Initiation A L'analyse Des Données

REPUBLIQUE DEMOCRATIQUE DU CONGO
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET UNIVERSITAIRE

INSTITUT UNIVERSITAIRE DU CONGO
IUC MOBA
ETABLISSEMENT D’ENSEIGNEMENT UNIVERSITAIRE
AGREE PAR DECRET PRESIDENTIEL No 06/113 du 20 Juillet 2006
B.P.59 MOBA
FACULTE DES SCIENCES DE SANTE
DEPARTEMENT DE SANTE PUBLIQUE
«Cours d’Initiation à l’analyse des données».
Destinés aux étudiants de L1 Santé Publique
Par
L’Ass. MANDA MULALA Célestin

Epidémiologiste, Expert en santé publique
Année académique
2021-2022
Page 0 sur 30
«Cours d’Initiation à l’analyse des données». Destiné aux étudiants de L2 Santé Publique,
dispensé par l’Ass. MANDA MULALA Célestin
PLAN DU COURS
I. OBJECTIF GENERAL
II. OBJECTIFS SPECIFIQUES
III. Chapitre I : INTRODUCTION A L’ANALYSE DES DONNEES
1.1. Définition
1.2. But
1.3. I.0 Les Tableaux des données
1.4. Les différents types des données multidimensionnelles
1.5. Méthodes de l’analyse en composantes principales ACP
1.6. L’analyse factorielle des correspondances (AFC)
1.7. Distance entre les profils, Métrique du χ²
IV. Chapitre II : MESURE ET ANALYSE MULTI-VARIEE DE LA
PAUVRETE
2.1. Introduction
2.2. Définition
2.3. Choix des indicateurs de bien être
2.4. Critères de choix des indicateurs de bien-être
2.5. Mesure de la pauvreté multidimensionnelle
2.6. Les indicateurs et Seuil relatif selon les besoins sociaux de
base
2.7. Biens de confort et d’équipement
2.8. Résultats attendus
2.9. Sources des données
V. Chapitre III : PRESENTATION DES RESULTATS
3.1. Variance totale expliquée
3.2. Matrice des composantes
3.3. Interprétation
3.4. Matrice des composantes
3.5. Analyse de l’incidence de la pauvreté
3.6. Tableau de privations (indices synthétiques)
VI. Chapitre IV : CONCLUSION ET SUGGESTIONS
POLITIQUES.
VII. BIBLIOGRAPHIE
Page 1 sur 30
I. OBJECTIF GENERAL
A la fin de ce cours d’initiation à l’analyse des données, l'étudiant devra

être capable: d’acquérir les connaissances sur la présentation,
l’interprétation et l’analyse des données.
II. OBJECTIFS SPECIFIQUES:
A la fin de ce cours l'étudiant sera en mesure de manipuler :

1.1. Les différents types des données multidimensionnelles,
1.2. La mesure et analyse multi-variée,
1.3. De présenter les résultats analysés d’une façon synthétique,
1.4. De présenter les conclusions et suggestions politiques pour
la prise des décisions
Page 2 sur 30
Chapitre I : INTRODUCTION A L’ANALYSE DES DONNEES
1. Définition :
- L’analyse des données (aussi appelée analyse exploratoire des
données ou AED) est un sous domaine des statistiques qui se
préoccupe de la description de données conjointes. On cherche par
ces méthodes à donner les liens pouvant exister entre les différentes
données (les données brutes) et à en tirer une information statistique
qui permet de décrire de façon plus succincte les principales
informations contenues dans ces données. On peut également
chercher à classer les données en différents sous-groupes plus
homogènes.
- L’analyse de données est un domaine qui vise à faire le lien entre les
différentes données statistiques pour les classer, les décrire et les
analyser de manière succincte.
2. But :
- Le but de ces méthodes est de synthétiser les grands tableaux pour
en fournir une présentation simplifiée.
- L'objectif de l’analyse des données est d’extraire une information
statistique qui permet de cerner plus précisément le profil de la
donnée.
- L’analyse des données permet de traiter un nombre très important de données et
de dégager les aspects les plus intéressants de la structure de celles-ci.
- D'autres techniques permettent de regrouper les données de façon à faire
apparaître clairement ce qui les rend homogènes, et ainsi mieux les connaître.
L’analyse des données permet de traiter un nombre très important de données et
de dégager les aspects les plus intéressants de la structure de celles-ci.
3. I.0 Les Tableaux des données
Page 3 sur 30
Page 4 sur 30
Page 5 sur 30
Page 6 sur 30
4. Les principales méthodes de l’analyse des données
Globalement ces méthodes sont classées en méthode d’analyse factorielle

