Formation aux méthodes d'échantillonnage

Leçon 1 • Populations, échantillons et paramètres

Définit la population, l'échantillon, le paramètre et la statistique à l'aide d'exemples concrets. Établit le vocabulaire utilisé tout au long du cours.

Leçon 2 • Concepts fondamentaux de l'inférence statistique

Présente l'estimation, le biais, la variance et le concept de distribution d'échantillonnage. Fournit le cadre inférentiel qui sous-tend toutes les méthodes d'échantillonnage.

Leçon 3 • Pourquoi l'échantillonnage est nécessaire

Examine les contraintes de coût, de temps et de faisabilité qui rendent le dénombrement complet irréaliste. Relie les limitations pratiques à la logique de l'inférence.

Leçon 4 • Aperçu des types de plans d'échantillonnage

Passe en revue les familles de plans probabilistes et non probabilistes à un niveau élevé. Oriente les étudiants sur la feuille de route du cours avant l'introduction des méthodes détaillées.

Leçon 1 • Estimation de la variance et erreurs standards

Présente les formules de variance pour les estimateurs EAS et la correction pour population finie. Les étudiants appliquent ces formules pour quantifier la précision de l'estimation.

Leçon 2 • Détermination de la taille de l'échantillon pour l'EAS

Dérive les formules de taille d'échantillon basées sur la marge d'erreur souhaitée et le niveau de confiance. Permet aux étudiants de planifier des études avec des exigences de précision spécifiées.

Leçon 3 • Principes de l'échantillonnage aléatoire simple

Définit l'EAS avec et sans remise et explique la sélection à probabilité égale. Établit le plan de référence auquel toutes les autres méthodes sont comparées.

Leçon 4 • Intervalles de confiance sous EAS

Construit des intervalles de confiance pour les moyennes, les totaux et les proportions à l'aide des estimations de variance de l'EAS. Renforce le lien entre les erreurs standards et la largeur de l'intervalle.

Leçon 1 • Méthodes de répartition entre les strates

Couvre les stratégies de répartition proportionnelle, égale et optimale (Neyman). Les étudiants sélectionnent des méthodes de répartition en fonction des objectifs de coût et de variance.

Leçon 2 • Estimateurs stratifiés pour les moyennes et les totaux

Dérive les estimateurs de la moyenne et du total stratifiés comme combinaisons pondérées des estimations des strates. Démontre l'absence de biais et relie aux estimateurs EAS.

Leçon 3 • Détermination des limites des strates

Présente la règle de la fréquence cumulée par racine carrée et d'autres méthodes de détermination des limites. Relie la construction des strates à l'efficacité du plan final.

Leçon 4 • Variance des estimateurs stratifiés

Présente les formules de variance pour les estimateurs stratifiés et la correction pour population finie par strate. Les étudiants quantifient les gains de précision par rapport à l'EAS.

Leçon 1 • Estimation dans le sondage par grappes à un degré

Dérive les estimateurs sans biais pour les moyennes et totaux de grappes avec des tailles de grappes égales et inégales. Applique les formules de variance pour mesurer l'efficacité du plan.

Leçon 2 • Introduction au sondage par grappes

Définit les grappes, les unités primaires de sondage et le plan à un degré. Oppose le sondage par grappes à la stratification en termes d'homogénéité intra-groupe.

Leçon 3 • Sondage par grappes à deux degrés

Étend le sondage par grappes à un degré en sous-échantillonnant au sein des grappes sélectionnées. Les étudiants dérivent les estimateurs à deux degrés et comprennent la décomposition de la variance.

Leçon 4 • Mécanismes du sondage systématique

Définit l'intervalle de sondage, le départ aléatoire et la procédure de sélection pour le sondage systématique. S'appuie sur l'EAS pour montrer comment le sondage systématique simplifie les opérations de terrain.

