bresil

Brésil

CHargement des packages + définition du répertoire de travail et chargmeent de la base

library(haven)
library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.4.4     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ tidyr     1.3.1
✔ purrr     1.0.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(questionr)

Tirage + fusion

##tirage aléatoire de 1 000 ménages
set.seed(777) # Assure la reproductibilité du tirage aléatoire
OD_2017_sample <- OD_2017 %>%
  distinct(id_dom) %>% # Sélectionne des ménages uniques
  sample_n(1000) # Effectue un tirage aléatoire de 1000 ménages

## Jointure de l'échantillon avec la table originale
OD_2017_filtered <- OD_2017 %>%
  semi_join(OD_2017_sample, by = "id_dom")

Recodage

####### RECODAGES

## Recodage de OD_2017_filtered$qt_auto en OD_2017_filtered$qt_auto_rec
OD_2017_filtered$qt_auto_rec <- OD_2017_filtered$qt_auto %>%
  as.character() %>%
  fct_recode(
    "2" = "3",
    "2" = "4",
    "2" = "8"
  ) %>%
  fct_explicit_na("0") %>%
  as.character() %>%
  as.numeric()
Warning: `fct_explicit_na()` was deprecated in forcats 1.0.0.
ℹ Please use `fct_na_value_to_level()` instead.
## Recodage de OD_2017_filtered$qt_banho en OD_2017_filtered$qt_banho_rec
OD_2017_filtered$qt_banho_rec <- OD_2017_filtered$qt_banho %>%
  as.character() %>%
  fct_recode(
    "1" = "0",
    "2" = "3",
    "2" = "4",
    "2" = "5",
    "2" = "6",
    "2" = "7"
  ) %>%
  fct_explicit_na("1") %>%
  as.character() %>%
  as.numeric()

## Recodage de OD_2017_filtered$criteriobr en OD_2017_filtered$criteriobr_rec
OD_2017_filtered$criteriobr_rec <- OD_2017_filtered$criteriobr %>%
  as.character() %>%
  fct_recode(
    "5" = "6"
  ) %>%
  fct_explicit_na("3") %>%
  as.character() %>%
  as.numeric()


## Recodage de OD_2017_filtered$vinc1 en OD_2017_filtered$vinc1_rec
OD_2017_filtered$vinc1_rec <- OD_2017_filtered$vinc1 %>%
  as.character() %>%
  fct_recode(
    "1" = "3",
    "2" = "4",
    "5" = "6",
    "7" = "8"
  ) %>%
  as.character() %>%
  as.numeric()


## Recodage de OD_2017_filtered$motivo_d en OD_2017_filtered$motivo_d_rec
OD_2017_filtered$motivo_trav <- OD_2017_filtered$motivo_d %>%
  as.character() %>%  fct_recode(
    "1" = "2",
    "1" = "3",
    "0" = "4",
    "0" = "5",
    "0" = "6",
    "0" = "7",
    "0" = "8",
    "0" = "9",
    "0" = "10",
    "0" = "11"
  ) %>%  fct_explicit_na("0") %>%  as.character() %>%  as.numeric()


OD_2017_filtered$motivo_htrav <- OD_2017_filtered$motivo_d %>%
  as.character() %>%  fct_recode(
    "0" = "1",
    "0" = "2",
    "0" = "3",
    "1" = "5",
    "1" = "6",
    "1" = "7",
    "0" = "8",
    "1" = "9",
    "1" = "10",
    "1" = "11"
  ) %>%  fct_explicit_na("0") %>%  as.character() %>%  as.numeric()



