Ajustement de la qualité des données¶

Certains indicateurs sont exclus de tous les ajustements en raison de leur caractère sensible :

EXCLUDED_FROM_ADJUSTMENT <- c("u5_deaths", "maternal_deaths", "neonatal_deaths")

Justification : Les comptes de décès ne doivent pas être lissés ou imputés car ils représentent des événements discrets qui peuvent présenter une véritable variation temporelle. Leur ajustement pourrait masquer d'importantes tendances épidémiologiques ou des signaux d'épidémies.

Les indicateurs sont également automatiquement exclus des ajustements s'ils n'ont aucune observation supérieure à 100 dans l'ensemble de la base de données. Cela permet d'éviter des ajustements statistiques inutiles sur des indicateurs dont le nombre d'observations est constamment faible.

Logique d'exclusion :

volume_check <- raw_data[, .(
  above_100 = sum(count > 100, na.rm = TRUE),
  total = .N
), by = indicateur_common_id]

no_outlier_adj <- volume_check[above_100 == 0, indicateur_common_id]

Ces informations sont enregistrées dans M2_low_volume_exclusions.csv pour des raisons de transparence.

Le module utilise une fenêtre de 6 mois pour toutes les moyennes glissantes. Ce choix permet d'équilibrer :

Avantages :

• Capture les tendances à moyen terme
• Réduit l'impact des fluctuations à court terme
• Suffisamment de points de données pour obtenir des moyennes stables
• Fonctionne bien pour les indicateurs stables et saisonniers

Les compromis :

• Peut ne pas saisir les changements rapides dans la prestation de services
• Risque de lissage excessif en cas de véritables changements programmatiques
• Nécessite au moins 6 observations valides pour une moyenne centrée optimale

Le module nécessite trois fichiers d'entrée provenant des étapes de traitement précédentes :

| Le module a besoin de trois fichiers d'entrée provenant des étapes de traitement précédentes : Fichier, Source, Description et Variables clés |------|--------|-------------|---------------| | Les données brutes du système d'information sur les ménages (SIGS), les volumes de services au niveau de l'établissement, les volumes de services au niveau de l'établissement, les volumes de services au niveau de l'établissement, les volumes de services au niveau de l'établissement, les volumes de services au niveau de l'établissement, les volumes de services au niveau de l'établissement et les volumes de services au niveau de l'établissement, les volumes de services au niveau de l'établissement et les volumes de services au niveau de l'établissement | Les indicateurs de valeurs aberrantes pour chaque indicateur de mois d'installation sont les suivants : établissement_id, indicateur_common_id, period_id, outlier_flag, indicateur_common_id, period_id, outlier_flag | module 1 - Indicateurs d'exhaustivité pour chaque indicateur de mois d'établissement - établissement_id, indicateur_common_id, period_id, completeness_flag | module 2 - Indicateurs d'exhaustivité pour chaque indicateur de mois d'établissement - period_id, completeness_flag | module 3 - Indicateurs d'exhaustivité pour les indicateurs de mois d'établissement

Données brutes SIGS (SIGS_ISO3.csv) :

établissement_id | admin_area_1 | admin_area_2 | admin_area_3 | period_id | indicateur_common_id | count
------------|--------------|--------------|--------------|-----------|---------------------|-------
FAC001      | ISO3         | Province_A   | district_A   | 202301    | CPN1                | 145
FAC001      | ISO3         | Province_A   | district_A   | 202302    | CPN1                | 152
FAC001      | ISO3         | Province_A   | district_A   | 202303    | CPN1                | 890  # outlier

Drapeaux de valeurs aberrantes (M1_output_outliers.csv) :

établissement_id | indicateur_common_id | period_id | outlier_flag
------------|---------------------|-----------|-------------
FAC001      | CPN1                | 202301    | 0
FAC001      | CPN1                | 202302    | 0
FAC001      | CPN1                | 202303    | 1           # Flagged as outlier

Drapeaux de complétude (M1_output_completeness.csv) :

