Exploitation Des Donnees Denquete Boureima Doko Sali Kouete

RPUBLIQUE DE LA COTE DIVOIRE
Union Discipline Travail

*****************************
Ministre de lEnseignement Suprieur
***************************
cole Nationale Suprieure de Statistique et dconomie Applique
dAbidjan (E.N.S.E.A)
**********************
Mmoire d'Exploitation de Donnes dEnqutes
Mesure de limpact
de la crise ivoirienne du 19 septembre 2002
sur lactivit des entreprises de la ville de Bassam
Ralis par :
CHASSEM Nacisse
DOKO Firmin
KOUETE Vincent
KAMDEM Raoul
OUEDRAOGO Boureima
SANOU Sali
Encadreur : FOHOPA KUE Rmon
Sous la direction de
CHITOU Bassirou, PHD,
Enseignant l'ENSEA d' Abidjan
Mai 2004
Table des matires

I. Introduction ........................................................................................................................... 2
II. Prsentation de la base des donnes.................................................................................... 3
III. Traitement de la base.......................................................................................................... 4
III.1. Correction des incohrences de la base ................................................................................. 4
a) Identification des observations .................................................................................................................. 4
b) Vrification des modalits des variables qualitatives................................................................................ 4
III.2. Traitement des non rponses : ............................................................................................... 4

a) Les non-rponses brutes ............................................................................................................................ 4
b) Traitement des Sans objet .................................................................................................................... 5
c) Imputation ................................................................................................................................................. 6
IV. Calcul des estimateurs......................................................................................................... 9

IV.1 Repondration des entreprises enqutes............................................................................... 9
a) But ............................................................................................................................................................. 9
b) Formule ..................................................................................................................................................... 9
IV.2. Estimateurs de Horwitz and Thomson .................................................................................. 9

a) Intrt de la moyenne de Horwitz-Thomson ............................................................................................. 9
b) Formules.................................................................................................................................................... 9
c) Tableau des rsultats destimation........................................................................................................... 10
IV.3 Box-plots des variables dintrt ........................................................................................... 10

IV.4. Stems and leaves des variables dintrt ............................................................................ 10
a) Formule ................................................................................................................................................... 11
b) Tableau des rsultats ............................................................................................................................... 12
IV.6. Calcul des % trimmed mean ........................................................................................... 12

a) Formule ................................................................................................................................................... 12
b) Rsultats .................................................................................................................................................. 12
IV.7. Estimation par bootstrap des variances des estimateurs des Winzorised means et des
% trimmed means ...................................................................................................................... 12
Conclusion ............................................................................................................................... 14
Bibliographie ........................................................................................................................... 15
Annexes.................................................................................................................................... 16
Annexe 1 : Dictionnaire des variables ........................................................................................... 16
Annexe 2 : Box-plots des variables dintrt ................................................................................ 18
Annexe 3 : Stems and leaves........................................................................................................... 20
Annexe 4: Estimations de winzorised et alpha trimmed means.................................................. 21
Annexe 5 : Bootstrap sur les winzorised means ........................................................................... 22
Annexe 6: Etude des variables dintrt par secteurdactivt .................................................... 26
Annexe 7: Syntaxes SPSS pour lapurement de la base .............................................................. 34
I. Introduction
Les donnes issues des enqutes comportent gnralement de nombreuses incohrences
et dfauts dus la mauvaise comprhension du questionnaire par les enquteurs ou par les
enquts, la mauvaise fois des rpondants, des erreurs de saisie, des rponses aberrantes,
etc. Par ailleurs les non rponses, trs frquentes dans les bases de donnes, rendent caducs
les pondrations calcules selon le plan de sondage ex-ante. Il est alors indispensable de se
doter de techniques afin de redresser les donnes aprs enqute afin de se donner les
meilleures chances dapprocher les vraies valeurs des caractristiques quon cherche
mesurer sur la population.
Les mthodes de traitement et dexploitation des donnes denqute sont des techniques
de correction et destimation qui visent ce double objectif de production de donnes fiables et
destimateurs de qualit. Elles consistent en lapurement, au redressement des non rponses et
au calcul destimateurs fiables et robustes par des techniques qui prennent en compte les
insuffisances plus haut constates dans les donnes (rechantillonnage, post stratification,
mthodes du bootsrap, de Jackknife, ).
Ces techniques dapurement et de calculs destimateurs sont mises en uvre dans cet
article afin dapprhender limpact de la crise ivoirienne du 19 septembre 2002 sur lactivit
conomique des entreprises de la ville de Bassam et plus prcisment sur les lments de leur
compte dexploitation. Ce travail souligne galement, au vu de la description de la base
initiale, la difficult dobtention des donnes et la rigueur qui doit tre adopte dans la
collecte de ces donnes.
Aprs la prsentation dans la section II de la base de donnes sur laquelle porte notre
travail, il est question dans la section III du rtablissement de la cohrence dans
lidentification des entreprises, dans les modalits des rponses, du recodage des Sans
objet et de limputation des non rponses. La section IV est consacre au calcul
destimateurs sur quelques variables dintrt et la section V conclura ce travail.
Tous nos remerciements vont l'endroit de notre enseignant M. CHITOU.
II. Prsentation de la base des donnes

La base sur laquelle porte notre travail est la base des donnes sur les entreprises issue
de lenqute sur limpact de la crise Ivoirienne du 19 septembre 2002 sur la ville de
BASSAM. Nous travaillons plus prcisment sur des variables concernant le cycle dactivit,
le niveau de production, les ressources non financires des entreprises et sur leurs charges non
financires. 126 variables sont concernes et sont codes de Q11 Q1174ap.
-
Cycle dactivit
Les variables de dtermination des cycles dactivit des entreprises, codes de Q11
Q14, cherchent dterminer les jours, semaines, mois durant lesquels les activits dune
entreprise sont de forte, moyenne ou faible intensit. Par exemple, au niveau de la variable
Q11, la question pose est : En gnral les priodes ou votre activit marche trs bien,
marche moyennement ou ne marche pas du tout sont-elles dtermines selon le jour, la
semaine ou le mois ? .
-
Niveau de production
La dtermination du niveau de production selon les cycles dactivit avant et aprs le 19

septembre 2002, ne concerne que les activits htelires et de transport. Ces questions sont
codes de Q151av Q174ap. Elles cherchent dterminer les taux de remplissage, le nombre
de dparts (transport) pendant les priodes de forte, moyenne et basse intensit. Par exemple :
Q152av Si htel : quel tait le taux de remplissage moyen de votre rceptif avant le 19
septembre en priode de forte intensit ?
-
Estimation des ressources non financires
Ces questions concernent les montants des chiffres daffaire pour les activits
principales, les activits secondaires et les activits lextrieur de la Cte dIvoire, avant et
aprs le 19 septembre. Elles sont codes de Q181 q1144ap. Par exemple : Q193ap
Combien les activits secondaires de lentreprise rapportent-elles aprs le 19 septembre en
priode de moyenne intensit ?
-
Estimation des charges non financires
Ces questions vont de Q1111 Q1174ap et concernent la dtermination du montant des

dpenses en achats de marchandises et matires premires, en achats des fournitures, en
consommation dnergie, en transport, en traitement du personnel, en charges locatives et en
charges de sous traitance, lis aux activits de lentreprise, avant et aprs le 19 Septembre.
Exemple : Q1143 av Quel tait le montant des dpenses des transport, lies aux activit de
lentreprise avant le 19 Septembre 2002 ? .
III. Traitement de la base

