Estimation efficace en présence de non-réponse dans les enquêtes

Abstract

L’utilisation efficace d’informations auxiliaires pour l’estimation des paramètres descriptifs dans une population finie en présence de non-réponse totale est devenue assez courante. Ce mémoire porte sur des procédures de repondération qui impliquent une modification du poids des répondants pour traiter la non-réponse totale. Une approche communément utilisée est l’ajustement par le score de propension qui consiste à multiplier le poids de base par l’inverse de la probabilité de réponse estimée obtenue au moyen d’un modèle de réponse. Afin d’améliorer l’efficacité de l’estimateur ajusté par score de propension, nous proposons une méthode basée sur le calage assisté par un modèle. Cette méthode consiste à modéliser la relation entre des variables d’intérêt identifiées comme clés et un vecteur de variables auxiliaires, puis à incorporer les informations auxiliaires dans des valeurs prédites obtenues par le modèle et ce qui conduira à un système de pondération unique. L’estimateur résultant peut améliorer l’efficacité des estimations en utilisant davantage l’information auxiliaire disponible. Une étude par simulation évalue les propriétés des estimateurs proposés en termes de biais et d’erreur quadratique moyenne.

The efficient use of auxiliary information for estimating descriptive parameters in a finite population in the presence of unit nonresponse has become quite common. This thesis deals with reweighting procedures that involve a change in respondent weight to address unit non-response. A known approach is the propensity score adjustment, which consists of multiplying the base weight by the inverse of the estimated response probability obtained using a response model. In order to improve the efficiency of the propensity score adjusted estimators, we propose a method based on model calibration. This method involves modeling the relationship between survey variables identified as key variables and a vector of auxiliary variables on incorporating the auxiliary information into predicted values obtained by the model, which leads to a single weighting system. The resulting estimator can improve efficiency by making more use of the available auxiliary information. A simulation study evaluates the properties of the estimators in terms of bias and mean square error.