établissement_id | indicateur_common_id | period_id | completeness_flag
------------|---------------------|-----------|------------------
FAC001      | CPN1                | 202301    | 1             # Complete
FAC001      | CPN1                | 202302    | 0             # Incomplete
FAC001      | CPN1                | 202303    | 1             # Complete

Le module génère quatre fichiers de sortie :

| Le module génère quatre fichiers de sortie : Fichier, Niveau, Description, Colonnes clés |------|-------|-------------|-------------| | M2_adjusted_data.csv | Établissement | Volumes ajustés pour tous les scénarios au niveau de l'établissement | établissement_id, zones administratives (excl. zone_admin_1), period_id, indicateur_common_id, count_final_* | period_id, indicateur_common_id, count_final_*, M2_adjusted_data_admin_area.csv | Sous-état | Établissement | Sous-national | Volumes ajustés agrégés dans les zones administratives sous-nationales | Zones administratives (excl. zone_admin_1), period_id, indicateur_common_id, count_final_* | | National | Volumes ajustés agrégés au niveau national | admin_area_1, period_id, indicateur_common_id, count_final_* | | Métadonnées | Indicateurs exclus de l'ajustement en raison de la faiblesse des volumes | indicateur_common_id, low_volume_exclude | Métadonnées

Sorties au niveau de l'installation (CODE_BLOC_62) :

établissement_id | admin_area_2 | admin_area_3 | period_id | indicateur_common_id | count_final_none | count_final_outlier | count_final_completeness | count_final_both
------------|--------------|--------------|-----------|---------------------|------------------|----------------------|--------------------------|------------------
FAC001      | Province_A   | district_A   | 202301    | CPN1                | 145              | 145                  | 145                      | 145
FAC001      | Province_A   | district_A   | 202302    | CPN1                | 152              | 152                  | 148                      | 148
FAC001      | Province_A   | district_A   | 202303    | CPN1                | 890              | 148                  | 890                      | 148

Chaque colonne CODE_BLOC_63 représente un scénario d'ajustement différent :

• count_final_none : Aucun ajustement n'est appliqué (valeurs originales)
• cODE_BLOCK_65__ : Seul l'ajustement des valeurs aberrantes est appliqué
• count_final_completeness : Seul l'ajustement d'exhaustivité est appliqué
• cODE_BLOCK_67__ : Ajustement des valeurs aberrantes et de l'exhaustivité appliqués

Le module dépend des paquets R suivants :

• data.table - Manipulation et agrégation de données haute performance
• zoo - Calculs de fenêtres glissantes (frollmean pour les moyennes glissantes)
• lubridate - Traitement et manipulation des dates

Fonction de base qui met en œuvre la logique d'ajustement pour un scénario unique.

Objectif :

Remplace les valeurs aberrantes et/ou incomplètes en utilisant des moyennes mobiles et des modèles historiques.

Paramètres :

• raw_data (data.table) : Données SIGS originales avec comptage des services
• completeness_data (data.table) : Indicateurs d'exhaustivité du module 1
• cODE_BLOC_75__ (data.table) : Indicateurs de valeurs aberrantes du module 1
• CODE_BLOC_76 (logique) : Application ou non de l'ajustement des valeurs aberrantes
• CODE_BLOC_77 (logique) : Appliquer ou non l'ajustement de l'exhaustivité

Retourne :

data.table avec les valeurs ajustées dans la colonne count_working et les métadonnées d'ajustement

Opérations clés :

1. Fusionne les ensembles de données d'entrée par établissement_id, indicateur_common_id, et period_id
2. Convertit les period_id en dates pour l'ordonnancement temporel
3. Calcule les moyennes glissantes (centrées, en avant, en arrière) pour les valeurs valides
4. Applique une hiérarchie d'ajustement basée sur la disponibilité des données
5. Suivi de la méthode d'ajustement utilisée pour chaque valeur remplacée

Fonction enveloppante qui exécute les ajustements dans les quatre scénarios.

Objectif :

Appliquer la logique d'ajustement selon différentes combinaisons d'ajustements des valeurs aberrantes et de l'exhaustivité.