La base des donnes de lenqute telle que saisie initialement contient de nombreuses
incohrences dues des causes diverses :
-
rponses incohrentes des enquts ;

erreurs de saisie ;
Dautre part, il est important de dterminer parmi les non rponses celles qui sont des
Sans objet cest dire les non rponses (ou rponses) des personnes qui en principe ne
devraient pas rpondre aux questions considres. Cela permet de dterminer les non rponses
effectives afin de faire les imputations.
III.1. Correction des incohrences de la base
Il sagit dabord didentifier de faon unique tous les individus de la base : les individus
de la base doivent avoir les mmes identifiants que ceux de la base de dnombrement mais
des erreurs de saisie introduisent souvent des incohrences entre ces deux variables. Il sagit
galement de contrler la cohrence des modalits des variables discrtes avec celles
proposes par le questionnaire.
a) Identification des observations
Afin didentifier de faon unique chaque observation il est cr une variable Identif2
qui prend la valeur suivante : Identif 2 = 1011 + 109 * Q 01 + 106 * Q 02 + 103 * Q 03 + Q 04 . Les
variables Q01, Q02, Q03, Q04 dsignent respectivement le quartier, llot, la concession et le
numro de lentreprise.
Cette formule est conforme lidentification des entreprises dans le fichier
dnombrement . Aprs avoir confront les nouveaux identifiants ceux de la base de
dnombrement, les entreprises nayant pas de correspondants dans le fichier dnombrement
ont t supprimes de la base. Il a t par suite procd la recherche et suppression des
doublons, aprs avoir vrifi que les doublons portaient exactement les mmes observations.
Au terme de cette premire correction la base comporte 1470 observations au lieu de
1478 initialement.
b) Vrification des modalits des variables qualitatives
Cette vrification consiste assurer la cohrence entre les modalits des rponses avec
celles prvues par le questionnaire. Pour cela nous ralisons un tri -plat sur les variables
qualitatives. Cela a permis de sassurer quil nexiste aucune rponse aberrante au niveau des
variables qualitatives.
III.2. Traitement des non rponses :
a) Les non-rponses brutes
Lun des premiers constats que lon peut faire au vu de la base des donnes brutes est le
nombre impressionnant de valeurs manquantes.
Tableau1 : Taux de valeurs manquantes pour quelques variables

Valide
Manquante taux de manquantes
Question
1459
11
0,75
Dtermination priodes d'activit
1424
46
3,13
Priodicit activit principale
1266
204
13,88
Priodicit montant marchandises
588
882
60,00
Montant fournitures moyen aprs
582
888
60,41
Montant transport fort avant
570
900
61,22
Charges locatives fort aprs
565
905
61,56
Montant fournitures fort aprs
557
913
62,11
Montant nergie moyen avant
552
918
62,45
Montant transport bas avant
550
920
62,59
Montant nergie fort aprs
547
923
62,79
Charges locatives moyen avant
530
940
63,95
Montant fournitures moyen avant
2
1468
99,86
Taux htels bas aprs
2
1468
99,86
Nombre dpart fort avant
2
1468
99,86
Nombre dpart moyen avant
1
1469
99,93
Nombre dpart bas aprs
0
1470
100,00
Nombre dpart bas avant
Le taux de non rponse brut va de 0,75% pour la variable Q11 100% pour la variable
Q164av. Mais ces taux de non rponses incluent les non-rponses de type Sans objet et ne
nous permettent pas de dterminer les taux de non rponses effectives. Il a donc t procd
la Recherche et codification des rponses de type Sans objet .
b) Traitement des Sans objet
Les Sans objet ont lieu lorsque la rponse une question exclue celle dune autre
question. Par exemple, pour une entreprise cre aprs le 19 septembre, toutes les rponses ou
les non rponses aux questions concernant ses activits avant le 19 septembre sont des Sans
objet . Lorsquune entreprise dclare avoir un cycle dactivit journalier, il nest plus
pertinent de lui demander comment marchent ses activits dans la premire semaine du mois.
De plus certaines questions sont rserves spcifiquement certaines catgories dactivits.
Par exemple, le taux de remplissage moyen ne concerne que les htels, le nombre moyen de
dparts et le taux moyen de remplissage par dpart ne concernent que les transports.
La syntaxe pour la recodification des sans objet est prsent en annexe. Les Sans
objet ayant t reprs, sont par la suite recods comme suit. Pour les variables une
position (i.e. les modalits sont reprsentes par des nombres un seul chiffre), ils prennent la
valeur 9 ; 99 pour les variables deux positions ; et 9999,99 pour les variables continues. Ces
valeurs sont dclares comme donnes manquantes et ne doivent pas tre prises en compte
dans les calculs des estimateurs. Cela permet de rduire le taux de non rponse puisque les
non rponses restantes concernent uniquement les individus qui nont pas rpondu des
questions auxquelles elles sont censes rpondre. Le tableau ci-dessous donne, les taux de
non-rponses effectifs pour quelques variables.
Tableau2 : Taux de non rponses effectives pour quelques variables

Rponses
Sans objet
non
rponse
Taux de non
rponse (%)
priodicit htel
1466
0,00
taux htel fort avant
1466
25,00
taux htel fort aprs
1466
25,00
nombre dpart moyen aprs
1466
50,00
Variable
nombre dpart bas aprs
1466
100,00
priodicit activit principale
1424
46
3,13
apport principal moyen avant
819
296
355
30,24
apport principal moyen aprs
1047
419
28,58
priodicit montant marchandises
1266
204
13,88
montant marchandises fort avant
767
296
407
34,67
montant marchandises fort aprs
955
513
34,95
montant marchandises moyen avant
766
294
410
34,86
montant marchandises moyen aprs
962
507
34,51
Malgr la codification des Sans objet , on remarque quil subsiste encore un nombre
important de non rponses. Certaines variables prsentent mme plus de 50% de non rponses
effectives. La section suivante va consister limputation dun certain nombre de variables
dintrt
c) Imputation
Etant donn le taux de non rponses trs important pour certaines variables, il est
impossible dimputer des valeurs aux non rponses de toutes les variables. Aussi, avons-nous
choisi de faire limputation sur quelques variables dintrt et sur les variables qui prsentent
de trs faibles taux de non rponse. Cest le cas des variables sur la dtermination du cycle
dactivit qui ont entirement t imputes. Les variables dintrt sur lesquelles vont porter
le calcul destimateurs ont galement t imputes. Il sagit de lapport principal moyen avant
(q183av) et aprs (q183ap) et de montant marchandises moyen avant (q1113av) et aprs
(q1113av).
-
Recherche des mcanismes de non rponse
Afin de dterminer la meilleure mthode dimputation dune variable, il est ncessaire

