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.

IFN5
nombre total de tiges
essence principale · état de l'arbre (vif/mort)
découpage régional: région de forêt protectrice
unité: 1000 n
ensemble analysé: forêt accessible sans la forêt buissonnante IFN1-IFN5
réseau: réseau 1,4 km, sous-réseaux 1 à 5
état 2018/26
		région de forêt protectrice
		Plateau/Jura		Nord des Alpes ouest		Nord des Alpes est		Sud-ouest des Alpes		Sud-est des Alpes		Sud des Alpes		Suisse
essence principale	état de l'arbre (vif/mort)	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%
pas d'indication	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	mort	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	total	0	.	0	.	0	.	0	.	0	.	0	.	0	.
épicéa	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	38330	5	36822	6	21635	8	17710	10	30504	7	11014	13	156015	3
	mort	4379	9	8348	10	4254	14	3644	15	4362	12	1420	18	26408	5
	total	42709	5	45170	6	25889	8	21354	10	34866	7	12434	13	182423	3
sapin	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	27189	6	14880	9	6216	12	1501	24	634	26	1563	25	51983	4
	mort	2328	11	1353	14	1015	20	161	35	183	68	163	33	5205	8
	total	29517	5	16234	8	7231	12	1663	24	818	26	1726	24	57188	4
pin	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	3070	13	1060	48	398	46	4621	22	4169	20	223	72	13541	11
	mort	791	20	303	44	43	71	1416	21	1082	28	105	53	3739	13
	total	3860	13	1362	42	441	46	6037	19	5251	20	328	58	17280	10
mélèze	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	1543	32	653	34	277	52	6942	12	3766	13	5302	15	18482	7
	mort	52	54	158	46	110	62	1365	20	787	22	720	22	3192	12
	total	1594	32	811	31	387	52	8307	12	4553	12	6022	14	21675	7
arole	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	0	.	10	100	0	.	1592	24	2581	24	49	100	4231	17
	mort	0	.	0	.	0	.	187	38	82	53	0	.	268	31
	total	0	.	10	100	0	.	1778	24	2663	24	49	100	4500	17
autres résineux	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	1795	20	74	46	339	36	173	56	518	40	44	70	2942	15
	mort	54	58	0	.	35	100	35	71	283	49	0	.	406	36
	total	1849	19	74	46	373	40	208	56	801	42	44	70	3349	16
hêtre	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	43415	4	13848	9	10304	10	2216	28	1615	24	12090	13	83489	3
	mort	2904	11	1174	18	1391	23	248	48	176	38	699	25	6593	8
	total	46319	4	15022	9	11696	10	2464	27	1792	24	12790	13	90082	3
érable	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	13092	7	6176	11	4162	13	1205	25	663	31	1122	28	26420	5
	mort	648	23	222	33	281	38	127	52	0	.	76	80	1354	16
	total	13740	7	6398	11	4443	13	1332	26	663	31	1197	27	27773	5
frêne	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	7495	8	2739	19	2389	16	912	29	589	52	2240	24	16364	7
	mort	1721	17	804	24	555	27	77	46	104	63	180	45	3441	11
	total	9216	8	3543	16	2944	16	989	27	693	49	2420	23	19805	6
chêne	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	4987	15	344	39	112	47	1080	34	91	72	1978	26	8591	12
	mort	717	21	58	52	72	79	70	50	0	.	434	34	1352	17
	total	5704	15	402	37	184	44	1150	33	91	72	2412	26	9943	11
châtaignier	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	0	.	7	100	0	.	90	65	45	72	10308	14	10450	13
	mort	0	.	0	.	0	.	37	100	0	.	5022	14	5059	14
	total	0	.	7	100	0	.	127	74	45	72	15330	12	15510	12
autres feuillus	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	11464	8	4199	12	2774	17	4280	15	3705	25	13962	11	40383	5
	mort	1574	14	1364	19	1142	25	1082	21	933	25	2731	14	8826	8
	total	13037	7	5564	12	3916	17	5363	15	4637	23	16692	11	49210	5
indéterminable	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	mort	328	26	433	20	111	37	126	37	230	32	77	50	1305	12
	total	328	26	433	20	111	37	126	37	230	32	77	50	1305	12
total	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	152379	2	80813	4	48605	6	42322	7	48881	6	59893	5	432892	2
	mort	15495	5	14217	7	9011	9	8577	10	8222	10	11627	8	67148	3
	total	167874	2	95030	4	57615	6	50898	7	57103	6	71520	5	500040	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. 1279219. Birmensdorf, Swiss Federal Research Institute WSL

page précedente