Paramètres :

• raw_data (data.table) : Données SIGS d'origine
• completeness_data (data.table) : Drapeaux d'exhaustivité
• outlier_data (data.table) : Indicateurs de valeurs aberrantes

Retourne :

data.table avec quatre colonnes count_final_*, une par scénario

Scénarios traités :

1. none : Pas d'ajustement (ligne de base)
2. cODE_BLOCK_89__ : Ajustement des valeurs aberrantes uniquement
3. cODE_BLOCK_90__ : Ajustement de l'exhaustivité uniquement
4. bLOC_CODE_91__ : Valeur aberrante séquentielle puis ajustement de l'exhaustivité

Logique de traitement :

• Appelle apply_adjustments() une fois par scénario
• Préserve les valeurs originales pour les indicateurs exclus (décès)
• Fusionne tous les résultats des scénarios dans un seul tableau grand format

L'ajustement des valeurs aberrantes est appliqué à toute valeur du mois de l'établissement signalée dans le module 1 (outlier_flag == 1). L'objectif est de remplacer ces valeurs aberrantes par des données historiques valides provenant du même établissement et du même indicateur.

Approche statistique :

Les moyennes mobiles sont utilisées pour estimer les valeurs attendues. Une moyenne glissante (également appelée moyenne mobile) est la moyenne d'un ensemble de périodes entourant la période cible. Cette technique permet de lisser les fluctuations à court terme et de mettre en évidence les tendances à long terme.

Définition des valeurs valides :

Seules les valeurs répondant à TOUS les critères suivants sont utilisées dans les calculs :

• !is.na(count) (non-missing)
• outlier_flag == 0 (non signalées comme aberrantes)

Mise en œuvre :

Le module utilise frollmean() du paquet zoo pour des calculs de roulement efficaces :

data_adj[, valid_count := fifelse(outlier_flag == 0L & !is.na(count), count, NA_real_)]
data_adj[, `:=`(
  roll6   = frollmean(valid_count, 6, na.rm = TRUE, align = "center"),
  fwd6    = frollmean(valid_count, 6, na.rm = TRUE, align = "left"),
  bwd6    = frollmean(valid_count, 6, na.rm = TRUE, align = "right"),
  fallback= mean(valid_count, na.rm = TRUE)
), by = .(établissement_id, indicateur_common_id)]

Le processus d'ajustement suit cet ordre hiérarchique (en s'arrêtant à la première méthode disponible) :

1. Moyenne centrée sur 6 mois (roll6)

   • Utilise les trois mois précédant et les trois mois suivant le mois aberrant
   • Fournit une moyenne équilibrée basée sur les tendances proches
   • S'applique lorsqu'il existe suffisamment de valeurs valides de part et d'autre du mois
   • Étiquette de la méthode : roll6

2. Moyenne prévisionnelle sur 6 mois (fwd6)

   • Utilisée si la moyenne centrée ne peut pas être calculée (par exemple, au début de la série temporelle)
   • Prend la moyenne des six prochains mois valides
   • Étiquette de la méthode : forward

3. Moyenne des 6 mois rétrospectifs (bwd6)

   • Utilisé si ni roll6 ni fwd6 ne sont disponibles
   • Prend la moyenne des six mois valides les plus récents avant la valeur aberrante
   • Étiquette de la méthode : backward

4. Même mois que l'année précédente

   • S'il n'existe pas de moyenne valable sur 6 mois, la valeur du même mois civil de l'année précédente est utilisée (par exemple, janvier 2023 pour janvier 2024)
   • Ne s'applique que si la valeur précédente est valide (pas une valeur aberrante et > 0)
   • Particulièrement utile pour les indicateurs saisonniers (par exemple, paludisme, infections respiratoires)
   • Étiquette de la méthode : same_month_last_year
   • Mise en œuvre :

   data_adj[, `:=`(mm = month(date), yy = year(date))]
   data_adj <- data_adj[, {
     for (i in which(outlier_flag == 1L & is.na(adj_method))) {
       j <- which(mm == mm[i] & yy == yy[i] - 1 & outlier_flag == 0L & !is.na(count))
       if (length(j) == 1L) {
         count_working[i] <- count[j]
         adj_method[i]    <- "same_month_last_year"
         adjust_note[i]   <- format(date[j], "%b-%Y")
       }
     }
     .SD
   }, by = .(établissement_id, indicateur_common_id)]
   