et méthode des classifications.
- Les premières méthodes occupent une place primordiale et sont

particulièrement intéressantes parce qu’elles permettent de
représentation graphique.
Ces méthodes permettent notamment de manipuler et de synthétiser

l’information provenant de tableaux de données de grande taille.
Pour cela, il est très important de bien estimer les corrélations entre les
variables que l’on étudie. On a alors souvent recours à la matrice des
corrélations. Dans le cadre de ce travail, nous allons nous limité à deux de
ces méthodes : L’analyse en composantes principales (ACP) et l’analyse
factorielle des correspondants (AFC).
3.1 Méthode de l’Analyse en Composantes Principales (ACP).
L’ACP est une Analyse Factorielle de la famille de l’Analyse des données

et de la Statistique Multi-variée, qui consiste à transformer des variables
liées entre elles (dites “corrélées” en statistique) en nouvelles variables
indépendantes les unes des autres (donc “non corrélées”).
Ces nouvelles variables sont nommées “composantes principales”. Elle

permet au praticien de réduire l’information en un nombre de composantes
plus limité que le nombre initial de variables.
L’ACP prend sa source dans un article de Karl Pearson publié en 1901.

Le père du Test du χ² y prolonge ses travaux dans le domaine de la
régression et des corrélations entre plusieurs variables. Pearson utilise ces
corrélations non plus pour expliquer une variable à partir des autres
(comme en régression), mais pour décrire et résumer l’information
contenue dans ces variables.
Page 7 sur 30
Les champs d’application sont aujourd’hui multiples, allant de la biologie
à la recherche économique et sociale, et plus récemment le traitement
d’images.
Page 8 sur 30
Page 9 sur 30
Page 10 sur 30
A. Espace des variables
Changement d’origine : g = 0 (centrage des variables) La recherche des

sous-espaces Hk se fait de proche en proche pour k=1 à p :
La détermination de H1 revient à chercher une droite passant par l’origine

qui s’ajuste le mieux au nuage de points-individus (maximisant l’inertie
expliquée).
Pour trouver cette droite, il faut déterminer un vecteur unitaire u1 porté par
cette droite avec d(0,u1)=1. Une fois u1 déterminé, on peut démontrer que
le sous-espace H2 s’ajustant au mieux au nuage de points contient
nécessairement u1.
Pour déterminer le sous-espace H2, on recherche u2 tel que u2

perpendiculaire à u1 et tel que la droite portée par u2, passant par 0, ait une
inertie maximale.
les vecteurs u1,u2,…,up peuvent s’obtenir à partir de la matrice d’inertie C

(covariance ou corrélation) entre les variables du tableau.
Cette matrice est telle qu’il existe p vecteurs et p constantes λ qui vérifient
l’équation matricielle suivante : C.v = λv
Les p vecteurs v sont les vecteurs propres et les constantes associées sont
les valeurs propres.
Ces vecteurs sont orthogonaux deux à deux et unitaires (de longueur égale
à 1). Ils peuvent être rangés par ordre décroissant des valeurs propres
associées : le premier vecteur propre v1 est associé à la valeur propre la
plus élevé λ1. Les droites engendrées par ces vecteurs propres sont
appelées respectivement le 1er, 2ème, et pième axe principal d’inertie du
nuage.
L’inertie expliquée par H1, le premier axe Principal engendré par v1 est
égale à :
I(H1)= λ1
Page 11 sur 30
L’inertie expliquée par H2, le plan engendré par v1 et v2 est égale à :
I(H2)= λ1+ λ2
Les valeurs propres de C représentent donc les parts d’inertie expliquée par
chacun des axes principaux du nuage des individus.
Page 12 sur 30
La recherche d’axes portant le maximum d’inertie équivaut à la
construction de nouvelles variables (auxquelles sont associés ces axes) de
variance maximale.
Page 13 sur 30
En d’autres termes, on effectue un changement de repère dans Rp de façon
à se placer dans un nouveau système de représentation où le premier axe
apporte le plus possible de l’inertie totale du nuage, le deuxième axe le
plus possible de l’inertie non prise en compte par le premier axe, et ainsi
de suite.
On appelle axes principaux d’inertie les axes de direction des vecteurs

