Simulations
Filtrer les résultats par
Aide à la rechercheMot(s)-clé(s)
Résultats
Tout (5)
Tout (5) ((5 résultats))
- Articles et rapports : 11-633-X2017008Description :
La plateforme de modélisation de microsimulation DYSEM propose un noyau de données démographiques et socioéconomiques qu’on peut utiliser avec facilité pour créer des modèles ou des applications de microsimulation dynamiques personnalisés. Le présent document décrit la plateforme DYSEM et donne un aperçu de ses usages prévus ainsi que des méthodes et données utilisées pour sa conception.
Date de diffusion : 2017-07-28 - Articles et rapports : 82-003-X201501214293Description :
Le modèle de microsimulation du cancer du sein du Cancer Intervention and Surveillance Modeling Network de l’Université du Wisconsin a été adapté afin de simuler l’incidence du cancer du sein et le rendement du dépistage au Canada. Le modèle a pris en compte les effets de la densité du tissu mammaire sur la sensibilité et la spécificité du dépistage. On a évalué la capacité du modèle de prédire le taux d’incidence du cancer du sein selon l’âge.
Date de diffusion : 2015-12-16 - Articles et rapports : 12-001-X199400214423Description :
La plupart des enquêtes souffrent du problème de données manquantes attribuable à la non-réponse. Pour traiter ce problème, on a souvent recours à l’imputation afin de créer un « ensemble de données complet », c’est-à-dire, un ensemble de données composé d’observations réelles (pour les répondants) et d’imputations (pour les non-répondants). Habituellement, on effectue l’imputation en supposant un mécanisme de réponse non-confondu. Quand cette hypothèse se révèle fausse, un biais est introduit dans l’estimateur ordinaire de la moyenne de population calculé à partir de l’ensemble de données complet. Dans le présent article, nous étudions l’idée d’employer des facteurs de correction simples pour régler le problème du biais dans le cas où l’on a recours à l’imputation par quotient. Nous évaluons l’efficacité des facteurs de correction à l’aide d’une simulation de Monte Carlo dans laquelle nous utilisons des ensembles de données produits artificiellement qui représentent divers taux de non-réponse et mécanismes de non-réponse et diverses superpopulations et corrélations entre la variable étudiée et la variable auxiliaire. Nous constatons que ces facteurs de correction sont efficaces, particulièrement lorsque la population suit le modèle sous-jacent l’imputation par quotient. Nous traitons aussi d’une option pour estimer la variance des estimations ponctuelles corrigées.
Date de diffusion : 1994-12-15 - Articles et rapports : 12-001-X199300114475Description :
Lorsqu’on crée des bases de données de microsimulation, souvent utilisées dans la planification et l’analyse des politiques, on combine plusieurs fichiers de données par des techniques d’appariement statistique afin d’enrichir le fichier receveur. Or, pour effectuer cette opération, il faut poser l’hypothèse de l’indépendance conditionnelle (HIC), ce qui peut fausser sérieusement les relations conjointes entre les variables. On peut éviter de poser cette hypothèse en utilisant des informations supplémentaires appropriées. Dans cet article, nous examinons des méthodes d’appariement statistique qui correspondent à trois méthodes d’imputation - par régression, hot-deck et log-linéaire - appliquées suivant deux scénarios : avec et sans information supplémentaire. La méthode d’imputation log-linéaire consiste essentiellement à introduire des contraintes nominales dans la méthode par régression ou la méthode hot-deck. À partir d’une vaste étude de simulation faite avec des données fictives, nous exécutons des analyses de sensibilité lorsque l’on s’éloigne de l’HIC et nous étudions les gains qui peuvent découler de l’utilisation d’informations supplémentaires. À l’aide de données fictives, nous créons différents scénarios relatifs à la distribution et aux relations des variables pertinentes, par exemple distribution symétrique vs. distribution asymétrique et données supplémentaires substitutives vs. données supplémentaires non substitutives. Nous faisons aussi quelques recommandations sur l’utilisation des méthodes d’appariement statistique. Notre étude confirme particulièrement que l’HIC peut représenter une contrainte sérieuse, que l’on peut éliminer en utilisant des informations supplémentaires appropriées. L’étude montre aussi que les méthodes hot-deck sont généralement préférables aux méthodes de régression. De plus, lorsqu’on dispose d’informations supplémentaires, les contraintes nominales log-linéaires peuvent accroître l’efficacité des méthodes hot-deck. L’idée de cette étude est née des préoccupations que l’on avait sur l’utilisation de l’HIC dans la construction de la Base de données de simulation des politiques sociales à Statistique Canada.
