La modification du questionnaire des enquêtes annuelles de recensement (EAR) à partir de 2011, a suscité de nombreux travaux méthodologiques complexes, tels que ceux concernant l’imputation massive de trois variables dans le Recensement de 2011 : l’indicateur de résidence antérieure, la période d’achèvement de l’immeuble et l’activité au sens du BIT. Pour les deux premières, le contexte est celui d’un changement de l’information collectée à partir de 2011. À chaque fois, deux méthodes sont proposées. La première est une approche assez simple au moyen d’un modèle, basée sur l’hypothèse d’une distribution uniforme. La seconde, plus compliquée, utilise un calage par commune ou groupe de communes afin de retrouver en moyenne, à partir des données collectées par les enquêtes annuelles en ancienne nomenclature, les structures estimées en utilisant les données collectées par les enquêtes annuelles en nouvelle nomenclature. L’imputation de l’activité BIT (trois modalités : actif occupé / chômeur / inactif), en métropole et dans les DOM, relève de la construction complète d’une nouvelle variable à partir de variables auxiliaires individuelles corrélées à l’activité et disponibles à la fois dans le recensement et dans l’enquête Emploi . Pour cela, malgré une différence dans les modes de collecte qui crée une hétérogénéité que l’on parvient à corriger en partie, on utilise une variable de déclaration d’activité «spontanée » disponible dans les deux sources. Elle permet d’estimer une liaison assez satisfaisante avec l’activité BIT. On calcule dans un premier temps des probabilités de passage d’une modalité d’activité spontanée vers une modalité d’activité BIT. Puis ces probabilités sont ajustées afin de retrouver en moyenne les effectifs des différentes modalités d’activité BIT donnés par l’enquête Emploi dans chaque croisement région / sexe. En particulier, il faut que les taux de chômage BIT par région/ sexe après imputation subissent les perturbations minimales.

À l’été 2013, l’Insee a diffusé à plus de 1 400 communes des estimations d’effectifs pour diverses sous‑populations vivant sur leurs territoires : personnes ayant souscrit un pacs, personnes en couple non cohabitant, grands‑parents, personnes âgées vivant seules et ayant des enfants résidant à proximité, etc. Ces estimations communales se sont appuyées sur la collecte nationale de l’enquête Famille et logements , enquête de très grande taille associée à l’enquête annuelle de recensement 2011. Afin de leur assurer une qualité suffisante, on a eu recours à une démarche par modélisation, de type «petits domaines » . La première étape s’appuie sur l’ensemble de l’échantillon de l’enquête. Elle consiste à modéliser les probabilités individuelles d’appartenir à la sous‑population d’intérêt. Les variables explicatives utilisées sont des variables binaires disponibles dans le recensement : sexe, groupe d’âge, statut matrimonial, etc. Elles délimitent donc des catégories de population au sein desquelles ces probabilités d’appartenir à la sous‑population d’intérêt seront considérées homogènes et indépendantes de la commune de résidence. Une fois évaluées ces probabilités, on obtient les estimations communales en les multipliant par les effectifs communaux des catégories associées (fournis par le recensement). Enfin, on procède à un calage sur l’effectif national de la sous‑population d’intérêt issu de l’enquête. Parce qu’elle fonde les estimations sur des échantillons de grande taille, cette procédure réduit beaucoup la variance d’échantillonnage par rapport à une estimation qui utiliserait seulement les informations de l’enquête au niveau communal. En contrepartie, le recours à un modèle génère un biais car on assimile un comportement communal à un comportement supra communal. L’erreur qui en résulte peut être appréciée à un niveau agrégé et on constate, sur les variables diffusées, qu’elle reste le plus souvent très acceptable.

Lorsqu’on cherche à estimer une grandeur relative à une population à partir de données collectées seulement sur un échantillon, on s’expose à une erreur d’échantillonnage. Cette erreur a deux composantes : le biais, qui existe dès lors que la moyenne des estimations issues de tous les échantillons possibles diffère de la grandeur visée, et la variance, qui traduit une forme d’instabilité des estimations. Les sondages probabilistes permettent d’estimer l’erreur d’échantillonnage. Les sondages empiriques, par construction, ne le permettent pas. Il est entré dans l’usage de publier pour les sondages empiriques des estimations de l’erreur d’échantillonnage obtenues en « faisant comme si » il s’agissait de sondages probabilistes. C’est une pratique défendable dans certaines circonstances, mais un professionnalisme élevé est nécessaire pour la justifier.

