Principal Component Based Estimation of Finite Population Mean under Multicollinearity

1. Énoncé du problème

Dans le cadre de l'échantillonnage par sondage, l'utilisation d'informations auxiliaires (variables corrélées avec la variable d'étude) constitue une technique standard pour améliorer la précision des estimateurs de la moyenne de population. Cependant, lorsque plusieurs variables auxiliaires sont utilisées simultanément, elles présentent souvent une forte inter-corrélation, un phénomène connu sous le nom de multicolinéarité.

• Conséquences : La multicolinéarité gonfle la variance des estimateurs conventionnels (tels que les estimateurs par rapport, par produit et par régression), entraînant des estimations instables, de grandes erreurs standards et une mauvaise performance.
• Lacune : Bien que l'Analyse en Composantes Principales (ACP) soit un outil statistique reconnu pour traiter la multicolinéarité en régression, son application à la construction d'estimateurs spécifiques pour les moyennes de populations finies sous un échantillonnage aléatoire simple sans remise (EAS-SR) nécessite un développement supplémentaire, en particulier lorsque les variables auxiliaires présentent une asymétrie ou des fluctuations extrêmes.

2. Méthodologie

Les auteurs proposent un cadre d'estimation novateur qui intègre l'Analyse en Composantes Principales (ACP) avec une transformation de type logarithmique pour traiter la multicolinéarité.

A. Cadre théorique

• Plan de sondage : Échantillonnage aléatoire simple sans remise (EAS-SR).
• Variables :
  • $Y$ : Variable d'étude.
  • $X, Z$ : Deux variables auxiliaires (fortement corrélées).
• Transformation ACP :
  • Les variables auxiliaires corrélées ($X, Z$) sont standardisées et transformées en composantes principales orthogonales.
  • La matrice de covariance des variables auxiliaires est décomposée en valeurs propres et vecteurs propres.
  • La première composante principale ($W$), qui capture la majorité de la variance, est retenue pour remplacer les variables corrélées originales, éliminant ainsi efficacement la multicolinéarité.

B. Estimateurs proposés

L'étude introduit deux estimateurs spécifiques :

1. Estimateur de type logarithmique ($t^*$) : Un estimateur généralisé incorporant des paramètres connus des variables auxiliaires ($X, Z$) à l'aide de fonctions logarithmiques pour stabiliser les rapports et gérer l'asymétrie.
   $$t^* = y + K \log\left(\frac{X + \psi_1}{x + \psi_1}\right) + (1-K) \log\left(\frac{z + \psi_2}{Z + \psi_2}\right)$$
2. Estimateur basé sur l'ACP ($t_{PCA}$) : Cet estimateur utilise la composante principale transformée et non corrélée ($W$) dans une structure similaire de type logarithmique :
   $$t_{PCA} = y + \alpha \log\left(\frac{W + \psi}{w + \psi}\right)$$
   • Ici, $\alpha$ est une constante optimisée pour minimiser l'Erreur Quadratique Moyenne (EQM).

C. Dérivation des propriétés

• Biais et EQM : Les auteurs ont dérivé le Biais et l'Erreur Quadratique Moyenne (EQM) pour les deux estimateurs proposés jusqu'au premier ordre d'approximation en utilisant des termes d'erreur ($e_0, e_1, e_2$).
• Optimisation : Les constantes ($K$ et $\alpha$) sont déterminées en minimisant les expressions de l'EQM, produisant des valeurs optimales ($K_{opt}$ et $\alpha_{opt}$) et des formules d'EQM minimale.

3. Contributions clés

1. Intégration novatrice : L'article comble avec succès le fossé entre l'ACP (une technique de réduction de dimensionnalité) et l'estimation par sondage, traitant spécifiquement la question de la multicolinéarité dans l'estimation de la moyenne d'une population finie.
2. Transformation de type logarithmique : En incorporant des fonctions logarithmiques, les estimateurs proposés sont conçus pour être plus robustes face à l'asymétrie et aux variations extrêmes des données auxiliaires, qui affectent souvent les estimateurs par rapport conventionnels.
3. Évaluation complète : L'étude fournit une dérivation mathématique rigoureuse du biais et de l'EQM, suivie d'une validation par l'analyse de données réelles et par des études de simulation extensives.
4. Rigueur diagnostique : L'étude quantifie explicitement la multicolinéarité à l'aide des Facteurs d'Inflation de la Variance (VIF), des Indices de Condition (IC) et des valeurs propres pour justifier la nécessité de l'approche ACP.

4. Résultats et évaluation

La performance des estimateurs proposés ($t^*$ et $t_{PCA}$) a été comparée à celle des estimateurs conventionnels ($t_0$ à $t_5$) en utilisant l'Erreur Quadratique Moyenne (EQM) et l'Efficacité Relative en Pourcentage (ERP).

A. Analyse sur un jeu de données réel

• Source des données : Jeu de données de Maddala et Lahiri (1959) impliquant les Importations ($Y$), le PIB ($X$) et la Consommation ($Z$).
• Vérification de la multicolinéarité : La corrélation entre $X$ et $Z$ était extrêmement élevée ($\rho_{xz} = 0,9989$), avec un VIF de 468,83, indiquant une multicolinéarité sévère.
• Performance :
  • L'estimateur basé sur l'ACP ($t_{PCA}$) a obtenu l'EQM la plus faible (0,1974) et l'ERP la plus élevée (3310,96 %).
  • L'estimateur de type logarithmique proposé ($t^*$) a également surpassé tous les estimateurs conventionnels (ERP : 3296,60 %).
  • Les estimateurs conventionnels tels que le produit cumulé produit ($t_3$) ont mal performé en raison de la structure de corrélation positive.

B. Étude de simulation

• Configuration : Une distribution normale trivariée a été simulée ($N=1000$) avec des niveaux de corrélation variables ($\rho_{xz}$ de 0,3 à 0,9) et des tailles d'échantillon ($n=50, 100, 150$).
• Constats :
  • À mesure que $\rho_{xz}$ augmentait, le VIF et l'Indice de Condition augmentaient, confirmant l'aggravation de la multicolinéarité.
  • À tous les niveaux de corrélation et pour toutes les tailles d'échantillon, l'estimateur basé sur l'ACP ($t_{PCA}$) a systématiquement produit l'EQM la plus faible.
  • L'écart d'efficacité s'est élargi à mesure que la multicolinéarité devenait plus sévère, démontrant la robustesse de l'approche ACP.

5. Importance et conclusion

L'étude conclut que la présence de multicolinéarité dégrade considérablement la performance des estimateurs traditionnels qui reposent sur plusieurs variables auxiliaires. L'estimateur de type logarithmique basé sur l'ACP proposé offre une solution robuste en :

1. Éliminant la redondance : En transformant les variables corrélées en composantes orthogonales.
2. Stabilisant les estimations : En utilisant des transformations logarithmiques pour gérer la non-normalité et les valeurs extrêmes.
3. Maximisant l'efficacité : En surpassant systématiquement les méthodes existantes en termes d'EQM et d'ERP.

Perspectives futures : Les auteurs suggèrent d'étendre cette méthodologie à des contextes de haute dimension, à d'autres paramètres de population (variance, médiane), à des plans de sondage alternatifs (stratifié, en grappes) et à des scénarios impliquant des non-réponses ou des erreurs de mesure.

En résumé, cet article fournit une méthodologie statistiquement solide et pratiquement efficace pour les praticiens du sondage confrontés à des données auxiliaires fortement corrélées, garantissant des estimations de la moyenne de population plus précises et plus stables.