oa
caGLiWoacaaMc8UaamiEaaGaayjkaiaawMcaaaaa@41B5@
et
h
(
y
1
|
x
)
,
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGObWaae
WaaeaadaabcaqaaiaadMhadaWgaaWcbaGaaGymaaqabaGccaaMc8oa
caGLiWoacaaMc8UaamiEaaGaayjkaiaawMcaaiaacYcaaaa@4267@
respectivement, peuvent être
obtenues à partir de l’échantillon A. La mise en œuvre de l’algorithme EM
par imputation fractionnaire s’effectue ensuite comme suit :
Pour
chaque
i
∈
B
,
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGPbGaey
icI4SaamOqaiaacYcaaaa@3B92@
générer
x
i
*
(
j
)
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG4bWaa0
baaSqaaiaadMgaaeaacaaIQaWaaeWaaeaacaWGQbaacaGLOaGaayzk
aaaaaaaa@3CED@
à partir de
h
^
a
(
y
1
|
x
i
)
,
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaaceWGObGbaK
aadaWgaaWcbaGaamyyaaqabaGcdaqadaqaamaaeiaabaGaamyEamaa
BaaaleaacaaIXaaabeaakiaaykW7aiaawIa7aiaaykW7caWG4bWaaS
baaSqaaiaadMgaaeqaaaGccaGLOaGaayzkaaGaaiilaaaa@44B7@
pour
j
=
1,
…
,
m
.
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWGQbGaaG
ypaiaaigdacaaISaGaeSOjGSKaaGilaiaad2gacaGGUaaaaa@3E4C@
Calculer
les poids fractionnaires
w
i
j
(
t
)
*
∝
f
(
y
2
i
|
y
1
i
*
(
j
)
;
θ
^
t
)
f
^
a
(
y
1
i
*
(
j
)
|
x
i
)
/
h
^
a
(
y
1
i
*
(
j
)
|
x
i
)
(
5.3
)
MathType@MTEF@5@5@+=
feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacaWG3bWaa0
baaSqaaiaadMgacaWGQbWaaeWaaeaacaWG0baacaGLOaGaayzkaaaa
baGaaGOkaaaakiabg2Hi1oaalyaabaGaamOzamaabmaabaWaaqGaae
aacaWG5bWaaSbaaSqaaiaaikdacaWGPbaabeaakiaaykW7aiaawIa7
aiaaykW7caWG5bWaa0baaSqaaiaaigdacaWGPbaabaGaaGOkamaabm
aabaGaamOAaaGaayjkaiaawMcaaaaakiaaiUdacuaH4oqCgaqcamaa
BaaaleaacaWG0baabeaaaOGaayjkaiaawMcaaiqadAgagaqcamaaBa
aaleaacaWGHbaabeaakmaabmaabaWaaqGaaeaacaWG5bWaa0baaSqa
aiaaigdacaWGPbaabaGaaGOkamaabmaabaGaamOAaaGaayjkaiaawM
caaaaakiaaykW7aiaawIa7aiaaykW7caWG4bWaaSbaaSqaaiaadMga
aeqaaaGccaGLOaGaayzkaaaabaGabmiAayaajaWaaSbaaSqaaiaadg
gaaeqaaOWaaeWaaeaadaabcaqaaiaadMhadaqhaaWcbaGaaGymaiaa
dMgaaeaacaaIQaWaaeWaaeaacaWGQbaacaGLOaGaayzkaaaaaOGaaG
PaVdGaayjcSdGaaGPaVlaadIhadaWgaaWcbaGaamyAaaqabaaakiaa
wIcacaGLPaaaaaGaaGzbVlaaywW7caaMf8UaaGzbVlaaywW7caGGOa
GaaGynaiaac6cacaaIZaGaaiykaaaa@7F83@
avec
∑
j
=
1
m
w
i
j
(
t
)
*
=
1.
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaaeWaqabS
qaaiaadQgacaaI9aGaaGymaaqaaiaad2gaa0GaeyyeIuoakiaaykW7
caWG3bWaa0baaSqaaiaadMgacaWGQbWaaeWaaeaacaWG0baacaGLOa
GaayzkaaaabaGaaGOkaaaakiaai2dacaaIXaGaaiOlaaaa@471E@
Mettre
à jour
θ
MathType@MTEF@5@5@+=
feaagKart1ev2aqatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaacqaH4oqCaa
a@395F@
en résolvant
∑
i
∈
B
w
i
b
∑
j
=
1
m
w
i
j
(
t
)
*
S
(
θ
;
y
1
i
*
(
j
)
,
y
2
i
)
=
0.
