Sélectionner un thème dans la liste

Estimation et erreur standard de l’estimation

Les résultats publiés dans les tableaux IFN sont des estimations portant sur des paramètres de la forêt suisse (paramètres de population) dont les valeurs réelles ne sont pas connues et qui sont donc extrapolées (estimées) à partir des données de l’échantillon de l’IFN. Les extrapolations contiennent des incertitudes. Cependant, la précision de l’extrapolation opérée à partir de l’échantillon aléatoire de l’IFN peut être estimée de façon fiable. Pour ce faire, tous les tableaux IFN indiquent une seconde valeur à côté de l’estimation: l’erreur standard de l’estimation.

La plupart des tableaux indiquent l’erreur standard relative (« ±% »), mais parfois, surtout pour les pourcentages estimés, c’est l’erreur standard absolue (« ± ») qui est indiquée. Le rapport entre l’erreur standard absolue et relative est le suivant:

erreur standard relative = erreur standard absolue / estimation x 100

erreur standard absolue = erreur standard relative × estimation / 100

Les données sur la desserte sont issues d’un recensement complet des routes forestières. Dans ce cas, il n’est pas nécessaire d’indiquer d’erreur standard puisqu’il n’existe pas d’incertitude liée à l’échantillonnage.

Intervalle de confiance de l’estimation

À l’aide de l’estimation et de son erreur standard, il est possible de calculer l’intervalle de confiance de l’estimation en indiquant:

sa limite inférieure
estimation - tQ × erreur standard absolue

et sa limite supérieure
estimation + tQ × erreur standard absolue

Si le calcul se fait avec l’erreur standard simple (tQ = 1), on obtient l’«intervalle de confiance à 68%». On peut alors admettre que la valeur réelle du paramètre de la population se situe avec une probabilité de 68% dans cet intervalle de confiance. Si l’on utilise l’erreur standard double pour le calcul (tQ = 2), la valeur réelle du paramètre se situe avec une probabilité de 95% dans l’intervalle de confiance, à savoir l’«intervalle de confiance à 95%».

Significativité de l’estimation

L’intervalle de confiance permet d’examiner statistiquement si le paramètre de population estimé est plus grand ou plus petit qu’une certaine valeur de référence, respectivement si deux paramètres de population estimés se distinguent effectivement (dans la population réelle). Dans la pratique, le processus adopté est le suivant: lorsqu’une valeur de référence est située hors de l’intervalle de confiance, on admet que la valeur estimée pour la population se distingue significativement de la référence; si la valeur de référence se situe à l’intérieur de l’intervalle, on interprète la différence entre valeur estimée et valeur de référence comme aléatoire et donc non significative. Pour comparer deux paramètres de population, on considère qu’ils se distinguent de façon significative lorsque leurs intervalles de confiances ne se superposent pas.

Traitement de valeurs manquantes

Lors du calcul des résultats, on ne dispose pas toujours de données pour toutes les combinaisons de catégories des variables de classification et du découpage régional^*. Cela indique dans la plupart des cas que le paramètre estimé à l’aide de la variable cible n’apparaît pas ou seulement très rarement. Généralement, on introduit (« impute ») alors la valeur 0. Mais comme cette valeur n’est pas issue de mesures directes, l’erreur standard correspondante est représentée par un point [.]. Lorsqu’on se réfère à la valeur supposée de 0 lors d’un calcul, par exemple pour indiquer des pourcentages ou certaines estimations de changements, il n’est pas possible d’indiquer une valeur. Dans ce cas, on introduit un point [.] pour la valeur estimée et l’erreur standard.

Par exemple, on n’a jusqu’ici ni trouvé ni mesuré d’arole sur le Plateau (volume des aroles selon les régions de production). On peut donc admettre que si les valeurs manquent, c’est que l’arole n’est effectivement pas présent dans cette région et que son volume doit y être de 0.

^* p. ex. combinaison de la catégorie « arole» de la variable de classification « essence » et de la catégorie « Plateau » du découpage régional

Changements

L’IFN distingue deux types de changements:

Le premier concerne des variables cibles spécifiques pour des composantes de changement telles que l’accroissement, l’exploitation, la mortalité ou les disparitions. Ces variables cibles ne sont disponibles que pour deux cycles d’inventaires successifs, p. ex. IFN3-IFN4. Lors de leur évaluation, la catégorie de la variable de classification du second cycle d'inventaire est attribuée à celle du premier cycle d'inventaire. Ces évaluations ne tiennent donc pas compte du changement de la catégorie d’un inventaire à l'autre (p. ex. de la propriété privée à la propriété publique).

Pour le second type de changements, on utilise les différences de variables cibles telles que le nombre de tiges, le volume sur pied ou la surface forestière afin d’établir un bilan du changement entre deux cycles d’inventaire. Ces variables cibles sont habituellement utilisées pour représenter des états, p. ex. dans l’IFN4, mais peuvent aussi révéler les changements entre deux inventaires quels qu’ils soient, p. ex. LFI1-LFI4. Lors de leur évaluation, on tient compte du changement d’une catégorie de la variable de classification. Ainsi, il est possible de constater p. ex. que la surface de la forêt sans la forêt buissonnante a augmenté. Cela n’a d’effet que pour les variables de classification qui peuvent effectivement changer de caractéristiques, p. ex. l’appartenance à la surface forestière ou l’état de l’arbre.

