00000000cam 2200000zi 4500
0019.966933
003CaOODSP
00520261019143122
006m     o  d f      
007cr cn|||||||||
008261019e20250908onc     obs  f000 0 fre d
040 |aCaOODSP|bfre|erda|cCaOODSP
043 |an-cn---
0861 |aCS11-522/2024-1-32F-PDF
1001 |aHolmberg, Anders, |eauteur.
24510|aEstimation du score de propension et plan d’échantillonnage optimal lors de l’intégration d’échantillons probabilistes et de données non probabilistes / |cpar Anders Holmberg, Lyndon Ang, Robert Clark et Bronwyn Loong.
2461 |iEn tête du titre : |aRecueil du Symposium de 2024 de Statistique Canada : |ble futur des statistiques officielles
264 1|a[Ottawa] : |bStatistique Canada = Statistics Canada, |cle 8 septembre 2025.
300 |a1 ressource en ligne (10 pages non numérotées).
336 |atexte|btxt|2rdacontent/fre
337 |ainformatique|bc|2rdamedia/fre
338 |aressource en ligne|bcr|2rdacarrier/fre
4901 |a[La série des symposiums internationaux de Statistique Canada : recueil], |x1709-822X
500 |aTitre de la couverture.
500 |aPublié aussi en anglais sous le titre : Propensity score estimation and optimal sampling design when integrating probability samples with non-probability data.
504 |aComprend des références bibliographiques (pages [9-10]).
520 |a« Alors que les sources de données non probabilistes ne sont pas une nouveauté dans les statistiques officielles, on constate un intérêt renouvelé à leur égard, que ce soit en raison de la diminution des taux de réponse aux enquêtes, de l’augmentation des coûts de collecte ou du désir de tirer parti des nouvelles sources de données découlant de la numérisation sociétale en cours. En raison de l’exclusion de certains segments de la population cible, l’inférence dérivée uniquement d’une source de données non probabilistes est susceptible d’entraîner des biais. Cette étude explore une solution à ce biais en intégrant des données non probabilistes à des échantillons probabilistes de référence. Des méthodes se concentreront sur la modélisation de la propension à l’inclusion dans l’ensemble de données non probabilistes avec l’aide de l’échantillon de référence connexe; la propension modélisée étant ensuite appliquée à une approche de pondération selon une probabilité inverse pour produire des estimations démographiques. On présume parfois que l’échantillon de référence est donné. Toutefois, dans cette présentation, une stratégie optimale est visée, c’est-à-dire la combinaison d’un estimateur fondé sur l’intégration des données et d’un plan d’échantillonnage pour l’échantillon probabiliste de référence. Des travaux récents sont présentés qui tirent parti des possibilités de bonne identification d’unités des enquêtes-entreprises pour étudier un estimateur fondé sur les propensions et dériver des probabilités de sélection optimales (inégales) pour l’échantillon de référence » -- Résumé, page [2].
650 6|aStatistiques|xRecherche|zCanada.
650 6|aProbabilités.
650 6|aÉchantillonnage (Statistique)
655 7|aStatistiques|2rvmgf
7102 |aStatistique Canada, |eorganisme de publication.
77508|tPropensity score estimation and optimal sampling design when integrating probability samples with non-probability data / |w(CaOODSP)9.966924
830#0|aSérie des symposiums internationaux de Statistique Canada,|x1709-822X|w(CaOODSP)9.502081
85640|qPDF|s546 Ko|uhttps://publications.gc.ca/collections/collection_2026/statcan/11-522-x/CS11-522-2024-1-32-fra.pdf
986 |a11-522-X