MathType@MTEF@5@5@+=
feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiFu0Je9sqqrpepC0xbbL8F4rqqrpipeea0xe9Lqpe0x
e9q8qqvqFr0dXdHiVc=bYP0xH8peuj0lXxdrpe0=1qpeeaY=rrVue9
Fve9Fve8meaabaqaciGacaGaaeqabaWaaeaaeaaakeaadaaeqbqabS
qaaiaadMgacqGHiiIZcaWGcbaabeqdcqGHris5aOGaaGPaVlaadEha
daWgaaWcbaGaamyAaiaadkgaaeqaaOWaaabCaeqaleaacaWGQbGaaG
ypaiaaigdaaeaacaWGTbaaniabggHiLdGccaaMc8Uaam4DamaaDaaa
leaacaWGPbGaamOAamaabmaabaGaamiDaaGaayjkaiaawMcaaaqaai
aaiQcaaaGccaWGtbWaaeWaaeaacqaH4oqCcaaI7aGaamyEamaaDaaa
leaacaaIXaGaamyAaaqaaiaaiQcadaqadaqaaiaadQgaaiaawIcaca
GLPaaaaaGccaaISaGaamyEamaaBaaaleaacaaIYaGaamyAaaqabaaa
kiaawIcacaGLPaaacaaI9aGaaGimaiaai6caaaa@5FD5@
Reprendre
à l’étape 2 jusqu’à la convergence.
L’estimation de la variance est une
application directe de la méthode de linéarisation présentée à la
section 3. La méthode d’imputation fractionnaire hot deck décrite à la
section 3 assortie des poids fractionnaires définis en (3.3)
s’applique aussi directement au contexte de l’erreur de mesure.
ISSN : 1712-5685
Politique de rédaction
Techniques d ’enquête publie des articles sur les divers aspects des méthodes statistiques qui intéressent un organisme statistique comme, par exemple, les problèmes de conception découlant de contraintes d’ordre pratique, l’utilisation de différentes sources de données et de méthodes de collecte, les erreurs dans les enquêtes, l’évaluation des enquêtes, la recherche sur les méthodes d’enquête, l’analyse des séries chronologiques, la désaisonnalisation, les études démographiques, l’intégration de données statistiques, les méthodes d’estimation et d’analyse de données et le développement de systèmes généralisés. Une importance particulière est accordée à l’élaboration et à l’évaluation de méthodes qui ont été utilisées pour la collecte de données ou appliquées à des données réelles. Tous les articles seront soumis à une critique, mais les auteurs demeurent responsables du contenu de leur texte et les opinions émises dans la revue ne sont pas nécessairement celles du comité de rédaction ni de Statistique Canada.
Présentation de textes pour la revue
Techniques d ’enquête est publiée en version électronique deux fois l’an. Les auteurs désirant faire paraître un article sont invités à le faire parvenir en français ou en anglais en format électronique et préférablement en Word au rédacteur en chef, (statcan.smj-rte.statcan@canada.ca , Statistique Canada, 150 Promenade du Pré Tunney, Ottawa, (Ontario), Canada, K1A 0T6). Pour les instructions sur le format, veuillez consulter les directives présentées dans la revue ou sur le site web (www.statcan.gc.ca/Techniquesdenquete).
Note de reconnaissance
Le succès du système statistique du Canada repose sur un partenariat bien établi entre Statistique Canada et la population, les entreprises, les administrations canadiennes et les autres organismes. Sans cette collaboration et cette bonne volonté, il serait impossible de produire des statistiques précises et actuelles.
Normes de service à la clientèle
Statistique Canada s'engage à fournir à ses clients des services rapides, fiables et courtois. À cet égard, notre organisme s'est doté de normes de service à la clientèle qui doivent être observées par les employés lorsqu'ils offrent des services à la clientèle.
Droit d'auteur
Publication autorisée par le ministre responsable de Statistique Canada.
© Ministre de l'Industrie, 2016
L'utilisation de la présente publication est assujettie aux modalités de l'Entente de licence ouverte de Statistique Canada .
N° 12-001-X au catalogue
Périodicité : Semi-annuel
Ottawa
Date de modification :
2016-06-22