The European Union's Statistics on Income and Living Conditions (SILC) survey was introduced in 2004 as a replacement for the European Panel. It produces annual statistics on income distribution, poverty and social exclusion. First conducted in France in May 2004, it is a longitudinal survey of all individuals over the age of 15 in 16,000 dwellings selected from the master sample and the new-housing sample frame. All respondents are tracked over time, even when they move to a different dwelling. The survey also has to produce cross-sectional estimates of good quality. To limit the response burden, the sample design recommended by Eurostat is a rotation scheme consisting of four panels that remain in the sample for four years, with one panel replaced each year. France, however, decided to increase the panel duration to nine years. The rotating sample design meets the survey's longitudinal and cross-sectional requirements, but it presents some weighting challenges. Following a review of the inference context of a longitudinal survey, the paper discusses the longitudinal and cross-sectional weighting, which are designed to produce approximately unbiased estimators.

This paper describes the method that was implemented by the Statistical Office of France (INSEE) to calculate cross-sectional variance estimates for the French “Labour Force Survey” (LFS). A home-made SAS application, named POULPE, was used for the calculations. After outlining the LFS sample design in the first part, the paper presents the software POULPE, particularly its technical capabilities and the theoretical principles underlying the variance estimation methods it implements. The third part develops how POULPE was utilized to compute variance estimates for the LFS, focusing on the statistical problems which were met and how they were solved. Finally, we provide estimated standard errors for totals and ratios and we make comments about those values.

The "Construction des identités" survey involved 13,500 individuals from multiple sources and over-represented the populations of disabled people, immigrants and children of immigrants on the date of the census. When the selected individual was not there, another person was randomly sampled from the household that the enumerator visited on the collection date. The weighting system presented serious problems due to overlapping survey frames and to the process of randomly selecting some individuals. In particular, there were difficulties relating to the unavailability of certain pieces of information used in determining an "unbiased" weight.

In 2001, the INSEE conducted a survey to better understand the homeless population. Since there was no survey frame to allow direct access to homeless persons, the survey principle involved sampling the services they received and questioning the individuals who used those services. Weighting the individual input to the survey proved difficult because a single individual could receive several services within the designated reference period. This article shows how it is possible to apply the weight sharing method to resolve this problem. In this type of survey, a single variable can produce several parameters of interest corresponding to populations varying with time. A set of weights corresponds to each definition of parameters. The article focuses, in particular, on “an average day” and “an average week” weight calculation. Information is also provided on the use data to be collected and the nonresponse adjustment.

Die Genauigkeit des Preisindex: Messung und Optimierung «November 1993: die Zunahme des monatlichen Verbraucherpreisindex betràgt 0, 1 %; in den letzten zwôlfMo- naten sind die Preise somit um 2,2% gestiegen». Wie zuverlâssig ist ein solches Ergebnis, wenn man weiB, daB es auf der Grundlage einer Stichprobe von ca. 160.000 beobachteten Preisen errechnet worden ist, wâhrend die f ranzôsischen Konsumenten ùber ein Warenangebot von mehreren hundert Millionen Gùtern verfùgen? Anhand einer Untersuchung, die im Rahmen der Neugestaltung des Preisindex durchgefùhrt wurde, kann man ohne weiteres behaupten, daB die Preissteigerung, die unter optimalen Bedingungen auf der Grundlage aller existierenden Preise gemessen wird, sich wahrscheinlich nicht wesentlich von den 2,2% unterscheidet. Die Fehlermarge làBt sich bei diesem Wert von 2,2% mit einer Wahrscheinlichkeit von 95 Prozent auf 0,1% beziffern. Da man im ûbrigen weiB, daB die Genauigkeit des Preisindex einerseits von der Anzahl der Preisbeobachtungen und andererseits von deren Verteilung zwischen den Gùtern und den Dienstleistungen abhângt, lâBt sich dièse Ungenauigkeit môglicherweise noch reduzieren, und zwar entweder auf der Ebene des Gesamtindex oder auf der Ebene der Indices der 265 verôffentlichten Posten. Eine solche Optimierung der Preisindex-Stichprobe hat das Insee im Rahmen der Neugestaltung seines Preisindex ebenfalls vorgenommen.

The European Survey on Income and Living Conditions (SILC) will replace the European Panel beginning in 2004. This annual longitudinal survey will produce annual comparative statistics on income distribution, poverty and social exclusion. While the survey is longitudinal, it will also provide quality cross-sectional estimates. The sample design developed for the SILC by Eurostat is a rotational design based on four panels of four years each with the replacement of one panel per year. This sample design meets the survey's longitudinal and cross-sectional requirements. However, it poses weighting challenges. After a description of the survey, this article looks at the longitudinal and cross-sectional weightings where, in the case of the latter, the Weight Share Method is used.