Estimations de la couverture¶

Contexte et objectif¶

Objectif du module¶

Le module Estimations de la couverture quantifie la couverture des services de santé en intégrant les volumes de services administratifs ajustés du Système d'information sur la gestion de la santé (SIGS), les projections démographiques des Perspectives de la population mondiale des Nations unies (UN WPP) et les données d'enquêtes auprès des ménages. Le module s'appuie actuellement sur les enquêtes démographiques et de santé (EDS) et les enquêtes en grappes à indicateurs multiples (MICS), mais il est conçu pour intégrer d'autres sources d'enquêtes représentatives au niveau national dès qu'elles seront disponibles. Le module estime la part de la population cible qui a bénéficié d'un service de santé donné, fournissant ainsi une mesure standardisée de la portée des services à des fins de suivi, de comparaison et d'analyse en aval. Le module est structuré en deux composantes.

La partie 1 construit les dénominateurs de la population cible en utilisant plusieurs approches méthodologiques et évalue leur performance en comparant les estimations de couverture obtenues avec les valeurs de référence des enquêtes disponibles pour chaque indicateur de santé.

La partie 2 permet aux utilisateurs de revoir et d'ajuster les choix de dénominateurs en fonction de considérations programmatiques et d'étendre dans le temps les estimations de couverture basées sur des enquêtes en utilisant les tendances dérivées des données administratives, lorsque les données d'enquête ne sont pas disponibles.

Ensemble, ces composantes convertissent les volumes de services administratifs en estimations de couverture standardisées qui peuvent être examinées dans le temps et à différents niveaux géographiques, et utilisées dans des contextes d'analyse et de suivi.

Raison d'être de l'analyse¶

La couverture des services de santé est une mesure essentielle pour évaluer la performance et l'équité du système de santé. Bien que le module 2 produise des volumes de services ajustés, ces chiffres n'indiquent pas à eux seuls dans quelle mesure les services atteignent les populations qu'ils sont censés desservir. Les estimations de la couverture placent la prestation de services dans son contexte en établissant un lien entre les volumes de services et les besoins de la population.

Ce module aborde les principaux défis liés à l'estimation de la couverture, notamment :

Multiples sources de données : Intégration des données SIGS avec les données d'enquête
L'incertitude du denominateur : Differentes methodes d'estimation des populations cibles peuvent donner des resultats differents ; le module evalue systematiquement les options
Lacunes temporelles : Les enquêtes ont lieu tous les 3 à 5 ans ; le module projette des estimations pour les années intermédiaires en utilisant les tendances administratives
Analyse infranationale : Permet le suivi de la couverture au niveau national, provincial et du district

Points clés¶

Composante	Détails
Entrées	M2_adjusted_data (nationales et sous-nationales) du module 2 Données d'enquête (MICS/EDS) du dépôt GitHub Données de population (UN WPP) du dépôt GitHub
Sorties	M5 (Partie 1) — M5_denominators (national, admin2, admin3) : populations cibles calculées · M5_combined_results (national, admin2, admin3) : estimations de couverture avec tous les dénominateurs · M5_selected_denominator_per_indicator : meilleur dénominateur par indicateur et niveau M6 (Partie 2) — M6_coverage_estimation (national, admin2, admin3) : couverture finale avec estimations SIGS, enquête et projetées
Identifiants des modules	Partie 1 = `m005` (requiert `m002`) · Partie 2 = `m006` (requiert `m005`)
Objectif	Estimer la couverture des services de santé en comparant les volumes de services aux populations cibles, validés par rapport aux références de l'enquête

Rappel : l'entrée SIGS doit être des volumes, pas des % de couverture

L'estimation de la couverture fonctionne en divisant le nombre de services rendus (le volume qui passe par les modules 1, 2 et 3) par un dénominateur de population cible que la plateforme construit elle-même. Si votre extraction SIGS d'origine contenait des taux de couverture pré-calculés au lieu de volumes de services, il n'y a rien à calculer ici — le volume est le numérateur, et la plateforme fournit le dénominateur. Voir Extraction des données pour savoir quoi extraire de votre SIGS.

Partie 1 et partie 2 expliquées¶

Partie 1 : Calcul et sélection du dénominateur

Calcule les populations cibles (dénominateurs) à l'aide de plusieurs approches : SIGS (à partir de CPN1, accouchement, BCG, Penta1) et population (UN WPP)
Comparaison des estimations de couverture de chaque dénominateur avec les données de l'enquête
Sélectionne automatiquement le "meilleur" dénominateur pour chaque indicateur en minimisant l'erreur
Résultats : Ensembles de données sur les dénominateurs et résultats combinés montrant toutes les options

Partie 2 : Sélection du dénominateur et projection de l'enquête

Permet aux utilisateurs d'ignorer les sélections automatiques et de choisir des dénominateurs spécifiques
Calcul des tendances de couverture d'une année sur l'autre à partir des données administratives
Projette les estimations de l'enquête vers l'avant en utilisant les tendances du SIGS pour combler les lacunes temporelles
Résultats : Estimations finales de la couverture combinant les données du SIGS, de l'enquête et les valeurs projetées

Flux de travail analytique¶

Aperçu des étapes analytiques¶

Partie 1 : Calcul et sélection du dénominateur¶

Étape 1 : Chargement et préparation des sources de données Le module commence par le chargement de trois sources de données et la vérification de leur compatibilité. Les données SIGS sont agrégées des totaux mensuels aux totaux annuels. Les données d'enquête sont harmonisées (priorité aux EDS par rapport aux MICS) et complétées pour créer des séries temporelles continues. Les données sur la population sont filtrées en fonction du pays cible.

Étape 2 : Calculer les options de dénominateurs multiples Pour chaque indicateur de santé, le module calcule plusieurs populations cibles possibles :

Dénominateurs basés sur les services : Utilisation des volumes SIGS divisés par la couverture de l'enquête (par exemple, si 10 000 femmes ont reçu des soins prénatals1 et que l'enquête indique que la couverture est de 80 %, le nombre estimé de grossesses est de 10 000/0,80 = 12 500)
Dénominateurs basés sur la population : Utilisation des projections démographiques et des taux de natalité de l'ONU
Chaque dénominateur est ajusté en fonction de facteurs démographiques (perte de grossesse, mortinatalité, taux de mortalité) pour correspondre au groupe d'âge cible de l'indicateur

Étape 3 : Calculer la couverture pour chaque dénominateur Le module calcule la couverture en divisant le volume de services par chaque option de dénominateur. Il en résulte plusieurs estimations de couverture par indicateur, chacune basée sur une hypothèse de population différente.

Étape 4 : Comparaison avec les données de référence de l'enquête Chaque estimation de couverture est comparée aux données de l'enquête en utilisant le calcul de l'erreur quadratique. L'enquête sert de référence puisqu'elle est basée sur un échantillonnage représentatif des ménages.

Étape 5 : Sélection du meilleur dénominateur Le dénominateur produisant l'erreur la plus faible (la plus proche de l'enquête) est automatiquement sélectionné comme "meilleur" La sélection donne la priorité aux dénominateurs basés sur le SIGS plutôt qu'aux projections démographiques afin de s'assurer que les données sont basées sur la prestation de services observée.

Étape 6 : Générer des résultats Le module enregistre les ensembles de données des dénominateurs pour la transparence et les fichiers de résultats combinés montrant la couverture de tous les dénominateurs plus la meilleure option sélectionnée.

Étape 7 : Répéter pour les niveaux sous-nationaux Si des données infranationales sont disponibles, le processus se répète pour les niveaux administratifs 2 (par exemple, les provinces) et 3 (par exemple, les districts), avec des mécanismes de repli pour gérer les données d'enquête locales manquantes.

Partie 2 : Sélection du dénominateur et projection de l'enquête¶

Étape 1 : Configuration par l'utilisateur Les utilisateurs examinent les résultats de la partie 1 et configurent la sélection des dénominateurs pour chaque indicateur. Les options comprennent l'utilisation de la "meilleure" sélection automatique ou l'utilisation d'un dénominateur spécifique basé sur la connaissance du programme.

Étape 2 : Filtrer sur les dénominateurs sélectionnés Le module filtre les résultats combinés de la partie 1 pour n'inclure que les dénominateurs sélectionnés par l'utilisateur, créant ainsi un ensemble de données ciblé pour l'analyse.

Étape 3 : Calculer les tendances de la couverture Les changements d'une année sur l'autre (deltas) dans la couverture basée sur le SIGS sont calculés. Cela permet de savoir si la couverture augmente, diminue ou est stable dans le temps.

Étape 4 : Identifier les données de référence de l'enquête Pour chaque zone géographique et chaque indicateur, l'observation la plus récente de l'enquête est identifiée comme le point d'ancrage de référence pour les projections.

Étape 5 : Projeter les estimations de l'enquête dans l'avenir Le module étend les estimations de la couverture de l'enquête aux années sans enquête en appliquant les tendances du système d'information sur les ménages. La projection utilise : La valeur de la dernière enquête + (couverture SIGS de l'année en cours - couverture SIGS de l'année de l'enquête). Cela permet de préserver le calibrage de l'enquête tout en incorporant les tendances observées.

Étape 6 : Combiner toutes les estimations Le résultat final fusionne trois types d'estimations :

Couverture basée sur le SIMMT : Calcul direct à partir des volumes de services et des dénominateurs sélectionnés
Valeurs originales de l'enquête : Observations réelles de l'enquête auprès des ménages
Couverture projetée de l'enquête : Estimations de l'enquête étendues à l'aide des tendances du système d'information sur les ménages

Etape 7 : Sauvegarde des resultats finaux Les resultats sont sauvegardes avec des structures de colonnes standardisées pour chaque niveau administratif, prêts pour la visualisation et les rapports.

