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 de tiges
essence principale · géant (oui/non)
découpage régional: région de forêt protectrice
unité: 1000 n
ensemble analysé: forêt accessible sans la forêt buissonnante IFN4/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	géant (oui/non)	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	.
	non	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	oui	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	.
	non	38641	5	41654	6	24081	8	19143	9	35269	7	13353	12	172140	3
	oui	193	23	231	19	197	22	72	32	219	22	118	37	1030	10
	total	38834	5	41884	6	24277	8	19216	9	35488	7	13471	12	173170	3
sapin	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	27214	6	14865	9	6418	12	1532	24	619	27	1604	24	52252	4
	oui	233	20	102	30	72	34	0	.	15	71	32	51	455	14
	total	27447	5	14967	9	6490	12	1532	24	634	26	1637	24	52707	4
pin	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	3063	13	1098	47	753	36	4670	21	4738	19	338	53	14660	10
	oui	7	100	0	.	0	.	0	.	7	100	0	.	14	71
	total	3070	13	1098	47	753	36	4670	21	4745	19	338	53	14674	10
mélèze	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	1543	32	677	33	461	47	8253	11	5508	11	8405	12	24848	6
	oui	0	.	0	.	0	.	118	32	88	37	102	35	308	20
	total	1543	32	677	33	461	47	8371	11	5596	11	8507	12	25155	6
arole	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	0	.	10	100	0	.	1749	23	3925	20	65	79	5748	15
	oui	0	.	0	.	0	.	42	47	22	58	0	.	64	37
	total	0	.	10	100	0	.	1791	22	3947	20	65	79	5813	15
autres résineux	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	1760	20	317	64	396	34	173	56	644	34	44	70	3335	15
	oui	34	53	7	100	0	.	0	.	0	.	0	.	41	47
	total	1795	20	324	63	396	34	173	56	644	34	44	70	3376	15
hêtre	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	43863	4	14172	9	10764	10	2313	27	1669	23	12688	12	85468	3
	oui	60	39	7	100	30	50	0	0	0	.	37	45	134	25
	total	43923	4	14179	9	10795	10	2313	27	1669	23	12725	12	85602	3
érable	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	13400	7	6643	12	4762	12	1958	25	778	29	1781	26	29321	5
	oui	0	.	0	.	14	71	0	.	0	.	0	.	14	71
	total	13400	7	6643	12	4776	12	1958	25	778	29	1781	26	29336	5
frêne	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	7766	8	2937	18	2661	15	1405	28	778	43	2433	22	17980	6
	oui	33	50	0	.	17	72	0	.	0	.	0	.	50	41
	total	7799	8	2937	18	2678	15	1405	28	778	43	2433	22	18030	6
chêne	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	4990	15	389	36	136	44	1142	32	91	72	2180	24	8927	11
	oui	59	49	0	.	18	71	0	.	0	.	0	.	77	41
	total	5049	15	389	36	154	41	1142	32	91	72	2180	24	9004	11
châtaignier	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	0	.	7	100	0	.	231	69	45	72	10315	14	10599	13
	oui	0	.	0	.	0	.	7	100	0	.	133	36	140	35
	total	0	.	7	100	0	.	238	67	45	72	10448	13	10739	13
autres feuillus	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	12142	8	5692	12	3986	17	5160	14	4819	21	16738	10	48538	5
	oui	42	52	0	.	0	.	0	.	0	.	0	.	42	52
	total	12184	8	5692	12	3986	17	5160	14	4819	21	16738	10	48580	5
indéterminable	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	0	0	0	0	0	0	0	0	0	0	0	0	0	0
	oui	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	total	0	0	0	0	0	0	0	0	0	0	0	0	0	0
total	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	154382	2	88460	4	54418	6	47728	6	58884	6	69944	4	473817	1
	oui	660	12	347	16	348	16	240	20	351	17	422	18	2369	7
	total	155043	2	88808	4	54766	6	47968	6	59235	5	70366	4	476187	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. 1198536. Birmensdorf, Swiss Federal Research Institute WSL

page précedente