L’appariement statistique des bases de données SILC, HBS et HFCS : aspects méthodologiques et applications à l’étude de la pauvreté et des inégalités

Résumé Fr En

Les techniques d’appariement statistique connaissent depuis plusieurs années un regain d’intérêt parmi les producteurs de statistiques sociales. Cet article présente les résultats d’un exercice d’appariement réalisé à partir des bases de données sur les revenus (Statistics on Income and Living Conditions – SILC), les dépenses (Household Budget Survey – HBS) et le patrimoine des ménages (Household Finance and Consumption Survey – HFCS) au Luxembourg. Les aspects méthodologiques sont abordés et trois exemples d’indicateurs obtenus à partir des données appariées sont présentés : le taux de pauvreté multidimensionnelle basé sur le revenu, la consommation et le patrimoine, le taux d’épargne et le taux de précarité énergétique. Si l’appariement statistique offre une solution à bas coût pour produire des indicateurs sophistiqués à partir d’informations disponibles dans plusieurs sources de données, ces méthodes restent cependant basées sur de la modélisation et doivent donc être employées avec discernement, en tenant compte des hypothèses sous-jacentes.

Statistical matching techniques have been gaining interest for several years among the producers of social statistics. This article presents the outcome from a statistical matching exercise between household income (Statistics on Income and Living Conditions - SILC), household expenditure (Household Budget Survey - HBS) and household wealth (Household Finance and Consumption Survey - HFCS) data in Luxembourg. Methodological aspects are addressed, and three examples of indicators based on the fused dataset are presented: the multidimensional poverty rate based on income, consumption and wealth, the saving rate, and the energy poverty rate. Although statistical matching offers a cheap and convenient solution to yield sophisticated indicators using information available from several databases, these methods are model-based and must yet be used with caution, taking into account the main underlying assumptions.