Package {statAfrikR}

statAfrikR — Outils statistiques pour les INS africains

Description

Boite a outils statistique complete pour les Instituts Nationaux de Statistique (INS) d'Afrique.

Author(s)

Maintainer: Dikers Amoko diamoko@gmail.com [contributor]

Other contributors:

• Josue Honore Dasse josue.h.dasse@gmail.com [contributor]

See Also

Site web : https://statafrikr.org/ GitHub : https://github.com/damoko2004/statAfrikR Discord : https://discord.com/invite/kcfA27Yz

Calculer le taux d'accouchements assistes

Description

Proportion des naissances assistees par un personnel de sante qualifie (medecin, sage-femme, infirmier). ODD 3.1.2.

Usage

accouchements_assistes(donnees, var_assiste, poids = NULL, sous_groupes = NULL)

Arguments

Value

Un tibble avec taux global et par sous-groupe

Examples

set.seed(42)
n <- 400
naissances <- data.frame(
  assiste = rbinom(n, 1, 0.65),
  milieu  = sample(c("urbain","rural"), n, TRUE),
  region  = sample(paste0("R", 1:5), n, TRUE),
  poids   = runif(n, 0.8, 1.3)
)
accouchements_assistes(naissances, "assiste",
                        poids = "poids",
                        sous_groupes = c("milieu","region"))

Analyse de régression

Description

Ajuste un modèle de régression linéaire, logistique ou de Poisson avec prise en compte optionnelle du plan de sondage complexe. Produit un tableau de résultats formaté avec OR/RR si approprié.

Usage

analyse_regression(
  formule,
  data,
  type = c("lineaire", "logistique", "poisson"),
  niveau_confiance = 0.95,
  format_sortie = c("tibble", "liste", "flextable")
)

Arguments

Value

Selon format_sortie : liste complète, tibble ou flextable des coefficients avec IC et p-valeurs.

Examples

## Not run: 
  donnees <- data.frame(
    revenu = rnorm(100, 200000, 50000),
    age    = sample(20:65, 100, replace=TRUE),
    sexe   = sample(c("H","F"), 100, replace=TRUE)
  )
  analyse_regression(revenu ~ age + sexe, donnees)

## End(Not run)

Analyse spatiale — jointure et indicateurs par zone

Description

Joint un jeu de données statistiques avec un shapefile géographique et calcule des indicateurs par aire géographique. Produit un objet sf enrichi prêt pour la cartographie.

Usage

analyse_spatiale(
  data,
  shapefile,
  var_geo_data,
  var_geo_shape,
  indicateurs = NULL,
  fonctions = list(moyenne = function(x) mean(x, na.rm = TRUE), n = function(x)
    sum(!is.na(x)))
)

Arguments

Value

Un objet sf avec les indicateurs calculés par zone.

Examples

## Not run: 
  carte <- analyse_spatiale(
    data          = donnees_enquete,
    shapefile     = "data/shapefiles/regions.shp",
    var_geo_data  = "region",
    var_geo_shape = "NOM_REGION",
    indicateurs   = c("taux_pauvrete", "revenu_moyen")
  )

## End(Not run)

Analyser la non-reponse

Description

Calcule les taux de non-reponse par strate et teste les biais de non-reponse potentiels par comparaison des repondants et non-repondants sur les variables disponibles.

Usage

analyser_non_reponse(
  donnees,
  var_reponse,
  var_strate = NULL,
  vars_biais = NULL
)

Arguments

Value

Un tibble avec taux de reponse et statistiques de biais

Examples

set.seed(42)
n <- 400
donnees <- data.frame(
  repondu = rbinom(n, 1, 0.88),
  strate  = sample(c("Urbain","Rural"), n, TRUE),
  age_cm  = sample(25:65, n, TRUE),
  taille_men = sample(3:10, n, TRUE)
)
analyser_non_reponse(donnees, "repondu",
                      var_strate = "strate",
                      vars_biais = c("age_cm","taille_men"))

Calculer la prevalence de l'anemie

Description

Calcule la prevalence de l'anemie selon les seuils OMS (hemoglobine en g/dL). Distingue les niveaux legere, moderee, severe.

Usage

anemie(
  donnees,
  var_hemoglobine,
  var_groupe_cible = NULL,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un tibble avec prevalence par niveau d'anemie

Examples

set.seed(42)
n <- 400
femmes <- data.frame(
  hemoglobine = rnorm(n, 11.5, 2.1),
  milieu      = sample(c("urbain","rural"), n, TRUE),
  poids       = runif(n, 0.8, 1.3)
)
anemie(femmes, var_hemoglobine = "hemoglobine", poids = "poids")

Anonymiser un jeu de données

Description

Applique les techniques d'anonymisation conformes aux standards IHSN/PARIS21 : suppression, masquage, generalisation, perturbation et pseudonymisation des variables sensibles.

Usage

anonymiser_donnees(
  data,
  vars_supprimer = NULL,
  vars_masquer = NULL,
  vars_perturber = NULL,
  vars_generaliser = NULL,
  niveau_bruit = 0.05,
  graine = 42L,
  seuil_cellule = 5L,
  rapport = TRUE
)

Arguments

Value

Si rapport = FALSE : tibble anonymisé. Si rapport = TRUE : liste avec $donnees et $rapport.

Examples

## Not run: 
  resultat <- anonymiser_donnees(
    donnees_enquete,
    vars_supprimer  = c("nom", "prenom", "telephone"),
    vars_masquer    = c("id_menage", "id_individu"),
    vars_perturber  = c("revenu_mensuel"),
    vars_generaliser = list(age = 5)
  )
  donnees_anon <- resultat$donnees

## End(Not run)

Appliquer les pondérations d'enquête

Description

Crée un objet de plan de sondage complexe à partir d'un tibble et des variables de pondération, strates et grappes. Enveloppe ergonomique autour de survey::svydesign() avec validation complète des poids et messages d'erreur en français.

Usage

appliquer_ponderations(
  data,
  var_poids,
  var_strate = NULL,
  var_grappe = NULL,
  var_fpc = NULL,
  normaliser = FALSE
)

Arguments

Value

Un objet svydesign du package survey.

See Also

tab_croisee, stat_descr

Examples

if (requireNamespace("survey", quietly = TRUE)) {
  donnees <- data.frame(
    revenu      = rnorm(50, 200000, 50000),
    poids_final = runif(50, 0.5, 3),
    strate      = sample(1:4, 50, replace = TRUE),
    grappe_id   = sample(1:10, 50, replace = TRUE)
  )
  appliquer_ponderations(donnees,
    var_poids = "poids_final",
    var_strate = "strate",
    var_grappe = "grappe_id")
}

Calculer l'indice d'autonomisation des femmes

Description

Calcule un indice composite d'autonomisation des femmes base sur trois dimensions : prises de decision, acces aux ressources et mobilite. Conforme a la methodologie DHS/MICS.

Usage

autonomisation_femmes(
  donnees,
  vars_decision = NULL,
  vars_ressources = NULL,
  vars_mobilite = NULL,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_genre

Examples

set.seed(42)
n <- 400
femmes <- data.frame(
  dec_achat   = rbinom(n, 1, 0.55),
  dec_sante   = rbinom(n, 1, 0.48),
  compte_ban  = rbinom(n, 1, 0.32),
  rev_propre  = rbinom(n, 1, 0.41),
  libre_dep   = rbinom(n, 1, 0.62),
  milieu      = sample(c("urbain","rural"), n, TRUE),
  poids       = runif(n, 0.8, 1.3)
)
autonomisation_femmes(femmes,
  vars_decision   = c("dec_achat","dec_sante"),
  vars_ressources = c("compte_ban","rev_propre"),
  vars_mobilite   = c("libre_dep"),
  poids = "poids", sous_groupes = "milieu")

Calculer la part de population se declarant heureuse

Description

Proportion d'individus se declarant tres heureux ou heureux. Variable categorielle recodee en indicateur 0/1.

Usage

bonheur_declare(
  donnees,
  var_bonheur,
  codes_heureux = c(1, 2),
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_subjectif

Examples

set.seed(42)
n <- 500
individus <- data.frame(
  bonheur  = sample(1:4, n, TRUE, prob=c(0.20,0.45,0.25,0.10)),
  milieu   = sample(c("urbain","rural"), n, TRUE),
  poids    = runif(n, 0.8, 1.3)
)
bonheur_declare(individus, "bonheur", codes_heureux=c(1,2),
                 poids="poids", sous_groupes="milieu")

Calculer l'effet de plan (DEFF)

Description

Calcule le Design Effect (DEFF) pour les variables d'interet. DEFF = Variance estimee sous le plan complexe / Variance sous SRS. Permet de calculer la taille effective de l'echantillon.

Usage

calcul_deff(saf_design, variables, type = c("proportion", "moyenne"))

Arguments

Value

Un tibble avec DEFF et taille effective par variable

Examples

set.seed(42)
n <- 300
donnees <- data.frame(
  poids_sond = runif(n, 1800, 3500),
  strate     = sample(c("Urbain","Rural"), n, TRUE),
  grappe     = sample(1:20, n, TRUE),
  pauvre     = rbinom(n, 1, 0.45),
  revenu     = pmax(0, rnorm(n, 180000, 90000))
)
design <- suppressMessages(
  creer_design(donnees,"poids_sond",var_strate="strate",var_grappe="grappe"))
calcul_deff(design, variables=c("pauvre","revenu"))

Calcul des indices de pauvrete FGT

Description

Calcule les indices Foster-Greer-Thorbecke (FGT0, FGT1, FGT2) avec prise en compte optionnelle du plan de sondage complexe. Les trois indices mesurent respectivement l'incidence, la profondeur et la severite de la pauvrete monetaire.

Usage

calcul_fgt(
  data,
  var_depense,
  seuil_pauvrete,
  poids = NULL,
  strate = NULL,
  grappe = NULL,
  sous_groupes = NULL,
  alpha = c(0, 1, 2),
  ic = TRUE,
  na.rm = TRUE
)

Arguments

Value

Un objet de classe saf_fgt

References

Foster, J., Greer, J., & Thorbecke, E. (1984). A class of decomposable poverty measures. Econometrica, 52(3), 761-766. doi:10.2307/1913475

Examples

set.seed(42)
menages <- data.frame(
  depense_pc = c(rexp(70, rate = 1/150000), rexp(30, rate = 1/400000)),
  poids      = runif(100, 0.8, 1.2),
  region     = sample(c("Bangui", "Ombella", "Lobaye"), 100, TRUE),
  milieu     = sample(c("urbain", "rural"), 100, TRUE, prob = c(0.4, 0.6))
)
fgt <- calcul_fgt(menages, var_depense = "depense_pc",
                  seuil_pauvrete = 220000, poids = "poids")
print(fgt)

Calculer le coefficient de Gini

Description

Calcule le coefficient de Gini avec intervalle de confiance par bootstrap. Le Gini mesure l'inegalite de distribution d'une variable de revenu ou de consommation (0 = egalite parfaite, 1 = inegalite maximale).

Usage

calcul_gini(
  donnees,
  var_revenu,
  poids = NULL,
  ic = FALSE,
  n_bootstrap = 200L,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_gini

Examples

set.seed(42)
n <- 300
menages <- data.frame(
  depense = c(rexp(200, 1/150000), rexp(100, 1/500000)),
  milieu  = sample(c("urbain","rural"), n, TRUE),
  poids   = runif(n, 0.8, 1.3)
)
res <- calcul_gini(menages, "depense", poids = "poids")
print(res)

Calculer l'Indice de Développement Humain (IDH)

Description

Calcule l'IDH et ses trois dimensions (santé, éducation, revenu) selon la méthodologie officielle PNUD post-2010. Applicable au niveau national ou infranational.

Usage

calcul_idh(
  esperance_vie,
  annees_scol_moy,
  annees_scol_att,
  rnb_habitant,
  niveau = c("national", "infranational"),
  annee = NULL
)

Arguments

Value

Une liste avec : idh, indice_sante, indice_education, indice_revenu, categorie.

References

PNUD (2023). Technical Notes: Calculating the Human Development Indices.

Examples

idh <- calcul_idh(
  esperance_vie   = 61.2,
  annees_scol_moy = 5.4,
  annees_scol_att = 9.8,
  rnb_habitant    = 2350,
  annee           = 2023
)
cat("IDH :", idh$idh)

Calculer l'Indice de Pauvrete Multidimensionnelle (IPM)

Description

Calcule l'IPM standard PNUD/OPHI selon la methode Alkire-Foster (2011). L'IPM = H x A, ou H est l'incidence (proportion de menages multidimensionnellement pauvres) et A l'intensite moyenne de privation parmi les pauvres.

Usage

calcul_ipm(
  donnees,
  var_nutrition = NULL,
  var_mortalite_inf = NULL,
  var_annees_scol = NULL,
  var_scolarisation = NULL,
  var_combustible = NULL,
  var_assainissement = NULL,
  var_eau = NULL,
  var_electricite = NULL,
  var_logement = NULL,
  var_actifs = NULL,
  poids = NULL,
  seuil_k = 1/3,
  ic = FALSE,
  n_bootstrap = 200L
)

Arguments

Value

Un objet de classe saf_ipm contenant : IPM, H, A, contributions, n_obs, seuil_k, methode

References

Alkire, S. & Foster, J. (2011). Counting and multidimensional poverty measurement. Journal of Public Economics, 95(7-8), 476-487. doi:10.1016/j.jpubeco.2010.11.006

Examples

set.seed(42)
n <- 200
menages <- data.frame(
  nutrition      = rbinom(n, 1, 0.35),
  mortalite_inf  = rbinom(n, 1, 0.12),
  annees_scol    = rbinom(n, 1, 0.40),
  scolarisation  = rbinom(n, 1, 0.28),
  combustible    = rbinom(n, 1, 0.55),
  assainissement = rbinom(n, 1, 0.48),
  eau            = rbinom(n, 1, 0.38),
  electricite    = rbinom(n, 1, 0.62),
  logement       = rbinom(n, 1, 0.42),
  actifs         = rbinom(n, 1, 0.30),
  poids          = runif(n, 0.8, 1.3)
)
res <- calcul_ipm(menages,
  var_nutrition      = "nutrition",
  var_mortalite_inf  = "mortalite_inf",
  var_annees_scol    = "annees_scol",
  var_scolarisation  = "scolarisation",
  var_combustible    = "combustible",
  var_assainissement = "assainissement",
  var_eau            = "eau",
  var_electricite    = "electricite",
  var_logement       = "logement",
  var_actifs         = "actifs",
  poids              = "poids"
)
print(res)

Calculer un IPM national personnalise

Description

Calcule un IPM national adapte aux realites locales (ODD 1.2.2). L'INS peut choisir ses indicateurs, leurs poids et le seuil k.