Diagramme de flux de travail¶

Points de décision clés¶

1. Sélection des dénominateurs

Dans la partie 1, le module sélectionne automatiquement les options de dénominateur en fonction de leur alignement sur les valeurs de référence disponibles pour l'enquête. Dans la partie 2, les utilisateurs peuvent revoir et remplacer ces sélections en fonction de leurs connaissances programmatiques ou de leurs priorités analytiques. Le choix du dénominateur détermine si les estimations de couverture sont principalement ancrées dans les modèles de prestation de services observés (dénominateurs basés sur le SIGS) ou dans les projections démographiques (dénominateurs basés sur la population).

2. Traitement des écarts entre les enquêtes

Les enquêtes auprès des ménages sont menées à intervalles irréguliers, généralement tous les trois à cinq ans. Dans la partie 1, les valeurs de l'enquête sont reportées entre les années d'enquête, ce qui suppose implicitement une couverture constante jusqu'à la prochaine observation de l'enquête. Dans la partie 2, la couverture est projetée vers l'avant en utilisant les tendances dérivées des données SIGS, ce qui permet de refléter les changements dans la prestation de services au cours des périodes sans données d'enquête.

3. Utilisation de données d'enquête nationales ou infranationales

Pour les indicateurs de vaccination uniquement, lorsque les estimations de l'enquête infranationale ne sont pas disponibles, le module applique les valeurs de l'enquête nationale aux unités infranationales comme solution de repli. Cette approche suppose que les taux de couverture vaccinale nationaux sont largement représentatifs au niveau infranational, ce qui n'est pas forcément le cas dans tous les contextes. Ce mécanisme de repli n'est pas appliqué à d'autres indicateurs, tels que les services de santé maternelle ou infantile, pour lesquels l'analyse infranationale nécessite des données d'enquête observées localement.

4. Ajustement des dénominateurs pour les populations cibles

Chaque indicateur de santé correspond à une population cible spécifique (par exemple, les femmes enceintes pour les soins prénatals ou les nourrissons pour la vaccination des enfants). Le module applique des ajustements démographiques séquentiels - tels que la perte de grossesse, la mortinatalité et la mortalité - afin d'aligner les dénominateurs sur la population cible pertinente pour chaque indicateur.

Traitement des données et résultats¶

Intégration des données

Le module intègre trois sources de données primaires : les volumes annualisés de services SIGS agrégés par unité géographique ; les estimations de la couverture de l'enquête sur les ménages harmonisées entre les cycles d'enquête et complétées pour créer des séries temporelles continues ; et les projections démographiques filtrées pour extraire les populations spécifiques à l'âge et au sexe pertinentes pour chaque indicateur de santé.

Construction du denominateur

En utilisant la relation entre les volumes de services SIGS déclarés et les estimations de couverture basées sur l'enquête, le module dérive des dénominateurs implicites SIGS représentant la taille de la population cohérente avec la prestation de services observée et les niveaux de couverture de l'enquête. Ces dénominateurs sont ensuite ajustés pour refléter les populations cibles spécifiques à l'indicateur par le biais de corrections démographiques séquentielles, y compris la perte de grossesse, la mortinatalité et la mortalité.

Calcul de la couverture

Les estimations de couverture multiples sont calculées en divisant les volumes de services par des options de dénominateur alternatives, y compris des approches basées sur la population, des approches implicites SIGS et des approches hybrides. Chaque estimation de couverture est évaluée par rapport aux valeurs de référence de l'enquête afin d'évaluer la plausibilité et d'informer la sélection du dénominateur pour chaque indicateur.

Projection temporelle

Pour les annees au-dela de l'observation la plus récente de l'enquête, les estimations de couverture sont projetées en combinant la dernière valeur observée de l'enquête avec les tendances dérivées des données SIGS.

Résultats de l'analyse et visualisation¶

L'analyse FASTR génère des visualisations d'estimations de couverture à plusieurs niveaux géographiques :

1. Couverture calculée à partir des données SIGS (national)

Tendances de la couverture au niveau national comparant les estimations dérivées du SIGS aux références de l'enquête.

Couverture calculée à partir des données SIGS au niveau national

2. Couverture calculée à partir des données SIGS (zone administrative 2)

Modèles de couverture à un niveau infranational intermédiaire (admin_area_2), mettant en évidence les variations géographiques dans la prestation de services entre les régions.

Couverture calculée à partir des données SIGS au niveau de la zone administrative 2

3. Couverture calculée à partir des données SIGS (zone administrative 3)

Estimations de la couverture à un niveau infranational plus fin (admin_area_3), permettant un suivi plus local et l'identification des disparités infranationales.

Couverture calculée à partir des données SIGS au niveau de la zone administrative 3

Guide d'interprétation

Pour tous les graphiques de couverture (sorties 1-3) :

Ligne/points noirs : Couverture basée sur des enquêtes (EDS/MICS) - la norme de référence
Ligne/points gris : Couverture basée sur le SIGS calculée à partir des données de l'établissement
Ligne/points rouges : Ligne/points rouges** : Couverture projetée étendant les estimations de l'enquête en utilisant les tendances du SIGS
Axe Y : Pourcentage de couverture (0-100%)
Axe X : pourcentage de couverture (0-100%) Période (années)

Niveaux géographiques :

Sortie 1 : Tendances au niveau national
Sortie 2 : Ventilation de la zone administrative 2 (régionale/provinciale)
Résultat 3 : Ventilation du domaine administratif 3 (district) pour le ciblage local

Référence détaillée¶

Partie 1 : Calcul du dénominateur (détails techniques)¶

Paramètres de configuration¶

Le module commence par plusieurs paramètres configurables qui contrôlent l'analyse :

COUNTRY_ISO3 <- "ISO3"                         # ISO3 country code (e.g., "RWA", "UGA", "ZMB")
SELECTED_COUNT_VARIABLE <- "count_final_both"  # Which adjusted count to use
ANALYSIS_LEVEL <- "NATIONAL_PLUS_AA2"          # Geographic scope

Options de niveau d'analyse:

NATIONAL_ONLY : Analyse au niveau national uniquement
NATIONAL_PLUS_AA2 : National + zone administrative 2 (par exemple, provinces)
NATIONAL_PLUS_AA2_AA3 : National + zone administrative 2 + zone administrative 3 (par exemple, districts)

Taux d'ajustement démographique:

PREGNANCY_LOSS_RATE <- 0.03      # 3% pregnancy loss
TWIN_RATE <- 0.015               # 1.5% twin births
STILLBIRTH_RATE <- 0.02          # 2% stillbirths
P1_NMR <- 0.039                  # Neonatal mortality rate
P2_PNMR <- 0.028                 # Post-neonatal mortality rate
INFANT_MORTALITY_RATE <- 0.067   # Infant mortality rate
UNDER5_MORTALITY_RATE <- 0.103   # Under-5 mortality rate

Options de la variable de comptage:

count_final_none : Aucun ajustement (données brutes déclarées)
count_final_outliers : Ajustement des valeurs aberrantes uniquement (par défaut)
count_final_completeness : Ajustement de l'exhaustivité uniquement
count_final_both : Les deux ajustements combinés

Sources des données d'entrée¶

La partie 1 intègre trois sources de données primaires :

1. Données ajustées SIGS (du module 2)

Nationales : M2_adjusted_data_national.csv
Sous-national : M2_adjusted_data_admin_area.csv
Contient les volumes de services par indicateur, zone et période

2. Données d'enquête (EDS/MICS)

Source : Dépôt GitHub (ensemble de données d'enquête unifiées) Dépôt GitHub (ensemble de données d'enquête unifiées)
Fournit des repères de couverture pour la comparaison
Les données de l'EDS sont privilégiées par rapport à celles des MICS lorsque les deux sont disponibles

3. Données sur la population (UN WPP)

Source : GitHub Dépôt GitHub
Fournit des dénominateurs basés sur la population
Inclut la population totale, les naissances, les populations de moins de 1 an et de moins de 5 ans

Contexte de données supplémentaires:

Projections démographiques (UN WPP) Issues des Perspectives de la population mondiale des Nations unies, ces estimations fournissent des chiffres de population par âge et de population totale utilisés pour calculer les dénominateurs des estimations de couverture. Ces projections tiennent compte des tendances démographiques, notamment de la fécondité, de la mortalité et des migrations.

Données d'enquête - MICS Les MICS, menées par l'UNICEF, fournissent des estimations basées sur des enquêtes auprès des ménages pour les principaux indicateurs de santé, y compris la couverture des services de santé maternelle et infantile.

Données d'enquête - EDS Les EDS, menées par l'USAID, fournissent des données d'enquête sur l'utilisation des services de santé, y compris les taux de vaccination et la couverture des soins maternels.