5. Moyenne de toutes les valeurs historiques (repli)

   • Si toutes les méthodes précédentes échouent, la moyenne de toutes les valeurs historiques valides pour cet indicateur d'installation est utilisée
   • Fournit une base de référence spécifique à l'établissement lorsqu'aucun modèle temporel n'est disponible
   • Étiquette de la méthode : fallback

Cas de figure :

Si aucune de ces méthodes ne permet de trouver un remplacement valide, la valeur aberrante d'origine est conservée.

La correction pour exhaustivité est appliquée à tout mois-facilité pour lequel.. :

• Le mois est marqué comme incomplet (completeness_flag != 1) dans le module 1, OU
• La valeur est manquante (CODE_BLOC_109)

Approche statistique :

La même méthodologie de moyenne mobile est appliquée, mais la définition des "valeurs valides" diffère légèrement :

Valeurs valides pour l'ajustement de l'exhaustivité :

• !is.na(count_working) (non manquantes, peut-être déjà ajustées pour les valeurs aberrantes)
• outlier_flag == 0 (non signalé comme aberrant dans les données d'origine)

Différence essentielle par rapport à l'ajustement des valeurs aberrantes :

• L'ajustement pour l'exhaustivité peut utiliser des valeurs qui ont déjà été ajustées pour les valeurs aberrantes (lorsque les scénarios incluent les deux ajustements)
• Aucune méthode du même mois et de la dernière année n'est utilisée (uniquement des moyennes glissantes et une méthode de repli)

**Mise en œuvre

data_adj[, valid_count := fifelse(!is.na(count_working) & outlier_flag == 0L, count_working, NA_real_)]
data_adj[, `:=`(
  roll6   = frollmean(valid_count, 6, na.rm = TRUE, align = "center"),
  fwd6    = frollmean(valid_count, 6, na.rm = TRUE, align = "left"),
  bwd6    = frollmean(valid_count, 6, na.rm = TRUE, align = "right"),
  fallback= mean(valid_count, na.rm = TRUE)
), by = .(établissement_id, indicateur_common_id)]

Le remplacement suit cet ordre hiérarchique :

1. Moyenne centrée sur 6 mois (roll6)

   • Utilise trois mois valides avant et après le mois manquant ou incomplet
   • Méthode préférée lorsque les données environnantes sont suffisantes
   • Étiquette de la méthode : roll6

2. Moyenne prévisionnelle sur 6 mois (fwd6)

   • Utilisé si la moyenne centrée ne peut pas être calculée (par exemple, au début de la série temporelle)
   • Étiquette de la méthode : forward

3. Moyenne rétrospective sur 6 mois (bwd6)

   • Utilisée si aucune valeur centrée ou prospective n'est disponible (par exemple, à la fin de la série temporelle)
   • Étiquette de la méthode : backward

4. Moyenne de toutes les valeurs historiques (repli)

   • Si aucune moyenne mobile ne peut être calculée, utilise la moyenne de toutes les valeurs valides pour cet indicateur d'installation
   • Fournit une base de référence spécifique à l'établissement
   • Étiquette de la méthode : fallback

Cas de figure :

Si aucun remplacement valide n'est trouvé, la valeur reste manquante (NA).

Le module traite simultanément les quatre scénarios d'ajustement à l'aide de la fonction apply_adjustments_scenarios() :

Scénario 1 : Aucun (count_final_none)

• adjust_outliers = FALSE, adjust_completeness = FALSE
• Données brutes originales sans aucune modification
• Sert de référence pour la comparaison

Scénario 2 : valeurs aberrantes (count_final_outlier)

• adjust_outliers = TRUE, adjust_completeness = FALSE
• Seules les valeurs aberrantes sont remplacées
• Les valeurs manquantes/incomplètes restent telles quelles
• Cas d'utilisation : Lorsque l'exhaustivité est élevée mais que les valeurs aberrantes posent problème