de connatre son mcanisme de non rponse. Il sagit de caractriser si possible, par une ou
plusieurs autres variables, les individus qui n'ont pas rpondu la question. Il existe trois
mcanismes possibles de non rponse :
-
Le Missing Completly at Random (MCR), la probabilit de non rponse pour la

variable dintrt est la mme pour toutes les units de la population et ne dpend ni
des variables auxiliaires, ni de la variable dintrt elle-mme.
Le Missing at Random (MAR), la probabilit de non rponse pour la variable dintrt

dpend dune ou de plusieurs variables auxiliaires
Le Non Missing at Random (NMR), la probabilit de non rponse de la variable

dintrt dpend de la variable dintrt ou dune autre variable non prsente dans le
questionnaire ou non tudi.
Nous avons donc essay de dterminer les mcanismes de non rponse pour les
variables concernant les ressources et les charges non financires. Les variables auxiliaires qui
6
nous ont paru pertinentes pour expliquer les non rponses ces variables dintrt sont :
Lactivit principal (Q013), la priodicit de lactivit principale (Q181). Linconvnient
majeur de la variable "activit principale" comme variable auxiliaire est quelle comporte
plusieurs modalits (97 modalits au total dans la base). Ce qui entrane de faibles nombres
d'entreprises par activit et des taux de non rponses atteignant souvent 100% l'intrieur de
ces activits. Nous ne l'avons donc pas utilise comme variable auxiliaire. Par contre, la
variable priodicit de l'activit principale n'a que trois modalits.
Tableau3 : Rpartition des non rponses la question q183av en fonction de la priodicit de lactivit
principal
Priodicit de
Nombre
Pourcentage
l'activit principale d'entreprises
Jour
194
54.6
Hebdo
24
6.8
Mois
110
31.0
Total
328
92.3
Manquantes
27
7.6
Total
355
100
Tableau4 : Rpartition des non rponses la question q1112av en fonction de la priodicit de lactivit
principal
Priodicit de
Nombre
Pourcentage
l'activit principale d'entreprises
Jour
224
55,0
Hebdo
31
7,6
Mois
134
32,9
Total
389
95,6
Manquantes
18
4,4
Total
407
100,0
Les tableaux ci-dessus montrent comment les non rponses aux questions "apport de
l'activit principale" et "montant marchandises" sont rparties en fonction de la priodicit de
l'activit principale. Nous remarquons une rpartition semblable pour les deux variables, ceci
est galement le cas pour la plupart de nos variables d'intrt. Ces tableaux indiquent que plus
de la moiti des non rponses proviennent des entreprises dont le cycle d'activit principale
est journalier. Cependant ces tableaux ne nous permettent pas de conclure quant la relation
entre la priodicit de l'activit principale et les non-rponses nos variables d'intrt puisque
la rpartition des entreprises selon la priodicit de l'activit principale est identique dans la
sous population des non rpondants que dans la population totale.
Tableau5 : Rpartition des entreprises en fonction de la priodicit de l'activit principale l'intrieur de

la population totale
Jour
Hebdo
Mois
Total
Systme
manquant
Total
effectif pourcentage
906
61,6
118
8,0
400
27,2
1424
96,9
46
3,1
1470
100,0
On ne peut donc pas affirmer que les non rpondants sont les entreprises ayant une
activit principale journalire. Cependant, tant donn la similitude de la rpartition des
entreprises dans les sous populations des non rpondants et dans la population totale en
fonction de la priodicit de l'activit principale, cette dernire peut tre retenue pour
dterminer les proches voisins des non rpondants. Cela a l'avantage de ne pas modifier la
structure de la population.
-
Imputation
Etant donne que la mthode dimputation retenue est celle du plus proche voisin
associe la moyenne, il nous faut caractriser les plus proches voisins.
Nous dfinissons les plus proches voisins dune entreprise comme lensemble des
entreprises ayant la mme priodicit dactivit principale et la mme priodicit pour le
montant dclar. Par exemple lentreprise dont lidentifiant est identif2 = 113411001001 a
une activit principale journalire (Q181=1). Le montant de ces dpenses en matires
premires dclar est un montant mensuel (Q1111=3). Les plus proches voisins de cette
entreprise lorsquon veut imputer ses montants en dpenses de marchandises, sont les
entreprises qui prennent les valeurs Q181=1 et Q1111=3.
Comme nous le disions ci-dessus, la plupart des variables prsentes dans la base de
donnes avaient un nombre lev de valeurs manquantes. Pour limputation, nous avons
choisi les variables qui avaient moins de 40% de non rponses. Les autres variables cest-dire celles ayant plus de 40% de non rponses ont t simplement laisses comme telles.
Parmi les variables que nous avons imputes, certaines sont qualitatives et dautres
quantitatives. Pour les variables quantitatives, limputation est faite en fonction des variables
priodicit de lactivit principale (Q181) et priodicit montant marchandise (Q1111). On
calcule la moyenne de la variable imputer suivant les modalits des ces deux variables et on
laffecte tous les individus qui ont les mmes modalits pour les variables Q181 et Q1111.
IV. Calcul des estimateurs

IV.1 Repondration des entreprises enqutes
a) But
Le problme de la repondration survient du fait que les entreprises prvues dans le plan
de sondage nont pas t toutes enqutes. En effet, le plan de sondage prvoyait 1745
entreprises parmi lesquelles 480 entreprises du secteur informel de production, 730
entreprises du secteur informel de commerce et 535 entreprises du secteur informel de
service. Ont t effectivement enqutes 1470 entreprises dont 428 entreprises du secteur
informel de production, 597 entreprises du secteur informel de commerce et 438 entreprises
du secteur informel de service. Le but de la repondration est dextrapoler les rsultats
obtenus sur les 1470 entreprises aux 1745 entreprises initiales.
b) Formule
Nk
avec N k le
nk
nombre dentreprises du secteur k prvues par le plan de sondage et nk le nombre
dentreprises du secteur k effectivement enqutes.
Pour une entreprise du secteur k, la formule de repondration est : pi =
Tableau 6 : Rcapitulation des poids des entreprises
Secteur
Production
Commerce
Service
Nk
480
730
535
nk
428
597
438
pi
1,121
1,223
1,221
IV.2. Estimateurs de Horwitz and Thomson