Documentation sur les fonctions principales¶

process_hmis_adjusted_volume()

Objectif : Préparer les données SIGS pour le calcul du dénominateur

Entrée :

Données de volume ajustées du module 2
Variable de comptage sélectionnée (par exemple, count_final_both)

Traitement :

Agrégation des données mensuelles en totaux annuels
Compte le nombre de mois de déclaration par an
Pivote les données en format large (une colonne par indicateur)

Résultat :

annual_hmis : Dénombrement annuel des services par zone et par année
hmis_countries : Liste des pays dans l'ensemble de données
hmis_iso3 : Code(s) ISO3 présent(s)

Exemple de structure :

admin_area_1  admin_area_2  year  countanc1  countdelivery  ...  nummonth
Country_Name  Province_A    2020  12500      10200          ...  12
Country_Name  Province_A    2021  13000      10500          ...  11

process_survey_data()

Objectif : Harmoniser et étendre les données d'enquête pour les utiliser comme points de référence en matière de couverture

Entrée :

Données d'enquête (EDS/MICS)
Noms des pays SIGS et codes ISO3
Référence nationale facultative (pour le repli sous-national)

Principales étapes du traitement :

Harmonisation
Recodage des noms d'indicateurs (par exemple, polio1 → opv1, vitamina → vitaminA)
Normalise les étiquettes des sources (dhs, mics)
Filtre par pays et par date
Hiérarchisation des sources
Lorsqu'il existe à la fois des EDS et des MICS pour la même année/zone/indicateur
L'EDS est sélectionnée de préférence
Préserve les détails de la source pour plus de transparence
Logique de repli
Si sba manque, utilise les valeurs de delivery
Si pnc1_mother manque, utilise les valeurs de pnc1
Les zones infranationales utilisent les valeurs nationales lorsque les données locales ne sont pas disponibles (pour bcg, penta1, penta3)
Remplissage en amont
Crée des séries chronologiques complètes pour chaque zone
Reporte la dernière valeur observée (na.locf)
Crée des colonnes de report (par exemple, anc1carry, bcgcarry)

Sortie :

carried : Données d'enquête étendues avec des valeurs remplies à l'avance
raw : Observations brutes de l'enquête (format large)
raw_long : Observations brutes de l'enquête (format long) avec détails de la source

process_national_population_data()

Objectif : Préparer les estimations de la population du WPP de l'ONU pour le calcul du dénominateur

Entrée :

Estimations de la population (UN WPP)
Identifiants du pays SIGS

Traitement :

Filtre au niveau national et au pays cible
Extrait les indicateurs clés de la population :
crudebr_unwpp : Taux brut de natalité
poptot_unwpp : Population totale
totu1pop_unwpp : Population de moins de 1 an

Sortie :

wide : Indicateurs de population en format large
raw_long : Données démographiques en format long avec suivi des sources

calculate_denominators()

Objectif : Calcule tous les dénominateurs possibles à partir des données du système d'information sur les ménages et de la population. Il s'agit de la fonction principale qui génère des estimations de dénominateurs multiples.

Entrée :

hmis_data : Dénombrement annuel des services
survey_data : Valeurs de référence de l'enquête (reportées)
population_data : Estimations WPP de l'ONU (uniquement au niveau national)

Types de dénominateurs calculés :

A. Dénominateurs basés sur les services (en utilisant le numérateur SIGS ÷ la couverture de l'enquête) :

À partir de ANC1 :
danc1_pregnancy : Grossesses estimées
danc1_delivery : Estimation des accouchements
danc1_birth : Estimation des naissances (vivants + mort-nés)
danc1_livebirth : Estimation des naissances vivantes
danc1_dpt : Éligible pour le DTC (ajusté pour la mortalité néonatale)
danc1_measles1 : Éligible pour le MCV1
danc1_measles2 : Éligible pour le MCV2
À partir de delivery :
ddelivery_livebirth, ddelivery_birth, ddelivery_pregnancy
ddelivery_dpt, ddelivery_measles1, ddelivery_measles2
À partir de SBA (accouchement assisté par un personnel qualifié) :
Même structure que les dénominateurs d'accouchement
dsba_livebirth, dsba_birth, dsba_pregnancy
dsba_dpt, dsba_measles1, dsba_measles2
À partir de BCG (uniquement au niveau national) :
dbcg_pregnancy, dbcg_livebirth, dbcg_dpt
À partir de Penta1 :
dpenta1_dpt, dpenta1_measles1, dpenta1_measles2

B. Dénominateurs basés sur la population (nationaux uniquement) :

dwpp_pregnancy : Taux brut de natalité × population totale ÷ (1 + taux de gémellité)
dwpp_livebirth : Du taux brut de natalité × population totale
dwpp_dpt : Population de moins de 1 an
dwpp_measles1 : Population de moins de 1 an ajustée pour la mortalité néonatale
dwpp_measles2 : Ajusté pour la mortalité post-néonatale

C. Vitamine A et vaccination complète :

Pour chaque dénominateur de naissance vivante, des dénominateurs supplémentaires sont automatiquement créés :

d*_vitaminA : Naissances vivantes × (1 - U5MR) × 4,5 (enfants de 6 à 59 mois)
d*_fully_immunized : Naissances vivantes × (1 - TMI)

Ajustement pour les déclarations incomplètes :

Lorsque nummonth < 12, les dénominateurs basés sur la population sont mis à l'échelle :

denominator_adjusted = denominator × (nummonth / 12)

Sortie :

Base de données avec tous les dénominateurs calculés et les données originales du SIGS et de l'enquête

classify_source_type()

Objectif : Catégorise les dénominateurs pour éviter les références circulaires

Logique :

reference_based : Dénominateur calculé à partir du même indicateur (par exemple, danc1_pregnancy pour anc1)
unwpp_based : Dénominateur calculé à partir des données démographiques du WPP de l'ONU
independent : Dénominateur provenant d'un indicateur de service différent

Importance :

Cette classification garantit que lors de la sélection des "meilleurs" dénominateurs, nous évitons d'utiliser des dénominateurs basés sur des références (qui montreraient artificiellement une couverture à 100% égale à la valeur de l'enquête).

compare_coverage_to_survey()

Objectif : Sélectionne le dénominateur le plus performant pour chaque indicateur

Entrée :

Estimations de la couverture de tous les dénominateurs
Valeurs de référence de l'enquête (remplies à l'avance)

Algorithme de sélection :

Calculer la couverture : Pour chaque option de dénominateur

coverage = (service_volume / denominator) × 100

Calculer l'erreur : Comparez à la référence de l'enquête

squared_error = (HMIS_coverage - survey_coverage)²

Classer le type de source : Étiqueter chaque dénominateur comme indépendant, basé sur des références ou UNWPP
Hiérarchie de la sélection :

Priority 1: Independent denominators (non-reference, non-UNWPP) → lowest error
Priority 2: Reference-based denominators (only if no independent available)
Priority 3: UNWPP denominators (last resort fallback)

Cohérence géographique : Meilleur dénominateur sélectionné par zone géographique × indicateur (et non par année)

Résultat :

Données de couverture filtrées pour ne retenir que le dénominateur le plus performant pour chaque indicateur, avec classement

Décision clé de conception :

Les dénominateurs des PPNU sont exclus de la "meilleure" sélection par défaut
Évite une dépendance excessive à l'égard des projections démographiques
Assure que les données SIGS déterminent la couverture lorsqu'elles sont disponibles
Le PPNU n'est utilisé que lorsqu'il n'existe pas d'options basées sur le SIGS

create_combined_results_table()

Objectif : Fusionne les estimations de couverture et les observations d'enquête en une sortie unifiée

Entrée :

Résultats de la comparaison de la couverture (choix du meilleur dénominateur)
Observations brutes de l'enquête
Toutes les données de couverture (facultatif, comprend tous les dénominateurs)

Structure de sortie :

admin_area_1  year  indicator_common_id  denominator_best_or_survey  value
Country_Name  2020  anc1                 best                        85.3
Country_Name  2020  anc1                 survey                      84.2
Country_Name  2020  anc1                 danc1_pregnancy             85.3
Country_Name  2020  anc1                 dwpp_pregnancy              82.1

Catégories de dénominateurs :

best : Dénominateur optimal sélectionné
survey : Observation réelle de l'enquête
d*_* : Résultats du dénominateur individuel (toutes les options)

Méthodes statistiques et algorithmes¶

Remplissage (dernière observation reportée)

Les données d'enquête présentent généralement des lacunes (par exemple, l'enquête démographique et sanitaire tous les 5 ans). Pour créer des dénominateurs continus :

na.locf(survey_value, na.rm = FALSE)

Exemple :

Year:   2015  2016  2017  2018  2019  2020
Raw:    85.3  NA    NA    NA    87.2  NA
Filled: 85.3  85.3  85.3  85.3  87.2  87.2

Cela suppose que la couverture reste constante jusqu'à la prochaine observation.

minimisation de l'erreur quadratique

Pour sélectionner le meilleur dénominateur :

\[ \text{Meilleur dénominateur} = \arg \min_d \sum_{t} (C_{d,t} - S_t)^2 \]

Où :

$C_{d,t}$ = Couverture utilisant le dénominateur $d$ dans l'année $t$
$S_t$ = Couverture de l'enquête au cours de l'année $t$
La somme est calculée pour toutes les années pour lesquelles des données d'enquête sont disponibles

Cadre conceptuel : Cascades démographiques¶

Avant de présenter les formules spécifiques, il est important de comprendre le flux conceptuel des calculs des dénominateurs. Les dénominateurs sont dérivés d'ajustements démographiques séquentiels qui reflètent la cascade biologique de la grossesse aux populations cibles des services de santé spécifiques.

Exemple illustratif : De la grossesse à la population éligible au DTC

Considérons comment une estimation de 10 000 grossesses se traduit en population éligible à la vaccination DTC :

Starting point (pregnancies):           10,000
→ After pregnancy loss (3%):            10,000 × (1 - 0.03) = 9,700 deliveries
→ After twin adjustment (1.5% rate):    9,700 × (1 - 0.015/2) = 9,627 births
→ After stillbirths (2%):               9,627 × (1 - 0.02) = 9,435 live births
→ After neonatal deaths (3.9%):         9,435 × (1 - 0.039) = 9,067 DTC-eligible children

Cette cascade montre comment chaque facteur démographique réduit séquentiellement la taille de la population au fur et à mesure que l'on passe d'un stade de vie à l'autre. Les formules mathématiques détaillées dans les sections suivantes suivent la même logique, mais fonctionnent dans les deux sens :

Cascade ascendante : En partant des indicateurs antérieurs (CPN1, accouchement) et en les ajustant en fonction des populations cibles ultérieures
Cascade rétrospective : En partant d'indicateurs plus récents (BCG, Penta1) et en revenant en arrière pour estimer les populations plus anciennes

Les taux spécifiques et les formules pour chaque source de dénominateur sont détaillés ci-dessous.