Scénario 3 : Exhaustivité (count_final_completeness)

• adjust_outliers = FALSE, adjust_completeness = TRUE
• Seules les valeurs manquantes/incomplètes sont imputées
• Les valeurs aberrantes sont conservées dans les données
• Cas d'utilisation : Lorsque la qualité des données est bonne mais que la déclaration est sporadique

Scénario 4 : Les deux (count_final_both)

• adjust_outliers = TRUE, adjust_completeness = TRUE
• Traitement séquentiel : Traitement séquentiel** : les valeurs aberrantes sont d'abord corrigées, puis l'exhaustivité
• Ajustement le plus complet
• Cas d'utilisation : Lorsque les deux problèmes de qualité des données sont prévalents

**Ordre de traitement pour le scénario "Les deux" :

1. L'ajustement des valeurs aberrantes crée un count_working où les valeurs aberrantes sont remplacées
2. L'ajustement de complétude opère ensuite sur count_working, en utilisant les valeurs déjà ajustées
3. Cela garantit que l'imputation de l'exhaustivité utilise des valeurs nettoyées (non aberrantes) lorsqu'elles sont disponibles

Important :

Après les ajustements spécifiques au scénario, les indicateurs exclus (décès) sont réinitialisés à leurs valeurs initiales :

dat[indicateur_common_id %in% EXCLUDED_FROM_ADJUSTMENT, count_working := count]

Toutes les agrégations géographiques utilisent des sommes simples :

sum(count_final_both, na.rm = TRUE)

Raison d'être :

• Les volumes de services sont additifs (par exemple, les livraisons totales = la somme des livraisons des installations)
• Les valeurs manquantes (NA) sont considérées comme nulles dans l'agrégation
• Conforme aux pratiques standard de reporting du SIGS

Avertissement :

Si de nombreux établissements ont des valeurs NA après ajustement, les totaux sous-nationaux/nationaux peuvent être sous-estimés. Le scénario count_final_none fournit un point de référence pour évaluer l'impact.

Le module applique na.rm = TRUE dans tous les calculs de roulement :

frollmean(valid_count, 6, na.rm = TRUE, align = "center")

Implication :

Les moyennes glissantes sont calculées à partir des seules valeurs valides disponibles. S'il existe moins de 6 valeurs, la moyenne est calculée à partir de toutes les valeurs disponibles. Si aucune valeur valide n'existe, le résultat est NA.

Scénario :

Une structure sanitaire signale un nombre anormalement élevé de premières visites de soins prénatals (CPN1) en mars 2023.

Données :

period_id | count | outlier_flag | Surrounding valid values
----------|-------|--------------|-------------------------
202301    | 145   | 0            | valid
202302    | 152   | 0            | valid
202303    | 890   | 1            | outlier
202304    | 148   | 0            | valid
202305    | 155   | 0            | valid
202306    | 147   | 0            | valid

Calcul de l'ajustement (moyenne centrée sur 6 mois) :

• Valeurs valides : [145, 152, 148, 155, 147] (exclut la valeur aberrante 890)
• Moyenne : (145 + 152 + 148 + 155 + 147) / 5 = 149,4
• Valeur ajustée : 149.4

**Méthode utilisée

roll6

Scénario :

Un établissement ne déclare pas les tests de dépistage du paludisme en février 2023.

Données :

period_id | count | completeness_flag | Surrounding valid values
----------|-------|-------------------|-------------------------
202301    | 45    | 1                 | valid
202302    | NA    | 0                 | INCOMPLETE
202303    | 48    | 1                 | valid
202304    | 52    | 1                 | valid
202305    | 50    | 1                 | valid

Calcul de l'ajustement (moyenne centrée sur 6 mois) :

• Valeurs valides : [45, 48, 52, 50, ...]
• Moyenne : 48.75 (en utilisant les mois environnants disponibles)
• Valeur calculée : 48.75

**Méthode utilisée

roll6

Scénario :

Les cas de paludisme présentent une forte saisonnalité et une valeur aberrante de juin 2023 doit être ajustée.