Usage

calcul_ipm_national(
  donnees,
  indicateurs,
  poids = NULL,
  seuil_k = 1/3,
  ic = FALSE,
  n_bootstrap = 200L
)

Arguments

Value

Un objet saf_ipm

Examples

set.seed(42)
n <- 150
menages <- data.frame(
  eau        = rbinom(n, 1, 0.45),
  electricite = rbinom(n, 1, 0.60),
  scol       = rbinom(n, 1, 0.35),
  sante      = rbinom(n, 1, 0.25),
  poids      = runif(n, 0.8, 1.3)
)
indics <- list(
  acces_eau   = list(var = "eau",        poids = 0.25,
                     dimension = "Conditions de vie"),
  acces_elec  = list(var = "electricite", poids = 0.25,
                     dimension = "Conditions de vie"),
  education   = list(var = "scol",       poids = 0.30,
                     dimension = "Education"),
  sante_base  = list(var = "sante",      poids = 0.20,
                     dimension = "Sante")
)
res <- calcul_ipm_national(menages, indicateurs = indics,
                            poids = "poids", seuil_k = 1/3)
print(res)

Calculer et appliquer le deflateur du PIB

Description

Convertit les valeurs en prix courants en prix constants (volume) en utilisant le deflateur implicite du PIB ou un indice de prix fourni. Base annee referencee configurable.

Usage

calculer_deflateur(
  donnees,
  var_pib_courant,
  var_deflateur = NULL,
  var_ipc = NULL,
  annee_base = 2015L,
  var_annee = "annee"
)

Arguments

Value

Un tibble avec PIB courant, deflateur et PIB constant

Examples

comptes <- data.frame(
  annee        = 2015:2022,
  pib_courant  = c(2100,2180,2250,2310,2195,2280,2380,2450),
  deflateur    = c(100,103.2,106.8,110.5,109.2,113.5,118.2,122.8)
)
calculer_deflateur(comptes, "pib_courant",
                   var_deflateur="deflateur",
                   annee_base=2015L)

Calibrer les poids de sondage

Description

Ajuste (cale) les poids de sondage pour que les estimations correspondent aux totaux de population connus (rake / calage generalise GREG). Methode post-stratification generalisee.

Usage

calibrer_poids(
  saf_design,
  marges,
  var_calibrage,
  methode = c("raking", "post-stratification"),
  tolerance = 1e-06,
  max_iter = 50L
)

Arguments

Value

Un objet saf_design avec poids calibres

Examples

set.seed(42)
n <- 300
donnees <- data.frame(
  poids_sond = runif(n, 1800, 3500),
  strate     = sample(c("Urbain","Rural"), n, TRUE),
  grappe     = sample(1:20, n, TRUE),
  sexe       = sample(c("H","F"), n, TRUE),
  milieu     = sample(c("urbain","rural"), n, TRUE)
)
design <- suppressMessages(
  creer_design(donnees,"poids_sond",var_strate="strate",var_grappe="grappe"))
marges <- list(
  sexe   = c(H=500000, F=550000),
  milieu = c(urbain=600000, rural=450000)
)
calibrer_poids(design, marges, var_calibrage=c("sexe","milieu"))

Carte choroplethe statistique institutionnelle

Description

Produit une carte choroplethe professionnelle. Utilise uniquement ggplot2 (deja installe avec statAfrikR) et sf. Gestion automatique des labels pour les petits pays.

Usage

carte_choroplethe(
  sf_obj,
  var,
  titre = NULL,
  sous_titre = NULL,
  legende = NULL,
  palette = c("pauvrete", "developpement", "eau", "neutre"),
  n_classes = 5L,
  methode = c("quantile", "jenks", "egal", "sd"),
  col_label = NULL,
  inverser = FALSE,
  source = NULL
)

Arguments

Value

Un objet ggplot2

Examples

rca <- carte_zones("rca")
n <- nrow(rca)
stats <- data.frame(
  prefecture    = rca$prefecture,
  taux_pauvrete = c(74.2, 71.8, 68.5, 65.3, 72.1,
                    55.4, 48.7, 51.2, 62.3, 58.9,
                    28.4, 42.1, 52.8, 63.7, 59.4,
                    44.6, 70.5)[seq_len(n)]
)
sf_enr <- carte_joindre(rca, stats, "prefecture", "prefecture")
carte_choroplethe(sf_enr, "taux_pauvrete",
                  titre = "Pauvrete en RCA",
                  source = "Donnees simulees")

Exporter une carte en fichier image

Description

Exporte un objet ggplot2 en PNG, PDF ou SVG.

Usage

carte_exporter(carte, chemin, largeur = 20, hauteur = 15, resolution = 300L)

Arguments

Value

Chemin du fichier (invisible)

Examples

## Not run: 
  g <- carte_choroplethe(sf_enrichi, "taux_pauvrete")
  carte_exporter(g, file.path(tempdir(), "carte.png"))

## End(Not run)

Importer un fichier geographique

Description

Importe un fichier geographique externe (shapefile, GeoJSON, GeoPackage) fourni par l'utilisateur ou l'INS.

Usage

carte_import(chemin, crs = 4326L, couche = NULL, simplifier = FALSE)

Arguments

Value

Un objet sf

Examples

## Not run: 
  regions <- carte_import("data/regions_enquete.shp")

## End(Not run)

Carte des privations IPM par zone

Description

Cartographie l'IPM ou une composante (H, A, ou un indicateur de privation) par zone geographique. Necessite un objet sf et les resultats de decomposer_ipm().

Usage

carte_ipm(
  decomp_ipm,
  sf_obj,
  cle_sf,
  cle_decomp,
  var = c("IPM", "H", "A"),
  titre = NULL,
  source = NULL
)

Arguments

Value

Un objet ggplot2

Examples

## Not run: 
  rca <- carte_zones("rca")
  res <- calcul_ipm(menages_rca, ...)
  decomp <- decomposer_ipm(res, menages_rca, "prefecture")
  carte_ipm(decomp, rca, cle_sf="prefecture",
            cle_decomp="prefecture")

## End(Not run)

Joindre des donnees statistiques a un fond de carte

Description

Joint un objet sf avec un data.frame statistique. Normalise automatiquement les cles pour eviter les erreurs de correspondance dues aux accents, casses et espaces.

Usage

carte_joindre(
  sf_obj,
  data,
  cle_geo,
  cle_data = NULL,
  type = c("gauche", "interne"),
  normaliser = TRUE
)

Arguments

Value

Un objet sf enrichi

Examples

# Avec les fonds de cartes integres
rca <- carte_zones("rca")
stats <- data.frame(
  prefecture    = rca$prefecture,
  taux_pauvrete = c(74.2, 71.8, 68.5, 65.3, 72.1,
                    55.4, 48.7, 51.2, 62.3, 58.9,
                    28.4, 42.1, 52.8, 63.7, 59.4,
                    44.6, 70.5)[seq_len(nrow(rca))]
)
sf_enrichi <- carte_joindre(rca, stats,
                             cle_geo  = "prefecture",
                             cle_data = "prefecture")

Carte thematique de la pauvrete (FGT0)

Description

Specialisation de carte_choroplethe() pour les indices de pauvrete. Symbologie standardisee AFRISTAT/Banque mondiale avec seuil d'alerte.

Usage

carte_pauvrete(
  sf_obj,
  var_fgt0,
  seuil_alerte = 0.5,
  col_label = NULL,
  titre = NULL,
  source = NULL
)

Arguments

Value

Un objet ggplot2

Examples

rca <- carte_zones("rca")
n <- nrow(rca)
stats <- data.frame(
  prefecture    = rca$prefecture,
  taux_pauvrete = c(74.2, 71.8, 68.5, 65.3, 72.1,
                    55.4, 48.7, 51.2, 62.3, 58.9,
                    28.4, 42.1, 52.8, 63.7, 59.4,
                    44.6, 70.5)[seq_len(n)]
)
sf_enr <- carte_joindre(rca, stats, "prefecture", "prefecture")
sf_enr$taux_prop <- sf_enr$taux_pauvrete / 100
carte_pauvrete(sf_enr, var_fgt0 = "taux_prop",
               source = "Donnees simulees")

Carte thématique choroplèthe

Description

Génère une carte choroplèthe à partir d'un objet sf enrichi ou de la jointure d'un shapefile avec des données statistiques.

Usage

carte_thematique(
  data_sf = NULL,
  shapefile = NULL,
  data = NULL,
  var_geo_shape = NULL,
  var_geo_data = NULL,
  var_couleur,
  titre = NULL,
  sous_titre = NULL,
  source = NULL,
  palette = c("sequentiel", "divergent"),
  n_classes = 5L,
  na_couleur = "#cccccc"
)

Arguments

Value

Un objet ggplot.

Examples

## Not run: 
  carte_thematique(
    data_sf      = regions_sf_enrichi,
    var_couleur  = "taux_pauvrete_moyenne",
    titre        = "Taux de pauvrete par region"
  )

## End(Not run)

Charger un fond de carte africain integre

Description

Charge un fond de carte geographique directement integre dans statAfrikR. Aucun package supplementaire requis.

Usage

carte_zones(
  zone = c("afrique", "cemac", "cedeao", "eau", "sadc", "rca", "subdivisions"),
  pays = NULL
)

Arguments

Value

Un objet sf pret a l'emploi

Examples

# Tous les pays africains
afrique <- carte_zones("afrique")

# Zone CEMAC uniquement
cemac <- carte_zones("cemac")

# Prefectures de la RCA
rca <- carte_zones("rca")

# Filtrer : Cameroun + Centrafrique uniquement
sous_zone <- carte_zones("afrique", pays = c("CMR", "CAF"))

Consulter le catalogue des indicateurs statistiques

Description

Retourne la fiche methodologique complete d'un indicateur : definition, formule, standard de reference, ODD, methode de variance, seuils de qualite et statut INS-ready. Conforme GSBPM 5.2 / UN NQAF.

Usage

catalogue_indicateurs(
  code = NULL,
  domaine = NULL,
  format = c("tableau", "liste", "complet")
)

Arguments

Value

Un tibble, une liste ou un affichage selon le format choisi

Examples

# Lister tous les indicateurs
catalogue_indicateurs()

# Fiche methodologique d'un indicateur
catalogue_indicateurs("FGT0")
catalogue_indicateurs("IPM")
catalogue_indicateurs("GINI")

# Filtrer par domaine
catalogue_indicateurs(domaine = "Emploi")

# Format complet avec impression
catalogue_indicateurs("FGT0", format = "complet")

Détecter les valeurs manquantes

Description

Calcule le taux de valeurs manquantes par variable et produit un rapport de complétude. Alerte sur les variables dépassant le seuil.

Usage

check_na(data, seuil = 0.1, vars = NULL, alerter = TRUE)

Arguments

Value

Un tibble avec les colonnes : variable, n_total, n_manquant, taux_na, statut.

Examples

## Not run: 
  rapport_na <- check_na(donnees_enquete)
  rapport_na <- check_na(donnees_enquete, seuil = 0.05, vars = c("age", "revenu"))

## End(Not run)

Vérifier les types de variables

Description

Vérifie la cohérence des types de variables par rapport aux types attendus. Détecte les problèmes courants : dates stockées en caractères, nombres stockés en texte, variables binaires incohérentes.

Usage

check_types(data, dictionnaire = NULL)

Arguments

Value

Un tibble avec les anomalies détectées : variable, type_actuel, type_attendu, probleme.

Examples

## Not run: 
  anomalies <- check_types(donnees_enquete)

## End(Not run)

Verifier la coherence demographique des donnees

Description

Detecte les incoherences courantes dans les donnees demographiques : age mere < age enfant, dates d'evenements incoherentes, ages impossibles, sex-ratio aberrants, etc.

Usage

coherence_demo(
  donnees,
  var_age = NULL,
  var_age_mere = NULL,
  var_age_enfant = NULL,
  var_age_deces = NULL,
  var_sexe = NULL,
  age_max_plausible = 120L
)

Arguments

Value

Un tibble des anomalies detectees avec leur nombre

Examples

set.seed(42)
n <- 500
menages <- data.frame(
  age         = c(sample(0:100, n-5, TRUE), rep(-1, 3), rep(130, 2)),
  age_mere    = sample(15:60, n, TRUE),
  age_enfant  = sample(0:30,  n, TRUE),
  age_deces   = c(sample(1:90, n-10, TRUE), rep(NA, 10)),
  sexe        = sample(c("H","F","X"), n, TRUE, prob=c(0.49,0.49,0.02))
)
coherence_demo(menages,
  var_age="age", var_age_mere="age_mere",
  var_age_enfant="age_enfant",
  var_sexe="sexe")

Comparer l'IPM global et l'IPM national

Description

Compare les resultats du MPI global PNUD/OPHI et d'un IPM national. Produit un tableau des ecarts et un graphique.

Usage

comparer_ipm(
  ipm_global,
  ipm_national,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y"))
)

Arguments

Value

Un tibble comparatif + graphique (invisible)

Examples

set.seed(42)
n <- 200
men <- data.frame(
  nutr = rbinom(n,1,0.35), elec = rbinom(n,1,0.6),
  eau  = rbinom(n,1,0.4),  scol = rbinom(n,1,0.3),
  mort = rbinom(n,1,0.12), comb = rbinom(n,1,0.5),
  poids = runif(n,0.8,1.3)
)
ipm_g <- calcul_ipm(men, var_nutrition="nutr",
  var_electricite="elec", var_eau="eau",
  var_scolarisation="scol", var_mortalite_inf="mort",
  var_combustible="comb", poids="poids")
ipm_n <- calcul_ipm_national(men,
  indicateurs=list(
    eau  = list(var="eau",  poids=0.4, dimension="Vie"),
    elec = list(var="elec", poids=0.35, dimension="Vie"),
    scol = list(var="scol", poids=0.25, dimension="Education")
  ), poids="poids")
comparer_ipm(ipm_g, ipm_n, pays="Centrafrique", annee=2026L)

Comparer le PIB entre sources (INS vs UNSD vs BM vs FMI)

Description

Compare les estimations du PIB publiees par l'INS et les institutions internationales. Identifie les ecarts, leurs causes probables et produit un tableau de diagnostic. Outil cle pour renforcer la maitrise du narratif statistique national.

Usage

comparer_pib(
  pib_ins,
  pib_intl,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y")),
  unite = "Mds FCFA",
  methode_ins = NULL,
  seuil_alerte = 3
)

Arguments

Value

Un objet de classe saf_pib

Examples

res <- comparer_pib(
  pib_ins  = 2450.5,
  pib_intl = c(UNSD=2380.2, BM=2412.8, FMI=2398.5),
  pays     = "Cameroun",
  annee    = 2023L,
  unite    = "Mds FCFA"
)
print(res)

Compresser un package de diffusion

Description

Crée une archive ZIP structurée prête à diffuser, incluant les données, la documentation, les métadonnées et les scripts de traitement. Conforme aux standards IHSN de documentation des enquêtes.