a) Intrt de la moyenne de Horwitz-Thomson
Dans le cas dun sondage stratifi comme cest le cas ici, la moyenne simple est biaise.
On utilise donc lestimateur de Horwitz-Thomson pour la moyenne qui est un estimateur sans
biais de la moyenne vraie.
b) Formules
3
n
La formule de la moyenne de Horwitz and Thomson est Y = h yh o :
h =1 n
nh est leffectif des entreprises du secteur h dans lchantillon ;
n est la taille totale de lchantillon, n=1470; et
yh est la moyenne de Y des entreprises du secteur h dans lchantillon
Les estimateurs des carts types de ces estimateurs sont donns par les formules
2
3
s2
N
V (Y ) = h (1 f h ) h o
nh
h =1 N
N h est lffectif du secteur h dans la population (N1=480 ; N2=730. N3=535)
N = Nh
h =1
fh =
nh
Nh
sh2 la variance empirique de Y dans la classe h

c) Tableau des rsultats destimation
Tableau 7 : Estimateurs Horwitz-thompson des variables d'intrt
Statistiques descriptives
Effectif N
Apport principal moyen
avant
Apport principal moyen
aprs
Montant marchandises
moyen avant
Montant marchandises
moyen aprs
Min
Max
Somme
Moyenne
EcartType
Skewne
de la moy Ecarttype
ss
Kurtosis
1 388,66
0,02
7872 175 933,47
126,69
10,82
403,21
11,45 176,17
1 739,11
0,02
7000 130 840,23
75,23
8,03
334,83
14,29 243,67
1 393,22
0,03
6500 122 223,76
87,73
7,47
278,84
13,76 266,98
1 743,78
0,03
9000
55,37
6,44
268,77
26,76 859,06
96 556,38
Lestimation de la moyenne montre une forte baisse des apports de lactivit principale
et des montants de dpenses en achats de marchandises et matires premires.
IV.3 Box-plots des variables dintrt
Lanalyse des box-lots des variables Q183av, 183ap, Q1113av, Q1113ap donne des
rsultats identiques et prsente des outliers extrmit droite de chaque distribution. Cela est
bien visible sur le graphique du Box-plot de la variable Q183av. les Box-plots des autres
variables sont reprsentes en annexe.
Figure 1 : Box plot de la variable q183av (Apport principal moyen avant)
7872
.02
10
IV.4. Stems and leaves des variables dintrt

Figure 2 : Stem and Leaf de la variable Q183av
Les stems and leaves des variables permettent de compter les outliers. Pour la variables
Q183av par exemple (figure2) les valeurs suprieures 1050 sont considres comme des
outliers. Cela permet didentifier 20 outliers.
Tableau 8 : Nombre doutliers par variable
Variable
Apport principal moyen avant

Apport principal moyen aprs
Montant marchandise moyen
avant
aprs
Nombre
doutliers
Valeurs
suprieures
Poids des
Outliers ( Pout )
Taux
doutliers
20
12
1050
1000
23.63
13.91
1,70
0,80
14
800
16.65
1,19
11
600
13.21
0,95
Le poids doutliers dsigne la somme des poids individuels des outliers. Ces poids vont
servir pour le calcul de la moyenne de Windzor. La colonne valeurs suprieures dsigne
les montants au del desquels les valeurs sont considres comme outliers. Notons Vmax cette
valeur pour une variable donne.
IV.5. Calcul de la moyenne de Windzor
Cette moyenne prsente lavantage dliminer les effets des valeurs aberrantes qui
peuvent introduire un biais dans le calcul des estimateurs.
a) Formule
On suppose que les valeurs de la variable sont ordonnes de faon croissante et que les
outliers sont les valeurs strictement suprieures Vmax . La formule de Windzor est :
n
1 Vmax
W = pi yi + PoutVmax o nvmax dsigne lordre de Vmax et Pout est le poids des outliers.
n i =1
11
b) Tableau des rsultats

Tableau 9 : tableau des winzorized means
Variable
Montant marchandise moyen avant
Montant marchandise moyen aprs
Moyenne de Windzor
102.68
58.44
73.03
42.95
Lestimation de la moyenne par la formule de Windzor donne pour lensemble des

quatres variables des valeurs plus petites que celles fournies par la formule de Horwitz et
Thomson. Cette diffrence sexplique par le fait que tous les outliers sont situs dans a partie
suprieure de la distribution et ceux pour lensemble des variables dintrt.
Les syntaxes de calcul des moyennes de Wndzor pour nos variables dintrt sont
prsents en annexe.
IV.6. Calcul des % trimmed means
Le % trimmed mean est galement un estimateur de la moyenne en cas de prsence
doutliers. A la diffrence du windzorised mean les outliers sont purement et simplement
laisss de ct dans le calcul de la moyenne.
a) Formule
En supposant lchantillon ordonn dans lordre croissant de la variable Y, le %
n
1 vmax
trimmed mean de Y scrit : y trim =
pi yi .
nvmax i =1
b) Rsultats
Tableau 10 : Estimation par
% trimmed mean
Variable
avant
aprs
% trimmed mean
86.28
50.85
97.51
40.74
L' estimation des moyennes des variables dintrt par la mthode du % trimmed
mean donne des valeurs encore plus faibles que le windzorised mean.
IV.7. Estimation par bootstrap des variances des estimateurs des Winzorised means et
des % trimmed means
Les variances du des Winzorised means et des % trimmed means ne peuvent tre
calcules par des formules analytiques. On utilise donc la mthode du Bootstrap afin de les
estimer.
12
Les tableaux ci-dessous donnent les rsultats du bootstrap respectivement pour la

moyenne de Windzor et pour le % trimmed mean.
Tableau 11 : Rsultats du bootstrap pour la moyenne de windzor
Variable
Valeur
estime
Biais
Ecart
type

102.68
58.44
73.03
44.98
0.35
0.08
0.05
0.20
5.30
3.45
3.76
2.19
Tableau 12 : Rsultats du bootstrap pour le
% trimmed mean
Variable
Valeur
estime
Biais
Ecart
type
86.28
50.85
64.23
40.74
0.33
0.06
0.07
0.04
3.77
2.46
2.88
1.69

Intervalle de
confiance
95%
Min
Max
93.37 114.13
51.84 65.58
66.57 81.58
41.05 49.74
Intervalle de
confiance 95%
Min
Max
79.52 93.93
46.59 56.92
58.97 70.01
38.04 44.77
Le biais mesure lcart entre la moyenne bootstrape et la moyenne de windzor ou le