propres de V normés à 1.
Il y en a p.
Le premier axe est celui associé à la plus grande valeur propre λ1.
On le note u1.
Le deuxième axe est celui associé à la deuxième valeur propre λ2, on le

note u2.
Composantes principales
A chaque axe est associée une variable appelée composante principale.
La composante c1 est le vecteur renfermant les cordonnées des projections

des individus sur l’axe 1.
La composante c2 est le vecteur renfermant les cordonnées des projections

des individus sur l’axe 2.
Pour obtenir ces coordonnées, on écrit que chaque composante principale

est une combinaison linéaire des variables initiales
Exemple :
3.2 L’analyse factorielle des correspondances (AFC)
Page 14 sur 30
L’analyse factorielle des correspondances (en sigle AFC) est une méthode
statistique d’analyse des données mise au point par Jean-Paul Benzecri à
l’Université Pierre-et-Marie-Curie à Paris (ISUP et Laboratoire de
statistique multidimensionnelle).
La technique de l’AFC est essentiellement utilisée pour de grands tableaux

de données toutes comparables entre elles (si possible exprimées toutes
dans la même unité, comme une monnaie, une dimension, une fréquence
ou toute autre grandeur mesurable).
L’AFC sert à déterminer et à hiérarchiser toutes les dépendances entre les

lignes et les colonnes du tableau.
Le principe de ces méthodes est de partir sans a priori sur les données et de
les décrire en analysant la hiérarchisation de l’information présente dans
les données. Pour ce faire, les analyses factorielles étudient l’inertie du
nuage de points ayant pour coordonnées les valeurs présentes sur les lignes
du tableau de données.
La “morphologie du nuage” et la répartition des points sur chacun de ces

axes d’inertie permettent alors, de rendre lisible et hiérarchisée
l’information contenue dans le tableau.
Mathématiquement, après avoir centré et réduit le tableau de données et

que l’on a affecté d’un système de masse (par exemple, les sommes
marginales de chaque ligne),
- on calcule la matrice d’inertie associée et on la diagonalise (la

répartition de l’information selon les différents axes est représentée par
l’histogramme des valeurs propres).
- On effectue alors un changement de base selon ses vecteurs propres,
c’est-à-dire selon les axes principaux d’inertie du nuage de points. On
projette alors les points figurant chaque ligne sur les nouveaux axes.
- L’ensemble de l’information est conservée, mais celle-ci est maintenant
hiérarchisée, axe d’inertie par axe d’inertie.
Page 15 sur 30
- L’histogramme des valeurs propres permet de voir le type de répartition
de l’information entre les différents axes et l’étendue en dimension de
celle-ci.
- Le premier axe d’inertie oppose les points, c’est-à-dire les lignes du
tableau ayant les plus grandes distances ou “différences”.
- La première valeur propre d’inertie, (associée à ce premier axe) mesure
la quantité d’information présente le long de cet axe, c’est-à-dire dans
cette opposition.
Plusieurs méthodes d’analyse des correspondances existent, qui diffèrent

par le type de représentation de l’information, c’est-à-dire de métrique, ou
de système de masse qu’elles utilisent.
Le but de l’AFC est de mettre en évidence les relations de dépendance ou

d’indépendance de deux modalités étudiés et mesurer à l’aide du χ² ; d’une
part la ressemblance entre profils lignes et d’autre part la ressemblance
entre profils colonnes.
Le χ² permet de mesurer l’intensité de la liaison entre les deux nuages de

variables.
3.3 Distance entre les profils, Métrique du χ²
Chaque ligne du tableau des fréquences lignes peut être vue comme la liste
des coordonnées d’un point dans un espace à q dimensions. On obtient
ainsi le nuage des individus lignes.
On définit de même le nuage des individus-colonnes à partir du tableau des

fréquences colonnes. Comme en ACP, on s’intéresse alors aux directions
de “plus grande dispersion” de chacun de ces nuages de points. Mais, pour
mesurer la “distance” entre deux individus, on utilise la Métrique du χ². La
distance du χ² entre la ligne i et la ligne i’ est ainsi définie par :
Page 16 sur 30
La ressemblance entre le profil colonne j et le profil colonne 1 est mesuré
par :
Chapitre II : MESURE ET ANALYSE MULTI-VARIEE

