Ateliers 2022

Atelier 1

Désagrégation des systèmes de classification raciale-ethnique pour améliorer l'équité des données (en anglais seulement)
Dr. Tara Becker, UCLA

Résumé :

Les systèmes de classification les plus couramment utilisés pour coder la race et l'ethnicité masquent la grande variation des expériences raciales et ethniques au sein de ces grandes catégories. Cet atelier fournira aux participants une compréhension plus détaillée de l'incidence de la collecte, du codage et des totalisations des données sur les efforts visant à désagréger les données raciales et ethniques en catégories plus granulaires, afin de mieux comprendre la diversité au sein de ces groupes. Plus précisément, il fournira un aperçu de la manière dont les directives fédérales en matière de collecte de données influencent la collecte et la pondération des données raciales et ethniques aux États-Unis, des méthodes qui ont été utilisées pour élaborer ces directives afin de recueillir et de totaliser des données plus granulaires, lorsque de telles généralisations peuvent être justifiées, et des effets de la méthodologie de collecte de données sur la représentativité des données provenant de petites populations raciales et ethniques. Outre l'examen de la façon, du moment opportun et des raisons de désagréger les données raciales et ethniques, elle abordera également, à un niveau conceptuel plutôt que statistique, la manière dont les décisions méthodologiques – comme la ou les langues dans lesquelles une enquête est menée la ou les méthodes utilisées pour suréchantillonner les groupes raciaux et ethniques, ainsi que les décisions de pondération – peuvent se répercuter sur la possibilité de généraliser des estimations statistiques dérivées de ces données et influencer ainsi ce que nous savons de populations raciales et ethniques plus granulaires.

Biographie :

Tara Becker est agente de programme pour les comités des statistiques nationales et de la population de la division des sciences comportementales et sociales et de l'éducation des académies nationales des sciences, de l'ingénierie et de la médecine. Elle est directrice d'étude pour une étude examinant la mesure du sexe, de l'identité de genre et de l'orientation sexuelle et pour une autre examinant la main-d'œuvre âgée et l'emploi à un âge avancé. Elle a été agente de programme pour une étude qui s'intéressait au bien-être des personnes LGBTQI+ et pour une autre qui s'intéressait aux taux de mortalité élevés et croissants chez les personnes en âge de travailler aux États-Unis. Avant de rejoindre les académies nationales, elle était analyste principale de l'administration publique et statisticienne principale pour l'enquête par interview sur la santé en Californie au Centre de recherche sur les politiques de santé de l'Université de Californie à Los Angeles. Dans ce cadre, elle a mené des recherches sur les disparités en matière de couverture d'assurance maladie et d'accès aux soins de santé, sur la désagrégation des données raciales ou ethniques, ainsi que sur la méthodologie d'enquête et sur la qualité des données. Auparavant, elle était détentrice d'une bourse de perfectionnement postdoctoral au département de politique et de gestion de la santé de l'Université de Californie à Los Angeles et biostatisticienne au département de biostatistique et d'informatique médicale de l'Université du Wisconsin à Madison. Elle a été formée comme démographe et est titulaire d'un baccalauréat en sociologie et en mathématiques, d'une maîtrise en sociologie, d'une maîtrise en statistiques et d'un doctorat en sociologie de l'Université du Wisconsin à Madison.

Atelier 2

Conception et analyse de données d'enquête en Python - (Introduction à Python, ainsi que l'échantillonnage et l'estimation à l'aide de Python) (en français seulement)
Dr. Mamadou Diallo, Samplics LLC

Résumé :

Les échantillons d'enquête sont souvent sélectionnés à l'aide de méthodes probabilistes prédéfinies à partir de populations finies. Des plans de sondage complexes sont utilisés pour faciliter le travail sur le terrain et contrôler les coûts (par exemple, la stratification, la mise en grappe, l'échantillonnage par phase, etc.), résultant en des échantillons avec des probabilités de sélection inégales. Des techniques telles que la sélection d'échantillons, l'ajustement des poids et l'analyse d'échantillons doivent tenir compte de la complexité du plan de sondage.

Jusqu'au développement de Samplics, les utilisateurs de Python ne disposaient pas d'une bibliothèque complète pour concevoir et analyser des échantillons d'enquête complexes. Ce paquetage Python fournit des modules pour le calcul de la taille de l'échantillon, la sélection et la pondération de l'échantillon et l'estimation des paramètres de la population, y compris l'estimation sur petits domaines.