% trimmed mean. On remarque que les cart-types estims sont plus levs pour les
moyennes de windzor que pour les % trimmed means. Ce qui signifie que le % trimmed
mean est plus prcis dans ce cas et donc meilleur que la moyenne de Windzor. De ce fait nous
cnsidrerons comme estimation des valeurs des variables dintrt les estimations par les
% trimmed means.
Ainsi, on peut dire que les montants des apports des activs principales des entreprises
de Bassam ont connu une baisse aprs la crise du 19 septembre 2002. Cette baisse est de
41,1% pour les apports des activits principales et de 58,2% pour les dpenses en
marchandises et matires premires.
13
Conclusion
Dans ce travail, nous avions traiter et exploiter un ensemble de 126 variables
concernant : le cycle dactivit, le niveau de production, les ressources non financires des
entreprises et leurs charges non financires. Le traitement consistait en lapurement et au
redressement des non rponses ou imputation. Au niveau de lexploitation, il sagissait de
calculer des estimateurs fiables et robustes laide des mthodes vues au cours (bootstrap,
Jacknife, ect.).
Au niveau de lapurement, nous avons remarqu quelques incohrences au niveau de
la date de cration des entreprises. Le problme crucial concernait les entreprises qui avaient
dclar tre cres aprs le 19 septembre 2002 et avaient rpondu plusieurs questions qui
concernaient lactivit conomique avant le 19 septembre; Nous avons trait ces entreprises,
dans la suite, comme des entreprises cres avant le 19 septembre.
Pour le redressement des non rponses, nous avons constat aprs apurement et
traitement des sans objets que les variables prsentaient toujours un taux de non rponses
brutes trs lev. Le taux de non rponses de certaines variables avoisinait 90%. Nous avons
dcid dimputer seulement les variables ayant un taux de non rponses brutes de mois de
40%. Pour presque la totalit des variables concernes par limputation, le mcanisme de non
rponse identifi pourrait tre le Not missing at random cest--dire, la probabilit de non
rponse pour la variable dintrt dpend delle-mme ou dautres variables non tudies.
Dans la majorit des cas, la mthode dimputation tait la mthode du plus proche voisin
couple de la mthode de la moyenne.
Une fois les donnes redresses, les variables dintrt que nous avons choisies sont
les apport principal moyen avant et aprs le 19 septembre 2002 et montant marchandise
moyen avant et aprs le 19 septembre 2002 . Il sagissait pour terminer, de donner les
estimateurs fiables et robustes pour ces variables. Les rsultats montrent que ce sont les
estimateurs % trimmed means qui donnent des estimations prcis et robustes.
Comme on peut ce rendre compte, que ce soit lapport principal moyen ou le montant
marchandise moyen, on se rend compte par le baisse des estimations de ces variables au
lendemain de la crise du 19 septembre 2002 que la crise eu cot considrable sur le
fonctionnement de lactivit conomique.
14
Bibliographie
ENSEA (2003), Manuel de codification : Enqute Impact socio conomique de la crise sur
la ville de BASSAM : aspect conomique de la crise , Abidjan, ENSEA.
CHITOU B. (2003), Support du cours sur lexploitation des donnes denqutes, Abidjan,
ENSEA.
DUSSAIX A.
solutions .
et GROSBRAS J. : Exercices de sondages avec aide-mmoire et
ARDILLY P. (1994) Les techniques de sondages , Edit Technip-Paris.
15
Annexes
Annexe 1 : Dictionnaire des variables
Variable Libll
Variable
Libll
localite
Localit
dec
Comment marche vos affaires en decembre?
q01
Quartier
jodec
Nombre de jours ouvrs de decembre?
q02
Ilot
janv
Comment marche vos affaires en janvier?
q03
Concession
jojanv
Nombre de jours ouvrs de janvier
q04
N Entreprise
fev
Comment marche vos affaires en fevrier?
ident
Identifiant
jofev
Nombre de jours ouvrs de fevrier
identif2
mars
Comment marchent vos affaires en mars
q071
Jour de crtion
jomars
Nombre de jours ouvrs de mars
q072
Mois de cration
q151
Periodicit hotels
q073
Anne de cration
q152av
Taux htels fort avant
q08
Nature
q152ap
Taux htels fort aprs
q013
Activit principale
q153av
Taux htels moyen avant
q018
Repondant
q153ap
Taux htels moyen aprs
q11
Determination priodes d'activit
q154av
Taux htels bas avant
lun
Comment marche vos affaires le lundi?
q154ap
Taux htels bas aprs
mar
Comment marche vos affaires le mardi?
q161
Periodicit transport
mer
Comment marche vos affaires le mercredi?
q162av
Nombre depart fort avant
jeu
Comment marche vos affaires le jeudi?
q162ap
Nombre depart fort aprs
ven
Comment marche vos affaires le vendredi?
q163av
Nombre depart moyen avant
sam
Comment marche vos affaires le samedi?
q163ap
Nombre depart moyen aprs
dim
Comment marche vos affaires le dimanche?

Comment marche vos affaires la premire
semaine du mois?
q164av
Nombre depart bas avant
q164ap
Nombre depart bas aprs
Nombre jours ouvrs de la premire semaine

Comment marche vos affaires la deuxime
semaine du mois?
q171
Periodicit taux transport
q172av
Taux transport fort avant
Nombre jours ouvrs de la deuxime semaine

Comment marche vos affaires la troisime
semaine du mois?
q172ap
Taux transport fort aprs
sem1
jo1
sem2
jo2
sem3
q173av
Taux transport moyen avant
q173ap
Taux transport moyen aprs
sem4
Nombre jours ouvrs de la troisime semaine

Comment marche vos affaires la quatrime
semaine du mois
q174av
Taux transport bas avant
jo4
Nombre jours ouvrs de la quatrime semaine
q174ap
Taux transport bas aprs
jo3
sept
Comment marche vos affaires en septembre?
q181
Periodicit activit principale
josept
Nombre de jours ouvrs de septembre
q182av
Apport principal fort avant
oct
Comment marche vos affaires en octobre?
q182ap
Apport principal fort aprs
jooct
Nombre de jours ouvrs d'octobre
q183av
nov
Comment marche vos affaires en novembre
q183ap
jonov
Nombre de jours ouvrs de novembre
q184av
Apport principal bas Avant
16
Variable Libll
Variable
Libll
q184ap
Apport principal bas Aprs
q1134ap
Montant energie bas aprs
q191
Periodicit activit secondiare
q1141
Periodicit montant transport
q192av
Apport secondaire fort avant
q1142av
Montant transport fort avant
q192ap
Apport secondaire fort aprs
q1142ap
Montant transport fort aprs
q193av
Apport secondaire moyen avant
q1143av
Montant transport moyen avant
q193ap
Apport secondaire moyen aprs
q1143ap
Montant transport moyen aprs
q194av
Apport secondaire bas avant
q1144av
Montant transport bas avant
q194ap
Apport secondaire bas aprs
q1144ap
Montant transport bas aprs
q1101
Periodicit montant chiffre d'affaires
q1151
Periodicit traitement personnel
q1152av
Traitement personnel fort avant
q1102ap Montant affaires fort aprs
q1152ap
Traitement personnel fort aprs
q1103av Montant affaires moyen avant
q1153av
Traitement personnel moyen avant
q1102av Montant affaires fort avant
q1103ap Montant affaires moyen aprs
q1153ap
Traitement personnel moyen aprs
q1104av Montant affaires bas avant
q1154av
Traitement personnel bas avant
q1104ap Montant affaires bas aprs
q1154ap
Traitement personnel bas aprs
q1111
Periodicit montant marchandises
q1112av Montant marchandises fort avant
q1161
Periodicit chrages locatives
q1162av
Traitement personnel fort avant
q1112ap Montant marchandises fort aprs
q1162ap
q1113av Montant marchandises moyen avant
q1163av
Charges locatives moyen avant
q1113ap Montant marchandises moyen aprs
q1163ap
Charges locatives moyen aprs
q1114av Montant marchandises bas avant
q1164av
Chrages locatives bas avant
q1114ap Montant marchandises bas aprs
q1164ap
Chages locatives bas aprs
q1121
q1171
Periodicit sous-traitance
q1122av Montant fournitures fort avant
Periodicit montant fournitures
q1172av
Sous-traitance fort avant
q1122ap Montant fournitures fort aprs
q1172ap
q1123av Montant fournitures moyen avant
q1173av
Sous-traitance moyen avant
q1123ap Montant fournitures moyen aprs
q1173ap
Sous-traitance moyen aprs
q1124av Montant fournitures bas avant
q1174av
Sous-traitance bas avant
q1124ap Montant fournitures bas aprs
q1174ap
Sous-traitance bas aprs
q1131
Periodicit montant energie
q1132av Montant energie fort avant