Calculs du dénominateur basés sur le SIGS¶

Dénominateurs dérivés de ANC1

À partir du nombre de services ANC1 et de la couverture de l'enquête, nous calculons :

Grossesses estimées (calcul de base) :

\[ d_{\text{anc1-pregnancy}} = \frac{\text{count}_{\text{anc1}} \times 100}{\text{coverage}_{\text{anc1}}} \]

Accouchements estimés (ajustés pour les pertes de grossesse) :

\[ d_{\text{anc1-delivery}} = d_{\text{anc1-pregnancy}} \times (1 - \text{taux de perte de grossesse}) \]

Naissances estimées (ajustées pour les naissances gémellaires) :

\[ d_{\text{anc1-birth}} = d_{\text{anc1-delivery}} / (1 - 0.5 \times \text{taux de gémellité}) \]

Naissances vivantes estimées (ajustées pour les mort-nés) :

\[ d_{\text{anc1-livebirth}} = d_{\text{anc1-birth}} \times (1 - \text{taux de mortinatalité}) \]

Population éligible pour les vaccins DTC/Penta (ajusté pour la mortalité néonatale) :

\[ d_{\text{anc1-dpt}} = d_{\text{anc1-livebirth}} \times (1 - \text{taux de mortalité néonatale}) \]

Population éligible pour le MCV1 (ajusté pour la mortalité post-néonatale) :

\[ d_{\text{anc1-measles1}} = d_{\text{anc1-dpt}} \times (1 - \text{taux de mortalité post-néonatale}) \]

Population éligible pour le MCV2 (ajusté pour la mortalité post-néonatale supplémentaire) :

\[ d_{\text{anc1-measles2}} = d_{\text{anc1-dpt}} \times (1 - 2 \times \text{taux de mortalité post-néonatale}) \]

Dénominateurs dérivés de delivery

À partir du nombre d'accouchements institutionnels et de la couverture de l'enquête :

Naissances vivantes estimées (calcul de base) :

\[ d_{\text{delivery-livebirth}} = \frac{\text{count}_{\text{delivery}} \times 100}{\text{coverage}_{\text{delivery}}} \]

Naissances estimées (ajustées pour la mortinatalité) :

\[ d_{\text{delivery-birth}} = d_{\text{delivery-livebirth}} / (1 - \text{taux de mortinatalité}) \]

Grossesses estimées (ajustées pour les naissances gémellaires et les pertes de grossesse) :

\[ d_{\text{delivery-pregnancy}} = d_{\text{delivery-birth}} \times (1 - 0.5 \times \text{taux de gémellité}) / (1 - \text{taux de perte de grossesse}) \]

Population éligible pour les vaccins DTC/Penta :

\[ d_{\text{delivery-dpt}} = d_{\text{delivery-livebirth}} \times (1 - \text{taux de mortalité néonatale}) \]

Population éligible pour le MCV1 :

\[ d_{\text{delivery-measles1}} = d_{\text{delivery-dpt}} \times (1 - \text{taux de mortalité post-néonatale}) \]

Population éligible pour le MCV2 :

\[ d_{\text{delivery-measles2}} = d_{\text{delivery-dpt}} \times (1 - 2 \times \text{taux de mortalité post-néonatale}) \]

Note : Les dénominateurs dérivés du accouchement assisté par un personnel qualifié (SBA) suivent les mêmes formules que les dénominateurs d'accouchement.

Dénominateurs dérivés de BCG (analyse nationale uniquement)

À partir des chiffres de la vaccination BCG et de la couverture de l'enquête :

Naissances vivantes estimées (calcul de base) :

\[ d_{\text{bcg-livebirth}} = \frac{\text{count}_{\text{bcg}} \times 100}{\text{coverage}_{\text{bcg}}} \]

Grossesses estimées (en remontant les ajustements démographiques) :

\[ d_{\text{bcg-pregnancy}} = \frac{d_{\text{bcg-livebirth}}}{(1 - \text{taux de perte de grossesse}) \times (1 + \text{taux de gémellité}) \times (1 - \text{taux de mortinatalité})} \]

Population éligible pour les vaccins DTC/Penta :

\[ d_{\text{bcg-dpt}} = d_{\text{bcg-livebirth}} \times (1 - \text{taux de mortalité néonatale}) \]

Dénominateurs dérivés de Penta1

À partir des chiffres de vaccination de Penta1 et de la couverture de l'enquête :

Population éligible pour les vaccins DTC/Penta (calcul de base) :

\[ d_{\text{penta1-dpt}} = \frac{\text{count}_{\text{penta1}} \times 100}{\text{coverage}_{\text{penta1}}} \]

Population éligible pour le MCV1 :

\[ d_{\text{penta1-measles1}} = d_{\text{penta1-dpt}} \times (1 - \text{taux de mortalité post-néonatale}) \]

Population éligible pour le MCV2 :

\[ d_{\text{penta1-measles2}} = d_{\text{penta1-dpt}} \times (1 - 2 \times \text{taux de mortalité post-néonatale}) \]

Dénominateurs dérivés du nombre de naissances vivantes

Lorsque les données sur les naissances vivantes sont directement déclarées dans le SIGS :

Naissances vivantes estimées (calcul de base) :

\[ d_{\text{livebirths-livebirth}} = \frac{\text{count}_{\text{livebirth}} \times 100}{\text{coverage}_{\text{livebirth}}} \]

Grossesses estimées (à rebours) :

\[ d_{\text{livebirths-pregnancy}} = \frac{d_{\text{livebirths-livebirth}} \times (1 - 0.5 \times \text{taux de gémellité})}{(1 - \text{taux de mortinatalité}) \times (1 - \text{taux de perte de grossesse})} \]

Accouchements estimés :

\[ d_{\text{livebirths-delivery}} = d_{\text{livebirths-pregnancy}} \times (1 - \text{taux de perte de grossesse}) \]

Naissances estimées :

\[ d_{\text{livebirths-birth}} = d_{\text{livebirths-livebirth}} / (1 - \text{taux de mortinatalité}) \]

Population éligible pour les vaccins DTC/Penta :

\[ d_{\text{livebirths-dpt}} = d_{\text{livebirths-livebirth}} \times (1 - \text{taux de mortalité néonatale}) \]

Population éligible pour le MCV1 :

\[ d_{\text{livebirths-measles1}} = d_{\text{livebirths-dpt}} \times (1 - \text{taux de mortalité post-néonatale}) \]

Population éligible pour le MCV2 :

\[ d_{\text{livebirths-measles2}} = d_{\text{livebirths-dpt}} \times (1 - 2 \times \text{taux de mortalité post-néonatale}) \]

Calculs du dénominateur basés sur l'UNWPP¶

Dénominateurs dérivés de l'UN WPP (analyse nationale uniquement)

Au lieu d'utiliser les volumes de services, ces dénominateurs sont calculés directement à partir des projections de population et des taux démographiques :

Grossesses estimées (à partir du taux brut de natalité et de la population totale) :

\[ d_{\text{wpp-pregnancy}} = \frac{\text{Taux brut de natalité}}{1000} \times \text{Population totale} \times \frac{1}{1 + \text{taux de gémellité}} \]

Naissances vivantes estimées (à partir du taux brut de natalité) :

\[ d_{\text{wpp-livebirth}} = \frac{\text{Taux brut de natalité}}{1000} \times \text{Population totale} \]

Population éligible pour les vaccins DTC/Penta (population de moins de 1 an) :

\[ d_{\text{wpp-dpt}} = \text{Population totale des moins de 1 an du WPP} \]

Population éligible pour le MCV1 (ajusté pour la mortalité néonatale) :

\[ d_{\text{wpp-measles1}} = d_{\text{wpp-dpt}} \times (1 - \text{taux de mortalité néonatale}) \]

Population éligible pour le MCV2 (ajusté pour la mortalité post-néonatale) :

\[ d_{\text{wpp-measles2}} = d_{\text{wpp-dpt}} \times (1 - \text{taux de mortalité néonatale}) \times (1 - 2 \times \text{taux de mortalité post-néonatale}) \]

Ajustement pour les rapports incomplets:

Lorsque les données SIGS contiennent moins de 12 mois de données rapportées dans une année, tous les dénominateurs de l'UNWPP sont mis à l'échelle pour correspondre à la période de rapport :

\[ d_{\text{adjusted}} = d_{\text{wpp}} \times \frac{\text{months reported}}{12} \]

Cet ajustement garantit que les dénominateurs sont comparables aux volumes de services qui peuvent ne représenter qu'une partie de l'année.

Dénominateurs dérivés des estimations de naissances vivantes (calculs secondaires)

Une fois que tous les dénominateurs primaires des naissances vivantes ont été calculés (à partir des CPN1, des accouchements, du BCG, du Penta1, du nombre de naissances vivantes et du WPP), le module génère des estimations supplémentaires de la population cible pour des interventions spécifiques en appliquant des ajustements de la mortalité en fonction de l'âge :

Enfants âgés de 6 à 59 mois (population cible pour la supplémentation en vitamine A)

Pour chaque source de dénominateur de naissances vivantes, le nombre estimé d'enfants âgés de 6 à 59 mois est calculé :

\[ d_{\text{source-vitaminA}} = d_{\text{source-livebirth}} \times (1 - \text{taux de mortalité des enfants de moins de 5 ans}) \times 4.5 \]

Où :

source représente l'un des éléments suivants : anc1, delivery, bcg, penta1, livebirths ou wpp
Le facteur 4,5 représente la durée approximative (en années) de la tranche d'âge cible pour la vitamine A (6-59 mois ≈ 4,5 ans)
Le taux de mortalité des moins de 5 ans tient compte de la survie de l'enfant pour atteindre la tranche d'âge de 6 à 59 mois
Résultat : Population estimée d'enfants âgés de 6 à 59 mois éligibles à une supplémentation en vitamine A

Nourrissons de moins de 12 mois (population cible d'enfants complètement vaccinés)

Pour chaque source de dénominateur de naissances vivantes, le nombre estimé de nourrissons de moins de 12 mois est calculé :

\[ d_{\text{source-fully-immunized}} = d_{\text{source-livebirth}} \times (1 - \text{taux de mortalité infantile}) \]

Où :

source représente l'un des éléments suivants : anc1, delivery, bcg, penta1, livebirths ou wpp
Le taux de mortalité infantile est ajusté pour tenir compte de la survie jusqu'à l'âge de 12 mois
Résultat : Population estimée de nourrissons de moins d'un an pouvant bénéficier d'une évaluation complète de la vaccination

Ces estimations de la population cible sont calculées automatiquement pour tous les dénominateurs de naissances vivantes disponibles, ce qui garantit une méthodologie cohérente entre les différents indicateurs sources.