Leçon 1 • Estimateur d'Horvitz-Thompson

Dérive l'estimateur d'Horvitz-Thompson (HT) et sa variance à l'aide des probabilités d'inclusion. Établit HT comme l'estimateur général sans biais pour tout plan probabiliste.

Leçon 2 • Justification de l'échantillonnage à probabilités inégales

Explique pourquoi les plans à probabilité égale sont inefficaces lorsque les tailles des unités varient considérablement. Motive la PPT comme stratégie de réduction de la variance pour les populations asymétriques.

Leçon 3 • Procédures de sélection PPT

Couvre les méthodes de sélection PPT par total cumulé, Lahiri et systématique. Les étudiants mettent en œuvre chaque procédure et vérifient les probabilités d'inclusion.

Leçon 4 • Effet de plan et comparaisons d'efficacité

Quantifie les gains d'efficacité de la PPT par rapport à l'EAS à l'aide de l'effet de plan (DEFF). Les étudiants interprètent les valeurs du DEFF pour justifier les choix de plan.

Leçon 1 • Pondération dans les enquêtes complexes

Dérive les poids de base à partir des probabilités d'inclusion et les ajuste pour la non-réponse et le calage. Les étudiants construisent et appliquent les poids finaux d'analyse.

Leçon 2 • Méthodes de variance par réplication

Couvre la réplication équilibrée répétée, le jackknife et le bootstrap pour la variance dans les enquêtes complexes. Les étudiants sélectionnent et appliquent des méthodes de réplication à des structures d'enquête réelles.

Leçon 3 • Estimation de la variance par linéarisation

Applique la linéarisation par série de Taylor pour estimer la variance de statistiques non linéaires dans des plans complexes. Relie au cadre de variance HT du chapitre 5.

Leçon 4 • Architecture des plans multi-degrés

Décrit comment la stratification, les grappes et la PPT sont superposées à travers les degrés d'échantillonnage. S'appuie directement sur les chapitres 3, 4 et 5 pour intégrer tous les éléments de plan antérieurs.

Leçon 1 • Échantillonnage boule de neige et en réseau

Couvre les méthodes par chaîne de référence pour les populations difficiles à atteindre. Les étudiants comprennent le biais de recrutement et les conditions dans lesquelles l'échantillonnage en réseau est approprié.

Leçon 2 • Évaluation du biais dans les échantillons non probabilistes

Présente des méthodes pour détecter et ajuster le biais de sélection dans les données non probabilistes. Relie aux concepts de pondération du chapitre 6 pour une correction potentielle du biais.

Leçon 3 • Fondements de l'échantillonnage non probabiliste

Définit l'échantillonnage non probabiliste et le contraste avec l'inférence basée sur les probabilités. Établit quand les plans non probabilistes sont acceptables et leurs limites inférentielles.

Leçon 4 • Échantillonnage dirigé par les répondants

Présente l'EDR comme une méthode structurée en réseau avec des ajustements d'estimation basés sur les probabilités. Les étudiants appliquent les estimateurs EDR et évaluent les hypothèses de convergence.

Leçon 1 • Cadre de l'erreur totale d'enquête

Intègre toutes les sources d'erreur dans le modèle d'erreur totale d'enquête (ETE) pour l'évaluation de la qualité. Les étudiants appliquent l'ETE pour auditer un plan d'enquête complet.

Leçon 2 • Ajustements de pondération pour la non-réponse

Couvre la modélisation de la propension à répondre et les ajustements de non-réponse par cellules. S'appuie sur la pondération du chapitre 6 pour étendre les ajustements aux données manquantes.

Leçon 3 • Méthodes d'imputation pour la non-réponse partielle

Présente les techniques d'imputation hot-deck, par la moyenne, par régression et multiple. Les étudiants sélectionnent et appliquent des méthodes d'imputation appropriées à la structure des données.

Leçon 4 • Estimation par calage

Dérive les estimateurs par calage qui alignent les poids d'enquête sur des références de population connues. Les étudiants mettent en œuvre le calage sur marges et le calage par régression généralisée (GREG).