Date de diffusion : 1993-06-15 - 5. Estimation de la production de blé par comté ArchivéArticles et rapports : 12-001-X199100214501Description :
Bien que les enquêtes agricoles du Département de l’agriculture des É.-U. (DAEU) servent à estimer la production végétale à l’échelle du pays et pour chaque État, les estimations par comté sont plus utiles aux décideurs locaux. Ce genre d’estimations sont aussi recherchées par les entreprises qui se spécialisent dans la vente d’engrais, de pesticides, d’assurance-récolte et de matériel agricole. Les États font souvent leurs propres enquêtes dans le but de produire des estimations de la production agricole par comté. En règle générale, ces enquêtes ne reposent pas sur des méthodes d’échantillonnage probabiliste. En outre, la somme des estimations pour chaque comté d’un État doit concorder avec l’estimation calculée par le DAEU pour l’ensemble de l’État. Les méthodes d’estimation classiques pour petites régions ne sont donc pas directement applicables dans les circonstances. Dans cet article, nous allons recourir à des modèles de régression pour estimer la production de blé par comté au Kansas. Nous allons décrire une étude de simulation par laquelle nous comparons les estimations obtenues par régression à celles calculées à l’aide de deux estimateurs classiques pour petites régions : l’estimateur synthétique et l’estimateur direct. Nous allons aussi comparer plusieurs méthodes par lesquelles nous pouvons pondérer les estimations initiales de manière qu’elles concordent avec l’estimation de la production totale de l’État calculée par le DAEU.
Date de diffusion : 1991-12-16
Données (0)
Données (0) (0 résultat)
Aucun contenu disponible actuellement
Analyses (5)
Analyses (5) ((5 résultats))
- Articles et rapports : 11-633-X2017008Description :
La plateforme de modélisation de microsimulation DYSEM propose un noyau de données démographiques et socioéconomiques qu’on peut utiliser avec facilité pour créer des modèles ou des applications de microsimulation dynamiques personnalisés. Le présent document décrit la plateforme DYSEM et donne un aperçu de ses usages prévus ainsi que des méthodes et données utilisées pour sa conception.
Date de diffusion : 2017-07-28 - Articles et rapports : 82-003-X201501214293Description :
Le modèle de microsimulation du cancer du sein du Cancer Intervention and Surveillance Modeling Network de l’Université du Wisconsin a été adapté afin de simuler l’incidence du cancer du sein et le rendement du dépistage au Canada. Le modèle a pris en compte les effets de la densité du tissu mammaire sur la sensibilité et la spécificité du dépistage. On a évalué la capacité du modèle de prédire le taux d’incidence du cancer du sein selon l’âge.
Date de diffusion : 2015-12-16 - Articles et rapports : 12-001-X199400214423Description :
La plupart des enquêtes souffrent du problème de données manquantes attribuable à la non-réponse. Pour traiter ce problème, on a souvent recours à l’imputation afin de créer un « ensemble de données complet », c’est-à-dire, un ensemble de données composé d’observations réelles (pour les répondants) et d’imputations (pour les non-répondants). Habituellement, on effectue l’imputation en supposant un mécanisme de réponse non-confondu. Quand cette hypothèse se révèle fausse, un biais est introduit dans l’estimateur ordinaire de la moyenne de population calculé à partir de l’ensemble de données complet. Dans le présent article, nous étudions l’idée d’employer des facteurs de correction simples pour régler le problème du biais dans le cas où l’on a recours à l’imputation par quotient. Nous évaluons l’efficacité des facteurs de correction à l’aide d’une simulation de Monte Carlo dans laquelle nous utilisons des ensembles de données produits artificiellement qui représentent divers taux de non-réponse et mécanismes de non-réponse et diverses superpopulations et corrélations entre la variable étudiée et la variable auxiliaire. Nous constatons que ces facteurs de correction sont efficaces, particulièrement lorsque la population suit le modèle sous-jacent l’imputation par quotient. Nous traitons aussi d’une option pour estimer la variance des estimations ponctuelles corrigées.