q1132ap Montant energie fort aprs
q1133av Montant energie moyen avant
q1133ap Montant energie moyen aprs
q1134av Montant energie bas avant
17
Annexe 2 : Box-plots des variables dintrt

Figure 3 : Box plot de la variable q183av (Apport principal moyen avant)
7872
.02
Figure 4 : Box plot de la variable q183ap (Apport principal moyen aprs)

7000
.02
18
Figure 5 : Box plot de la variable q113av (Montant marchandises moyen avant)

6500
.03
Figure 6 : Box plot de la variable q113ap (Montant marchandises moyen aprs)

montant marchandises moyen apr
9000
.03
19
Annexe 3 : Stems and leaves

Stem-and-leaf plot for q183ap (apport principal moyen aprs)
0** 00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00, ... (1190)
1** 00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,20, ... (185)
2** 00,00,00,00,00,03,03,03,03,03,03,03,03,03,03,03,03,03,03,03, ... (47)
3** 00,00,00,00,00,05,50,50,60,60,74,75,90
4** 00,00,00,00,20
5** 00,00,88
6** 00,00
7** 00,20,50
8** 00
9** 00,05
10** 00,00
11**
12**
13** 00
14**
15** 00,00
16**
17**
18** 00,00
19**
20** 35
21** 00
22**
23**
24** 50
45** 00
46** 77
60** 00
70** 00
Stem-and-leaf plot for q1113av (montant marchandises moyen avant)

0** 00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00, ... (851)
1** 00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,01,02, ... (256)
2** 00,00,00,00,00,00,00,00,00,00,10,25,35,44,50,50,50,60,80
3** 00,00,00,00,00,00,00,00,00,00,05,15,33,50,56
4** 00,00,00,00,00,00,20,25,28
5** 00,80
6** 43,43,43
7** 00,30,47,50,50
8** 00,00
9**
10** 00,00
11** 00
12** 80
13** 20
14**
15** 00,00,00
16**
17** 08
18**
19**
20**
21** 00
22**
23**
24**
25** 00,50
26**
27** 66
65** 00
20
Stem-and-leaf plot for q1113ap (montant marchandises moyen aprs)

0** 00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00, ... (1310)
1** 00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00,00, ... (112)
2** 00,00,00,00,00,20,25,25,26,40,40,50,63,80
3** 00,00,00,00,00,25,38,50,50,56,65
4** 00,40
5** 00,00,00,00,50,75
6** 00,00,00
7**
8** 15,40
9** 00,80,99
10** 00
11**
12** 80
13**
14**
15** 00
16**
17** 00
27** 66
90** 00
Annexe 4: Estimations de winzorised et alpha trimmed means
Pour la variable q183av

Winzorize mean : 102.67859
sum q183av [aw=poids] if (q183av<=1050)
local sommetrnq=r(mean)*r(sum_w)
local winzo=(23.6345735 *1050+`sommetrnq')/1388.66314
di `winzo'
Right tailed Alpha trimmed mean: (alpha = taux de outliers)

Variable |
Obs
Weight
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------------------q183av |
1152 1365.02857
86.27634
134.1837
.02
1050
Pour la variable q183ap

*Les 12 outliers reprsentent 13,91 individus au
vu des coefficients dexptrapolation
Winzorized mean : 58.438445
sum q183ap [aw=poids] if (q183ap<=1000)

local winzo=(13.9127512*1000+`sommetrnq')/1739.11426
di `winzo'
Right tailed Apha trimmed mean: (alpha = taux de outliers)

Variable |
Obs
Weight
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------------------q183ap |
1453
1725.2015
50.8453
97.62976
.02
1000
21

sum q1113av [aw=poids] if (q1113av<=800)
local winzo=(16.6476055 *800+`sommetrnq')/1393.21965
di `winzo'

Variable |
Obs
Weight
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------------------q1113av |
1162 1376.57205
64.23357
97.51233
.03
800

sum q1113ap [aw=poids] if (q1113av<=600)
local winzo=(13.2073723*600+`sommetrnq')/1393.21965
di `winzo'

Variable |
Obs
Weight
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------------------q1113ap |
1458
1730.5699
40.74158
66.38721
.03
600
Annexe 5 : Bootstrap sur les winzorised means

Le programme STATA est le suivant
program define winq183av
version 7.0
if "`1'" == "?" {
global S_1 winzoq183av
exit
}
* poids des d outliers*
qui sum q183av [aw=poids] if q183av>1050
local poidsout= r(sum_w)
*poids total
qui sum q183av [aw=poids]
local poidstot=r(sum_w)
22
*calcul du winzorized mean winzo

qui sum q183av [aw=poids] if q183av<=1050
local winzoq183av=(`poidsout'*r(max)+`sommetrnq')/`poidstot'
post `1' (`winzoq183av')
end
bstrap winq183av, reps(500)
(obs=1470)
Bootstrap statistics
Variable
Reps
Observed
Bias
Std. Err.
[95% Conf. Interval]
------------+---------------------------------------------------------------winzoq183av |
500
102.6786
-.352443
5.301452
92.26267
113.0945
(N)
92.78415
113.2341
(P)
93.37152
114.1259 (BC)
----------------------------------------------------------------------------N = normal, P = percentile, BC = bias-corrected
Pour les variables q183ap ; q1113av et q1113ap, le programme se modifie en remplaant les
textes griss suivant le tableau suivant :
Tableau 1
Variable
q183ap
q1113av
q1113ap
description
winq183av
winq183ap
winq1113av
winq1113ap
Nom du programme
q183av
q183ap
q1113av
q1113ap
Nom de la variable concerne
winzoq183av winzoq183ap winzoq1113av winzoq1113ap Nom de lestimazteur bootstrap