DE LA PAUVRETE
2.1. Introduction
La pauvreté est l’un des plus grands problèmes auxquels font face les
diverses sociétés du monde actuel. Ses conséquences diffèrent selon la
région du monde que l’on traite, allant de l’exclusion sociale dans les pays
riches jusqu’à la malnutrition et la mort dans les pays les plus pauvres. Ces
problèmes sont des vraies maladies pour une société, raison pour laquelle
tous les gouvernements qui ont un souci pour le sort des individus du pays
de cette catégorie ont déclaré leur intention de lutter contre ce fléau.
2.2. Définition
Le programme des Nations Unis pour le Développement (PNUD) définit la

pauvreté comme une privation du bien-être ou d’accès aux services
sociaux de base (Éducation, Santé, Emploi,…).
La pauvreté est généralement définie comme une privation d’un minimum

des commodités permettant à un individu, un ménage ou une population de
vivre dans des conditions décentes. La pauvreté est un phénomène
multidimensionnel et ne peut se résumer à son aspect monétaire.
2.3. Choix des indicateurs de bien être
Page 17 sur 30
Le rapport du PNUD 2007 affirmait que le manque de revenu ne fournit
qu’une vue partielle des multiples facteurs agissant sur le bien être des
individus. Une nouvelle mesure de la pauvreté prenant en compte d’autres
indicateurs tels que l’espérance de vie, la santé, l’alimentation, l’éducation
…serait le mieux indiqué. C’est ainsi qu’un indice de pauvreté a été
élaborer par Anand et Sen en 1997 (Sami BIBI, 2002). Cet indice appelé
IPH se met sous la forme suivante :
IPH1 renseigne sur renseigne sur la privation de vivre longtemps. Il s’agit

du pourcentage des individus ayant une espérance de vie inférieure à 40
ans ;
IPH2 lié à l’éducation, donne le pourcentage de la population adulte

illettrée ;
IPH3 est lui-même un indicateur composite représentant la moyenne

arithmétique de trois autres indicateurs à savoir le pourcentage de la
population ayant accès au service de santé (IPH31), à l’eau potable
(IPH32), et le pourcentage des enfants âgés de moins de 5 ans souffrant de
malnutrition (IPH33).
Notre étude s’intéressera à l’accès aux besoins sociaux de base et la

possession des biens de confort.
2.4. Critères de choix des indicateurs de bien-être
L’indicateur doit être appliqué sur une grande partie de l’échantillon,
L’indicateur doit pouvoir contenir l’information pertinente sur l’offre ou

l’accès au service (quantité ou qualité).
2.5. Mesure de la pauvreté multidimensionnelle
Une mesure de la pauvreté multidimensionnelle est un indice qui

synthétise l’ensemble des informations disponibles concernant une
population pauvre. Cet indice se fonde sur une distribution d’un ou
Page 18 sur 30
plusieurs indicateurs de bien-être individuel et d’un seuil de pauvreté
relatif à chacun des indicateurs sélectionnés.
2.6. Les indicateurs et Seuil relatif selon les besoins sociaux de base
Comme cela a été indiqué plus haut, ce qui a motivé le choix des
indicateurs et le choix de la méthodologie de calcul des seuils c’est à la
fois la disponibilité des données issues l’enquête de 2005 auprès des
ménages et les normes retenues par cette enquête comme minimum de
bien-être. Afin d’assurer une meilleure compréhension des variables
retenues dans cette étude, il est opportun d’expliciter le contenu des
indicateurs qui ont été attachés à ces variables.
A. Dimension éducation
Dans cette dimension, l’indicateur retenu est l’absence de fréquentation

d’un établissement scolaire par un ou plusieurs enfants âgés de 6 à 18 ans
dans un ménage.
B. Dimension santé
Dans le domaine de la santé, il a été considéré qu’une personne en est