Données :

period_id | count | outlier_flag | Notes
----------|-------|--------------|-------
202206    | 234   | 0            | June 2022 (valid)
202306    | 1850  | 1            | June 2023 (outlier)

Logique d'ajustement :

1. Les moyennes mobiles centrées, avant et arrière ne sont pas disponibles (données insuffisantes)
2. Méthode du même mois et de la dernière année activée
3. Valeur juin 2022 = 234 (valide)
4. Valeur ajustée : 234

Méthode utilisée :

same_month_last_year

établissement :

FAC001

Indicateur :

Livraisons institutionnelles

Période :

Q1 2023

Données originales :

Month    | Count | outlier? | Complete?
---------|-------|----------|----------
Jan 2023 | 78    | No       | Yes
Feb 2023 | 450   | Yes      | Yes       # outlier
Mar 2023 | NA    | -        | No        # Incomplete

Scénario de résultats :

| Mois - Aucun - Valeurs aberrantes - Exhaustivité - Les deux - Les deux - Les deux |----------|------|----------|--------------|------| | Janv. 2023 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 - 78 | Fév 2023 | 450 | 82* | 450 | 82* | | Mar 2023 | NA | NA | 80** | 80** | 80** | 80** | 80** | 80** | 80** | 80** | 80**

*Ajusté en utilisant la moyenne mobile

**Calculé sur la base d'une moyenne mobile

Interprétation :

• Aucune : Données brutes avec des problèmes évidents
• valeurs aberrantes : Février corrigé, mais mars reste manquant
• Complétude : mars est complété, mais la valeur aberrante de février est conservée : Mars est complété, mais la valeur aberrante de février est conservée
• Les deux : Ensemble de données le plus complet et le plus propre

Code d'agrégation sous-nationale :

adjusted_data_admin_area_final <- adjusted_data_export[
  ,
  .(
    count_final_none         = sum(count_final_none,         na.rm = TRUE),
    count_final_outlier     = sum(count_final_outlier,     na.rm = TRUE),
    count_final_completeness = sum(count_final_completeness, na.rm = TRUE),
    count_final_both         = sum(count_final_both,         na.rm = TRUE)
  ),
  by = c(geo_admin_area_sub, "indicateur_common_id", "period_id")
]

Code d'agrégation nationale :

adjusted_data_national_final <- adjusted_data_export[
  ,
  .(
    count_final_none         = sum(count_final_none,         na.rm = TRUE),
    count_final_outlier     = sum(count_final_outlier,     na.rm = TRUE),
    count_final_completeness = sum(count_final_completeness, na.rm = TRUE),
    count_final_both         = sum(count_final_both,         na.rm = TRUE)
  ),
  by = .(admin_area_1, indicateur_common_id, period_id)
]

Problème 1 : Toutes les valeurs restent non ajustées

Causes possibles :

• L'indicateur figure sur la liste des exclusions (décès)
• Indicateur marqué comme étant de faible volume
• Pas de valeurs aberrantes ou d'indicateurs d'exhaustivité dans les données d'entrée

Solution :

Vérifier M2_low_volume_exclusions.csv et vérifier que les sorties du module 1 contiennent des indicateurs

**Problème 2 : Les valeurs ajustées semblent déraisonnables

Causes possibles :

• Insuffisance de données historiques valides pour les moyennes mobiles
• Les modifications réelles du programme sont lissées
• Les tendances saisonnières ne sont pas prises en compte dans la fenêtre de 6 mois

Solution :

• Examiner les graphiques de séries chronologiques propres à l'établissement
• Envisager d'utiliser le scénario "valeurs aberrantes uniquement" si l'exhaustivité est bonne
• Valider par rapport aux registres de mise en œuvre du programme

Problème 3 : Nombreuses valeurs NA après ajustement

Causes possibles :

• L'installation dispose de très peu de données
• Aucune valeur valide n'est disponible pour aucune méthode d'ajustement
• Les premiers mois de la série chronologique manquent de données historiques

Solution :

• Attendu pour les établissements ayant un historique de déclaration limité
• Envisager un filtrage de la qualité des données au niveau de l'établissement
• Les agrégats nationaux/sous-nationaux additionneront les valeurs disponibles

