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
volume total de bois (bois de tige)
propriété (2 classes) · essence principale
découpage régional: région biogéographique
unité: 1000 m³
ensemble analysé: forêt accessible sans la forêt buissonnante IFN1-IFN5
réseau: réseau 1,4 km, sous-réseaux 1 à 5
état 2018/26
		région biogéographique
		Jura		Plateau		nord des Alpes		ouest des Alpes centrales		est des Alpes centrales		Sud des Alpes		Suisse
propriété (2 classes)	essence principale	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%
pas d'indication	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	épicéa	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	sapin	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	pin	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	mélèze	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	arole	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	autres résineux	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	hêtre	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	érable	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	frêne	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	chêne	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	châtaignier	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	autres feuillus	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	indéterminable	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	total	0	.	0	.	0	.	0	.	0	.	0	.	0	.
publique	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	épicéa	14741	8	13520	9	37074	7	12960	11	24224	8	12260	14	114780	3
	sapin	13517	9	7287	13	11844	10	920	34	1690	24	2187	24	37445	5
	pin	1962	19	1921	19	915	40	1717	20	2647	18	159	56	9322	9
	mélèze	185	43	813	22	456	31	5970	12	5882	12	5907	12	19215	6
	arole	0	.	0	.	0	.	848	26	1479	20	72	90	2399	15
	autres résineux	194	32	1016	39	41	43	4	61	37	42	87	93	1380	30
	hêtre	15309	6	11868	8	9471	10	538	40	1203	25	5017	13	43406	4
	érable	2744	11	2130	13	2323	13	176	52	390	34	300	33	8062	6
	frêne	1279	19	2948	15	1782	22	171	56	135	48	514	46	6829	10
	chêne	821	20	2233	16	111	42	60	39	92	76	403	34	3721	11
	châtaignier	0	.	0	.	32	83	40	78	5	100	2312	20	2388	19
	autres feuillus	1000	17	2636	15	1511	24	613	21	709	25	3057	14	9525	8
	indéterminable	70	48	29	72	135	32	66	47	46	48	13	71	359	20
	total	51824	4	46402	5	65695	5	24082	8	38540	6	32287	6	258830	2
privée	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	épicéa	5250	14	15114	9	35111	7	1845	24	6607	18	819	43	64747	5
	sapin	4156	17	12463	10	13528	10	229	79	216	63	34	100	30626	6
	pin	124	48	1146	20	223	41	544	39	284	42	87	71	2408	15
	mélèze	12	100	352	36	184	57	2757	30	652	39	548	54	4506	20
	arole	0	.	0	.	12	100	112	49	5	100	0	.	130	43
	autres résineux	5	80	768	50	16	213	15	100	11	100	1	100	817	47
	hêtre	5411	15	13228	9	10584	10	118	71	754	47	1624	28	31719	6
	érable	985	19	1469	18	3292	11	59	60	182	48	57	50	6044	8
	frêne	1129	27	4417	14	2480	18	82	53	176	61	392	34	8676	10
	chêne	340	42	2696	22	182	44	151	53	0	.	739	26	4109	16
	châtaignier	0	.	0	.	0	.	36	100	0	.	4225	16	4261	16
	autres feuillus	480	36	1379	18	1360	16	389	31	241	39	2044	21	5894	10
	indéterminable	24	63	30	57	161	31	19	100	43	58	2	100	278	23
	total	17917	10	53063	6	67134	5	6357	18	9172	15	10571	11	164214	3
total	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	épicéa	19992	6	28633	6	72186	4	14805	10	30831	7	13079	13	179526	2
	sapin	17674	7	19750	7	25372	7	1149	31	1905	22	2220	23	68071	4
	pin	2086	18	3067	14	1138	33	2261	18	2931	17	246	44	11730	8
	mélèze	197	41	1165	19	641	28	8728	12	6534	12	6456	12	23720	6
	arole	0	.	0	.	12	100	961	24	1484	20	72	90	2529	15
	autres résineux	199	32	1785	31	58	68	19	81	49	40	88	92	2197	26
	hêtre	20720	5	25097	6	20055	7	656	36	1957	23	6641	11	75125	3
	érable	3729	9	3599	10	5614	8	234	42	573	27	357	29	14106	5
	frêne	2409	16	7364	10	4262	14	252	42	312	40	905	30	15505	7
	chêne	1161	19	4929	14	293	31	211	40	92	76	1142	20	7829	10
	châtaignier	0	.	0	.	32	83	76	62	5	100	6536	12	6649	11
	autres feuillus	1480	16	4015	11	2871	15	1001	17	951	21	5100	12	15419	6
	indéterminable	94	39	59	46	295	22	85	43	88	38	15	63	638	15
	total	69741	3	99465	3	132830	3	30439	7	47712	6	42859	5	423045	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. 1308171. Birmensdorf, Swiss Federal Research Institute WSL

page précedente