Ateliers

Mardi 19mai2026 - 9h-12h30 / 14h-17h30

Participation à 1 atelier au choix, à définir lors de l'inscription.

Tarif : 

Attention ! Le nombre de places à chacun des ateliers étant limité (max.40 personnes/atelier), pensez à vous inscrire rapidement si vous souhaitez y participer.

ATELIER 1 : Inférence statistique en enquêtes lorsque les estimateurs de population finie reposent sur des modèles d’apprentissage automatique

Intervenants : Mehdi Dagdoug (Department of Mathematics and Statistics, McGill University, Canada) et David Haziza (Department of mathematics and statistics, University of Ottawa, Canada)

Résumé

Les prédictions issues de l’apprentissage automatique peuvent être utilisées à plusieurs étapes d’une enquête comme « ingrédients de base » pour l’estimation de paramètres de populationde latelier finie. Ce cours explique comment utiliser des prédictions obtenues par apprentissage automatique pour développer une inférence statistique valide en estimation assistée par modèle et en imputation en présence de non-réponse partielle. Pour la pondération en présence de non-réponse totale, nous clarifions les défis que l’apprentissage automatique introduit pour la pondération par l’inverse de la probabilité de réponse, et ce qui peut — ou ne peut pas — être actuellement justifié.

Plan du cours

1. Introduction : Population finie et paramètres de population finie ; plans d’échantillonnage ; estimateur de Horvitz–Thompson et propriétés ; cadre de l’apprentissage statistique ; description d’algorithmes de base.
2. Estimation assistée par modèle via apprentissage automatique : Estimateur de régression généralisée basé sur un modèle linéaire et ses propriétés ; estimation assistée par modèle basée sur l’apprentissage automatique ; cross-fitting ; orthogonalité de Neyman ; estimation de variance ; illustrations empiriques via études de simulation.
3. Imputation via apprentissage automatique pour la non-réponse partielle : Problèmes de l’estimateur imputé classique : absence d’orthogonalité de Neyman, vitesse de convergence lente, absence de théorème central limite ; estimateur doublement robuste basé sur cross-fitting ; estimation de variance ; procédures d’agrégation ; illustrations empiriques via études de simulation.
4. Procédures d’apprentissage automatique pour la non-réponse totale : Estimateur par probabilité inverse (IPW) basé sur des modèles paramétriques ; absence d’orthogonalité de Neyman ; difficultés pour l’inférence statistique ; illustrations empiriques.

ATELIER 2 : Méthodes avancées d'échantillonnage

Intervenants : Alina Matei (Université de Neuchâtel, Suisse) et Yves Tillé (Université de Neuchâtel, Suisse)

Résumé

Dans cet atelier, nous proposons une introduction aux méthodes modernes d’échantillonnage. Outre un cadre théorique général, nous décrirons les principaux algorithmes permettant de sélectionner des plans simples, des plans à probabilités inégales, des plans équilibrés ou encore des plans produisant des échantillons bien étalés dans l’espace. Le cours sera accompagné d’exercices et de simulations à réaliser en langage R. Nous discuterons également de l’intérêt de ces différentes méthodes d’échantillonnage.

Les participants doivent venir avec un ordinateur portable sur lequel une version de R récente est installée. Les packages suivants doivent avoir été installés: BalancedSampling, gstat, lpSolve, MGLM, sampling, sf, sp, spsurvey, StratifiedSampling, TSP, VGAM, WaveSampling

Plan du cours

1. Introduction à l’échantillonnage, notation, estimation
2. Généralités sur les algorithmes d’échantillonnage
3. Plans simples
4. Plans à probabilités inégales
5. Plans équilibrés
6. Plans étalés dans l’espace