Étapes d'exécution du flux de travail¶

La partie 1 exécute le flux de travail suivant pour chaque niveau administratif (national, admin2, admin3) :

Étape 1 : Chargement et validation des données d'entrée

Charger les données ajustées du module 2 du SIGS (fichiers nationaux et infranationaux)
Charger les données d'enquête à partir du dépôt GitHub (ensemble de données EDS/MICS unifiées)
Charger les données de population du WPP de l'ONU à partir du dépôt GitHub
Valider la correspondance des codes ISO3 entre les ensembles de données
Agréger les données mensuelles du SIGS en totaux annuels
Harmoniser les données d'enquête (priorité à l'EDS par rapport à l'enquête MICS)
Remplir les valeurs de l'enquête pour créer des séries temporelles continues

Étape 2 : Calculer les dénominateurs basés sur le SIGS

Pour chaque indicateur de santé avec des données de couverture d'enquête :
Calculer le dénominateur de base : count ÷ survey_coverage
Appliquer les cascades démographiques pour dériver les dénominateurs correspondants
Générer des dénominateurs à partir de tous les indicateurs sources disponibles (anc1, delivery, bcg, penta1, livebirths)

Étape 3 : Calculer les dénominateurs basés sur le WPP

Extraire les projections démographiques pour le pays cible
Calculer les estimations de grossesses à partir du taux brut de natalité
Calculer les estimations de naissances vivantes
Générer des dénominateurs pour la population de moins de 1 an
Appliquer les ajustements de mortalité pour les populations éligibles à la vaccination
Ajuster pour les périodes de déclaration incomplètes (mois déclarés < 12)

Étape 4 : Calcul des dénominateurs secondaires

Pour chaque dénominateur *_livebirth :
Calculer le dénominateur de la vitamine A : livebirth × (1 - U5MR) × 4.5
Calculer le dénominateur de la vaccination complète : livebirth × (1 - IMR)

Étape 5 : Calculer les estimations de couverture

Diviser le volume de services SIGS par chaque option de dénominateur
Créer des estimations de couverture pour toutes les combinaisons indicateur-dénominateur
Conserver la couverture basée sur l'enquête comme référence

Étape 6 : Sélectionner le meilleur dénominateur

Pour chaque indicateur, comparer toutes les estimations de couverture basées sur le dénominateur aux données de l'enquête
Calculer l'erreur quadratique : Σ(coverage_d,t - survey_t)²
Sélectionner le dénominateur avec l'erreur minimale comme "meilleur"
Appliquer les règles de préférence (préférer le SIGS au WPP)
Marquer les dénominateurs comme "référence" s'ils proviennent du même service

Étape 7 : Formatage et enregistrement des résultats

Sauvegarder les fichiers de dénominateurs avec les métadonnées de la source et de la cible
Enregistrer les résultats combinés avec toutes les estimations de couverture
Marquer le meilleur dénominateur pour faciliter le filtrage
Inclure les valeurs de l'enquête dans les résultats
Créer des fichiers séparés pour les niveaux national, admin2 et admin3
Générer des fichiers vides avec la structure correcte pour les niveaux d'administration non disponibles

Spécification des fichiers de sortie

La partie 1 (module m005) génère sept fichiers CSV :

Fichiers dénominateurs

1. M5_denominators_national.csv

2. M5_denominators_admin2.csv

3. M5_denominators_admin3.csv

Structure :

admin_area_1, [admin_area_2/3], year, denominator, source_indicator, target_population, value

Champs :

denominator : Nom complet du dénominateur (par exemple, danc1_livebirth)
source_indicator : Service utilisé (par exemple, source_anc1, source_wpp)
target_population : Groupe cible (par exemple, target_livebirth, target_dpt)
value : Taille du dénominateur calculée

Fichiers de résultats combinés

4. M5_combined_results_national.csv

5. M5_combined_results_admin2.csv

6. M5_combined_results_admin3.csv

Structure :

admin_area_1, admin_area_3, year, indicator_common_id, denominator_best_or_survey, value

Champs :

indicator_common_id : Indicateur de santé (par exemple, anc1, penta3)
denominator_best_or_survey : Soit best, survey, soit un nom de dénominateur spécifique
value : Pourcentage de couverture (0-100+)

Entrée spéciale "meilleure " : Duplique le dénominateur optimal sélectionné pour faciliter le filtrage

7. M5_selected_denominator_per_indicator.csv

Objectif : Résumé du dénominateur le plus performant sélectionné pour chaque indicateur à chaque niveau géographique

Structure :

indicator_common_id, denominator_national, denominator_admin2, denominator_admin3

Champs :

indicator_common_id : Indicateur de santé (par exemple, anc1, penta3)
denominator_national : Meilleur dénominateur pour la couverture au niveau national
denominator_admin2 : Meilleur dénominateur pour la couverture au niveau 2 de l'administration
denominator_admin3 : Meilleur dénominateur pour la couverture au niveau 3 de l'administration

Sauvegarde et validation des données

La partie 1 comprend de multiples contrôles de validation :

Validation ISO3 : Vérifie que les données de l'enquête et de la population correspondent à celles du pays SIGS
Correspondance géographique : Validation des noms des régions administratives entre le SIGS et l'enquête
Rapporte le taux de concordance (par exemple, "15/20 régions concordent")
Retourne au niveau géographique supérieur en cas de non-concordance
Mécanismes de repli :
Sous-national → national si aucune donnée d'enquête locale n'est disponible
SBA → Livraison si SBA manquant
PNC1_mother → PNC1 si données manquantes
Traitement des cas de bordure : Détecte quand admin_area_3 doit être utilisé comme admin_area_2 dans certains contextes nationaux
Gestion des données vides : Crée des CSV vides avec une structure correcte lorsque les données ne sont pas disponibles
Gestion des erreurs : Enveloppe le traitement de l'enquête dans tryCatch pour gérer les erreurs de manière élégante

Indicateurs pris en charge

La partie 1 traite les indicateurs de santé suivants :

Santé maternelle :

anc1 : Soins prénatals 1ère visite
anc4 : Soins prénatals 4+ visites
delivery : Accouchement en institution
sba : Assistance qualifiée à l'accouchement
pnc1 : Soins postnatals (enfant)
pnc1_mother : Soins postnatals (mère)

Immunisation :

bcg : Vaccin BCG
penta1, penta2, penta3 : Vaccin Pentavalent
measles1, measles2 : Vaccin contenant la rougeole
rota1, rota2 : Vaccin contre le rotavirus
opv1, opv2, opv3 : Vaccin oral contre la polio
fully_immunized : Statut vaccinal complet

Santé de l'enfant :

nmr : Taux de mortalité néonatale (enquête uniquement)
imr : Taux de mortalité infantile (enquête uniquement)
vitaminA : Supplémentation en vitamine A

Notes d'utilisation et bonnes pratiques

Quand utiliser quelle variable de comptage

count_final_none : Pas d'ajustement (données brutes)
count_final_outliers : Ajustement des valeurs aberrantes uniquement (par défaut)
count_final_completeness : Ajustement de l'exhaustivité uniquement
count_final_both : Les deux ajustements combinés

Interprétation des "meilleurs" dénominateurs

Le "meilleur" dénominateur peut varier selon l'indicateur et le domaine en fonction de :

La disponibilité des données (certains services ne sont pas universellement rapportés)
L'exhaustivité des rapports (affecte les dénominateurs basés sur SIGS)
La qualité des projections démographiques (affecte les dénominateurs du WPP)
Niveaux de couverture de l'enquête (les valeurs extrêmes réduisent les options de dénominateur)

**Pourquoi plusieurs dénominateurs ?

Des dénominateurs différents servent des objectifs différents :

Dénominateurs indépendants : Fournir une validation croisée entre les services
Dénominateurs de référence : Montrer la cohérence interne du SIGS (mais exclus par défaut des "meilleurs" dénominateurs)
Dénominateurs de référence : montrent la cohérence interne du système SIGS (mais sont exclus de la "meilleure" valeur par défaut) : Offrent des points de référence basés sur la population
La comparaison de plusieurs options révèle des problèmes de qualité des données

Résolution des problèmes courants

Problèmes : Pas de correspondance entre les domaines administratifs du SIGS et de l'enquête

Solution : Vérifiez que le code ISO3 est correct ; vérifiez les conventions de dénomination des zones administratives ; le module reviendra à l'analyse nationale

Problème : Tous les dénominateurs montrent une couverture >100%

Solution : Peut indiquer une sous-déclaration dans l'enquête ou une sur-déclaration dans le SIGS ; vérifier la qualité des données dans le module 2

Problème : L'UNWPP a été sélectionné comme "meilleur" pour la plupart des indicateurs

Solution : Peut indiquer une mauvaise qualité ou complétude des données SIGS ; revoir les ajustements du module 2