privée lorsqu’il a souffert d’un mal quelconque au cours des 4 dernières
semaines et n’a pas consulté un service de santé. Comme services de santé,
on a considéré un cabinet médical, hôpital privé ou public, centre de santé
intégré avec médecin, dentiste ou pharmacie.
C. Dimension Emploi
Le chômage est appréhendé chez les personnes âgées de 18 à 55 ans qui

n’ont pas travaillé et qui ont cherché du travail au cours des quatre
dernières semaines précédant l’enquête ;
D. Dimension eau
L’indicateur pour cette dimension combine : l’accès à l’eau à boire (à une

distance de moins de 5 minutes de marche) ; Source d’eau potable définie
pour les ménages utilisant le robinet de la REGIDESO dans le logement.
Page 19 sur 30
E. L’information
Les ménages privés de l’information sont celles qui ne possède ni TV ni

Radio.
H. Énergie
Un ménage sera privé d’énergie si le combustible principal pour faire la

cuisine est le feu de bois ou des braises.
G. Habitat
Pour cette variable, le ménage est jugé par la nature des matériaux de
murs, un ménage avec matériaux de murs en planche, bois ou natte sera
considéré pauvre.
J. Éducation
Pas d’individus âgés de 6 à 18 non scolarisé. Dans le ménage est privé du

service de l’éducation.
2.7 Biens de confort et d’équipement
– Privation d’un frigo ou congélateur,

– Privation d’un matelas/lit,
– Privation de chaises/ fauteuils,
– Privation d’une cuisinière ou réchaud,
– Privation lit/Matelas
– Privation de table à manger
– Privation des magnétos,
– Privation de Toilette,
– Privation de réchaud ou cuisinière
Étant donné l’objectif de cette étude, nous présentons la méthodologie sur

la mesure de la pauvreté multidimensionnelle par l’analyse en
composantes principales.
Page 20 sur 30
La mesure de la pauvreté multidimensionnelle implique habituellement la
construction des indices de privation qui incorporent l’information fournie
par plusieurs indicateurs de privation.
2.8 Résultats attendus
Les résultats attendus de cette étude sont d’une part identifier les individus
pauvres dans les différentes dimensions et les groupes prioritaires et,
d’autre part présenter les contours d’une politique efficace de lutte contre
la pauvreté.
2.9 Sources des données
Les données qui font l’objet d’analyse dans cette étude sont issues des
bases de données de l’enquête congolaise auprès des ménages (2005).
Chapitre III : PRESENTATION DES RESULTATS
Compte tenu de la disponibilité des informations sur les ménages dont les
données ont été recueillies par l’INS, nous n’avons retenu que les ménages
dont le répondant aux questionnaires fut le chef de ménage; ce qui nous
donne un échantillon de 2081 ménages. L’ACP appliquée à ces 2081
ménages et tenant des variables retenues donne les résultats ci-après.
3.1 Variance totale expliquée
Page 21 sur 30
Page 22 sur 30
Page 23 sur 30
3.2 Matrice des composantes
Méthode d’extraction : Analyse en composantes principales.
3.3 Interprétation
Il résulte de l’analyse en composantes principales qu’il y a une forte

corrélation entre les différentes privations dont souffrent les ménages.
(Voir matrice de corrélation).
L’ACP montre que composante1 représente l’ensemble des variables en

93%.(voir tableau des variances total expliquées).
Page 24 sur 30
Il s’en suit que l’ampleur des privations au sein des ménages se résume sur
l’accès à l’eau potable, Emploi et de biens de confort tel que les chaises
fauteuils; Nos indices synthétiques.
3.4 Matrice des composantes
Méthode d’extraction : Analyse en composantes principales
Page 25 sur 30
3.5 Analyse de l’incidence de la pauvreté
3.5.1 Tableau de privations (indices synthétiques)
On a le graphique suivant :
Commentaires :
 De par le tableau de distribution des ménages selon le niveau du chef

de ménage; l’on a que 997/2081 soit 47% de ménages sont privés
d’accès à l’eau potable, et 1044 sur 2081 soit 50% de ménages sont
privés de bien de confort tel que les chaises fauteuils, 24% soit 501
chef de ménage manque d’emploi. Tenant compte de distribution des
ménages selon les niveaux d’étude du chef de ménage il est noté
que :
Page 26 sur 30
– 48% de chef de ménage d’aucun niveau souffre de la privation en eau
potable, 36% manque d’emploi, 70% manque des chaises fauteuils.
– 62% de chef de ménage de niveau d’étude primaire sont privés d’eau

