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 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	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	38137	5	36633	6	21465	8	17638	10	30319	7	10928	14	155121	3
	oui	193	23	189	20	169	23	72	32	185	24	85	47	894	11
	total	38330	5	36822	6	21635	8	17710	10	30504	7	11014	13	156015	3
sapin	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	26956	6	14778	9	6154	12	1501	24	619	27	1530	25	51539	4
	oui	233	20	102	30	61	36	0	.	15	71	32	51	444	14
	total	27189	6	14880	9	6216	12	1501	24	634	26	1563	25	51983	4
pin	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	3063	13	1060	48	398	46	4621	22	4162	20	223	72	13527	11
	oui	7	100	0	.	0	.	0	.	7	100	0	.	14	71
	total	3070	13	1060	48	398	46	4621	22	4169	20	223	72	13541	11
mélèze	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	1543	32	653	34	277	52	6834	12	3696	13	5237	15	18240	7
	oui	0	.	0	.	0	.	108	33	70	42	65	45	243	23
	total	1543	32	653	34	277	52	6942	12	3766	13	5302	15	18482	7
arole	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	0	.	10	100	0	.	1563	25	2560	24	49	100	4181	17
	oui	0	.	0	.	0	.	28	61	22	58	0	.	50	43
	total	0	.	10	100	0	.	1592	24	2581	24	49	100	4231	17
autres résineux	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	1760	20	67	50	339	36	173	56	518	40	44	70	2901	15
	oui	34	53	7	100	0	.	0	.	0	.	0	.	41	47
	total	1795	20	74	46	339	36	173	56	518	40	44	70	2942	15
hêtre	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	43355	4	13841	9	10274	10	2216	28	1615	24	12053	13	83355	3
	oui	60	39	7	100	30	50	0	0	0	.	37	45	134	25
	total	43415	4	13848	9	10304	10	2216	28	1615	24	12090	13	83489	3
érable	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	13092	7	6176	11	4148	13	1205	25	663	31	1122	28	26405	5
	oui	0	.	0	.	14	71	0	.	0	.	0	.	14	71
	total	13092	7	6176	11	4162	13	1205	25	663	31	1122	28	26420	5
frêne	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	7462	8	2739	19	2372	16	912	29	589	52	2240	24	16314	7
	oui	33	50	0	.	17	72	0	.	0	.	0	.	50	41
	total	7495	8	2739	19	2389	16	912	29	589	52	2240	24	16364	7
chêne	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	4928	15	344	39	94	52	1080	34	91	72	1978	26	8515	12
	oui	59	49	0	.	18	71	0	.	0	.	0	.	77	41
	total	4987	15	344	39	112	47	1080	34	91	72	1978	26	8591	12
châtaignier	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	0	.	7	100	0	.	83	71	45	72	10181	14	10317	14
	oui	0	.	0	.	0	.	7	100	0	.	126	38	134	36
	total	0	.	7	100	0	.	90	65	45	72	10308	14	10450	13
autres feuillus	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	non	11449	8	4199	12	2774	17	4280	15	3705	25	13962	11	40368	5
	oui	15	71	0	.	0	.	0	.	0	.	0	.	15	71
	total	11464	8	4199	12	2774	17	4280	15	3705	25	13962	11	40383	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	151745	2	80508	4	48294	6	42106	7	48582	6	59547	5	430783	2
	oui	634	12	305	16	311	17	216	21	299	19	345	21	2109	7
	total	152379	2	80813	4	48605	6	42322	7	48881	6	59893	5	432892	2

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. 1198513. Birmensdorf, Swiss Federal Research Institute WSL

page précedente