CUEJ master 2 2019/20 - Elections européennes 2019

Les outils

• Dans le domaine propriétaire : SAS, SPSS, Stata. En général, ils sont très chers.
• Dans le domaine du libre et gratuit : Python ou R
  • Points communs :
    • Multiplate-formes (Windows, Mac OS, Linux)
    • Très utilisés, forte communauté, il est facile de trouver des solutions aux problèmes rencontrés
    • Pas (ou peu) d'interface graphique, mais des environnements de développement intégrés (IDE - integrated development environments)
    • Conséquence : une courbe d'apprentissage un peu ardue...
    • ... mais une grande efficacité à l'usage
    • Modulables : un logiciel de base et de multiple librairies spécialisées
  • Différences :
    • R :
  • Spécialement développé pour le traitement statistique
  • Logique programmation un peu particulière
  • Python :
    • Polyvalent, permet de développer toutes sortes d'applications
    • Programmation plus "classique"

Ressources d'apprentissage pour R

• La documentation officielle
• DataCamp Introduction to R. Il faut s'inscrire (pas beaucoup de mails de pub). Seule l'introduction est gratuite. Mais c'est très bien fait, on apprend en faisant.
• R-Tutor. Moins dynamique mais complet.
• The R Graph Gallery. Plein de graphiques avec le code à adapter.
• Analyses spatiales sous R (en français)
• Le site du package Cartography
• Encore de la cartographie

Le processus d'une analyse statistique

• Définition des objectifs
• Recherche de données :
  • DataGouv
  • Inséé
  • Quetelet (à présent accessible aux étudiants de master)
  • Parfois... ça s'arrête là : pas de données, données coûteuse...
• Récupération de données dans le programme de traitement
• Agrégation de données de sources diverses
• Nettoyage-correction des données
• Modification des données : création de nouvelles variables
• Analyse des données : méthodes statistiques, graphiques
• Compte rendu des analyse : papier, web...

Ça n'est PAS un processus linéaire. On procède souvent par itération. On fait plein de choses qui ne servent à rien, qui n'apportent pas d'informations. On trouve des éléments intéressants qui incitent à créer de nouvelles variables, ajouter de nouvelles données, faire des corrections etc.