potable, 33% n’ont pas d’emploi, 66% manque des chaises fauteuils.
– 40%, de chef de ménage du niveau non formel sont privés d’eau, 27%
manquent d’emploi, 48% n’ont pas des fauteuils.
– 52% de niveau secondaire sont privés d’eau, 22% sont privés d’emploi,
53% n’ont pas des fauteuils.
– 24% de niveau universitaire sont privés d’eau, 15% manquent d’emploi,

23% manquent des fauteuils.
 Il ressort que les chefs de ménages avec un faible niveau sont les plus
concernés par des privations en eau potable, Emploi, chaise fauteuils.
Voir le graphique ci haut.
 Il est à remarquer que la privation en eau est fortement liée aux
autres privations (voir la matrice de corrélation).
 Il en résulte de l’analyse que 648, soit 31% de ménages sont privés
simultanément de l’eau et des biens de confort tel que les chaises
fauteuils.
Page 27 sur 30
Chapitre IV : CONCLUSION ET SUGGESTIONS
POLITIQUES.
Une approche de privation multidimensionnelle implique aussi que le

terme de pauvreté n’est pas seulement considéré dans un sens monétaire
mais aussi dans des autres aspects du bien-être.
Dans les dimensions d’éducation, santé, eau et assainissement et

enclavement on a défini le bien ou mal être d’un individu dans le sens de
l’accès aux services de base.
L’analyse des combinaisons de multiples privations nous a montré que la

plupart des ménages sont simultanément privés dans les dimensions que
nous avons considérées.
Un des objectifs de cette étude étant la formulation des suggestions

politiques appropriées pour la lutte contre la pauvreté en République
Démocratique du Congo.
L’analyse de cette problématique par la matrice des composantes

principales indique que l’accès à l’eau, emploi constituent des privations
majeures dans la ville de Kinshasa.
En plus, notre étude a montré une corrélation entre la privation dans la

dimension d’eau et les autres besoins sociaux de base; ce qui nécessite une
attention particulière aux autres privations.
Comme l’État joue un rôle principal dans l’offre de ses services de base on
ne peut que constater que l’amélioration de la situation dans ces
dimensions dépendra largement, mais pas exclusivement, à l’initiative
prises par cet acteur.
Les résultats de notre analyse suggèrent que l’accès aux services de base
mérite une attention particulière dans la formulation d’une stratégie de
développement.
Page 28 sur 30
Étant donné que la privation en eau est corrélée à l’habitat il convient que
nous suggérions au gouvernement de promouvoir :
1. L’exonération des matériaux de construction,

2. La mise en œuvre effective d’institution d’appui à la promotion de
fourniture en eau et électricité.
3. La création des emplois; et que le revenu de ceci puisse subvenir aux
besoins sociaux de base car la privation en eau est corrélée à l’emploi.
Tel fut le but de notre travail, ce travail présente une méthodologie pour
trouver les indices synthétiques à partir de plusieurs indicateurs de
privation; nous avons aussi les différentes corrélations entre les différentes
privations. Les ménages pauvres se caractérisent par la privation en eau
potable, le manque d’emploi pour le chef de ménage, manque des chaises
fauteuils.
V. BIBLIOGRAPHIE
1. Cours d’analyse des données, L1 Mathématiques. Prof Eugene Mbuyi
(2007-2008),
2. Cours de Statistique descriptive G2 Math, Prof Manya Ndjadi Leonard
(2006-2007)
3. Rapport mondial(2007) Programme nations Unis pour le développent,
PNUD,
4. Jean François Durand, Élément d’analyse factoriel, Université
Montpellier II.
5. Pierre Delgado, Mathématiques Appliquées, 2eme Edition
6. https://fr.wikipedia.org/wiki/Analyse_des_correspondances_multiples
7. https://www.lpsm.paris/pageperso/goutte/index_fichiers/
AutresEnseignement/Master_2_Info/Cours4_EID_07_08.pdf
8. https://fr.wikipedia.org/wiki/Analyse_des_donn%C3%A9es
Page 29 sur 30

Initiation A L'analyse Des Données

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Initiation A L'analyse Des Données

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE DEMOCRATIQUE DU CONGO

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET UNIVERSITAIRE

FACULTE DES SCIENCES DE SANTE

DEPARTEMENT DE SANTE PUBLIQUE

«Cours d’Initiation à l’analyse des données».

