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
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	39059	5	42314	6	24726	8	19382	9	36184	7	13518	12	175182	3
	mort	4409	9	9016	10	4543	14	4014	14	4821	11	1595	17	28398	5
	total	43468	5	51330	6	29269	8	23396	9	41004	7	15113	11	203580	3
sapin	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	27584	5	14967	9	6649	11	1532	24	634	26	1637	24	53003	4
	mort	2351	11	1377	14	1041	19	161	35	201	63	163	33	5295	8
	total	29935	5	16344	8	7691	11	1693	24	835	26	1800	23	58298	4
pin	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	3070	13	1098	47	753	36	4670	21	4795	19	338	53	14724	10
	mort	791	20	337	41	157	45	1451	20	1223	26	112	50	4070	12
	total	3860	13	1435	40	910	36	6120	19	6018	18	450	46	18794	10
mélèze	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	1543	32	732	31	461	47	9587	12	6404	12	8770	11	27496	6
	mort	52	54	158	46	110	62	1791	17	1126	20	1158	18	4396	10
	total	1594	32	890	29	571	45	11378	11	7531	11	9928	11	31892	6
arole	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	0	.	10	100	0	.	1860	22	3954	20	65	79	5889	15
	mort	0	.	0	.	0	.	219	34	205	48	0	.	424	29
	total	0	.	10	100	0	.	2079	22	4160	20	65	79	6313	15
autres résineux	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	1795	20	439	53	396	34	173	56	696	32	44	70	3543	14
	mort	54	58	35	71	53	74	35	71	283	49	0	.	459	33
	total	1849	19	473	53	449	36	208	56	979	35	44	70	4002	15
hêtre	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	44158	4	14272	8	11129	10	2313	27	1669	23	13012	12	86553	3
	mort	2904	11	1189	18	1436	22	266	45	195	36	732	24	6721	8
	total	47062	4	15461	9	12565	10	2579	27	1863	23	13744	12	93274	3
érable	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	13439	7	6751	12	4830	12	1997	24	778	29	1817	26	29611	5
	mort	648	23	239	31	298	37	162	46	0	.	108	60	1456	15
	total	14087	7	6990	11	5128	12	2158	24	778	29	1925	25	31067	5
frêne	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	7822	8	2946	18	2815	15	1508	27	778	43	2433	22	18301	6
	mort	1721	17	804	24	678	24	183	44	104	63	228	41	3718	11
	total	9543	8	3749	16	3493	15	1690	26	882	42	2661	22	22019	6
chêne	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	5058	15	446	34	154	41	1142	32	91	72	2180	24	9071	11
	mort	717	21	58	52	72	79	94	45	0	.	434	34	1376	16
	total	5775	14	504	33	226	39	1236	31	91	72	2614	24	10446	11
châtaignier	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	0	.	7	100	0	.	238	67	45	72	10448	13	10739	13
	mort	0	.	0	.	0	.	73	71	0	.	5059	14	5131	14
	total	0	.	7	100	0	.	311	67	45	72	15506	12	15870	12
autres feuillus	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	12480	8	6309	13	4139	17	5314	14	4849	21	17040	10	50132	5
	mort	1729	14	1539	17	1484	23	1137	20	1029	23	3231	13	10149	7
	total	14209	7	7848	12	5623	17	6451	13	5879	20	20271	9	60281	5
indéterminable	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	mort	328	26	445	20	146	33	162	33	399	28	146	40	1627	12
	total	328	26	445	20	146	33	162	33	399	28	146	40	1627	12
total	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	vif	156008	2	90291	4	56052	6	49715	6	60878	5	71300	4	484244	1
	mort	15703	5	15197	7	10019	9	9747	9	9585	9	12967	7	73219	3
	total	171711	2	105487	4	66072	6	59462	6	70464	5	84268	4	557462	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. 1279246. Birmensdorf, Swiss Federal Research Institute WSL

page précedente