1050
1000
800
600
Seuil au-del duquel on est considr comme

outlier
POOUR LA VARIABLE q183ap
Variable
Reps
Observed
Bias
Std. Err.
------------+---------------------------------------------------------------winzoq183ap |
|
500
58.43845
-.0796941
3.450431
51.65928
65.21761
(N)
51.77943
65.42441
(P)
|
51.84245 65.57652 (BC)---------------------------------------------------------------------------N = normal, P = percentile, BC = bias-corrected
23
POOUR LA VARIABLE q1113av
Variable
|
Reps
Observed
Bias
Std. Err.
------------+---------------------------------------------------------------winzoq113av |
500
73.02525 -.0505734
3.761854
65.63423 80.41628 (N)
|
66.36188 80.91783 (P)
|
66.56652 81.58176 (BC)
POOUR LA VARIABLE q1113ap

Variable
Reps
Observed
Bias
Std. Err.
-------------+--------------------------------------------------------------winzoq1113ap |
500
44.97741
-.1995108
2.185894
40.68272
49.2721
(N)
40.80772
49.09934
(P)
41.04801
49.73628 (BC)
Annexe 5 : Bootstrap sur les alpha trimmed means

bs "sum q183av [aw=poids] if q183av<=1050" "r(mean)", reps(500)
Variable |
Reps
Observed
Bias
Std. Err.
---------+------------------------------------------------------------------bs1 |
500
86.27634
.3286153
3.768796
78.87167
93.681
(N)
79.65116
94.32502
(P)
79.51547
93.93105 (BC)
24

bs "sum q183ap [aw=poids] if q183ap<=1000" "r(mean)", reps(500)
Variable |
Reps
Observed
Bias
Std. Err.
---------+------------------------------------------------------------------bs1 |
500
50.84529
-.0549498
2.464829
46.00257
55.68802
(N)
46.27514
55.87797
(P)
46.58707
56.92311 (BC)

bs "sum q1113av [aw=poids] if q1113av<=800" "r(mean)", reps(500)
Variable |
Reps
Observed
Bias
Std. Err.
---------+------------------------------------------------------------------bs1 |
500
64.23357
-.0738211
2.884513
58.56628
69.90085
(N)
58.54799
69.69091
(P)
58.96519
70.0144 (BC)
bs "sum q1113ap [aw=poids] if q1113ap<=600" "r(mean)", reps(500)

Variable |
Reps
Observed
Bias
Std. Err.
---------+------------------------------------------------------------------bs1 |
500
40.74158
.042171
1.688072
37.42498
44.05819
(N)
37.58352
44.15766
(P)
38.03995
44.76864 (BC)
25
Annexe 6: Etude des variables dintrt par secteurdactivt

ETUDE DE LA VARIABLE q183av PAR TYPE DACTIVITE
Figure 7 : Box plot de q183av pour le secteur production
2700
1.5
nombre doultilers : 7 outliers (valeurs>900)

Taux de outliers : 7*100/370
sum q183av if (q183av<=900)&(type==1)
local sommetrnq=r(mean)*r(N)
local winzo=(7*900+`sommetrnq')/370
di `winzo'

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q183av |
363
125.0102
147.5182
1.5
900
Figure 8 : Box plot de q183av pour le secteur Commerce

7872
.02
26
Nombre doultilers : 11outliers (valeurs>686)

di `winzo'

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q183av |
458
69.03209
107.4264
.02
686
Figure 9 : Box plot de q183av pour le secteur Service

2100
.5
nombre doultilers : 10outliers (valeurs>420)

di `winzo'

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q183av |
323
52.98463
83.94014
.5
420
27
ETUDE DE LA VARIABLE q183ap PAR TYPE DACTIVITE
Figure 10 : Box plot de q183ap pour le secteur production

4500
.11

sum q183ap if (q183ap<=720)&(type==1)
di `winzo'

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q183ap |
421
69.74366
94.12325
.11
720

6000
.02

28

di `winzo'

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q183ap |
586
37.45999
64.86507
.02
375

7000
.02

di `winzo'

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q183ap |
437
36.78228
69.57505
.02
420
29
ETUDE DE LA VARIABLE q1113av PAR TYPE DACTIVITE

Figure 13 : Box plot de q1113av pour le secteur Production
2765.75
.2

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q1113av |
366
64.58048
75.03288
.2
425

6500
.1

30

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q1113av |
462
64.89483
101.6774
.1
800

1500
.03
Nombre doultilers : 7 outliers (valeurs>333)

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q1113av |
327
49.92377
63.98518
.03
333.33
31
ETUDE DE LA VARIABLE q1113ap PAR TYPE DACTIVITE
Figure 16 : Box plot de q1113ap pour le secteur Production

2765.75
.1

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q1113ap |
424
35.25423
41.88937
.1
280
Figure 17 : Box plot de q1113ap pour le secteur Commerce

1700
.07

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q1113ap |
585
37.5571
57.57528
.07
400
32
Figure 18 : Box plot de q1113ap pour le secteur Service

9000
.03

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+----------------------------------------------------q1113ap |
442
43.55111
78.01332
.03
980
33
Annexe 7: Syntaxes SPSS pour le traitement de la base
Les syntaxes pour le recodage des sans objets et limputation des non rponses sont
dun volume trs important, elles ne sont donc pas toutes places en annexe afin de ne pas
trop alourdir le document.
Syntaxe 1 : Rcodage des Sans objet pour les variables de cycle dactvit
* Cration d'une variable av_ap2 tenant compte uniquement des renseignements sur les variables avant.
get files file = "D:\raoul\exploitation_enqute\Gt_Bassam\entretest.sav".
execute.
COMPUTE av_ap2 = 0 .
VARIABLE LABELS av_ap2 'Existence avant le 19 sept 2002 suivant les donnes sur les variables avant' .
value labels av_ap2
1 'Cre avant le 19 sept 2002'
0 'Cre aprs le 19 sept 2002' .
EXECUTE .
DO IF ((q162av >= 0) | (q163av >= 0) | (q164av >= 0) | (q172av >= 0) |
(q173av >= 0) | (q174av >= 0) | (q182av >= 0) | (q183av >= 0) | (q184av >=
0) | (q192av >= 0) | (q193av >= 0) | (q194av >= 0) | (q1102av >= 0) |
(q1103av >= 0) | (q1104av >= 0) | (q1112av >= 0) | (q1113av >= 0) | (q1114av
>= 0) | (q1122av >= 0) | (q1123av >= 0) | (q1124av >= 0) | (q1132av >= 0) |
>= 0) | (q1152av >= 0) | (q1153av >= 0) | (q1154av >= 0) | (q1162av >= 0) |
>= 0)) .
RECODE
av_ap2 (0=1) .
END IF .
EXECUTE .
FILTER OFF.
USE ALL.
SELECT IF((av_ap=0)&(av_ap2=1)).
EXECUTE .
FREQUENCIES
VARIABLES=q11
/ORDER ANALYSIS .
* 11 valeurs mnquantes pour la variable Determination de la priodicit du cycle d'activit (q11).
* On reporte les valeurs de la priodicit de l'activit principale (q181) .
* les individus 105356005021et 105356002008 presentent des non rponses totales sur toutes les variables
exploitables.
DO IF (MISSING(q11)) .
compute q11 = q181 .
END IF .
EXECUTE .
* Cohrence entre priodicit du cycle d'activit (q11) et Commet marchent vos affaires ...(le jour) de la
semaine.
CROSSTABS
/TABLES=q11 BY lun mar mer jeu ven sam dim
/FORMAT= AVALUE TABLES
/CELLS= COUNT .
*Il ya cohrence mais prsence de valeurs manquantes pour les jours de la semaine.
* Cohrence entre priodicit du cycle d'activit (q11) et Comment marchent vos affaires ...(la semaine) du mois.
CROSSTABS
/TABLES=q11 BY sem1 sem2 sem3 sem4
34
/CELLS= COUNT .
* Une entreprise prsente q11=3 et repond sem1=3. on la cherche pour traitement.
* Aprs filtrage. on constate qu c'est une erreur de saisie et on affecte cet individu le code SANS OBJET (9)
pour la variable sem1.
FILTER OFF.
USE ALL.
SELECT IF((q11=3)&(sem1=3)).
EXECUTE .
do if ((q11=3)&(sem1=3)).
recode sem1 (3=9).
end if.
execute.
* Cohrence entre priodicit du cycle d'activit (q11) et Comment marchent vos affaires ...(le mois) de l'anne.
CROSSTABS
/TABLES=q11 BY sept oct nov dec janv fev mars
/CELLS= COUNT .
* Il n'ya que le pb de valuers manquantes.