Usage

compresser_package_diffusion(
  donnees,
  repertoire_sortie,
  nom_package,
  inclure_csv = TRUE,
  inclure_rds = TRUE,
  fichiers_supplementaires = NULL,
  metadonnees = NULL
)

Arguments

Value

Chemin de l'archive ZIP (invisible).

Examples

## Not run: 
  compresser_package_diffusion(
    donnees              = donnees_emop_anon,
    repertoire_sortie    = "diffusion/",
    nom_package          = "EMOP_BEN_2023_v1",
    fichiers_supplementaires = c(file.path(tempdir(), "rapport.docx"),
                                  file.path(tempdir(), "emop_ddi.xml")),
    metadonnees = list(
      titre       = "EMOP Bénin 2023",
      institution = "INSAE",
      version     = "1.0"
    )
  )

## End(Not run)

Calculer la confiance dans les institutions

Description

Proportion de la population faisant confiance aux institutions publiques (gouvernement, justice, police, parlement). Indicateur de gouvernance percu. Methodologie Afrobarometer.

Usage

confiance_institutions(
  donnees,
  vars_institutions,
  codes_confiance = NULL,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un tibble avec taux de confiance par institution

Examples

set.seed(42)
n <- 500
individus <- data.frame(
  conf_gouv  = rbinom(n, 1, 0.35),
  conf_just  = rbinom(n, 1, 0.42),
  conf_pol   = rbinom(n, 1, 0.38),
  milieu     = sample(c("urbain","rural"), n, TRUE),
  poids      = runif(n, 0.8, 1.3)
)
confiance_institutions(individus,
  vars_institutions = c(Gouvernement="conf_gouv",
                         Justice="conf_just",
                         Police="conf_pol"),
  poids="poids", sous_groupes="milieu")

Tracer la courbe de Lorenz

Description

Produit la courbe de Lorenz institutionnelle montrant la distribution cumulee des revenus. L'aire entre la diagonale et la courbe est egale a Gini/2.

Usage

courbe_lorenz(
  donnees,
  var_revenu,
  poids = NULL,
  var_groupe = NULL,
  titre = NULL,
  source = NULL
)

Arguments

Value

Un objet ggplot2

Examples

set.seed(42)
menages <- data.frame(
  depense = c(rexp(150, 1/150000), rexp(50, 1/500000)),
  milieu  = sample(c("urbain","rural"), 200, TRUE),
  poids   = runif(200, 0.8, 1.3)
)
courbe_lorenz(menages, "depense", poids = "poids")

Creer un objet design d'enquete complexe

Description

Cree un objet de design d'enquete en precisant les strates, grappes, poids de sondage et la correction de population finie (FPC). Compatible avec les enquetes EHCVM, DHS, MICS, EFT, RGPH.

Usage

creer_design(
  donnees,
  var_poids,
  var_strate = NULL,
  var_grappe = NULL,
  var_fpc = NULL,
  type = c("stratifie_grappes", "stratifie", "en_grappes", "simple")
)

Arguments

Value

Un objet de classe saf_design encapsulant un objet survey::svydesign

Examples

set.seed(42)
n <- 300
donnees <- data.frame(
  poids_sond = runif(n, 1800, 3500),
  strate     = sample(c("Urbain","Rural","Semi-urbain"), n, TRUE),
  grappe     = sample(1:30, n, TRUE),
  revenu     = pmax(0, rnorm(n, 180000, 90000)),
  pauvre     = rbinom(n, 1, 0.45)
)
design <- creer_design(donnees, "poids_sond",
                        var_strate="strate", var_grappe="grappe")
print(design)

Decomposer les indices FGT par sous-groupe

Description

Decompose un indice FGT en contributions relatives de chaque sous-groupe a la pauvrete nationale.

Usage

decomposer_fgt(fgt_obj, variable, alpha_cible = 0)

Arguments

Value

Tibble avec contributions absolues et relatives

Examples

set.seed(42)
menages <- data.frame(
  depense_pc = c(rexp(70, rate = 1/150000), rexp(30, rate = 1/400000)),
  poids  = runif(100, 0.8, 1.2),
  milieu = sample(c("urbain", "rural"), 100, TRUE, prob = c(0.4, 0.6))
)
fgt <- calcul_fgt(menages, "depense_pc", 220000,
                  poids = "poids", sous_groupes = "milieu")
decomposer_fgt(fgt, "milieu", alpha_cible = 0)

Décomposer les inégalités

Description

Calcule les mesures d'inégalité (Gini, Theil, Atkinson) et leur décomposition inter/intra-groupe pour une variable de revenu ou de dépense.

Usage

decomposer_inegalite(
  data,
  var_revenu,
  var_groupe = NULL,
  var_poids = NULL,
  mesures = c("all", "gini", "theil", "atkinson")
)

Arguments

Value

Une liste avec les mesures d'inégalité et leur décomposition.

Examples

## Not run: 
  donnees <- data.frame(
    depense_totale = rnorm(100, 250000, 80000),
    milieu = sample(c("urbain", "rural"), 100, replace = TRUE)
  )
  decomposer_inegalite(donnees, var_revenu="depense_totale", var_groupe="milieu")

## End(Not run)

Decomposer l'IPM par sous-groupe

Description

Decompose l'IPM par region, milieu ou sexe du chef de menage. Retourne H, A et IPM par groupe, ainsi que la contribution de chaque groupe a l'IPM national.

Usage

decomposer_ipm(res_ipm, donnees, var_groupe, poids = NULL)

Arguments

Value

Un tibble avec H, A, IPM, n_obs et contribution par groupe

Examples

set.seed(42)
n <- 300
menages <- data.frame(
  nutrition      = rbinom(n, 1, 0.35),
  electricite    = rbinom(n, 1, 0.60),
  eau            = rbinom(n, 1, 0.40),
  milieu         = sample(c("urbain","rural"), n, TRUE),
  poids          = runif(n, 0.8, 1.3)
)
res <- calcul_ipm(menages,
  var_nutrition = "nutrition", var_electricite = "electricite",
  var_eau = "eau", poids = "poids")
decomposer_ipm(res, menages, var_groupe = "milieu", poids = "poids")

Decomposer les inegalites selon l'indice de Theil

Description

Decompose l'inegalite totale en composantes inter-groupe et intra-groupe selon l'indice de Theil T (entropie generalisee GE(1)). Indispensable pour identifier les sources spatiales ou sociales de l'inegalite.

Usage

decomposer_theil(donnees, var_revenu, var_groupe, poids = NULL)

theil(donnees, var_revenu, var_groupe, poids = NULL)

Arguments

Value

Un tibble avec Theil total, inter-groupe, intra-groupe et contribution de chaque groupe

Examples

set.seed(42)
menages <- data.frame(
  depense = c(rexp(200, 1/150000), rexp(100, 1/500000)),
  milieu  = sample(c("urbain","rural"), 300, TRUE),
  poids   = runif(300, 0.8, 1.3)
)
decomposer_theil(menages, "depense", "milieu", poids = "poids")

Detecter les zones non appariees entre deux sources

Description

Identifie les zones presentes dans les donnees mais absentes de la reference geographique. Propose des suggestions d'appariement par score de similarite (Jaro-Winkler). Essentiel avant toute jointure cartographique.

Usage

detecter_ecarts_geo(
  donnees,
  var_zone,
  reference,
  var_ref = "nom_local",
  n_suggestions = 3L
)

Arguments

Value

Un tibble avec zones non appariees et suggestions

Examples

donnees <- data.frame(
  region = c("Bangui","Ombella-Mpoko","Kemo","Zone inconnue"),
  valeur = c(100, 200, 150, 80),
  stringsAsFactors = FALSE
)
reference <- data.frame(
  nom_local = c("Bangui","Ombella-M'Poko","Kemo",
                 "Bamingui-Bangoran","Mbomou"),
  stringsAsFactors = FALSE
)
detecter_ecarts_geo(donnees, "region", reference, "nom_local")

Calculer le taux d'emaciation (wasting)

Description

Prevalence de l'emaciation : poids-pour-taille < -2 ecarts-types (standards OMS 2006). Indicateur de malnutrition aigue.

Usage

emaciation(
  donnees,
  var_poids_taille_z,
  poids = NULL,
  sous_groupes = NULL,
  seuil = -2
)

Arguments

Value

Un objet de classe saf_anthropo

Examples

set.seed(42)
n <- 400
enfants <- data.frame(
  whz  = rnorm(n, -0.8, 1.1),
  poids = runif(n, 0.8, 1.3)
)
emaciation(enfants, var_poids_taille_z = "whz", poids = "poids")

Calculer le taux d'emploi informel

Description

Calcule la part de l'emploi informel selon la definition OIT 2013. L'emploi informel comprend les travailleurs sans contrat ecrit, sans protection sociale et sans conges payes.

Usage

emploi_informel(
  donnees,
  var_informel,
  var_statut = NULL,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_emploi

Examples

set.seed(42)
n <- 400
employes <- data.frame(
  informel = rbinom(n, 1, 0.72),
  secteur  = sample(c("agriculture","services","industrie"), n, TRUE),
  sexe     = sample(c("H","F"), n, TRUE),
  poids    = runif(n, 0.8, 1.3)
)
emploi_informel(employes, "informel", poids="poids",
                 sous_groupes=c("secteur","sexe"))

Calculer le taux d'emploi vulnerable

Description

Part des actifs occupes en situation d'emploi vulnerable : travailleurs familiaux non remuneres et travailleurs independants precaires. ODD 8.3.1.

Usage

emploi_vulnerable(donnees, var_vulnerable, poids = NULL, sous_groupes = NULL)

Arguments

Value

Un objet de classe saf_emploi

Examples

set.seed(42)
n <- 400
employes <- data.frame(
  vulnerable = rbinom(n, 1, 0.55),
  sexe       = sample(c("H","F"), n, TRUE),
  poids      = runif(n, 0.8, 1.3)
)
emploi_vulnerable(employes, "vulnerable", poids="poids",
                   sous_groupes="sexe")

Exporter le code source complet du dashboard

Description

Genere un fichier R autonome et entierement commente que l'agent INS peut ouvrir, modifier et relancer librement. Contient l'integralite du code du dashboard avec des sections clairement identifiees pour la personnalisation : titres, couleurs, indicateurs, filtres, sections.

Usage

exporter_code_dashboard(
  chemin = "dashboard_statAfrikR.R",
  pays = "Pays",
  titre = NULL,
  sous_titre = NULL,
  var_poids = NULL,
  var_region = NULL,
  var_milieu = NULL
)

Arguments

Value

Invisible : chemin du fichier genere

Examples

## Not run: 
  # Generer le code source personnalisable
  exporter_code_dashboard(
    chemin     = "mon_dashboard_rca.R",
    pays       = "Republique Centrafricaine",
    titre      = "Tableau de bord - Enquete EHCVM 2022",
    sous_titre = "Indicateurs bien-etre - INS RCA",
    var_poids  = "poids_sondage",
    var_region = "prefecture",
    var_milieu = "milieu"
  )
  # Ouvrir le fichier genere dans RStudio
  file.edit("mon_dashboard_rca.R")

## End(Not run)

Export Excel institutionnel multi-feuilles

Description

Exporte une liste de tableaux dans un classeur Excel avec feuille de sommaire.

Usage

exporter_excel_ins(
  tableaux,
  chemin,
  titre_classeur = "Statistiques INS",
  pays = NULL,
  annee = NULL,
  style = c("ins_standard", "minimal")
)

Arguments

Value

Chemin du fichier cree (invisible)

Examples

## Not run: 
  tableaux <- list(
    "Descriptif" = data.frame(
      variable = c("age", "revenu"),
      n        = c(200L, 200L),
      moyenne  = c(38.2, 245000)
    ),
    "Croisement" = data.frame(
      region = c("Nord", "Sud"),
      urbain = c(45.2, 32.1),
      rural  = c(54.8, 67.9)
    )
  )
  chemin <- file.path(tempdir(), "stats_ins.xlsx")
  exporter_excel_ins(tableaux, chemin,
                     titre_classeur = "Enquete menages 2026",
                     pays = "Centrafrique", annee = 2026L)

## End(Not run)

Exporter un graphique en haute résolution

Description

Exporte un objet ggplot en PNG, PDF ou SVG avec les paramètres optimaux pour publication officielle.

Usage

exporter_graphique(
  graphique,
  chemin,
  largeur = 20,
  hauteur = 14,
  dpi = 300L,
  fond = "white"
)

Arguments

Value

Chemin du fichier exporté (invisible).

Examples

## Not run: 
  donnees <- data.frame(age=sample(0:80,100,replace=TRUE), sexe=sample(c("H","F"),100,replace=TRUE))
  p <- pyramide_ages(donnees, "age", "sexe")
  exporter_graphique(p, file.path(tempdir(), "pyramide.png"))

## End(Not run)

Exporter des données au format SDMX

Description

Génère un fichier SDMX-CSV ou SDMX-ML (Structure Data Message) conforme aux standards SDMX 2.1 pour l'échange de données statistiques avec les organisations internationales (FMI, BM, OCDE, etc.).

Usage

exporter_sdmx(
  data,
  flux_donnees,
  agence = "INS",
  vars_dimensions,
  vars_mesures,
  vars_attributs = NULL,
  fichier_sortie,
  version = "2.1"
)

Arguments

Value

Chemin du fichier exporté (invisible).

Examples

## Not run: 
  exporter_sdmx(
    data            = indicateurs_regionaux,
    flux_donnees    = "BEN_IDH_2023",
    agence          = "INSAE",
    vars_dimensions = c("region", "annee"),
    vars_mesures    = c("idh", "taux_pauvrete"),
    fichier_sortie  = file.path(tempdir(), "indicateurs_sdmx.csv")
  )

## End(Not run)

Fusionner plusieurs jeux de données

Description

Fusionne plusieurs datasets horizontalement (jointure) ou verticalement (empilement). Gère les conflits de noms de variables et produit un rapport de fusion.

Usage

fusion_datasets(
  liste_data,
  type = c("vertical", "horizontal"),
  cle = NULL,
  jointure = c("gauche", "interne", "droite", "complete"),
  suffixes = c("_1", "_2")
)

Arguments

Value

Un tibble fusionné.

Examples

## Not run: 
  # Empilement de deux vagues d'enquête
  donnees_total <- fusion_datasets(
    liste_data = list(vague1 = emop_2022, vague2 = emop_2023),
    type       = "vertical"
  )
  # Jointure ménages + individus
  donnees_merged <- fusion_datasets(
    liste_data = list(menages = df_menages, individus = df_individus),
    type       = "horizontal",
    cle        = "id_menage"
  )

## End(Not run)

Generer un bulletin statistique periodique

Description

Genere un bulletin statistique mensuel ou trimestriel avec indicateurs cles, graphiques de tendance et tableau de bord.