Partie 2 : Sélection du dénominateur et projection de l'enquête (détails techniques)¶

But et objectifs¶

La partie 2 a trois objectifs principaux :

Sélection du dénominateur par l'utilisateur : Alors que la partie 1 sélectionne automatiquement le "meilleur" dénominateur en minimisant l'erreur par rapport aux données de l'enquête, la partie 2 permet aux utilisateurs d'outrepasser cette sélection et de choisir des dénominateurs spécifiques sur la base de leurs connaissances programmatiques ou de leurs priorités politiques
Analyse des tendances temporelles : Analyse des tendances temporelles** : calcule les changements d'une année sur l'autre (deltas) dans la couverture pour comprendre les tendances de la prestation de services au fil du temps
Projection de l'enquête : Projette les estimations de couverture basées sur l'enquête dans le temps en utilisant les tendances observées dans les données administratives (SIGS), en comblant les lacunes lorsque les données de l'enquête ne sont pas disponibles

Configuration de l'utilisateur¶

La partie 2 (module m006) expose un seul paramètre de configuration, DENOMINATOR_CHAIN, qui contrôle le dénominateur utilisé pour tous les calculs de couverture :

DENOMINATOR_CHAIN <- "auto"   # Options : "auto", "anc1", "delivery", "bcg", "penta1"

Options :

"auto" (par défaut) — Utilise le dénominateur best sélectionné par indicateur et par niveau géographique par la partie 1 (m005). La sélection est faite par minimisation de l'erreur quadratique par rapport aux valeurs d'enquête, séparément pour chaque indicateur.
"anc1" — Force toutes les estimations de couverture à utiliser la chaîne de dénominateurs dérivée de la CPN1 (danc1_pregnancy, danc1_livebirth, danc1_dpt, etc.).
"delivery" — Force la chaîne dérivée des accouchements (ddelivery_*).
"bcg" — Force la chaîne dérivée du BCG (dbcg_*, niveau national uniquement).
"penta1" — Force la chaîne dérivée du Penta1 (dpenta1_*).

Lorsqu'une chaîne fixe est sélectionnée, le module applique la même source à tous les indicateurs et à tous les niveaux géographiques pour assurer la cohérence. La couverture est ensuite calculée pour chaque indicateur en utilisant la variante de population cible appropriée de cette chaîne (par exemple, danc1_pregnancy pour CPN1/CPN4, danc1_livebirth pour accouchement/BCG/SBA, danc1_dpt pour Penta1-3, danc1_measles1 pour MCV1, etc.).

La portée géographique est héritée du paramètre ANALYSIS_LEVEL de la partie 1 — m006 s'exécute pour les sorties nationales, admin 2 et admin 3 de m005 lorsqu'elles sont disponibles.

Fonctions et méthodes principales¶

Fonction 1 : coverage_deltas()

Objectif : Calculer les changements de couverture d'une année sur l'autre pour chaque combinaison indicateur-dénominateur-géographie.

Algorithme :

coverage_deltas <- function(coverage_df, lag_n = 1, complete_years = TRUE)

Processus :

Regroupement des données par géographie (zones administratives), par indicateur et par dénominateur
Complète éventuellement les années manquantes pour créer une série chronologique complète
Trie les données par ordre chronologique au sein de chaque groupe
Calcule le delta comme suit $\Delta\text{coverage}_t = \text{coverage}_t - \text{coverage}_{t-1}$

Formulation mathématique : $$ \Delta C_{i,d,g,t} = C_{i,d,g,t} - C_{i,d,g,t-1} $$

où : - $C$ = estimation de la couverture - $i$ = indicateur - $d$ = dénominateur - $g$ = zone géographique - $t$ = temps (année)

Entrée :

coverage_df : Cadre de données avec les estimations de couverture
lag_n : Nombre d'années de décalage (par défaut = 1 pour une comparaison d'une année sur l'autre)
complete_years : Remplir ou non les années manquantes (par défaut = TRUE)

Sortie :

Cadre de données avec les valeurs de couverture originales et une colonne delta montrant les changements d'une année sur l'autre.

Exemple de sortie :

admin_area_1	indicator_common_id	denominator	year	coverage	delta
Country A	penta3	dpenta1_dpt	2018	75.2	NA
Country A	penta3	dpenta1_dpt	2019	78.5	3.3
Country A	penta3	dpenta1_dpt	2020	80.1	1.6

Fonction 2 : project_survey_from_deltas()

Objectif : Projette les estimations de couverture basées sur les enquêtes en utilisant les tendances des données administratives.

Algorithme :

project_survey_from_deltas <- function(deltas_df, survey_raw_long)

Processus :

Identifier la ligne de base : Pour chaque combinaison géographie-indicateur, trouver l'observation la plus récente de l'enquête
Extraire la dernière année d'enquête observée
Enregistrer la valeur de la couverture de référence pour cette année-là
Attacher la base de référence à chaque chemin de dénominateur : Étant donné que la partie 2 opère sur des sélections de dénominateurs spécifiques, attachez la ligne de base à chaque série de dénominateurs
Calculer les deltas cumulés : Pour les années postérieures à l'année de référence, calculez la somme cumulative des deltas :

$$\text{cumulative delta}_t = \sum_{\tau = \text{année de référence} + 1}^{t} \Delta C_\tau$$

Calculer la projection : Ajouter le delta cumulé à la valeur de référence :

$$\text{Couverture projetée}_t = \text{Couverture de base} + \text{délta cumulatif}_t$$

Formulation mathématique :

Pour chaque indicateur $i$, dénominateur $d$ et géographie $g$ :

Trouver la ligne de base :

\[ y_{\text{valeur de référence}} = \max\{t : S_{i,g,t} \text{ existe}\} \]

\[ S_{\text{valeur de référence}} = S_{i,g,y_{\text{valeur de référence}}} \]

Pour $t > y_{\text{valeur de référence}}$ :

\[ \hat{S}_{i,d,g,t} = S_{text{valeur de référence}} + \sum_{\tau = y_{\text{valeur de référence}} + 1}^{t} \Delta C_{i,d,g,\tau} \]

où :

$S$ = estimation de la couverture basée sur l'enquête
$S$ = estimation de la couverture basée sur l'enquête $S$ = estimation de la couverture basée sur l'enquête $S$ = estimation de la couverture basée sur l'enquête
$Delta C$ = variation de la couverture administrative d'une année sur l'autre

Hypothèses :

Les tendances observées dans les données administratives reflètent les changements réels dans la couverture des services
L'enquête de référence fournit un point de référence précis
Les tendances observées dans les données administratives peuvent être appliquées aux estimations de l'enquête

Entrée :

deltas_df : Sortie de coverage_deltas() contenant les changements de couverture
survey_raw_long : Données brutes de l'enquête avec les années et les valeurs

Sortie :

Cadre de données avec la couverture projetée pour chaque année, indicateur, dénominateur et combinaison géographique.

Exemple de sortie :

admin_area_1	indicator_common_id	denominator	year	baseline_year	projected
Country A	penta3	dpenta1_dpt	2018	2018	75.0
Country A	penta3	dpenta1_dpt	2019	2018	78.3
Country A	penta3	dpenta1_dpt	2020	2018	79.9

Fonction 3 : build_final_results()

Objectif : Combine la couverture SIGS, les estimations de l'enquête projetée et les valeurs de l'enquête originale dans un ensemble de données de sortie unifié.

Algorithme :

build_final_results <- function(coverage_df, proj_df, survey_raw_df = NULL)

Processus :

Préparation de la couverture SIGS : Extraire les estimations de couverture des données administratives
Renommer la colonne couverture en coverage_cov pour plus de clarté
Fusionner les projections : Joindre les estimations projetées de l'enquête
Correspondance par géographie, année, indicateur et dénominateur
Créer une colonne coverage_avgsurveyprojection
Traiter les données d'enquête originales (si elles sont disponibles) :
Regrouper plusieurs sources d'enquête en prenant la valeur moyenne
Préserver les métadonnées de la source (source, source_detail)
Élargir les valeurs de l'enquête à tous les dénominateurs pour cet indicateur
Calculer les projections finales : Utiliser une formule de projection améliorée qui s'ancre dans la dernière valeur d'enquête :

Pour les années postérieures à la dernière année d'enquête :

$$ \text{Couverture projetée}t = \text{Dernière valeur d'enquête} + (C) $$},t} - C_{\text{SIGS, dernière année d'enquête}

Cette approche additive - Préserve l'étalonnage des données d'enquête - Applique la tendance de l'enquête SIGS (delta) pour étendre l'estimation vers l'avant - Évite les erreurs cumulées dues aux deltas d'une année sur l'autre

Combiner les résultats : Fusionner tous les composants à l'aide d'une jointure externe complète pour préserver :
Les années avec seulement des données SIGS
Années avec uniquement des données d'enquête
Années avec les deux sources de données

Formulation mathématique :

Let :

$t_s$ = année de la dernière enquête
$S_{t_s}$ = couverture de l'enquête à l'année $t_s$
$C_{\text{SIGS},t}$ = couverture basée sur SIGS à l'année $t$

Pour $t > t_s$ :

\[ \hat{C}_t = S_{t_s} + (C_{\text{SIGS},t} - C_{\text{SIGS},t_s}) \]

Entrée :

coverage_df : Estimations de la couverture basées sur le SIGS à partir de dénominateurs sélectionnés
proj_df : Estimations projetées de l'enquête à partir de project_survey_from_deltas()
survey_raw_df : Données d'enquête originales (facultatif)

Sortie :

Cadre de données complet avec des colonnes :

Identifiants géographiques (admin_area_1, admin_area_2, admin_area_3)
year, indicator_common_id, denominator
coverage_cov : Couverture basée sur le SIGS
coverage_original_estimate : Valeurs de l'enquête initiale
coverage_avgsurveyprojection : Couverture projetée de l'enquête
survey_raw_source : Source des données de l'enquête (par exemple, "DHS", "MICS")
survey_raw_source_detail : Informations détaillées sur la source

Fonctions d'aide¶

Fonction d'aide : filtrage par chaîne de dénominateurs

Objectif : Filtre les résultats combinés de la partie 1 (m005) selon le paramètre DENOMINATOR_CHAIN défini dans la partie 2 (m006).

