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.

IFN2
nombre total de tiges
essence principale
découpage régional: canton
unité: 1000 n
ensemble analysé: forêt accessible sans la forêt buissonnante IFN1-IFN5
réseau: réseau 1,4 km, sous-réseaux 1 à 5
état 1993/95
	canton
	AG		AI		AR		BE		BL/BS		FR		GE		GL		GR		JU		LU		NE		NW		OW		SG		SH		SO		SZ		TG		TI		UR		VD		VS		ZG		ZH		Suisse
essence principale	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%
pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.
épicéa	4796	19	1848	31	2836	29	35489	7	1090	41	11649	14	20	100	3830	30	35155	7	3971	25	11179	14	4486	18	2016	45	4844	22	9675	15	2078	29	2621	25	6330	20	5226	23	5469	15	4617	23	14208	11	18949	10	1207	45	8688	15	202275	3
sapin	1465	26	361	44	822	34	14240	9	647	33	2329	25	0	.	333	49	1327	24	3767	20	5578	14	3698	19	284	46	1147	31	2225	17	143	51	1839	22	1652	23	1217	31	1033	31	1413	30	5935	13	1358	27	432	41	1401	19	54648	4
pin	557	29	0	.	8	100	1466	25	399	42	368	48	238	87	0	.	5134	18	417	42	205	66	238	59	0	.	493	83	24	76	531	48	571	33	132	85	335	34	269	61	363	61	285	39	6639	19	0	.	914	21	19587	9
mélèze	276	39	0	.	0	.	267	40	24	77	151	62	0	.	7	100	6021	12	7	100	31	71	7	100	0	.	0	.	460	49	104	62	0	.	15	100	126	72	3639	16	7	100	306	39	8615	13	14	100	173	39	20253	7
arole	0	.	0	.	0	.	22	58	0	.	0	.	0	.	0	.	2483	20	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	16	100	0	.	0	.	1432	25	0	.	0	.	3954	15
autres résineux	84	66	0	.	18	100	285	39	153	100	15	100	0	.	18	100	264	51	17	100	110	65	17	100	0	.	17	100	140	55	35	100	138	46	18	100	34	100	8	100	70	78	306	48	277	82	0	.	262	63	2288	18
hêtre	5480	13	395	44	541	34	18742	8	3138	21	4460	20	0	.	1507	28	2775	22	4050	18	4338	16	2234	17	880	52	1932	34	6788	16	2643	24	5360	15	1662	21	1756	18	10131	15	1121	33	8092	11	2026	30	254	48	4390	14	94696	3
érable	1038	21	43	73	329	49	3154	14	462	27	734	26	0	.	680	34	597	30	679	22	652	24	610	36	269	33	461	54	2188	20	156	71	1036	19	587	28	541	32	390	34	307	45	2254	19	835	31	98	67	1713	22	19814	5
frêne	818	26	0	.	442	52	1767	18	482	48	1253	27	52	100	726	56	877	47	1080	31	1052	38	336	54	484	53	77	64	2015	21	226	57	605	37	612	45	895	25	1111	28	231	53	2253	23	711	30	124	62	1420	21	19649	7
chêne	494	39	0	.	0	.	773	26	358	48	274	43	1191	52	0	.	102	64	308	43	331	48	293	85	22	100	0	.	160	48	278	38	531	54	6	100	706	29	2245	26	52	62	2602	26	655	34	0	.	380	26	11760	11
châtaignier	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	1076	64	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	12713	13	0	.	17	100	176	61	0	.	0	.	13982	12
autres feuillus	1256	23	30	71	129	64	3531	17	688	30	1295	24	34	71	593	42	6416	18	1303	29	941	24	719	33	125	65	383	56	1893	23	94	56	965	31	977	46	906	34	11684	11	768	43	3307	18	4074	17	84	66	1283	22	43479	5
indéterminable	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.
total	16265	11	2678	30	5125	24	79737	5	7441	17	22528	11	1535	48	7695	21	62227	6	15600	12	24417	10	12637	12	4079	30	9355	17	25568	10	6287	19	13666	12	11991	15	11742	14	48709	6	8950	17	39565	8	45746	7	2213	33	20625	10	506383	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. 1370641. Birmensdorf, Swiss Federal Research Institute WSL

page précedente