Usage

generer_bulletin(
  indicateurs,
  periode,
  pays = "Pays",
  sortie = c("html", "word"),
  chemin_sortie = tempdir(),
  ouvrir = FALSE
)

Arguments

Value

Chemin du fichier genere (invisible)

Examples

## Not run: 
  indicateurs <- data.frame(
    indicateur = c("Taux de pauvrete", "Taux de chomage",
                   "Acces eau potable", "Taux alphabetisation"),
    valeur     = c(71.8, 14.5, 42.3, 56.7),
    unite      = c("%", "%", "%", "%"),
    periode    = rep("2026", 4)
  )
  generer_bulletin(indicateurs, periode = "T1 2026",
                   pays = "Republique Centrafricaine")

## End(Not run)

Générer une fiche de métadonnées DDI

Description

Produit une fiche de métadonnées au format DDI (Data Documentation Initiative) Codebook 2.5, standard international pour l'archivage des enquêtes statistiques (IHSN, NADA, NESSTAR).

Usage

generer_metadonnees_ddi(
  data,
  titre = NULL,
  pays = NULL,
  annee = NULL,
  institution = NULL,
  auteurs = NULL,
  description = NULL,
  fichier_sortie = NULL,
  langue = "fr"
)

Arguments

Value

Chemin du fichier généré (invisible).

Examples

## Not run: 
  generer_metadonnees_ddi(
    data        = donnees_emop,
    titre       = "Enquête Modulaire sur les Conditions de Vie — 2023",
    pays        = "Bénin",
    annee       = 2023,
    institution = "INSAE",
    fichier_sortie = file.path(tempdir(), "emop_2023_ddi.xml")
  )

## End(Not run)

Générer un rapport statistique officiel

Description

Produit un rapport Word (.docx) ou PDF à partir d'un template R Markdown. Intègre automatiquement les tableaux, graphiques et métadonnées. Compatible avec les templates AFRISTAT et PARIS21.

Usage

generer_rapport(
  donnees,
  template = "bulletin_mensuel",
  format_sortie = c("word", "pdf"),
  fichier_sortie = NULL,
  metadonnees = NULL,
  ouvrir = FALSE
)

Arguments

Value

Chemin du fichier généré (invisible).

Examples

## Not run: 
  generer_rapport(
    donnees        = resultats_enquete,
    template       = "bulletin_mensuel",
    format_sortie  = "word",
    metadonnees    = list(
      titre       = "Bulletin mensuel — Mars 2024",
      pays        = "Bénin",
      institution = "INSAE",
      annee       = 2024
    )
  )

## End(Not run)

Generer un rapport d'enquete menage parametre

Description

Genere un rapport statistique complet a partir de donnees d'enquete menage, en utilisant un template R Markdown pre-construit. Le rapport inclut une page de garde, des statistiques descriptives, une pyramide demographique et les indicateurs cles.

Usage

generer_rapport_enquete(
  donnees,
  meta = list(),
  template = c("enquete_menage", "bulletin"),
  sortie = c("html", "pdf", "word"),
  chemin_sortie = tempdir(),
  vars_analyse = NULL,
  var_poids = NULL,
  ouvrir = FALSE
)

Arguments

Value

Chemin du fichier genere (invisible)

Examples

## Not run: 
  set.seed(42)
  donnees <- data.frame(
    age    = sample(18:70, 200, replace = TRUE),
    revenu = rexp(200, rate = 1/250000),
    sexe   = sample(c("H","F"), 200, TRUE),
    milieu = sample(c("urbain","rural"), 200, TRUE),
    poids  = runif(200, 0.8, 1.3)
  )
  meta <- list(
    pays   = "Republique Centrafricaine",
    titre  = "Enquete sur les conditions de vie des menages",
    annee  = 2026L,
    source = "ICASEES",
    auteur = "Direction des Statistiques"
  )
  generer_rapport_enquete(donnees, meta, sortie = "html")

## End(Not run)

Generer un rapport de suivi des ODD parametre

Description

Genere un rapport de suivi des Objectifs de Developpement Durable au format standard PARIS21/Nations Unies.

Usage

generer_rapport_odd(
  resultats_odd,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y")),
  cibles = NULL,
  sortie = c("html", "pdf", "word"),
  chemin_sortie = tempdir(),
  ouvrir = FALSE
)

Arguments

Value

Chemin du fichier genere (invisible)

Examples

## Not run: 
  set.seed(42)
  menages <- data.frame(
    depense_pc  = c(rexp(70, 1/150000), rexp(30, 1/500000)),
    electricite = sample(c(0L,1L), 100, TRUE, c(0.45, 0.55)),
    internet    = sample(c(0L,1L), 100, TRUE, c(0.72, 0.28))
  )
  r1 <- odd_indicateur(menages, "1.2.1",
                       var_depense = "depense_pc", seuil = 200000)
  r2 <- odd_indicateur(menages, "7.1.1",
                       var_indicateur = "electricite")
  generer_rapport_odd(
    list(r1, r2),
    pays  = "Republique Centrafricaine",
    annee = 2026L,
    cibles = list("1.2.1" = 50, "7.1.1" = 80)
  )

## End(Not run)

Graphique en barres pondéré

Description

Génère un graphique en barres avec intervalles de confiance optionnels, adapté aux résultats d'enquêtes pondérées.

Usage

graphique_barres(
  data,
  var_x,
  var_y,
  var_groupe = NULL,
  var_ic_bas = NULL,
  var_ic_haut = NULL,
  position = c("dodge", "stack"),
  titre = NULL,
  label_x = NULL,
  label_y = NULL,
  pourcentage = FALSE,
  trier = FALSE
)

Arguments

Value

Un objet ggplot.

Examples

if (requireNamespace("ggplot2", quietly = TRUE)) {
  df <- data.frame(region=c("Nord","Sud","Est","Ouest"), valeur=c(35.2,28.7,41.1,22.5))
  graphique_barres(df, var_x="region", var_y="valeur", titre="Indicateur")
}

Graphique des indices FGT

Description

Visualise les indices FGT nationaux et/ou par sous-groupe.

Usage

graphique_fgt(
  fgt_obj,
  type = c("barres", "indices"),
  variable = NULL,
  couleur = "#1B4965"
)

Arguments

Value

Objet ggplot2

Examples

## Not run: 
  set.seed(42)
  menages <- data.frame(
    depense_pc = c(rexp(70, 1/150000), rexp(30, 1/400000)),
    poids  = runif(100, 0.8, 1.2),
    milieu = sample(c("urbain", "rural"), 100, TRUE, c(0.4, 0.6))
  )
  fgt <- calcul_fgt(menages, "depense_pc", 220000,
                    poids = "poids", sous_groupes = "milieu")
  graphique_fgt(fgt, type = "barres", variable = "milieu")

## End(Not run)

Graphique des contributions IPM

Description

Produit un graphique en barres des contributions de chaque indicateur et chaque dimension a l'IPM. Retourne un objet ggplot2.

Usage

graphique_ipm(
  res_ipm,
  type = c("indicateurs", "dimensions"),
  titre = NULL,
  source = NULL
)

Arguments

Value

Un objet ggplot2

Examples

set.seed(42)
n <- 200
menages <- data.frame(
  nutrition   = rbinom(n,1,0.35), electricite = rbinom(n,1,0.60),
  eau         = rbinom(n,1,0.40), scolarisation = rbinom(n,1,0.30),
  poids       = runif(n,0.8,1.3)
)
res <- calcul_ipm(menages, var_nutrition="nutrition",
  var_electricite="electricite", var_eau="eau",
  var_scolarisation="scolarisation", poids="poids")
graphique_ipm(res)

Graphique de tendance temporelle

Description

Génère un graphique de tendance pour un ou plusieurs indicateurs sur une période temporelle. Adapté au suivi des indicateurs ODD et des indicateurs macroéconomiques.

Usage

graphique_tendance(
  data,
  var_temps,
  var_valeur = NULL,
  var_indicateur = NULL,
  vars_indicateurs = NULL,
  titre = NULL,
  label_y = "Valeur",
  afficher_points = TRUE,
  afficher_valeurs = FALSE,
  lisser = FALSE
)

Arguments

Value

Un objet ggplot.

Examples

if (requireNamespace("ggplot2", quietly = TRUE)) {
  df <- data.frame(annee=2015:2023, pib=c(45,48,51,49,53,55,52,58,61))
  graphique_tendance(df, var_temps="annee", vars_indicateurs="pib", titre="PIB")
}

Calculer la prevalence du handicap

Description

Prevalence du handicap par type (visuel, auditif, moteur, cognitif) selon la methodologie Washington Group / recensement.

Usage

handicap_prevalence(donnees, vars_handicap, poids = NULL, sous_groupes = NULL)

Arguments

Value

Un tibble avec prevalence par type de handicap

Examples

set.seed(42)
n <- 500
individus <- data.frame(
  hand_vis = rbinom(n, 1, 0.04),
  hand_aud = rbinom(n, 1, 0.03),
  hand_mot = rbinom(n, 1, 0.05),
  sexe     = sample(c("H","F"), n, TRUE),
  poids    = runif(n, 0.8, 1.3)
)
handicap_prevalence(individus,
  vars_handicap = c(Visuel="hand_vis", Auditif="hand_aud",
                    Moteur="hand_mot"),
  poids = "poids")

Harmoniser les noms de régions/provinces

Description

Standardise les noms de régions géographiques selon un référentiel national ou africain. Corrige les variantes orthographiques, les abréviations et les noms en langues locales.

Usage

harmoniser_regions(
  data,
  var_region,
  pays = NULL,
  table_correspondance = NULL,
  var_sortie = "region_std",
  signaler_non_trouves = TRUE
)

Arguments

Value

Le tibble avec une colonne var_sortie ajoutée contenant les régions standardisées.

Examples

## Not run: 
  donnees <- data.frame(region = c("Littoral","Atlantique","Borgou"))
  harmoniser_regions(donnees, var_region = "region", pays = "BJ")

## End(Not run)

Harmoniser les noms de zones geographiques

Description

Normalise automatiquement les noms de zones : suppression des accents, standardisation de la casse, suppression des caracteres speciaux. Permet de faire des jointures geographiques robustes meme quand les orthographes different entre sources.

Usage

harmoniser_zones(
  donnees,
  var_zone,
  reference = NULL,
  var_ref = "nom_local",
  seuil_similarite = 0.85
)

Arguments

Value

Un data.frame avec colonne supplementaire de nom harmonise

Examples

donnees_enquete <- data.frame(
  region    = c("Bangui","BANGUI","Ombella Mpoko","Bamingui Bangoran"),
  valeur    = c(120, 85, 200, 150),
  stringsAsFactors = FALSE
)
harmoniser_zones(donnees_enquete, "region")

Importer des données CSPro

Description

Lit les fichiers de données produits par CSPro (format .dat avec dictionnaire .dcf associé). Retourne un tibble avec les labels issus du dictionnaire CSPro. Fonction prioritaire pour les RGPH africains. Compatible avec CSPro 4.x à 8.x.

Usage

import_cspro(
  fichier_dat,
  fichier_dcf = NULL,
  niveau = NULL,
  encoding = "UTF-8",
  max_lignes = NULL,
  verbose = TRUE
)

Arguments

Value

Un tibble avec une colonne par variable CSPro. Les labels de valeurs sont stockés dans les attributs du tibble (attr(., "labels_cspro")).

Examples

## Not run: 
  # Import du niveau ménage d'un RGPH
  menages <- import_cspro(
    fichier_dat = "data/rgph_2024.dat",
    fichier_dcf = "data/rgph_2024.dcf",
    niveau      = "MENAGE"
  )

  # Test sur les 1000 premières lignes
  test <- import_cspro("data/rgph_2024.dat", max_lignes = 1000)

## End(Not run)

Importer un fichier CSV

Description

Importe un fichier CSV avec détection automatique de l'encodage, du séparateur et du séparateur décimal. Gère les formats courants des INS africains (séparateurs point-virgule, virgule, tabulation).

Usage

import_csv(
  chemin,
  separateur = NULL,
  encodage = "UTF-8",
  decimal = ".",
  na = c("", "NA", "N/A", "n/a", ".", " "),
  verbose = TRUE
)

Arguments

Value

Un tibble.

Examples

## Not run: 
  donnees <- import_csv("data/prix_marches.csv")
  donnees_fr <- import_csv("data/donnees_fr.csv", decimal = ",")

## End(Not run)

Importer un fichier Excel

Description

Importe un fichier Excel (.xlsx, .xls) avec détection automatique des feuilles, gestion des en-têtes multiples et conversion intelligente des types de colonnes. Optimisé pour les formats courants des INS africains.

Usage

import_excel(
  chemin,
  feuille = 1,
  skip = 0,
  col_types = NULL,
  na = c("", "NA", "N/A", "n/a", ".", " "),
  verbose = TRUE
)

Arguments

Value

Un tibble si une seule feuille, une liste de tibbles si feuille = NULL.

See Also

import_csv, valider_dictionnaire

Examples

## Not run: 
  # Import de la première feuille
  donnees <- import_excel("data/enquete_menage.xlsx")

  # Import d'une feuille spécifique
  menages <- import_excel("data/emop_2024.xlsx", feuille = "Menages")

  # Import de toutes les feuilles
  toutes <- import_excel("data/rapport.xlsx", feuille = NULL)

## End(Not run)

Importer des données depuis KoboToolbox

Description

Importe un formulaire KoboToolbox via fichier local (XLS/JSON) ou via l'API REST KoboToolbox. Retourne un tibble annoté avec les métadonnées du formulaire. Compatible avec KoboToolbox et KoBoCAT.

Usage

import_kobo(
  source,
  uid = NULL,
  token = Sys.getenv("KOBO_TOKEN"),
  format = c("xls", "json"),
  langue = "French (fr)",
  verbose = TRUE
)

Arguments

Value

Un tibble avec les colonnes du formulaire. L'attribut attr(., "metadonnees_kobo") contient le dictionnaire des variables.

Examples

## Not run: 
  # Import depuis fichier XLS local
  donnees <- import_kobo(source = "data/enquete_2024.xls")

  # Import depuis API KoboToolbox
  Sys.setenv(KOBO_TOKEN = "mon_token_secret")
  donnees <- import_kobo(
    source = "https://kf.kobotoolbox.org",
    uid    = "aXmNk7pQrS",
    langue = "French (fr)"
  )

## End(Not run)

Importer des données ODK Central

Description

Importe les soumissions d'un formulaire ODK Central via l'API REST ou depuis un fichier d'export local (ZIP ou CSV). Compatible avec ODK Central 1.x et 2.x.

Usage

import_odk(
  source,
  projet_id = NULL,
  formulaire_id = NULL,
  email = Sys.getenv("ODK_EMAIL"),
  mot_de_passe = Sys.getenv("ODK_PASSWORD"),
  inclure_metadonnees = FALSE,
  verbose = TRUE
)

Arguments

Value

Un tibble contenant les soumissions du formulaire.