Syntaxe 2 : Imputation des variables montant marchandises
**Imputation de la variable q181 qui va servir de variable auxilaire pour imputer les variables de cxharges non
financires q1112av q1174ap.
if sysmis(q181) q181=q11.
frequencies q181.
**Imputation de q1111.
**Les individus 113368001002 et 113488001001 n'ont pas rpondu question q1111 et ont donn des mntants
sur leurs dpenses en marchnadises.
**pour les autres individus qui n'ont pas rpondu q1111 ni aux montants des dpenses.
if (sysmis(q1111)&identif2<>113368001002&identif2<>113488001001) q1111=q181.
frequencies q1111.
**on remarque que les valeurs des rponses de ces deux individus la question q1113av est plus proche des
montants journaliers donns par les autres individus, on les classe alors dans la modalit q1111=1.
if (identif2=113368001002 or identif2=113488001001) q1111=1.
frequencies q1111.
COMPUTE periodic = 10*q181+q1111 .
VARIABLE LABELS periodic 'juxtapose de q181 et q1111' .
execute.
AGGREGATE
/OUTFILE="c:\aggr.sav"
/BREAK=periodic
/mq1112av = MEAN(q1112av) /mq1112ap= MEAN(q1112ap) /mq1113av=
MEAN(q1113av) /mq1113ap= MEAN(q1113ap) /mq1114av= MEAN(q1114av) /mq1114ap
= MEAN(q1114ap)
mpu
execute.
SORT CASES BY periodic(a).
MATCH FILES /FILE=*
/TABLE="c:\AGGR.SAV"
35
/BY periodic.
execute.
if sysmis(q1112av) q1112av=mq1112av.
if sysmis(q1112ap) q1112ap=mq1112ap.
execute.
FREQUENCIES
VARIABLES=q1112av q1112ap q1113av q1113ap q1114av q1114ap.
36

Exploitation Des Donnees Denquete Boureima Doko Sali Kouete

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Exploitation Des Donnees Denquete Boureima Doko Sali Kouete

Transféré par

Droits d'auteur :

Formats disponibles

RPUBLIQUE DE LA COTE DIVOIRE

Union Discipline Travail

Mmoire d'Exploitation de Donnes dEnqutes

Table des matires

III.2. Traitement des non rponses : ............................................................................................... 4

IV. Calcul des estimateurs......................................................................................................... 9

IV.2. Estimateurs de Horwitz and Thomson .................................................................................. 9

IV.3 Box-plots des variables dintrt ........................................................................................... 10

IV.6. Calcul des % trimmed mean ........................................................................................... 12

II. Prsentation de la base des donnes

La dtermination du niveau de production selon les cycles dactivit avant et aprs le 19

Estimation des ressources non financires

Estimation des charges non financires

Ces questions vont de Q1111 Q1174ap et concernent la dtermination du montant des

III. Traitement de la base

rponses incohrentes des enquts ;

Tableau1 : Taux de valeurs manquantes pour quelques variables

Tableau2 : Taux de non rponses effectives pour quelques variables

taux htel fort avant

taux htel fort aprs

nombre dpart moyen aprs

nombre dpart bas aprs

priodicit activit principale

apport principal moyen avant

apport principal moyen aprs

priodicit montant marchandises

montant marchandises fort avant

montant marchandises fort aprs

montant marchandises moyen avant

montant marchandises moyen aprs

Recherche des mcanismes de non rponse

Afin de dterminer la meilleure mthode dimputation dune variable, il est ncessaire

Le Missing Completly at Random (MCR), la probabilit de non rponse pour la

Le Missing at Random (MAR), la probabilit de non rponse pour la variable dintrt

Le Non Missing at Random (NMR), la probabilit de non rponse de la variable

Tableau5 : Rpartition des entreprises en fonction de la priodicit de l'activit principale l'intrieur de

IV. Calcul des estimateurs

Tableau 6 : Rcapitulation des poids des entreprises

IV.2. Estimateurs de Horwitz and Thomson

sh2 la variance empirique de Y dans la classe h

7872 175 933,47

7000 130 840,23

6500 122 223,76

IV.4. Stems and leaves des variables dintrt

Apport principal moyen avant

b) Tableau des rsultats

Lestimation de la moyenne par la formule de Windzor donne pour lensemble des

Les tableaux ci-dessous donnent les rsultats du bootstrap respectivement pour la

Apport principal moyen avant

Tableau 12 : Rsultats du bootstrap pour le

Apport principal moyen avant

Le biais mesure lcart entre la moyenne bootstrape et la moyenne de windzor ou le

et GROSBRAS J. : Exercices de sondages avec aide-mmoire et

ARDILLY P. (1994) Les techniques de sondages , Edit Technip-Paris.

Comment marche vos affaires en decembre?

Nombre de jours ouvrs de decembre?

Comment marche vos affaires en janvier?

Nombre de jours ouvrs de janvier

Comment marche vos affaires en fevrier?

Nombre de jours ouvrs de fevrier

Comment marchent vos affaires en mars

Nombre de jours ouvrs de mars

Taux htels fort avant

Taux htels fort aprs