Démarrage rapide avec statAfrikR

In statAfrikR: Statistical Tools for African National Statistics Institutes

knitr::opts_chunk$set(
  collapse = TRUE,
  comment  = "#>",
  warning  = FALSE,
  message  = FALSE
)

Introduction

statAfrikR est une boîte à outils R conçue spécifiquement pour les Instituts Nationaux de Statistique (INS) africains. Ce guide vous permet de réaliser une analyse complète en moins de 30 minutes.

library(statAfrikR)

1. Import des données

Depuis Excel

donnees <- import_excel(
  chemin    = "enquete_menages_2023.xlsx",
  feuille   = "Données",
  na_values = c("", "NA", "N/A", "9999", ".")
)

Depuis Stata

donnees <- import_stata(
  chemin           = "emop_2023.dta",
  convertir_labels = TRUE
)

Depuis KoboToolbox

donnees <- import_kobo(
  chemin = "enquete_kobo_export.xlsx"
)

2. Validation des données

# Vérifier les valeurs manquantes
rapport_na <- check_na(donnees, seuil = 0.1)
print(rapport_na)

# Valider par rapport à un dictionnaire
dict <- readr::read_csv("dictionnaire_variables.csv")
score <- valider_dictionnaire(donnees, dict)
cat("Score de qualité :", score$score_qualite, "/100\n")

3. Nettoyage et traitement

# Nettoyage des libellés textuels
donnees <- nettoyer_libelles(
  donnees,
  vars  = c("region", "commune"),
  casse = "titre"
)

# Suppression des doublons
resultat <- supprimer_doublons(donnees, cles = "id_menage")
donnees  <- resultat$donnees
cat("Doublons supprimés :", nrow(resultat$rapport), "\n")

# Imputation des valeurs manquantes
donnees <- imputer_valeurs(
  donnees,
  vars    = c("revenu_mensuel", "depense_alimentaire"),
  methode = "mediane",
  rapport = FALSE
)

4. Application des pondérations

plan <- appliquer_ponderations(
  data       = donnees,
  poids = "poids_final",
  var_strate = "strate",
  var_grappe = "grappe_id"
)

5. Analyse statistique

# Statistiques descriptives pondérées
stats <- stat_descr(
  plan,
  vars   = c("revenu_mensuel", "depense_alimentaire"),
  ic     = TRUE
)
print(stats)

# Tableau croisé
tableau <- tab_croisee(
  plan,
  var_ligne   = "quintile_vie",
  var_col     = "milieu",
  pourcentage = "colonne"
)
print(tableau)

6. Visualisation

library(ggplot2)

# Pyramide des âges
p <- pyramide_ages(
  donnees,
  var_age   = "age",
  var_sexe  = "sexe",
  poids = "poids_final",
  titre     = "Pyramide des âges — Enquête 2023"
)
print(p)

# Exporter
exporter_graphique(p, "outputs/pyramide_ages_2023.png", dpi = 300L)

7. Diffusion

# Anonymiser avant diffusion
donnees_anon <- anonymiser_donnees(
  donnees,
  vars_supprimer   = c("nom", "prenom", "telephone", "adresse"),
  vars_masquer     = c("id_menage", "id_individu"),
  vars_generaliser = list(age = 5),
  rapport          = FALSE
)

# Créer le package de diffusion
compresser_package_diffusion(
  donnees           = donnees_anon,
  repertoire_sortie = "diffusion/",
  nom_package       = "EMOP_BEN_2023_v1",
  metadonnees       = list(
    titre       = "EMOP Bénin 2023",
    institution = "INSAE",
    version     = "1.0"
  )
)

Résumé du flux de travail

Import → Validation → Nettoyage → Pondération → Analyse → Visualisation → Diffusion

Pour aller plus loin, consultez les vignettes :

• Enquête pondérée complète : analyse EDS avec plan de sondage complexe
• Indicateurs ODD : calcul IDH, IPM et mesures d'inégalité

statAfrikR documentation built on Sept. 20, 2026, 5:07 p.m.