Examples

## Not run: 
  # Import depuis export ZIP local
  donnees <- import_odk(source = "data/odk_export_2024.zip")

  # Import depuis API ODK Central
  Sys.setenv(ODK_EMAIL = "admin@ins.org", ODK_PASSWORD = "motdepasse")
  donnees <- import_odk(
    source        = "https://odk.monins.org",
    projet_id     = 1,
    formulaire_id = "enquete_menage_2024"
  )

## End(Not run)

Importer un fichier SAS

Description

Importe un fichier SAS (.sas7bdat) ou un fichier de formats SAS (.sas7bcat) avec préservation des labels.

Usage

import_sas(chemin, chemin_formats = NULL, encoding = "UTF-8", verbose = TRUE)

Arguments

Value

Un tibble.

Examples

## Not run: 
  donnees <- import_sas("data/enquete_emploi.sas7bdat")

## End(Not run)

Importer un fichier SPSS

Description

Importe un fichier SPSS (.sav ou .zsav) avec préservation des labels de variables et de valeurs SPSS.

Usage

import_spss(
  chemin,
  garder_labels = TRUE,
  convertir_labels = FALSE,
  encoding = NULL,
  verbose = TRUE
)

Arguments

Value

Un tibble.

Examples

## Not run: 
  mics <- import_spss("data/mics6_enfants.sav")

## End(Not run)

Importer un fichier Stata

Description

Importe un fichier Stata (.dta) avec préservation des labels de variables et de valeurs. Compatible avec toutes les versions Stata (Stata 8 à Stata 18).

Usage

import_stata(
  chemin,
  encoding = "UTF-8",
  garder_labels = TRUE,
  convertir_labels = FALSE,
  verbose = TRUE
)

Arguments

Value

Un tibble avec attributs de labels si garder_labels = TRUE.

Examples

## Not run: 
  eds <- import_stata("data/eds_2021.dta")
  eds_facteurs <- import_stata("data/eds_2021.dta", convertir_labels = TRUE)

## End(Not run)

Imputer les valeurs manquantes

Description

Impute les valeurs manquantes d'un dataset selon la méthode spécifiée. Supporte l'imputation simple (statistiques descriptives), hot-deck et par régression. Produit un rapport de traçabilité.

Usage

imputer_valeurs(
  data,
  vars = NULL,
  methode = c("mediane", "moyenne", "mode", "hot_deck", "regression"),
  vars_auxiliaires = NULL,
  graine = 42L,
  rapport = TRUE
)

Arguments

Value

Si rapport = FALSE : tibble imputé. Si rapport = TRUE : liste avec $donnees et $rapport.

Examples

## Not run: 
  donnees <- data.frame(revenu_mensuel=c(150000,NA,200000), age=c(25,34,NA))
  imputer_valeurs(donnees, vars=c("revenu_mensuel","age"), methode="mediane")

## End(Not run)

Calculer l'indice d'Atkinson

Description

L'indice d'Atkinson est une mesure d'inegalite parametrique dont le parametre epsilon reflete l aversion a l'inegalite de la societe. Epsilon = 0 : indifference ; Epsilon = 1 : forte aversion.

Usage

indice_atkinson(donnees, var_revenu, poids = NULL, epsilon = 1)

atkinson(donnees, var_revenu, poids = NULL, epsilon = 1)

Arguments

Value

Un scalaire numerique (indice d'Atkinson)

Examples

set.seed(42)
menages <- data.frame(
  depense = c(rexp(200, 1/150000), rexp(100, 1/500000)),
  poids   = runif(300, 0.8, 1.3)
)
indice_atkinson(menages, "depense", poids = "poids", epsilon = 1)

Calculer l'indice de Palma

Description

L'indice de Palma est le rapport entre la part de revenu des 10% les plus riches et celle des 40% les plus pauvres. Il est plus sensible aux extremes que le coefficient de Gini.

Usage

indice_palma(donnees, var_revenu, poids = NULL)

palma(donnees, var_revenu, poids = NULL)

Arguments

Value

Un scalaire numerique (indice de Palma)

Examples

set.seed(42)
menages <- data.frame(
  depense = c(rexp(200, 1/150000), rexp(100, 1/500000)),
  poids   = runif(300, 0.8, 1.3)
)
indice_palma(menages, "depense", poids = "poids")

Calculer le taux d'insuffisance ponderale

Description

Prevalence de l'insuffisance ponderale : poids-pour-age < -2 ecarts-types chez les enfants de moins de 5 ans.

Usage

insuffisance_ponderale(
  donnees,
  var_poids_age_z,
  poids = NULL,
  sous_groupes = NULL,
  seuil = -2
)

Arguments

Value

Un objet de classe saf_anthropo

Examples

set.seed(42)
n <- 400
enfants <- data.frame(
  waz  = rnorm(n, -1.0, 1.2),
  poids = runif(n, 0.8, 1.3)
)
insuffisance_ponderale(enfants, var_poids_age_z = "waz", poids = "poids")

Lancer le tableau de bord interactif statAfrikR

Description

Lance une application Shiny pre-configuree presentant tous les indicateurs de bien-etre calcules depuis les donnees fournies. Zero code Shiny requis. Fonctionne entierement hors ligne. Compatible EHCVM, DHS, MICS, EFT.

Usage

lancer_dashboard(
  donnees = NULL,
  var_poids = NULL,
  var_region = NULL,
  var_milieu = NULL,
  var_annee = NULL,
  pays = "Pays",
  titre = NULL,
  sous_titre = NULL,
  port = 3838L,
  lancer = TRUE,
  export_html = NULL
)

Arguments

Value

Invisible : objet shinyApp si lancer=FALSE, NULL sinon

Examples

## Not run: 
  lancer_dashboard()
  lancer_dashboard(
    donnees    = mon_enquete,
    var_poids  = "poids_sondage",
    var_region = "prefecture",
    pays       = "Centrafrique"
  )

## End(Not run)

Lister les templates de rapport disponibles

Description

Retourne la liste des templates R Markdown disponibles dans statAfrikR avec leur description et parametres.

Usage

lister_templates()

Value

Un tibble avec : nom, description, parametres, format_sortie

Examples

lister_templates()

Calculer le taux de mariage precoce

Description

Proportion de femmes/hommes maries avant 18 ans (ODD 5.3.1) avec desagregation et analyse des tendances par cohorte d'age.

Usage

mariage_precoce(
  donnees,
  var_marie_avant_18,
  var_cohorte = NULL,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_genre

Examples

set.seed(42)
n <- 500
femmes <- data.frame(
  marie_18  = rbinom(n, 1, 0.42),
  cohorte   = sample(c("15-19","20-24","25-29","30-34","35-49"),
                      n, TRUE),
  milieu    = sample(c("urbain","rural"), n, TRUE),
  poids     = runif(n, 0.8, 1.3)
)
mariage_precoce(femmes, "marie_18",
                 var_cohorte = "cohorte",
                 poids = "poids", sous_groupes = "milieu")

Migrer d'une nomenclature geographique vers une autre

Description

Convertit les codes ou noms d'une nomenclature vers une autre en utilisant une table de concordance. Gere les fusions et scissions de zones administratives dans le temps.

Usage

migrer_nomenclature(
  donnees,
  var_zone_source,
  concordance,
  var_source = "nom_local",
  var_cible = "code_iso",
  var_resultat = "zone_harmonisee",
  conserver_non_apparies = TRUE
)

Arguments

Value

Un data.frame avec la nouvelle variable de zone

Examples

concordance_df <- data.frame(
  nom_local  = c("Bangui","Ombella-M'Poko","Bamingui-Bangoran"),
  code_iso   = c("CF-BGF","CF-MP","CF-BB"),
  code_ins   = c("01","02","03"),
  stringsAsFactors = FALSE
)
concordance <- table_concordance(concordance_df, "nom_local",
                                  var_code_iso="code_iso",
                                  var_code_ins="code_ins")
donnees_enquete <- data.frame(
  zone   = c("Bangui","Ombella-M'Poko","Zone inconnue"),
  valeur = c(100, 200, 150),
  stringsAsFactors = FALSE
)
migrer_nomenclature(donnees_enquete, "zone", concordance,
                     var_source="nom_local", var_cible="code_iso")

Calculer le taux de mortalite des enfants de moins de 5 ans

Description

Calcule le taux de mortalite infanto-juvenile (U5MR) en pour 1 000 naissances vivantes. ODD 3.2.1.

Usage

mortalite_5ans(
  donnees,
  var_naissances_vivantes,
  var_deces_enfants,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_mortalite

Examples

set.seed(42)
n <- 600
femmes <- data.frame(
  naissances_vivantes = rpois(n, 3.5),
  deces_enfants       = rbinom(n, 4, 0.08),
  milieu              = sample(c("urbain","rural"), n, TRUE),
  poids               = runif(n, 0.8, 1.3)
)
mortalite_5ans(femmes,
  var_naissances_vivantes = "naissances_vivantes",
  var_deces_enfants       = "deces_enfants",
  poids                   = "poids")

Calculer l'indice de Myers (attraction sur tous les chiffres)

Description

Mesure l'attraction sur les 10 chiffres terminaux (0-9). L'indice de Myers varie de 0 (aucune attraction) a 90 (attraction maximale). Un indice < 10 indique une bonne qualite des donnees d'age.

Usage

myers(donnees, var_age, age_min = 10L, age_max = 89L, poids = NULL)

Arguments

Value

Un objet de classe saf_qualite_demo

Examples

set.seed(42)
n <- 1000
ages_base <- sample(10:89, n, TRUE)
# Attraction sur les ages ronds
ages <- ifelse(runif(n) < 0.20,
               ages_base - (ages_base %% 10),
               ages_base)
individus <- data.frame(age = pmax(10, pmin(89, ages)))
myers(individus, "age")

Nettoyer les libellés de variables textuelles

Description

Normalise les chaînes de caractères : suppression des espaces superflus, normalisation de la casse, gestion des caractères spéciaux, correction des encodages. Préserve les caractères accentués africains et francophones.

Usage

nettoyer_libelles(
  data,
  vars = NULL,
  casse = c("titre", "majuscule", "minuscule", "aucune"),
  supprimer_espaces = TRUE,
  supprimer_ponctuation = FALSE,
  encodage = "UTF-8"
)

Arguments

Value

Un tibble avec les variables textuelles nettoyées.

Examples

## Not run: 
  donnees <- data.frame(region = c(" nord ","SUD"), commune = c("Cotonou "," parakou"))
  nettoyer_libelles(donnees, vars = c("region", "commune"))

## End(Not run)

Catalogue des indicateurs ODD pour les INS africains

Description

Retourne le catalogue des indicateurs ODD implementes dans statAfrikR, selectionnes selon leur pertinence et disponibilite pour les INS africains (reference PARIS21, AFRISTAT, Nations Unies).

Usage

odd_catalogue(
  objectif = NULL,
  disponibilite = NULL,
  statut = NULL,
  format = c("tibble", "flextable")
)

Arguments

Value

Tibble ou flextable du catalogue filtre

Examples

# Tous les indicateurs
odd_catalogue()

# Indicateurs ODD 1 (pauvrete) implementes
odd_catalogue(objectif = 1, statut = "implementee")

# Indicateurs a haute disponibilite
odd_catalogue(disponibilite = "haute")

Calculer un indicateur ODD

Description

Calcule un indicateur ODD specifique a partir des donnees d'enquete. Retourne un objet saf_odd avec la valeur, les metadonnees et les composantes du calcul.

Usage

odd_indicateur(data, code_odd, ..., poids = NULL, na.rm = TRUE)

Arguments

Details

Arguments specifiques par indicateur :

1.1.1

var_depense : variable de depenses par tete, seuil : seuil en monnaie locale (defaut : equivalence 2.15 USD PPA)

1.2.1

var_depense : variable de depenses par tete, seuil : seuil national de pauvrete

2.2.1

var_taille : taille de l'enfant (cm), var_age_mois : age en mois, var_sexe : sexe (1=M, 2=F ou "M"/"F")

3.2.1

var_deces_enfant : indicateur deces enfant (0/1), var_naissances : nombre de naissances vivantes ou variable indicatrice

5.3.1

var_age_mariage : age au premier mariage, var_age_actuel : age actuel, seuil_age : seuil (defaut : 18)

5.5.2, 8.5.2, 8.6.1, 6.1.1, 7.1.1, 10.2.1, 11.1.1, 16.9.1, 17.8.1

var_indicateur : variable binaire (1 = condition remplie, 0 = non)

10.1.1

var_depense : variable de depenses, var_periode : variable de periode (annees), seuil_pct : percentile inferieur (defaut : 40)

Value

Un objet de classe saf_odd avec :

valeur

Valeur de l'indicateur

unite

Unite de mesure

code_odd

Code ODD

titre_court

Libelle court

numerateur

Numerateur du calcul

denominateur

Denominateur du calcul

n_obs

Observations utilisees

na_count

Valeurs manquantes exclues

meta

Metadonnees completes du catalogue

Examples

set.seed(42)
menages <- data.frame(
  depense_pc = c(rexp(70, rate = 1/150000), rexp(30, rate = 1/500000)),
  poids      = runif(100, 0.8, 1.2),
  electricite = sample(c(0L, 1L), 100, TRUE, prob = c(0.45, 0.55)),
  eau_potable = sample(c(0L, 1L), 100, TRUE, prob = c(0.35, 0.65)),
  internet    = sample(c(0L, 1L), 100, TRUE, prob = c(0.7, 0.3))
)

# ODD 1.2.1 - Pauvrete nationale
odd_indicateur(menages, "1.2.1",
               var_depense = "depense_pc", seuil = 200000,
               poids = "poids")

# ODD 7.1.1 - Acces a l'electricite
odd_indicateur(menages, "7.1.1", var_indicateur = "electricite",
               poids = "poids")

Palette de couleurs INS

Description

Retourne une palette de couleurs officielle pour les graphiques INS, compatible daltonisme.

Usage

palette_ins(n = 6, type = c("categoriel", "sequentiel", "divergent"))

Arguments

Value

Vecteur de codes couleurs hexadécimaux.

Examples

palette_ins(4)

Calculer l'indice de parite filles/garcons en education

Description

Calcule l'Indice de Parite entre les Sexes (ISP) pour les taux de scolarisation bruts et nets. ODD 4.5.1. ISP = valeur filles / valeur garcons. ISP = 1 = parite parfaite.

Usage

parite_education(
  donnees,
  var_scolarise,
  var_sexe,
  poids = NULL,
  var_niveau = NULL
)

Arguments

Value

Un objet de classe saf_genre

Examples

set.seed(42)
n <- 600
enfants <- data.frame(
  scolarise = rbinom(n, 1, 0.72),
  sexe      = sample(c("H","F"), n, TRUE),
  niveau    = sample(c("primaire","secondaire"), n, TRUE),
  poids     = runif(n, 0.8, 1.3)
)
parite_education(enfants, "scolarise", "sexe",
                  poids="poids", var_niveau="niveau")

Calculer les parts de revenu par quintile ou decile

Description

Calcule la part de revenu ou de consommation detenue par chaque quintile (ou decile) de la population. Inclut les ratios Palma et Q5/Q1.