Cet atelier offrira un panorama de Samplics aux statisticiens d'enquête. Il est conçu pour être accessible aux statisticiens ayant peu ou pas d'expérience Python. Nous passerons brièvement en revue les concepts et la syntaxe de Python avant de plonger dans le contenu statistique. La deuxième partie de l'atelier montrera comment utiliser les échantillons, dans la phase de conception d'une enquête, pour le calcul de la taille de l'échantillon et la sélection de l'échantillon. Nous illustrerons également les API Samplics pour ajuster les poids d'échantillon, afin de tenir compte de la non-réponse et du calage. La dernière partie de l'atelier portera sur l'estimation des paramètres de la population, tels que la moyenne et le ratio, y compris l'estimation par domaine et des exemples d'estimation sur petits domaines.

Biographie :

Mamadou S. Diallo a plus de 15 ans d'expérience dans l'échantillonnage d'enquête, l'estimation sur petits domaines et d'autres sujets en statistique. Il est le fondateur de Samplics LLC et le créateur du paquetage Python Samplics. Samplics aide les organisations à développer des systèmes de données et des solutions d'apprentissage automatique, afin d'optimiser l'utilisation des données pour la prise de décision. Samplics s'engage également à permettre l'avancement des outils et des compétences en matière de données pour les statistiques officielles.

Auparavant, il a travaillé pour l'UNICEF en tant que chef d'équipe des données sur la vaccination à l'échelle mondiale. Mamadou a travaillé comme statisticien d'enquête principal à Westat, à Rockville, au Maryland, où il a appuyé de nombreuses enquêtes nationales et internationales. Il a également travaillé pour Statistique Canada, où il a contribué à l'Enquête sur le sous-dénombrement du recensement de 2006 et à l'Enquête sur la santé dans les collectivités canadiennes (ESCC). Mamadou est titulaire d'un doctorat en statistique de l'Université Carleton, à Ottawa, au Canada, où il a mené des recherches sur l'estimation sur petits domaines sous la direction du professeur J.N.K. Rao. Il est également titulaire d'une maîtrise en statistique de l'Université Laval, au Québec, Canada, et d'un baccalauréat ès sciences (équivalent) en mathématiques de l'Université Claude Bernard, à Lyon, en France.

Atelier 3

Méthodes pour les enquêtes à base multiple (en anglais seulement)
Dr. Fulvia Mecatti, Université de Milano-Bicocca

Résumé :

Dans une enquête à bases de sondage multiples, des échantillons indépendants sont sélectionnés à partir de deux, ou plus, bases de sondage distinctes se chevauchant généralement. Les enquêtes à bases de sondage multiples sont utilisées, depuis les années 1970, pour leur potentiel à gérer des problèmes anciens tels que la réduction des coûts d'enquête et l'amélioration de la couverture de la base de sondage. De nouveaux défis – par exemple, la baisse des taux de réponse, le suréchantillonnage de segments de population difficiles à atteindre ou rares, le principe « ne laisser personne de côté » sous-tendant l'ensemble des objectifs de développement durable du Programme 2030 des Nations Unies, ainsi que les sources de données émergentes, les modes de collecte et les besoins d'intégration – invitent à se pencher sur les enquêtes modulaires à bases de sondage multiples dans le cadre d'une approche actualisée.

Biographie :

Titulaire d'un doctorat en statistique méthodologique de l'Université de Trente, Fulvia Mecatti est professeure de statistique à l'Université de Milano-Bicocca. Elle a une longue expérience de l'enseignement de la statistique dans le cadre de programmes de premier cycle en sciences sociales, à des étudiants de maîtrise et de doctorat, ainsi qu'à des publics non techniques. Elle est ancienne directrice du programme de doctorat en statistique de l'Université de Milano-Bicocca et ancienne présidente du groupe Metodologie per le indagini campionarie (S2G) de la Società Italiana di Statistica. Ses principaux intérêts de recherche portent sur la théorie de l'échantillonnage, le rééchantillonnage de populations finies, l'inférence causale dans les études biomédicales par observation et les statistiques sur l'identité de genre. Elle a été facilitatrice au sein de l'équipe de suivi et d'évaluation de la tuberculose de l'OMS et est co-auteure de plusieurs publications de l'OMS, notamment les lignes directrices de 2015 « Tuberculosis prevalence surveys: a handbook ». Depuis 2021, elle est consultante auprès du Groupe de travail intersecrétariats des Nations Unies sur les enquêtes auprès des ménages et auprès d'ONU Femmes, contribuant aux lignes directrices sur « Échantillonnage pour de ne laisser personne de côté » (à paraître, en ligne).

Elle entretient une relation de longue date avec Statistique Canada. Elle a rendu visite à J.N.K. Rao en 2003, et, depuis lors, elle rend régulièrement visite à David Haziza, avec qui elle collabore sur l'estimation de la variance, et à A.C. Singh, avec qui elle collabore sur les enquêtes à bases de sondage multiples.