Algorithme :

Lire DENOMINATOR_CHAIN (auto, anc1, delivery, bcg ou penta1).
Si auto : conserver les lignes où denominator_best_or_survey == "best" pour chaque indicateur.
Si une chaîne spécifique (par exemple anc1) : pour chaque indicateur, conserver les lignes dont le dénominateur appartient à cette chaîne (danc1_pregnancy, danc1_livebirth, danc1_dpt, danc1_measles1, etc.) et qui correspond à la population cible attendue de l'indicateur.
Convertir les lignes sélectionnées au format de couverture (renommer les colonnes, supprimer les entrées d'enquête).
Combiner les résultats pour tous les indicateurs.

Entrée :

combined_results_df : Résultat de la partie 1 avec toutes les options de dénominateur
chain : Valeur de DENOMINATOR_CHAIN

Sortie :

Trame de données filtrée contenant uniquement les lignes correspondant à la chaîne sélectionnée (un dénominateur par indicateur).

Fonction d'aide : extract_survey_from_combined()

Objectif : Extrait les valeurs brutes de l'enquête à partir des résultats combinés de la partie 1.

Algorithme :

Filtre pour les lignes où denominator_best_or_survey == "survey"
Renommer la colonne value en survey_value
Sélectionner dynamiquement les colonnes pertinentes en fonction des niveaux d'administration présents

Entrée :

Cadre de données des résultats combinés de la partie 1

Sortie :

Cadre de données d'enquête avec colonnes : admin areas, year, indicator_common_id, survey_value

Étapes d'exécution du flux de travail¶

La partie 2 exécute le flux de travail suivant pour chaque niveau administratif (national, admin2, admin3) :

Étape 1 : Chargement des données

Charger les résultats combinés de la partie 1 pour tous les niveaux administratifs
Vérifier quels niveaux administratifs disposent de données
Extraire les données de l'enquête pour les utiliser comme base de projection
Afficher des messages sur la disponibilité des données

Étape 2 : Pour chaque niveau d'administration

Sous-étape 1 : filtrer par sélection du dénominateur

Appliquer les choix de dénominateur de l'utilisateur en utilisant filter_by_denominator_selection()
Message : Nombre d'enregistrements sélectionnés

Sous-étape 2 : Calcul des deltas

Calculer les changements de couverture d'une année sur l'autre en utilisant coverage_deltas()
Crée des séries chronologiques complètes avec des lacunes comblées

Sous-étape 3 : projeter les valeurs de l'enquête

Utiliser project_survey_from_deltas() pour étendre les estimations de l'enquête
La base est ancrée dans l'enquête la plus récente
Les projections utilisent les deltas cumulés des tendances SIGS

Sous-étape 4 : Construire les résultats finaux

Combiner la couverture SIGS, les projections et les enquêtes initiales
Calculer les estimations finales projetées à l'aide d'une formule additive
Conserver toutes les métadonnées

Étape 3 : Normaliser et sauvegarder les résultats

Définir les colonnes requises pour chaque niveau administratif
S'assurer que toutes les colonnes requises existent (ajouter NA si elles sont manquantes)
Ordonner les colonnes correctement
Supprimer les colonnes inappropriées au niveau de l'administrateur
Sauvegarder au format CSV avec l'encodage UTF-8
Créer des fichiers vides pour les niveaux d'administration sans données

Spécifications de sortie¶

La partie 2 produit trois fichiers de sortie :

1. Sortie nationale : `M6_coverage_estimation_national.csv`¶

Colonnes :

admin_area_1 : Nom du pays
year : Année d'estimation
indicator_common_id : Code de l'indicateur standardisé
denominator : Source du dénominateur sélectionné
coverage_original_estimate : Couverture initiale basée sur l'enquête (NA pour les années sans enquête)
coverage_avgsurveyprojection : Projection de la couverture de l'enquête à l'aide des tendances SIGS
coverage_cov : Estimation de la couverture basée sur le SIGS
survey_raw_source : Source de l'enquête (par exemple, "DHS 2018")
survey_raw_source_detail : Détails supplémentaires sur la source

2. Résultats du niveau 2 de l'administration : `M6_coverage_estimation_admin2.csv`¶

Colonnes :

Identique à la colonne nationale, plus :

admin_area_2 : Nom de la division administrative de deuxième niveau (par exemple, province, région)

3. Niveau administratif 3 Sortie : `M6_coverage_estimation_admin3.csv`¶

Colonnes :

admin_area_1 : Nom du pays
admin_area_3 : Nom de la division administrative de troisième niveau (par exemple, district)
year : Année d'estimation
indicator_common_id : Code de l'indicateur standardisé
denominator : Source du dénominateur sélectionné
coverage_original_estimate : Couverture de l'enquête initiale
coverage_avgsurveyprojection : Couverture projetée de l'enquête
coverage_cov : Couverture basée sur le SIGS
survey_raw_source : Source de l'enquête
survey_raw_source_detail : Détails de la source

Considérations méthodologiques¶

1. stratégie de sélection du dénominateur

Quand utiliser le terme "meilleur " :

Incertain quant au dénominateur le plus approprié
Souhaite s'appuyer sur la sélection fondée sur les données de la partie 1
Point de départ de l'analyse

Quand spécifier un dénominateur :

Les connaissances programmatiques suggèrent qu'un dénominateur spécifique est le plus précis
Les exigences politiques imposent l'utilisation d'estimations spécifiques de la population
Réalisation d'analyses de sensibilité
Problèmes connus avec certaines sources de données

2) Méthodologie de projection

L'approche de projection de la partie 2 utilise une méthode delta additive plutôt qu'un remplacement multiplicatif ou direct :

Avantages :

Préserve le calibrage en niveau des données d'enquête
Prolonge en douceur les estimations de l'enquête en utilisant les tendances administratives
Évite les erreurs cumulées dues aux changements d'une année sur l'autre
Maintient la cohérence lorsque la couverture SIGS est stable

Limites :

Suppose que les tendances SIGS reflètent les véritables changements de couverture
Peut diverger de la réalité si la qualité des données administratives diminue
Les projections deviennent moins fiables à mesure que l'on s'éloigne de l'enquête de référence
Ne tient pas compte des biais systématiques dans les données SIGS

Meilleure pratique : Les projections doivent être validées par rapport aux nouvelles données d'enquête lorsqu'elles sont disponibles, et la base de référence doit être mise à jour avec l'enquête la plus récente.

3. traitement des données manquantes

La partie 2 met en œuvre plusieurs stratégies pour les données manquantes :

Séries temporelles complètes : La fonction coverage_deltas() peut combler les années manquantes, créant ainsi une série continue
Les lacunes de l'enquête : Les projections étendent les estimations vers l'avant, mais les années antérieures à la première enquête restent NA
Lacunes au niveau de l'administration : Le script détecte automatiquement et saute les niveaux d'administration pour lesquels il n'y a pas de données
Dénominateurs manquants : Si un dénominateur sélectionné n'existe pas pour un indicateur, cette combinaison indicateur-dénominateur est omise

Cohérence de l'analyse multiniveau

La partie 2 traite chaque niveau administratif de manière indépendante :

National : Estimations agrégées au niveau national
Admin 2 : Estimations provinciales/régionales (la somme peut ne pas correspondre au niveau national en raison de dénominateurs différents)
Administration 3 : Estimations au niveau du district

Important : Les estimations entre les niveaux peuvent ne pas être directement comparables si des dénominateurs différents sont sélectionnés ou si la qualité des données varie selon le niveau.

Validation et contrôles de qualité

Les utilisateurs doivent valider les résultats de la partie 2 en procédant comme suit

Contrôlant la vraisemblance des projections :
Les valeurs projetées se situent-elles dans des fourchettes plausibles (0-100%) ?
Les tendances ont-elles un sens programmatique ?
Comparer les dénominateurs :
Exécuter la partie 2 avec différentes sélections de dénominateurs
Évaluer la sensibilité des résultats au choix du dénominateur
Validation par rapport à de nouvelles enquêtes :
Lorsque de nouvelles données d'enquête sont disponibles, comparer les projections aux valeurs réelles
Mise à jour de la base de référence et nouvelle exécution si nécessaire
Examiner les tendances du système SIGS :
Des écarts importants peuvent indiquer des problèmes de qualité des données
Les changements soudains doivent faire l'objet d'une enquête
Cohérence au niveau de l'administration :
Vérifier si les tendances infranationales s'alignent sur les tendances nationales
Enquêter sur les écarts importants

Résolution des problèmes courants

Problème : "Pas de données dans les résultats combinés d'admin2"

Cause : La partie 1 (m005) n'a pas traité le niveau 2 de l'administration, ou il n'existe pas de données infranationales
Solution : Modifier le paramètre ANALYSIS_LEVEL de la partie 1 (par exemple sur NATIONAL_ONLY) ou vérifier les entrées de la partie 1

Problème : Les projections montrent des valeurs non plausibles (>100% ou <0%)

Cause : Erreurs importantes dans les données SIGS ou dénominateur inapproprié
Solution : Revoir le choix du dénominateur, vérifier la qualité des données SIGS, envisager un autre dénominateur

Problème : Dénominateurs manquants dans les résultats

Cause : Le dénominateur sélectionné n'a pas été calculé dans la partie 1 pour cet indicateur
Solution : Vérifier les options de dénominateur de la partie 1, vérifier la compatibilité entre l'indicateur et le dénominateur

Problème : Lacunes dans la couverture projetée

Cause : Données SIGS manquantes pour certaines années
Solution : Examiner les résultats du module 2 et vérifier l'exhaustivité des données

Exemples de codes¶

Exemple 1 : Exécution de la partie 1 avec les paramètres par défaut

# Set working directory
setwd("/path/to/module/directory")

# Load required libraries
library(dplyr)
library(tidyr)
library(zoo)
library(stringr)
library(purrr)

# Configure country
COUNTRY_ISO3 <- "KEN"  # Replace with your country code

# Use default analysis level (national + admin2)
ANALYSIS_LEVEL <- "NATIONAL_PLUS_AA2"

# Run Part 1
source("05_module_coverage_estimates_part1.R")

La partie 1 génère des estimations de dénominateurs et sélectionne le meilleur dénominateur pour chaque indicateur sur la base d'une comparaison d'enquêtes.

