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 IFN4/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	14981	8	13521	9	39733	6	13417	11	26511	7	13293	13	121457	3
	sapin	13692	9	7287	13	12016	10	940	34	1690	24	2258	23	37882	5
	pin	1962	19	1921	19	1000	36	1751	20	2808	17	196	49	9640	9
	mélèze	185	43	813	22	480	30	6423	11	6860	11	7308	10	22069	6
	arole	0	.	0	.	0	.	958	24	1760	18	73	89	2790	14
	autres résineux	194	32	1016	39	47	39	4	61	44	37	87	93	1392	30
	hêtre	15639	6	11868	8	9638	10	543	40	1226	25	5260	13	44174	4
	érable	2801	10	2133	13	2509	12	187	49	392	34	417	28	8439	6
	frêne	1316	19	2958	15	1873	21	171	56	190	40	592	41	7099	10
	chêne	821	20	2233	16	172	34	79	35	92	76	470	30	3868	11
	châtaignier	0	.	0	.	32	83	40	78	5	100	2397	19	2474	18
	autres feuillus	1011	17	2761	15	1831	21	633	20	946	22	3547	13	10728	7
	indéterminable	70	48	29	72	140	31	68	45	55	42	50	53	412	18
	total	52673	4	46541	5	69469	5	25215	8	42579	6	35946	6	272425	2
privée	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	épicéa	5463	13	15324	9	39608	6	1917	23	7458	16	889	40	70658	5
	sapin	4190	17	12593	10	13930	10	229	79	230	59	34	100	31205	6
	pin	124	48	1146	20	283	36	544	39	284	42	87	71	2468	15
	mélèze	12	100	352	36	184	57	3359	26	980	32	698	45	5585	18
	arole	0	.	0	.	12	100	216	54	5	100	0	.	234	51
	autres résineux	5	80	768	50	54	91	15	100	16	76	1	100	860	45
	hêtre	5533	15	13265	9	11371	10	118	71	871	43	1624	28	32782	6
	érable	1036	19	1469	18	3628	11	111	46	271	46	86	46	6602	8
	frêne	1129	27	4418	14	2717	17	213	45	176	61	413	33	9068	9
	chêne	340	42	2850	21	209	39	151	53	0	.	751	25	4302	15
	châtaignier	0	.	0	.	94	100	36	100	0	.	4225	16	4355	16
	autres feuillus	572	34	1648	19	1615	15	612	32	288	35	2389	20	7124	9
	indéterminable	24	63	30	57	179	30	19	100	43	58	2	100	297	22
	total	18428	9	53862	5	73885	5	7540	16	10623	14	11200	11	175537	3
total	pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
	épicéa	20444	6	28845	6	79341	4	15334	10	33969	7	14182	12	192115	2
	sapin	17881	7	19880	7	25945	7	1169	31	1920	22	2291	23	69087	4
	pin	2086	18	3067	14	1283	30	2295	18	3092	16	283	40	12108	8
	mélèze	197	41	1165	19	664	27	9782	11	7841	11	8006	10	27654	6
	arole	0	.	0	.	12	100	1174	22	1765	18	73	89	3024	13
	autres résineux	199	32	1785	31	102	52	19	81	60	34	88	92	2252	25
	hêtre	21172	5	25133	6	21009	7	661	35	2097	23	6884	11	76955	3
	érable	3837	9	3603	10	6137	8	299	35	663	27	503	24	15041	5
	frêne	2446	16	7376	10	4591	13	384	35	367	36	1005	27	16167	7
	chêne	1161	19	5083	13	381	26	231	37	92	76	1221	19	8169	9
	châtaignier	0	.	0	.	126	78	76	62	5	100	6622	11	6828	11
	autres feuillus	1583	16	4408	11	3445	13	1244	18	1234	19	5937	10	17852	6
	indéterminable	94	39	59	46	319	21	87	42	97	35	52	51	708	14
	total	71101	3	100403	3	143354	3	32756	7	53202	5	47146	4	447962	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. 1308190. Birmensdorf, Swiss Federal Research Institute WSL

page précedente