Problème 4 : Les totaux sous-nationaux/nationaux ne correspondent pas aux attentes

Causes possibles :

• Les valeurs NA sont considérées comme nulles lors de l'agrégation
• Différents scénarios produisent des totaux différents
• Faible exhaustivité des rapports dans l'ensemble

Solution :

• Comparer CODE_BLOC_144 vs CODE_BLOC_145 pour évaluer l'impact de l'ajustement
• Examiner les statistiques sur l'exhaustivité du module 1
• Considérer le seuil de qualité des données pour l'inclusion

Le module comprend plusieurs contrôles de qualité :

1. Exclusions des faibles volumes : Identifie et exclut automatiquement les indicateurs qui ne comportent aucune observation de grande valeur
2. Suivi des ajustements : Compte et rapporte le nombre de valeurs ajustées par chaque méthode
3. Indicateurs exclus : Assure que les décès ne sont jamais ajustés
4. Journalisation de la console : Fournit des statistiques détaillées sur l'état d'avancement et des statistiques sommaires

Exemple de sortie de la console :

Running adjustments...
 -> Adjusting valeurs aberrantes...
     Roll6 adjusted: 1,245
     Forward-filled: 89
     Backward-filled: 67
     Same-month LY: 34
     Fallback mean: 12
 -> Adjusting for completeness...
     Roll6 filled: 2,103
     Forward-filled: 234
     Backward-filled: 178
     Fallback mean: 45

| Situation - Scénario recommandé - Raison d'être - Situation - Raison d'être - Situation - Raison d'être - Situation - Raison d'être |-----------|---------------------|-----------| | Les données sont de haute qualité, les problèmes sont minimes | none | Aucun ajustement n'est nécessaire | | Qualité des données, problèmes minimes | none | Pas d'ajustement nécessaire | | Bonne qualité, faible fréquence de déclaration | CODE_BLOC_148 | Combler les lacunes tout en préservant les valeurs réelles | Qualité et exhaustivité médiocres | CODE_BLOC_149 | Nettoyage complet | analyse de sensibilité | Analyse de sensibilité | Analyse de sensibilité | Analyse de sensibilité | Analyse de sensibilité | Analyse de sensibilité | Analyse de sensibilité | Analyse de sensibilité | Analyse de sensibilité | Analyse de sensibilité | Analyse de sensibilité | Analyse de sensibilité

Après avoir exécuté ce module, considérez :

1. Comparer les scénarios : Examiner les différences entre count_final_none et count_final_both
2. Examiner les exclusions : Vérifier que M2_low_volume_exclusions.csv ne contient pas d'indicateurs inattendus
3. Analyse agrégée : S'assurer que les totaux infranationaux et nationaux sont raisonnables
4. Graphiques temporels : Visualiser les tendances avant/après l'ajustement pour identifier le lissage excessif
5. Vérifications ponctuelles au niveau de l'établissement : Examiner les ajustements pour un échantillon d'installations

1. Les fenêtres mobiles supposent la stabilité : Les ajustements fonctionnent mieux lorsque la prestation de services est relativement stable. De véritables changements de programme (par exemple, de nouvelles campagnes) peuvent être lissés de manière incorrecte.

2. Pas d'incertitude sur les ajustements : Le module fournit des estimations ponctuelles sans intervalles de confiance. Les valeurs ajustées doivent être considérées comme des estimations.

3. Ajustements spécifiques à l'installation : Il n'y a pas d'emprunt d'informations entre les établissements. Les établissements disposant de très peu de données peuvent avoir des ajustements instables.

4. Modèles saisonniers : Bien qu'il soit utile d'avoir le même mois que l'année précédente, une forte saisonnalité au sein de l'année peut ne pas être entièrement prise en compte par des fenêtres de 6 mois.

5. Traitement des données manquantes dans l'agrégation : Les valeurs manquantes sont considérées comme nulles lorsqu'elles sont additionnées à des niveaux géographiques plus élevés, ce qui peut entraîner une sous-estimation des totaux si les valeurs manquantes sont élevées.