IFN1
volume total de bois (bois de tige) IFN1
essence principale
découpage régional: canton
unité: 1000 m³
ensemble analysé: forêt accessible sans la forêt buissonnante
réseau: réseau 1,4 km
état 1983/85
	canton
	AG		AI		AR		BE		BL/BS		FR		GE		GL		GR		JU		LU		NE		NW		OW		SG		SH		SO		SZ		TG		TI		UR		VD		VS		ZG		ZH		Suisse
essence principale	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%
pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.
épicéa	5145	13	1546	26	2832	19	35842	5	841	30	9429	10	2	75	3174	18	29781	5	3173	14	8818	11	4756	12	993	27	4383	15	11751	10	1385	22	2777	17	6257	12	3686	16	4005	12	3020	17	14163	7	12333	7	1182	28	8079	10	179351	2
sapin	2245	16	580	33	938	25	15083	7	424	31	2164	18	0	.	503	38	1549	17	3085	14	4651	12	3186	13	321	39	821	27	3225	14	74	61	1708	17	1492	17	756	27	1008	23	493	33	4872	10	1076	20	425	28	2990	15	53667	3
pin	1024	21	17	100	5	100	1286	20	620	28	501	35	25	65	0	.	2880	13	543	27	140	47	142	45	0	.	84	63	336	33	285	33	769	20	183	45	531	25	338	40	173	39	367	39	2102	15	1	100	1601	16	13952	5
mélèze	334	27	7	100	44	100	327	28	52	73	227	52	0	.	23	97	6005	8	23	72	78	95	19	100	0	.	6	100	396	39	71	60	12	77	40	72	32	72	2235	13	37	100	213	32	6694	8	30	100	360	31	17265	5
arole	0	.	0	.	0	.	4	100	0	.	0	.	0	.	0	.	1278	16	0	.	0	.	0	.	0	.	21	100	11	100	0	.	0	.	0	.	0	.	0	.	8	100	0	.	695	17	0	.	0	.	2019	12
autres résineux	37	52	1	100	2	100	164	47	17	100	58	75	0	.	1	100	26	47	1	100	75	80	1	100	2	100	0	.	91	92	17	93	10	53	1	100	4	81	0	.	3	58	107	78	9	77	0	.	47	41	673	24
hêtre	4919	10	229	39	770	28	11373	7	2995	14	2987	15	3	100	968	26	1256	22	3713	12	2860	15	1398	16	509	32	1235	28	3724	13	1263	16	4716	11	1405	20	1282	18	2905	10	333	32	5444	9	426	24	295	42	4349	11	61356	3
érable	572	18	36	52	146	37	1209	12	330	22	203	27	7	100	234	25	132	25	472	18	265	25	187	29	141	37	106	37	968	14	54	35	436	20	181	25	260	34	101	36	60	40	728	13	101	27	84	44	663	17	7676	4
frêne	906	17	100	86	216	34	1089	17	227	33	597	23	4	80	164	46	129	40	629	21	305	23	117	52	162	42	66	41	886	18	146	37	281	26	234	31	494	23	261	20	59	55	1085	17	134	29	221	40	972	15	9483	5
chêne	914	18	0	.	12	100	697	16	257	32	223	30	306	41	0	.	223	51	380	38	180	39	95	42	1	100	8	100	199	52	320	32	285	26	29	78	487	25	526	19	23	72	1314	17	75	31	21	100	581	22	7158	6
châtaignier	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	261	33	0	.	0	.	0	.	0	.	0	.	2	100	0	.	0	.	0	.	0	.	3611	11	0	.	41	89	52	46	0	.	0	.	3968	10
autres feuillus	851	22	28	64	23	55	951	13	308	29	271	30	21	71	108	36	709	15	376	21	193	26	142	34	97	63	103	33	559	19	26	48	336	23	207	28	374	26	2178	10	117	38	772	18	711	19	21	44	606	19	10090	5
indéterminable	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.
total	16947	7	2544	23	4988	17	68026	4	6070	12	16660	8	369	39	5174	15	44228	4	12395	8	17566	8	10043	9	2226	21	6833	13	22149	7	3641	15	11328	9	10028	10	7906	11	17167	4	4326	15	29105	5	24409	5	2281	22	20248	7	366656	1

Table citation

Abegg, M.; Ahles, P.; Allgaier Leuch, B.; Cioldi, F.; Didion, M.; Düggelin, C.; Fischer, C.; Herold, A.; Meile, R.; Rohner, B.; Rösler, E.; Speich, S.; Temperli, C.; Traub, B.,
2023: Swiss national forest inventory - Result table No. 1196669. Birmensdorf, Swiss Federal Research Institute WSL

page précedente