Destinés aux étudiants de L1 Santé Publique

L’Ass. MANDA MULALA Célestin

A la fin de ce cours d’initiation à l’analyse des données, l'étudiant devra

II. OBJECTIFS SPECIFIQUES:

A la fin de ce cours l'étudiant sera en mesure de manipuler :

3. I.0 Les Tableaux des données

Globalement ces méthodes sont classées en méthode d’analyse factorielle

- Les premières méthodes occupent une place primordiale et sont

Ces méthodes permettent notamment de manipuler et de synthétiser

3.1 Méthode de l’Analyse en Composantes Principales (ACP).

L’ACP est une Analyse Factorielle de la famille de l’Analyse des données

Ces nouvelles variables sont nommées “composantes principales”. Elle

L’ACP prend sa source dans un article de Karl Pearson publié en 1901.

Changement d’origine : g = 0 (centrage des variables) La recherche des

La détermination de H1 revient à chercher une droite passant par l’origine

Pour déterminer le sous-espace H2, on recherche u2 tel que u2

les vecteurs u1,u2,…,up peuvent s’obtenir à partir de la matrice d’inertie C

On appelle axes principaux d’inertie les axes de direction des vecteurs

Le deuxième axe est celui associé à la deuxième valeur propre λ2, on le

A chaque axe est associée une variable appelée composante principale.

La composante c1 est le vecteur renfermant les cordonnées des projections

La composante c2 est le vecteur renfermant les cordonnées des projections

Pour obtenir ces coordonnées, on écrit que chaque composante principale

3.2 L’analyse factorielle des correspondances (AFC)

La technique de l’AFC est essentiellement utilisée pour de grands tableaux

L’AFC sert à déterminer et à hiérarchiser toutes les dépendances entre les

La “morphologie du nuage” et la répartition des points sur chacun de ces

Mathématiquement, après avoir centré et réduit le tableau de données et

- on calcule la matrice d’inertie associée et on la diagonalise (la

Plusieurs méthodes d’analyse des correspondances existent, qui diffèrent

Le but de l’AFC est de mettre en évidence les relations de dépendance ou

Le χ² permet de mesurer l’intensité de la liaison entre les deux nuages de

3.3 Distance entre les profils, Métrique du χ²

On définit de même le nuage des individus-colonnes à partir du tableau des

Chapitre II : MESURE ET ANALYSE MULTI-VARIEE

Le programme des Nations Unis pour le Développement (PNUD) définit la

La pauvreté est généralement définie comme une privation d’un minimum

2.3. Choix des indicateurs de bien être

IPH1 renseigne sur renseigne sur la privation de vivre longtemps. Il s’agit

IPH2 lié à l’éducation, donne le pourcentage de la population adulte

IPH3 est lui-même un indicateur composite représentant la moyenne

Notre étude s’intéressera à l’accès aux besoins sociaux de base et la

2.4. Critères de choix des indicateurs de bien-être

L’indicateur doit être appliqué sur une grande partie de l’échantillon,

L’indicateur doit pouvoir contenir l’information pertinente sur l’offre ou

2.5. Mesure de la pauvreté multidimensionnelle

Une mesure de la pauvreté multidimensionnelle est un indice qui

Dans cette dimension, l’indicateur retenu est l’absence de fréquentation

Dans le domaine de la santé, il a été considéré qu’une personne en est

Le chômage est appréhendé chez les personnes âgées de 18 à 55 ans qui

L’indicateur pour cette dimension combine : l’accès à l’eau à boire (à une

Les ménages privés de l’information sont celles qui ne possède ni TV ni

Un ménage sera privé d’énergie si le combustible principal pour faire la

Pas d’individus âgés de 6 à 18 non scolarisé. Dans le ménage est privé du

2.7 Biens de confort et d’équipement

– Privation d’un frigo ou congélateur,

Étant donné l’objectif de cette étude, nous présentons la méthodologie sur

2.8 Résultats attendus