Usage

part_quintile(donnees, var_revenu, poids = NULL, n_groupes = 5L)

Arguments

Value

Un tibble avec parts par groupe + ratios Palma et Q5/Q1

Examples

set.seed(42)
menages <- data.frame(
  depense = c(rexp(200, 1/150000), rexp(100, 1/500000)),
  poids   = runif(300, 0.8, 1.3)
)
part_quintile(menages, "depense", poids = "poids")

Calculer le taux de pauvrete au travail (working poor)

Description

Proportion des actifs occupes vivant sous le seuil de pauvrete national. Indicateur ODD 8.1.1 et lien emploi-pauvrete.

Usage

pauvrete_travail(
  donnees,
  var_employe,
  var_revenu,
  seuil,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_emploi

Examples

set.seed(42)
n <- 500
individus <- data.frame(
  employe = rbinom(n, 1, 0.60),
  revenu  = pmax(10000, rnorm(n, 180000, 90000)),
  milieu  = sample(c("urbain","rural"), n, TRUE),
  poids   = runif(n, 0.8, 1.3)
)
pauvrete_travail(individus, "employe", "revenu",
                  seuil = 144800, poids = "poids")

Calculer la perception de la situation economique

Description

Proportion de menages pouvant joindre les deux bouts ou percevant leur situation economique comme bonne ou tres bonne.

Usage

perception_economique(
  donnees,
  var_perception,
  codes_positifs = NULL,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_subjectif

Examples

set.seed(42)
n <- 400
menages <- data.frame(
  econ_ok = rbinom(n, 1, 0.38),
  quintile = sample(paste0("Q", 1:5), n, TRUE),
  poids   = runif(n, 0.8, 1.3)
)
perception_economique(menages, "econ_ok", poids="poids",
                       sous_groupes="quintile")

Calculer le score de privations ressenties

Description

Calcule la proportion de menages ayant declare souffrir de privations subjectives (manque de nourriture, eau, medicaments, argent) au cours des 12 derniers mois. Complement a l'IPM.

Usage

privations_ressenties(
  donnees,
  vars_privations,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un tibble avec prevalence par type de privation

Examples

set.seed(42)
n <- 400
menages <- data.frame(
  manque_nour = rbinom(n, 1, 0.48),
  manque_eau  = rbinom(n, 1, 0.35),
  manque_med  = rbinom(n, 1, 0.58),
  manque_arg  = rbinom(n, 1, 0.62),
  milieu      = sample(c("urbain","rural"), n, TRUE),
  poids       = runif(n, 0.8, 1.3)
)
privations_ressenties(menages,
  vars_privations = c(Nourriture="manque_nour",
                      Eau="manque_eau",
                      Medicaments="manque_med",
                      Argent="manque_arg"),
  poids="poids", sous_groupes="milieu")

Calculer la couverture de protection sociale

Description

Calcule la proportion de la population couverte par au moins un regime de protection sociale (retraite, assurance maladie, allocations). ODD 1.3.1.

Usage

protection_sociale(donnees, vars_protection, poids = NULL, sous_groupes = NULL)

Arguments

Value

Un tibble avec couverture par type de protection

Examples

set.seed(42)
n <- 400
individus <- data.frame(
  retraite      = rbinom(n, 1, 0.18),
  assur_maladie = rbinom(n, 1, 0.22),
  allocations   = rbinom(n, 1, 0.12),
  poids         = runif(n, 0.8, 1.3)
)
protection_sociale(individus,
  vars_protection = c(Retraite="retraite",
                      Assurance_maladie="assur_maladie",
                      Allocations="allocations"),
  poids = "poids")

Construire et tracer la pyramide des ages

Description

Produit une pyramide des ages institutionnelle au format ggplot2. Permet la superposition de deux annees pour l'analyse des tendances demographiques.

Usage

pyramide_age(
  donnees,
  var_age,
  var_sexe,
  code_homme = "H",
  code_femme = "F",
  poids = NULL,
  groupes_age = 5L,
  titre = NULL,
  source = NULL
)

Arguments

Value

Un objet ggplot2

Examples

set.seed(42)
n <- 3000
individus <- data.frame(
  age   = round(rexp(n, 1/30)),
  sexe  = sample(c("H","F"), n, TRUE),
  poids = runif(n, 0.8, 1.3)
)
individus$age <- pmin(individus$age, 85)
pyramide_age(individus, "age", "sexe", poids="poids",
             titre="Pyramide des ages", source="Recensement 2024")

Pyramide des âges

Description

Génère une pyramide des âges pondérée à partir de données individuelles ou agrégées. Adapté aux recensements et enquêtes démographiques.

Usage

pyramide_ages(
  data,
  var_age,
  var_sexe,
  var_poids = NULL,
  modalite_homme = "Masculin",
  modalite_femme = "Féminin",
  largeur_classe = 5L,
  age_max = 80L,
  titre = NULL,
  pourcentage = TRUE,
  couleur_homme = "#1B6CA8",
  couleur_femme = "#E8872A"
)

Arguments

Value

Un objet ggplot.

Examples

if (requireNamespace("ggplot2", quietly = TRUE)) {
  donnees <- data.frame(age=sample(0:80,100,replace=TRUE), sexe=sample(c("H","F"),100,replace=TRUE))
  pyramide_ages(donnees, var_age="age", var_sexe="sexe")
}

Produire un rapport d'harmonisation geographique

Description

Genere un rapport complet sur l'harmonisation geographique : zones appariees, non appariees, ambigues. Format institutionnel conforme aux standards IHSN/PARIS21.

Usage

rapport_harmonisation(
  donnees,
  var_zone,
  reference,
  var_ref = "nom_local",
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y"))
)

Arguments

Value

Un tibble de rapport d'harmonisation

Examples

donnees <- data.frame(
  region = c("Bangui","Ombella-Mpoko","Kemo","Zone inconnue"),
  stringsAsFactors = FALSE
)
ref <- data.frame(
  nom_local = c("Bangui","Ombella-M'Poko","Kemo","Bamingui-Bangoran"),
  stringsAsFactors = FALSE
)
rapport_harmonisation(donnees, "region", ref, pays="RCA", annee=2026L)

Produire un rapport de qualite des donnees demographiques

Description

Synthetise les indicateurs de qualite des donnees demographiques (Whipple, Myers, rapport de masculinite, coherence) en un tableau institutionnel conforme aux standards Nations Unies.

Usage

rapport_qualite_demo(
  donnees,
  var_age,
  var_sexe = NULL,
  poids = NULL,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y")),
  source_donnees = "Recensement"
)

Arguments

Value

Un tibble de rapport qualite

Examples

set.seed(42)
n <- 2000
ages_base <- sample(10:79, n, TRUE)
ages <- ifelse(runif(n) < 0.15, ages_base - ages_base%%5, ages_base)
individus <- data.frame(
  age   = ages,
  sexe  = sample(c("H","F"), n, TRUE),
  poids = runif(n, 0.8, 1.3)
)
rapport_qualite_demo(individus, "age", var_sexe="sexe",
                      poids="poids", pays="RCA", annee=2024L)

Produire un rapport de qualite du plan de sondage

Description

Genere un rapport de synthese sur la qualite du plan de sondage : taux de reponse, effets de plan, CV, validite des poids. Format institutionnel IHSN/DHS.

Usage

rapport_qualite_sondage(
  saf_design,
  variables = NULL,
  var_reponse = NULL,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y"))
)

Arguments

Value

Un tibble de rapport qualite

Examples

set.seed(42)
n <- 300
donnees <- data.frame(
  poids_sond = runif(n, 1800, 3500),
  strate     = sample(c("Urbain","Rural"), n, TRUE),
  grappe     = sample(1:20, n, TRUE),
  repondu    = rbinom(n, 1, 0.88),
  pauvre     = rbinom(n, 1, 0.45)
)
design <- suppressMessages(
  creer_design(donnees,"poids_sond",var_strate="strate",var_grappe="grappe"))
rapport_qualite_sondage(design, variables="pauvre",
                         var_reponse="repondu",
                         pays="RCA", annee=2026L)

Calculer le rapport de masculinite par groupe d'age

Description

Calcule le rapport de masculinite (nombre d'hommes pour 100 femmes) par groupe d'age quinquennal. Permet de detecter des anomalies liees aux guerres, migrations ou erreurs de collecte.

Usage

ratio_masculinite(
  donnees,
  var_age,
  var_sexe,
  code_homme = "H",
  code_femme = "F",
  poids = NULL,
  groupes_age = 5L
)

Arguments

Value

Un tibble avec rapport de masculinite par groupe d'age

Examples

set.seed(42)
n <- 2000
individus <- data.frame(
  age   = sample(0:79, n, TRUE),
  sexe  = sample(c("H","F"), n, TRUE, prob=c(0.49,0.51)),
  poids = runif(n, 0.8, 1.3)
)
ratio_masculinite(individus, "age", "sexe", poids="poids")

Recoder une variable

Description

Recode une variable selon une table de correspondance explicite. Supporte le recodage numérique (classes d'âge, quintiles) et textuel (modalités). Traçabilité complète des transformations.

Usage

recoder_variable(
  data,
  var,
  table_recodage,
  var_sortie = NULL,
  na_si_absent = TRUE
)

Arguments

Value

Le tibble avec la variable recodée.

Examples

## Not run: 
  # Recodage des classes d'âge
  table_age <- data.frame(
    avant = c("15-24", "25-34", "35-49", "50+"),
    apres = c("Jeune", "Adulte", "Adulte", "Senior")
  )
  donnees <- recoder_variable(donnees, "classe_age", table_age)
  # Recodage avec vecteur nommé
  donnees <- recoder_variable(
    donnees, "sexe",
    table_recodage = c("1" = "Masculin", "2" = "Féminin")
  )

## End(Not run)

Calculer le taux de retard de croissance (stunting)

Description

Calcule la prevalence du retard de croissance chez les enfants de moins de 5 ans (taille-pour-age < -2 ecarts-types selon les standards OMS 2006). ODD 2.2.1.

Usage

retard_croissance(
  donnees,
  var_taille_age_z = NULL,
  var_taille = NULL,
  var_age_mois = NULL,
  var_sexe = NULL,
  poids = NULL,
  sous_groupes = NULL,
  seuil = -2
)

Arguments

Value

Un objet de classe saf_anthropo

Examples

set.seed(42)
n <- 500
enfants <- data.frame(
  haz   = rnorm(n, -1.2, 1.3),
  milieu = sample(c("urbain","rural"), n, TRUE),
  poids  = runif(n, 0.7, 1.4)
)
retard_croissance(enfants, var_taille_age_z = "haz", poids = "poids")

Departements du Cameroun

Description

10 regions du Cameroun.

Usage

saf_cameroun_departements

Format

Objet sf avec colonnes : departement, code, geometry.

Source

Natural Earth – statAfrikR Foundation

Examples

cam <- carte_zones('subdivisions', pays = 'CMR')

Zone CEDEAO – 15 pays membres

Description

Communaute Economique des Etats de l'Afrique de l'Ouest.

Usage

saf_cedeao

Format

Objet sf (sous-ensemble de saf_pays_afrique)

Source

Natural Earth – statAfrikR Foundation

Examples

cedeao <- carte_zones('cedeao')

Zone CEMAC – 6 pays membres

Description

Cameroun, Centrafrique, Congo, Gabon, Guinee Equatoriale, Tchad.

Usage

saf_cemac

Format

Objet sf (sous-ensemble de saf_pays_afrique)

Source

Natural Earth – statAfrikR Foundation

Examples

cemac <- carte_zones('cemac')

Zone EAC – Afrique de l'Est

Description

Communaute d'Afrique de l'Est.

Usage

saf_eau

Format

Objet sf (sous-ensemble de saf_pays_afrique)

Source

Natural Earth – statAfrikR Foundation

Examples

eau <- carte_zones('eau')

Pays africains – fond de carte integre

Description

Fond de carte des 54 pays africains.

Usage

saf_pays_afrique

Format

Objet sf avec colonnes : pays, pays_fr, iso2, iso3, sous_region, geometry.

Source

Natural Earth via rnaturalearth – statAfrikR Foundation

Examples

afrique <- carte_zones('afrique')

Prefectures de la Republique Centrafricaine

Description

17 prefectures de la RCA avec codes administratifs.

Usage

saf_rca_prefectures

Format

Objet sf avec colonnes : pays, iso3, prefecture, code, geometry.

Source

Natural Earth – statAfrikR Foundation

Examples

rca <- carte_zones('rca')

Zone SADC – Afrique Australe

Description

Communaute de Developpement de l'Afrique Australe.

Usage

saf_sadc

Format

Objet sf (sous-ensemble de saf_pays_afrique)

Source

Natural Earth – statAfrikR Foundation

Examples

sadc <- carte_zones('sadc')

Regions du Senegal

Description

14 regions du Senegal.

Usage

saf_senegal_regions

Format

Objet sf avec colonnes : region, code, geometry.

Source

Natural Earth – statAfrikR Foundation

Examples

sen <- carte_zones('subdivisions', pays = 'SEN')

Subdivisions de niveau 1 – tous les pays africains

Description

Prefectures, regions et provinces de 43 pays africains (744 subdivisions + 17 prefectures RCA = 761 total).

Usage

saf_subdivisions_afrique

Format

Objet sf avec colonnes : pays, iso3, subdivision, code_admin, geometry.

Source

Natural Earth – statAfrikR Foundation

Examples

cam <- carte_zones('subdivisions', pays = 'CMR')

Calculer les indicateurs de sante mentale

Description

Prevalence des symptomes de stress, anxiete et isolement percu. Compatible avec les modules Kessler K6, PHQ-4 et GAD-2 adaptes aux enquetes menages africaines.

Usage

sante_mentale(
  donnees,
  var_stress = NULL,
  var_anxiete = NULL,
  var_isolement = NULL,
  type = c("binaire", "score"),
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un tibble avec prevalence par indicateur

Examples

set.seed(42)
n <- 500
individus <- data.frame(
  stress    = rbinom(n, 1, 0.38),
  anxiete   = rbinom(n, 1, 0.28),
  isolement = rbinom(n, 1, 0.22),
  sexe      = sample(c("H","F"), n, TRUE),
  poids     = runif(n, 0.8, 1.3)
)
sante_mentale(individus, var_stress="stress",
              var_anxiete="anxiete", var_isolement="isolement",
              poids="poids", sous_groupes="sexe")

Calculer le score de satisfaction dans la vie

Description

Calcule le score moyen de satisfaction dans la vie sur une echelle de 0 a 10 (echelle de Cantril). Indicateur de bien-etre subjectif global conforme a la methodologie OCDE / Gallup World Poll.