Exemple 2 : Ajustement des paramètres de mortalité

# Use country-specific mortality rates from EDS or other sources
PREGNANCY_LOSS_RATE <- 0.04      # Default: 0.03
TWIN_RATE <- 0.02                # Default: 0.015
STILLBIRTH_RATE <- 0.025         # Default: 0.02
P1_NMR <- 0.045                  # Default: 0.039
P2_PNMR <- 0.030                 # Default: 0.028
INFANT_MORTALITY_RATE <- 0.070   # Default: 0.067
UNDER5_MORTALITY_RATE <- 0.110   # Default: 0.103

# These parameters affect survival-adjusted dénominateurs
source("05_module_coverage_estimates_part1.R")

Sources pour les taux spécifiques aux pays : Rapports finaux des EDS, Groupe interinstitutions des Nations unies pour l'estimation de la mortalité infantile (IGME), ou statistiques nationales de l'état civil.

Exemple 3 : Exécution de la partie 2 avec une chaîne de dénominateurs fixe

# Forcer tous les calculs de couverture à utiliser la chaîne dérivée de la CPN1
DENOMINATOR_CHAIN <- "anc1"          # Options : "auto", "anc1", "delivery", "bcg", "penta1"

# Exécuter la partie 2 (module m006)
source("06_module_coverage_estimates_part2.R")

Cas d'utilisation : Lorsque les connaissances programmatiques suggèrent qu'un point d'entrée spécifique est le plus fiable pour tous les indicateurs (par exemple, une déclaration CPN1 très solide), ou pour la cohérence des comparaisons entre pays. Utilisez "auto" (par défaut) pour conserver la sélection du meilleur dénominateur indicateur par indicateur de la partie 1.

Exemple 4 : Analyse nationale uniquement pour l'évaluation rapide

# Part 1: Run national level only (faster)
ANALYSIS_LEVEL <- "NATIONAL_ONLY"
source("05_module_coverage_estimates_part1.R")

# Part 2: Will automatically skip infranational levels
source("06_module_coverage_estimates_part2.R")

Cas d'utilisation : Analyse exploratoire initiale, ou lorsque les données d'enquêtes infranationales ne sont pas disponibles.

Exemple 5 : Analyse infranationale complète

# Part 1: Include admin3 level
ANALYSIS_LEVEL <- "NATIONAL_PLUS_AA2_AA3"
source("05_module_coverage_estimates_part1.R")

# Part 2: Will process all available levels
source("06_module_coverage_estimates_part2.R")

Cas d'utilisation : Analyse détaillée au niveau du district lorsqu'il existe des données d'enquête infranationales.

Exemple 6 : Utilisation programmatique des résultats

# Load coverage outputs
coverage_national <- read.csv("M6_coverage_estimation_national.csv")
coverage_admin2 <- read.csv("M6_coverage_estimation_admin2.csv")

# Filter to specific indicator
penta3_national <- coverage_national %>%
  filter(indicator_common_id == "penta3")

# Compare HMIS-based and survey-projected coverage
coverage_comparison <- penta3_national %>%
  select(year, coverage_cov, coverage_avgsurveyprojection, coverage_original_estimate) %>%
  mutate(
    hmis_survey_gap = coverage_cov - coverage_avgsurveyprojection,
    data_source = case_when(
      !is.na(coverage_original_estimate) ~ "Survey",
      !is.na(coverage_avgsurveyprojection) ~ "Projected",
      TRUE ~ "HMIS only"
    )
  )

# Identify admin2 areas with coverage below threshold
low_coverage_areas <- coverage_admin2 %>%
  filter(indicator_common_id == "penta3", year == max(year)) %>%
  filter(coverage_avgsurveyprojection < 80) %>%
  arrange(coverage_avgsurveyprojection)

Notes d'utilisation¶

Colonnes du fichier de sortie

Les fichiers de sortie de la partie 2 (M6_coverage_estimation_*.csv) contiennent :

Colonne	Description
`admin_area_1`	Nom du pays
`admin_area_2` / `admin_area_3`	Zone sous-nationale (le cas échéant)
`year`	Année civile
`indicator_common_id`	Code de l'indicateur de santé
`denominator`	Type de dénominateur sélectionné
`coverage_cov`	Couverture dérivée du SIGS (numérateur ÷ dénominateur × 100)
`coverage_original_estimate`	Valeur de l'enquête si disponible
`coverage_avgsurveyprojection`	Valeur de l'enquête projetée à l'aide des tendances du SIGS
`survey_raw_source`	Source de l'enquête (DHS/MICS)
`survey_raw_source_detail`	Nom et année de l'enquête spécifique

Examen des options de dénominateur

Les fichiers de sortie de la partie 1 (M5_combined_results_*.csv) contiennent des estimations de couverture pour toutes les options de dénominateur. Pour les passer en revue :

Ouvrez le fichier des résultats combinés
Filtrez sur l'indicateur qui vous intéresse
Comparer la colonne value entre les différentes entrées denominator_best_or_survey
La ligne marquée best montre le dénominateur automatiquement sélectionné
Les lignes marquées survey montrent les observations réelles de l'enquête

Pour annuler la sélection automatique dans la partie 2 (m006), changez le paramètre DENOMINATOR_CHAIN de "auto" à l'une des valeurs "anc1", "delivery", "bcg" ou "penta1". La chaîne sélectionnée s'applique à tous les indicateurs et niveaux géographiques.

Exigences en matière de données infranationales

Le module vérifie la disponibilité des données infranationales :

Si ANALYSIS_LEVEL est défini pour inclure admin2 ou admin3, le module valide l'existence de données d'enquête correspondantes
Si aucune donnée d'enquête infranationale correspondante n'est trouvée, le module passe à un niveau géographique supérieur
Les messages de la console indiquent les niveaux d'analyse en cours de traitement

Contrôles de validation

Après avoir exécuté les deux parties, examinez les résultats pour :

Valeurs de couverture en dehors de la plage attendue (négatives ou >100%)
Lacunes dans les séries chronologiques (années manquantes)
Cohérence entre coverage_cov et coverage_avgsurveyprojection
Sélection du dénominateur dans les résultats de la partie 1

Valeur ajoutée par rapport à l'analyse DHIS2 standard¶

DHIS2 constitue une base solide pour la collecte, le stockage et la visualisation de base des données ; FASTR vient compléter cette base avec des capacités supplémentaires : ajustement automatique de la qualité des données avant l'analyse, méthodes analytiques avancées incluant la détection des perturbations et la projection de la couverture, visualisations standardisées s'appuyant sur des approches en pourcentage de variation, estimation améliorée de la couverture utilisant des dénominateurs dérivés des enquêtes, cycles analytiques plus rapides alignés sur les calendriers de décision des pays, et renforcement intégré des capacités grâce à des méthodes reproductibles.

Dernière mise à jour : 06-05-2026 Contact : fastr@worldbank.org

Estimations de la couverture¶

Contexte et objectif¶

Objectif du module¶

Raison d'être de l'analyse¶

Points clés¶

Partie 1 et partie 2 expliquées¶

Flux de travail analytique¶

Aperçu des étapes analytiques¶

Partie 1 : Calcul et sélection du dénominateur¶

Partie 2 : Sélection du dénominateur et projection de l'enquête¶

Diagramme de flux de travail¶

Points de décision clés¶

Traitement des données et résultats¶

Résultats de l'analyse et visualisation¶

Référence détaillée¶

Partie 1 : Calcul du dénominateur (détails techniques)¶

Paramètres de configuration¶

Sources des données d'entrée¶

Documentation sur les fonctions principales¶

Méthodes statistiques et algorithmes¶

Cadre conceptuel : Cascades démographiques¶

Calculs du dénominateur basés sur le SIGS¶

Calculs du dénominateur basés sur l'UNWPP¶

Étapes d'exécution du flux de travail¶

Partie 2 : Sélection du dénominateur et projection de l'enquête (détails techniques)¶

But et objectifs¶

Configuration de l'utilisateur¶

Fonctions et méthodes principales¶

Fonctions d'aide¶

Étapes d'exécution du flux de travail¶

Spécifications de sortie¶

1. Sortie nationale : M6_coverage_estimation_national.csv¶

2. Résultats du niveau 2 de l'administration : M6_coverage_estimation_admin2.csv¶

3. Niveau administratif 3 Sortie : M6_coverage_estimation_admin3.csv¶

Considérations méthodologiques¶

Exemples de codes¶

Notes d'utilisation¶

Valeur ajoutée par rapport à l'analyse DHIS2 standard¶

1. Sortie nationale : `M6_coverage_estimation_national.csv`¶

2. Résultats du niveau 2 de l'administration : `M6_coverage_estimation_admin2.csv`¶

3. Niveau administratif 3 Sortie : `M6_coverage_estimation_admin3.csv`¶