Date de diffusion : 1994-12-15 - Articles et rapports : 12-001-X199300114475Description :
Lorsqu’on crée des bases de données de microsimulation, souvent utilisées dans la planification et l’analyse des politiques, on combine plusieurs fichiers de données par des techniques d’appariement statistique afin d’enrichir le fichier receveur. Or, pour effectuer cette opération, il faut poser l’hypothèse de l’indépendance conditionnelle (HIC), ce qui peut fausser sérieusement les relations conjointes entre les variables. On peut éviter de poser cette hypothèse en utilisant des informations supplémentaires appropriées. Dans cet article, nous examinons des méthodes d’appariement statistique qui correspondent à trois méthodes d’imputation - par régression, hot-deck et log-linéaire - appliquées suivant deux scénarios : avec et sans information supplémentaire. La méthode d’imputation log-linéaire consiste essentiellement à introduire des contraintes nominales dans la méthode par régression ou la méthode hot-deck. À partir d’une vaste étude de simulation faite avec des données fictives, nous exécutons des analyses de sensibilité lorsque l’on s’éloigne de l’HIC et nous étudions les gains qui peuvent découler de l’utilisation d’informations supplémentaires. À l’aide de données fictives, nous créons différents scénarios relatifs à la distribution et aux relations des variables pertinentes, par exemple distribution symétrique vs. distribution asymétrique et données supplémentaires substitutives vs. données supplémentaires non substitutives. Nous faisons aussi quelques recommandations sur l’utilisation des méthodes d’appariement statistique. Notre étude confirme particulièrement que l’HIC peut représenter une contrainte sérieuse, que l’on peut éliminer en utilisant des informations supplémentaires appropriées. L’étude montre aussi que les méthodes hot-deck sont généralement préférables aux méthodes de régression. De plus, lorsqu’on dispose d’informations supplémentaires, les contraintes nominales log-linéaires peuvent accroître l’efficacité des méthodes hot-deck. L’idée de cette étude est née des préoccupations que l’on avait sur l’utilisation de l’HIC dans la construction de la Base de données de simulation des politiques sociales à Statistique Canada.
Date de diffusion : 1993-06-15 - 5. Estimation de la production de blé par comté ArchivéArticles et rapports : 12-001-X199100214501Description :
Bien que les enquêtes agricoles du Département de l’agriculture des É.-U. (DAEU) servent à estimer la production végétale à l’échelle du pays et pour chaque État, les estimations par comté sont plus utiles aux décideurs locaux. Ce genre d’estimations sont aussi recherchées par les entreprises qui se spécialisent dans la vente d’engrais, de pesticides, d’assurance-récolte et de matériel agricole. Les États font souvent leurs propres enquêtes dans le but de produire des estimations de la production agricole par comté. En règle générale, ces enquêtes ne reposent pas sur des méthodes d’échantillonnage probabiliste. En outre, la somme des estimations pour chaque comté d’un État doit concorder avec l’estimation calculée par le DAEU pour l’ensemble de l’État. Les méthodes d’estimation classiques pour petites régions ne sont donc pas directement applicables dans les circonstances. Dans cet article, nous allons recourir à des modèles de régression pour estimer la production de blé par comté au Kansas. Nous allons décrire une étude de simulation par laquelle nous comparons les estimations obtenues par régression à celles calculées à l’aide de deux estimateurs classiques pour petites régions : l’estimateur synthétique et l’estimateur direct. Nous allons aussi comparer plusieurs méthodes par lesquelles nous pouvons pondérer les estimations initiales de manière qu’elles concordent avec l’estimation de la production totale de l’État calculée par le DAEU.
Date de diffusion : 1991-12-16
Références (0)
Références (0) (0 résultat)
Aucun contenu disponible actuellement
- Date de modification :