Usage

satisfaction_vie(donnees, var_satisfaction, poids = NULL, sous_groupes = NULL)

Arguments

Value

Un objet de classe saf_subjectif

Examples

set.seed(42)
n <- 500
individus <- data.frame(
  satisfaction = pmin(10, pmax(0, round(rnorm(n, 5.8, 2.1)))),
  milieu       = sample(c("urbain","rural"), n, TRUE),
  quintile     = sample(paste0("Q", 1:5), n, TRUE),
  poids        = runif(n, 0.8, 1.3)
)
satisfaction_vie(individus, "satisfaction", poids="poids",
                 sous_groupes=c("milieu","quintile"))

Calculer le sentiment de securite

Description

Proportion de la population se sentant en securite (le soir dans le quartier, au travail, dans les transports). Methodologie Afrobarometer / Gallup.

Usage

sentiment_securite(
  donnees,
  var_securite,
  codes_securise = NULL,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_subjectif

Examples

set.seed(42)
n <- 400
individus <- data.frame(
  securise = rbinom(n, 1, 0.52),
  sexe     = sample(c("H","F"), n, TRUE),
  milieu   = sample(c("urbain","rural"), n, TRUE),
  poids    = runif(n, 0.8, 1.3)
)
sentiment_securite(individus, "securise", poids="poids",
                    sous_groupes=c("sexe","milieu"))

Calculer le taux de sous-emploi en temps de travail

Description

Calcule la proportion de personnes en emploi travaillant moins d'heures qu'elles ne le souhaitent (sous-emploi visible). Composante de LU2 dans la mesure de la sous-utilisation de la main-d'oeuvre OIT.

Usage

sous_emploi_temps(
  donnees,
  var_heures_travaillees,
  var_heures_souhaitees = NULL,
  seuil_heures = 35L,
  var_disponible = NULL,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_emploi

Examples

set.seed(42)
n <- 400
employes <- data.frame(
  heures_trav = pmax(0, rnorm(n, 38, 15)),
  disponible  = rbinom(n, 1, 0.3),
  poids       = runif(n, 0.8, 1.3)
)
sous_emploi_temps(employes, "heures_trav",
                  seuil_heures = 35L, poids = "poids")

Standardiser les âges déclarés

Description

Détecte et corrige le "heap effect" (attraction vers les âges ronds) fréquent dans les enquêtes africaines où les âges sont déclarés. Calcule l'indice de Whipple et l'indice de Myers pour évaluer la qualité.

Usage

standardiser_ages(
  data,
  var_age = "age",
  methode = c("aucune", "interpolation", "united_nations"),
  age_min = 0L,
  age_max = 120L
)

Arguments

Value

Une liste avec :

Examples

## Not run: 
  donnees <- data.frame(age = sample(0:80, 200, replace=TRUE))
  standardiser_ages(donnees, var_age="age")

## End(Not run)

Statistiques descriptives pondérées

Description

Calcule les statistiques descriptives complètes pour une ou plusieurs variables numériques, avec prise en compte optionnelle du plan de sondage complexe. Produit un tableau formaté prêt à publier.

Usage

stat_descr(
  data,
  vars,
  groupe = NULL,
  ponderee = TRUE,
  ic = TRUE,
  format_sortie = c("tibble", "flextable")
)

Arguments

Value

Tibble ou flextable avec : n, moyenne, médiane, écart-type, min, max, IC95.

Examples

## Not run: 
  donnees <- data.frame(age=c(25,34,45), revenu=c(150000,200000,180000))
  stat_descr(donnees, vars=c("age","revenu"))

## End(Not run)

Suivre les revisions du PIB

Description

Analyse les revisions entre les estimations preliminaires, provisoires et definitives du PIB. Produit un tableau et un graphique de suivi conforme aux bonnes pratiques de communication des INS.

Usage

suivre_revisions_pib(
  donnees,
  var_annee = "annee",
  var_version = "version",
  var_valeur = "valeur",
  pays = "Pays",
  unite = "Mds FCFA"
)

Arguments

Value

Un objet de classe saf_revision_pib

Examples

revisions <- data.frame(
  annee   = rep(2019:2022, each=3),
  version = rep(c("preliminaire","provisoire","definitif"), 4),
  valeur  = c(2210,2225,2240, 2320,2335,2348,
              2415,2430,NA,   2510,NA,NA),
  stringsAsFactors = FALSE
)
suivre_revisions_pib(revisions, pays="Cameroun", unite="Mds FCFA")

Détecter et supprimer les doublons

Description

Identifie et supprime les enregistrements dupliqués selon une ou plusieurs clés d'identification. Produit un rapport des doublons détectés.

Usage

supprimer_doublons(
  data,
  cles = NULL,
  garder = c("premier", "dernier", "aucun"),
  rapport = TRUE
)

Arguments

Value

Si rapport = FALSE : tibble dédupliqué. Si rapport = TRUE : liste avec $donnees et $rapport.

Examples

## Not run: 
  donnees <- data.frame(id=c(1,2,2,3), val=c(10,20,20,30))
  supprimer_doublons(donnees, cles="id")

## End(Not run)

Tableau croisé pondéré avec intervalles de confiance

Description

Produit un tableau croisé (ou tableau de fréquences simple) avec prise en compte optionnelle de la pondération et du plan de sondage complexe. Résultat formaté pour publication directe.

Usage

tab_croisee(
  data,
  var_ligne,
  var_col = NULL,
  var_poids = NULL,
  ic = TRUE,
  pourcentage = c("colonne", "ligne", "total"),
  format_sortie = c("flextable", "tibble")
)

Arguments

Value

Tibble ou flextable du tableau croisé.

Examples

## Not run: 
  donnees <- data.frame(
    region = sample(c("Nord", "Sud", "Est"), 50, replace = TRUE),
    sexe   = sample(c("H", "F"), 50, replace = TRUE)
  )
  tab_croisee(donnees, "region", "sexe")

## End(Not run)

Creer une table de concordance entre nomenclatures geographiques

Description

Cree une table de correspondance entre les differentes nomenclatures geographiques utilisees en Afrique : nomenclature locale des INS, codes ISO 3166-2, codes GADM, codes EHCVM, et noms officiels. Essentielle pour harmoniser les donnees entre plusieurs sources.

Usage

table_concordance(
  donnees,
  var_nom_local = "nom_zone",
  var_code_ins = NULL,
  var_code_iso = NULL,
  var_code_gadm = NULL,
  var_niveau = NULL,
  var_pays = NULL
)

Arguments

Value

Un objet de classe saf_concordance

Examples

zones_rca <- data.frame(
  nom_zone   = c("Bangui","Ombella-M'Poko","Bamingui-Bangoran",
                  "Mbomou","Haute-Kotto"),
  code_ins   = c("01","02","03","04","05"),
  code_iso   = c("CF-BGF","CF-MP","CF-BB","CF-MB","CF-HK"),
  code_gadm  = c("GADMa001","GADMa002","GADMa003","GADMa004","GADMa005"),
  niveau     = rep(1L, 5),
  pays       = rep("CAF", 5),
  stringsAsFactors = FALSE
)
table_concordance(zones_rca, var_nom_local="nom_zone",
                   var_code_ins="code_ins", var_code_iso="code_iso",
                   var_code_gadm="code_gadm", var_niveau="niveau",
                   var_pays="pays")

Tableau de bord du bien-etre subjectif

Description

Synthetise tous les indicateurs de bien-etre subjectif en un tableau institutionnel unique. Format adapte aux rapports nationaux sur le bien-etre et la qualite de vie.

Usage

tableau_bien_etre_subjectif(
  indicateurs,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y")),
  source = NULL
)

Arguments

Value

Un tibble institutionnel

Examples

set.seed(42)
n <- 400
individus <- data.frame(
  satisf   = pmin(10,pmax(0,round(rnorm(n,5.8,2.1)))),
  bonheur  = rbinom(n,1,0.62),
  securise = rbinom(n,1,0.52),
  poids    = runif(n,0.8,1.3)
)
r1 <- suppressMessages(
  satisfaction_vie(individus,"satisf",poids="poids"))
r2 <- suppressMessages(
  sentiment_securite(individus,"securise",poids="poids"))
tableau_bien_etre_subjectif(list(satisfaction=r1, securite=r2),
                             pays="RCA", annee=2026L)

Tableau de bord des comptes nationaux

Description

Produit un tableau de bord institutionnel du PIB combinant croissance, deflateur, comparaison de sources et revisions. Format comparable aux publications des INS africains.

Usage

tableau_bord_pib(
  donnees,
  var_pib_courant,
  var_pib_constant = NULL,
  var_annee = "annee",
  vars_secteurs = NULL,
  pays = "Pays",
  unite = "Mds FCFA"
)

Arguments

Value

Un tibble du tableau de bord PIB

Examples

comptes <- data.frame(
  annee       = 2018:2022,
  pib_courant = c(2100,2180,2250,2195,2380),
  pib_cst     = c(2000,2060,2110,2060,2210)
)
tableau_bord_pib(comptes, "pib_courant",
                  var_pib_constant="pib_cst",
                  pays="Cameroun", unite="Mds FCFA")

Tableau croise pondere - format institutionnel INS

Description

Produit un tableau de contingence pondere avec marges, pourcentages et test du chi-deux.

Usage

tableau_croise_ins(
  data,
  ligne,
  colonne,
  poids = NULL,
  type_pct = c("colonne", "ligne", "total"),
  marges = TRUE,
  chi2 = TRUE,
  format = c("tibble", "flextable", "excel"),
  chemin = NULL,
  titre = NULL
)

Arguments

Value

Tibble, flextable ou chemin Excel

Examples

set.seed(42)
donnees <- data.frame(
  region = sample(c("Nord", "Sud", "Est", "Ouest"), 300, TRUE),
  milieu = sample(c("urbain", "rural"), 300, TRUE, prob = c(0.4, 0.6)),
  poids  = runif(300, 0.7, 1.4)
)
tableau_croise_ins(donnees, "region", "milieu", poids = "poids")

Tableau de statistiques descriptives institutionnel

Description

Produit un tableau de statistiques descriptives pondere, formate selon les conventions des INS africains. Exportable en Word (flextable) ou Excel (openxlsx2).

Usage

tableau_descriptif(
  data,
  vars,
  poids = NULL,
  par = NULL,
  stats = c("n", "moyenne", "mediane", "ecart_type", "min", "max", "ic"),
  format = c("tibble", "flextable", "excel"),
  chemin = NULL,
  titre = NULL,
  source = NULL
)

Arguments

Value

Tibble, flextable ou chemin fichier Excel

Examples

set.seed(42)
donnees <- data.frame(
  age    = sample(18:65, 200, replace = TRUE),
  revenu = rexp(200, rate = 1/250000),
  poids  = runif(200, 0.8, 1.3),
  milieu = sample(c("urbain", "rural"), 200, TRUE)
)
tableau_descriptif(donnees, vars = c("age", "revenu"), poids = "poids")

Tableau institutionnel des indices FGT

Description

Genere un tableau des indices FGT formate selon les conventions des INS africains et de la Banque mondiale (EHCVM).

Usage

tableau_fgt(
  fgt_obj,
  format = c("tibble", "flextable", "excel"),
  chemin = NULL,
  titre = NULL,
  inclure_sous_groupes = TRUE
)

Arguments

Value

Tibble, flextable ou chemin du fichier Excel

Examples

set.seed(42)
menages <- data.frame(
  depense_pc = c(rexp(70, rate = 1/150000), rexp(30, rate = 1/400000)),
  poids      = runif(100, 0.8, 1.2)
)
fgt <- calcul_fgt(menages, "depense_pc", 220000, poids = "poids")
tableau_fgt(fgt)

Tableau de bord des indicateurs de genre et d'inclusion

Description

Synthetise tous les indicateurs genre en un tableau institutionnel comparable aux rapports ODD 5 et DHS.

Usage

tableau_genre(
  indicateurs,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y")),
  source = NULL
)

Arguments

Value

Un tibble institutionnel

Examples

set.seed(42)
n <- 400
femmes <- data.frame(
  marie_18 = rbinom(n, 1, 0.42),
  vbg_phys = rbinom(n, 1, 0.28),
  poids    = runif(n, 0.8, 1.3)
)
rm <- suppressMessages(
  mariage_precoce(femmes, "marie_18", poids="poids"))
rvbg <- violence_basee_genre(femmes,
  var_violence_physique="vbg_phys", poids="poids")
tableau_genre(list(mariage=rm, vbg=rvbg), pays="RCA", annee=2026L)

Tableau de bord des inegalites

Description

Calcule toutes les mesures d'inegalite en une seule fonction et les presente dans un tableau institutionnel. Inclut Gini, Palma, Theil, Atkinson et les parts par quintile.

Usage

tableau_inegalites(
  donnees,
  var_revenu,
  poids = NULL,
  var_groupe = NULL,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y"))
)

Arguments

Value

Un tibble avec toutes les mesures d'inegalite

Examples

set.seed(42)
menages <- data.frame(
  depense = c(rexp(200, 1/150000), rexp(100, 1/500000)),
  milieu  = sample(c("urbain","rural"), 300, TRUE),
  poids   = runif(300, 0.8, 1.3)
)
tableau_inegalites(menages, "depense", poids="poids",
                   var_groupe="milieu", pays="Centrafrique",
                   annee=2026L)

Tableau institutionnel IPM

Description

Genere un tableau flextable institutionnel (style INS/PARIS21) des resultats IPM, exportable en Word ou Excel.

Usage

tableau_ipm(
  res_ipm,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y")),
  chemin_word = NULL
)

Arguments

Value

Un objet flextable (invisible si chemin_word fourni)

Examples

set.seed(42)
n <- 200
menages <- data.frame(
  nutrition   = rbinom(n,1,0.35), electricite = rbinom(n,1,0.60),
  eau         = rbinom(n,1,0.40), poids = runif(n,0.8,1.3)
)
res <- calcul_ipm(menages, var_nutrition="nutrition",
  var_electricite="electricite", var_eau="eau", poids="poids")
tableau_ipm(res, pays="Centrafrique", annee=2026L)

Tableau de bord du marche du travail

Description

Synthetise tous les indicateurs du marche du travail en un tableau institutionnel unique, comparable aux publications OIT/ILOSTAT et aux rapports nationaux sur l'emploi.

Usage

tableau_marche_travail(
  indicateurs,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y")),
  source = NULL
)

Arguments

Value

Un tibble institutionnel

Examples

set.seed(42)
n <- 500
ind <- data.frame(
  actif      = rbinom(n, 1, 0.65),
  employe    = rbinom(n, 1, 0.55),
  informel   = rbinom(n, 1, 0.72),
  poids      = runif(n, 0.8, 1.3),
  stringsAsFactors = FALSE
)
r1 <- suppressMessages(taux_activite(ind, "actif", poids="poids"))
r2 <- suppressMessages(taux_emploi(ind, "employe", poids="poids"))
r3 <- suppressMessages(emploi_informel(ind, "informel", poids="poids"))
tableau_marche_travail(list(activite=r1, emploi=r2, informel=r3),
                        pays="Centrafrique", annee=2026L)

Tableau de suivi des indicateurs ODD

Description

Calcule et presente plusieurs indicateurs ODD dans un tableau de suivi formate selon les standards de reporting PARIS21/Nations Unies.

Usage

tableau_odd(
  resultats,
  pays = NULL,
  annee = NULL,
  cibles = NULL,
  format = c("tibble", "flextable", "excel"),
  chemin = NULL
)

Arguments

Value

Tibble, flextable ou chemin Excel

Examples

set.seed(42)
menages <- data.frame(
  depense_pc  = c(rexp(70, 1/150000), rexp(30, 1/500000)),
  poids       = runif(100, 0.8, 1.2),
  electricite = sample(c(0L, 1L), 100, TRUE, c(0.45, 0.55)),
  eau_potable = sample(c(0L, 1L), 100, TRUE, c(0.35, 0.65))
)
r1 <- odd_indicateur(menages, "1.2.1",
                     var_depense = "depense_pc", seuil = 200000)
r2 <- odd_indicateur(menages, "7.1.1",
                     var_indicateur = "electricite")
tableau_odd(list(r1, r2), pays = "Centrafrique", annee = 2026L)

Tableau de bord des indicateurs de sante

Description

Synthetise tous les indicateurs de sante disponibles en un seul tableau institutionnel. Produit un rapport comparable aux tableaux de bord DHS/MICS.

Usage

tableau_sante(
  indicateurs,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y")),
  source = NULL
)

Arguments

Value

Un tibble institutionnel

Examples

set.seed(42)
n <- 400
enfants <- data.frame(
  haz  = rnorm(n,-1.2,1.3), waz = rnorm(n,-1.0,1.2),
  poids = runif(n,0.8,1.3)
)
r1 <- suppressMessages(
  retard_croissance(enfants, var_taille_age_z="haz", poids="poids"))
r2 <- suppressMessages(
  insuffisance_ponderale(enfants, var_poids_age_z="waz", poids="poids"))
tableau_sante(list(stunting=r1, underweight=r2),
              pays="Centrafrique", annee=2026L)

Calculer le taux d'activite

Description

Calcule le taux d'activite selon la definition du Bureau International du Travail (BIT) : proportion de la population en age de travailler qui est active (employes + chomeurs). ODD 8.

Usage

taux_activite(
  donnees,
  var_actif,
  var_age = NULL,
  age_min = 15L,
  age_max = 64L,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_emploi

Examples

set.seed(42)
n <- 500
individus <- data.frame(
  actif  = rbinom(n, 1, 0.65),
  age    = sample(15:64, n, TRUE),
  sexe   = sample(c("H","F"), n, TRUE),
  milieu = sample(c("urbain","rural"), n, TRUE),
  poids  = runif(n, 0.8, 1.3)
)
taux_activite(individus, "actif", var_age="age", poids="poids",
              sous_groupes=c("sexe","milieu"))

Calculer les taux de croissance du PIB et contributions

Description

Calcule les taux de croissance reels et nominaux du PIB et la contribution de chaque secteur a la croissance. Conforme aux methodes SCN 2008.

Usage

taux_croissance(
  donnees,
  var_pib,
  vars_secteurs = NULL,
  var_annee = "annee",
  var_trimestre = NULL
)

Arguments

Value

Un tibble avec taux de croissance et contributions sectorielles

Examples

comptes <- data.frame(
  annee = 2018:2022,
  pib   = c(2100, 2180, 2250, 2195, 2380),
  agri  = c(420,  440,  460,  445,  490),
  indus = c(630,  660,  680,  660,  715),
  serv  = c(1050, 1080, 1110, 1090, 1175)
)
taux_croissance(comptes, "pib",
  vars_secteurs = c(Agriculture="agri",
                    Industrie="indus",
                    Services="serv"),
  var_annee = "annee")

Calculer le taux d'emploi

Description

Proportion de la population en age de travailler ayant un emploi (salarie ou independant). Indicateur cle ODD 8.5.

Usage

taux_emploi(
  donnees,
  var_employe,
  var_age = NULL,
  age_min = 15L,
  age_max = 64L,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_emploi

Examples

set.seed(42)
individus <- data.frame(
  employe = rbinom(500, 1, 0.55),
  age     = sample(15:64, 500, TRUE),
  sexe    = sample(c("H","F"), 500, TRUE),
  poids   = runif(500, 0.8, 1.3)
)
taux_emploi(individus, "employe", var_age="age",
            poids="poids", sous_groupes="sexe")

Calculer le taux de sous-utilisation composite de la main-d'oeuvre

Description

Calcule le taux composite OIT LU3 ou LU4 qui agrege le chomage, le sous-emploi en temps de travail et les actifs potentiels non recherchant activement. Depasse le simple taux de chomage pour mesurer la sous-utilisation reelle.

Usage

taux_sous_utilisation(
  donnees,
  var_chomeur,
  var_sous_emploi_t = NULL,
  var_actif_potentiel = NULL,
  poids = NULL
)

Arguments

Value

Un tibble avec les composantes et le taux composite

Examples

set.seed(42)
n <- 500
individus <- data.frame(
  chomeur         = rbinom(n, 1, 0.14),
  sous_emploi_t   = rbinom(n, 1, 0.08),
  actif_potentiel = rbinom(n, 1, 0.05),
  poids           = runif(n, 0.8, 1.3)
)
taux_sous_utilisation(individus, "chomeur",
                       var_sous_emploi_t = "sous_emploi_t",
                       var_actif_potentiel = "actif_potentiel",
                       poids = "poids")

Thème ggplot2 officiel INS

Description

Applique un thème graphique professionnel adapté aux publications officielles des Instituts Nationaux de Statistique africains. Inspiré des chartes graphiques AFRISTAT/PARIS21.

Usage

theme_ins(
  base_size = 11,
  base_family = "sans",
  couleur_fond = "white",
  grille = TRUE,
  grille_mineure = FALSE
)

Arguments

Value

Un objet theme ggplot2.

Examples

if (requireNamespace("ggplot2", quietly = TRUE)) {
  ggplot2::ggplot(mtcars, ggplot2::aes(wt, mpg)) +
    ggplot2::geom_point() + theme_ins()
}

Tracer le flux de traitement

Description

Crée et maintient un journal horodaté des transformations appliquées à un dataset. Permet l'auditabilité complète du pipeline de traitement des données.

Usage

tracer_flux_traitement(data, action, journal = NULL, details = NULL)

Arguments

Value

Une liste mise à jour avec $donnees et $journal.

Examples

## Not run: 
  donnees <- data.frame(id=1:3, val=c(10,20,30))
  e1 <- tracer_flux_traitement(donnees, action="Import")
  e2 <- tracer_flux_traitement(e1$donnees, action="Nettoyage", journal=e1$journal)
  print(e2$journal)

## End(Not run)

Calculer la prevalence du travail des enfants

Description

Prevalence du travail des enfants (5-17 ans) selon la definition OIT/MICS. ODD 8.7.1.

Usage

travail_enfants(
  donnees,
  var_travail_enfant,
  var_age = NULL,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un objet de classe saf_emploi

Examples

set.seed(42)
n <- 600
enfants <- data.frame(
  travail = rbinom(n, 1, 0.22),
  age     = sample(5:17, n, TRUE),
  sexe    = sample(c("H","F"), n, TRUE),
  milieu  = sample(c("urbain","rural"), n, TRUE),
  poids   = runif(n, 0.8, 1.3)
)
travail_enfants(enfants, "travail", var_age="age",
                 poids="poids", sous_groupes=c("sexe","milieu"))

Calculer la couverture vaccinale

Description

Calcule la couverture vaccinale par antigene selon la methodologie DHS/MICS. Indicateurs ODD 3.b.1.

Usage

vaccination(
  donnees,
  vars_vaccins,
  poids = NULL,
  var_carte_sante = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un tibble avec couverture par antigene

Examples

set.seed(42)
n <- 500
enfants <- data.frame(
  dtc3      = rbinom(n, 1, 0.72),
  rougeole  = rbinom(n, 1, 0.68),
  polio3    = rbinom(n, 1, 0.75),
  bcg       = rbinom(n, 1, 0.90),
  poids     = runif(n, 0.8, 1.3),
  milieu    = sample(c("urbain","rural"), n, TRUE)
)
vaccination(enfants,
  vars_vaccins = c(DTC3="dtc3", Rougeole="rougeole",
                   Polio3="polio3", BCG="bcg"),
  poids = "poids")

Valider la coherence de la couverture geographique

Description

Verifie que les donnees couvrent l'ensemble des zones du referentiel officiel. Identifie les zones manquantes, les doublons et les zones surnumeraires (non dans le referentiel).

Usage

valider_coherence_geo(donnees, var_zone, referentiel, var_ref = "nom_local")

Arguments

Value

Un tibble de rapport de coherence

Examples

donnees <- data.frame(
  region = c("Bangui","Ombella-M'Poko","Bangui"),
  valeur = c(100, 200, 50),
  stringsAsFactors = FALSE
)
ref <- data.frame(
  nom_local = c("Bangui","Ombella-M'Poko","Kemo","Mbomou"),
  stringsAsFactors = FALSE
)
valider_coherence_geo(donnees, "region", ref, "nom_local")

Valider la cohérence données / dictionnaire

Description

Vérifie que les variables d'un dataset correspondent au dictionnaire fourni : présence des variables, types, plages de valeurs, modalités attendues. Produit un rapport de validation structuré avec un score de qualité global.

Usage

valider_dictionnaire(data, dictionnaire, stopper_si_critique = FALSE)

Arguments

Value

Une liste avec :

Examples

## Not run: 
  dico <- data.frame(
    nom_variable = c("age", "sexe", "region"),
    type         = c("numeric", "character", "character"),
    obligatoire  = c(TRUE, TRUE, FALSE)
  )
  resultat <- valider_dictionnaire(donnees, dico)
  if (!resultat$valide) print(resultat$rapport)

## End(Not run)

Valider les poids de sondage

Description

Verifie la coherence des poids de sondage : somme par strate, detection des poids aberrants (outliers), DEFF eleves, comparaison avec la population cible. Etape indispensable avant toute analyse.

Usage

valider_poids(saf_design, population_cible = NULL, seuil_outlier = 3)

Arguments

Value

Un tibble avec les statistiques de validation par strate

Examples

set.seed(42)
n <- 300
donnees <- data.frame(
  poids_sond = runif(n, 1800, 3500),
  strate     = sample(c("Urbain","Rural"), n, TRUE),
  grappe     = sample(1:20, n, TRUE)
)
design <- suppressMessages(
  creer_design(donnees,"poids_sond",var_strate="strate",var_grappe="grappe"))
valider_poids(design)

Valider la qualité globale d'un jeu de données

Description

Calcule un score de qualité composite (0-100) en évaluant la complétude, la cohérence, l'unicité et la plausibilité des données.

Usage

valider_qualite_donnees(data, seuil_na = 0.1, vars_cles = NULL)

Arguments

Value

Une liste avec score_global et le détail par dimension.

Examples

## Not run: 
  donnees <- data.frame(
    id_menage = 1:50,
    age       = c(sample(20:70, 45, replace = TRUE), rep(NA, 5)),
    revenu    = c(rnorm(48, 200000, 50000), NA, NA)
  )
  valider_qualite_donnees(donnees, vars_cles="id_menage")

## End(Not run)

Valider la qualite statistique d'une enquete (INS Validation Suite)

Description

Produit un rapport de validation complet couvrant 10 criteres de qualite statistique institutionnelle : donnees, poids, plan de sondage, valeurs manquantes, geographie, precision, confidentialite, metadonnees, reproductibilite et indicateurs cles. Conforme aux standards IHSN / PARIS21 / ONU.

Usage

valider_statistique_ins(
  donnees,
  var_poids = NULL,
  var_region = NULL,
  var_milieu = NULL,
  var_depense = NULL,
  seuil_pauvrete = NULL,
  dictionnaire = NULL,
  seuil_na_alerte = 0.05,
  seuil_cv_alerte = 33,
  seuil_cellule = 5L,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y"))
)

Arguments

Value

Un objet de classe saf_validation_ins avec le rapport complet et le statut global

Examples

set.seed(42)
n <- 500
donnees <- data.frame(
  region  = sample(c("Nord","Sud","Est","Ouest"), n, TRUE),
  milieu  = sample(c("urbain","rural"), n, TRUE),
  poids   = runif(n, 800, 3500),
  depense = pmax(10000, rnorm(n, 165000, 90000)),
  sexe    = sample(c("H","F"), n, TRUE),
  age     = sample(15:80, n, TRUE),
  stringsAsFactors = FALSE
)
valider_statistique_ins(donnees,
  var_poids  = "poids",
  var_region = "region",
  var_milieu = "milieu",
  pays       = "Centrafrique",
  annee      = 2024L)

Calculer la prevalence des violences basees sur le genre

Description

Prevalence des violences physiques, sexuelles et/ou psychologiques exercees par un partenaire intime ou un non-partenaire. Methodologie DHS/OMS. ODD 5.2.1.

Usage

violence_basee_genre(
  donnees,
  var_violence_physique = NULL,
  var_violence_sexuelle = NULL,
  var_violence_psycho = NULL,
  poids = NULL,
  sous_groupes = NULL
)

Arguments

Value

Un tibble avec prevalence par type de violence

Examples

set.seed(42)
n <- 500
femmes <- data.frame(
  vbg_phys   = rbinom(n, 1, 0.28),
  vbg_sex    = rbinom(n, 1, 0.18),
  vbg_psycho = rbinom(n, 1, 0.35),
  milieu     = sample(c("urbain","rural"), n, TRUE),
  poids      = runif(n, 0.8, 1.3)
)
violence_basee_genre(femmes,
  var_violence_physique  = "vbg_phys",
  var_violence_sexuelle  = "vbg_sex",
  var_violence_psycho    = "vbg_psycho",
  poids = "poids", sous_groupes = "milieu")

Calculer l'indice de Whipple

Description

Mesure l'attraction des ages se terminant par 0 et 5 dans les declarations d'age. Un indice de Whipple < 105 indique des donnees de tres bonne qualite ; > 175 indique une qualite tres mauvaise. Methodologie Nations Unies / IUSSP.

Usage

whipple(donnees, var_age, age_min = 23L, age_max = 62L, poids = NULL)

Arguments

Value

Un objet de classe saf_qualite_demo

Examples

set.seed(42)
n <- 1000
# Simulation d'attraction sur les multiples de 5
ages_base <- sample(23:62, n, TRUE)
attire    <- ages_base - (ages_base %% 5) # attire vers 0 et 5
ages      <- ifelse(runif(n) < 0.25, attire, ages_base)
individus <- data.frame(age = ages, poids = runif(n, 0.8, 1.3))
whipple(individus, "age")