# Vérifier et corriger les valeurs de longitude et latitude si nécessaire
# Calcul des sommes des distances (euclidiennes) et durées pour chaque individu
ind_dep <- OD_2017_filtered %>%
  # Calcul de la distance euclidienne entre origine et destination
  mutate(distance = sqrt((co_d_x - co_o_x)^2 + (co_d_y - co_o_y)^2)) %>%
  # Grouper par identifiant individuel
  group_by(id_pess) %>%
  # Calculer la somme des distances et des durées pour chaque individu
  summarise(somme_distance = sum(distance, na.rm = TRUE), # Gérer les valeurs NA
            somme_duracao = sum(duracao, na.rm = TRUE),
            # Somme des distances pour le motif travail
            somme_distance_travail = sum(distance[motivo_trav == 1], na.rm = TRUE),
            # Somme des durées pour le motif travail
            somme_duracao_travail = sum(duracao[motivo_trav == 1], na.rm = TRUE),
            # Somme des distances pour le motif hors travail
            somme_distance_htrav = sum(distance[motivo_htrav == 1], na.rm = TRUE),
            # Somme des durées pour le motif hors travail
            somme_duracao_htrav = sum(duracao[motivo_htrav == 1], na.rm = TRUE)
            ) %>%
  # S'assurer que le résultat est un dataframe
  ungroup()


OD_2017_filtered <- OD_2017_filtered %>%
  left_join(ind_dep, by = "id_pess")
### creation d'une table menage en ne gardant qu'une ligne par menage
### on selectionne les variables jusqu'à CD_RENFA
### on exporte le resultat en CVS pour analyse par JASP

menages <- OD_2017_filtered %>%
  distinct(id_dom, .keep_all = TRUE) %>%
  select(1:which(names(.) == "cd_renfa"), qt_auto_rec:last_col())

Tableau contingence + Khideux

library(knitr)
library(kableExtra)

# Création du tableau de contingence
tableau_contingence <- table(menages$rua_pavi, menages$criteriobr)

# Réalisation du test du chi-deux
test_chi2 <- chisq.test(tableau_contingence)

# Affichage du tableau de contingence avec kable et kableExtra
kable(tableau_contingence, caption = "Tableau de contingence") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = F)
Tableau de contingence
1 2 3 4 5 6
0 0 2 3 12 8 6
1 123 131 261 193 179 59
# Conversion manuelle des résultats du test du chi-deux en data.frame
resultats_chi2 <- data.frame(
  Statistique = test_chi2$statistic,
  Df = test_chi2$parameter,
  p_value = test_chi2$p.value
)

# Affichage des résultats avec kable et kableExtra
kable(resultats_chi2, caption = "Résultats du test du Chi-deux") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = F)
Résultats du test du Chi-deux
Statistique Df p_value
X-squared 22.10311 5 0.0005005
# Installation des packages nécessaires
if (!require("DescTools")) install.packages("DescTools")
Le chargement a nécessité le package : DescTools
Warning: le package 'DescTools' a été compilé avec la version R 4.3.3
# Chargement des packages
library(DescTools)

# Supposons que vos données sont dans 'data' et les variables sont 'qt_auto_rec', 'qt_banho_rec', 'criteriobr_rec'

# Création du tableau de contingence
tableau_contingence <- xtabs(~ qt_banho_rec + criteriobr_rec, data = menages)

# Affichage du tableau de contingence
print(tableau_contingence)
            criteriobr_rec
qt_banho_rec   1   2   3   4   5
           1   2  20 140 153 241
           2 121 113 147  52  11
# Résidus de Pearson pour un tableau 2x2
# Adaptation nécessaire si votre tableau est plus grand
chisq_test <- chisq.test(tableau_contingence)
residus_pearson <- chisq_test$residuals
print(residus_pearson)
            criteriobr_rec
qt_banho_rec         1         2         3         4         5
           1 -8.027857 -6.273532 -1.549376  3.654878  8.523184
           2  8.983499  7.020338  1.733815 -4.089958 -9.537790

Tableau des résidus de Pearson

Les résidus de Pearson donnent une indication de l’écart entre les fréquences observées et celles attendues sous l’hypothèse d’indépendance entre les deux variables. Des résidus positifs indiquent que les fréquences observées sont supérieures aux fréquences attendues, tandis que des résidus négatifs indiquent l’inverse.

  • Pour qt_banho_rec = 1, les résidus négatifs dans les catégories 1 et 2 de criteriobr_rec (-8.03 et -6.27) suggèrent que les occurrences sont inférieures aux attentes, tandis que les résidus positifs dans les catégories 4 et 5 (3.65 et 8.52) suggèrent des fréquences observées significativement plus élevées que celles attendues.

  • Pour qt_banho_rec = 2, l’observation inverse est faite : les catégories 1 et 2 de criteriobr_rec montrent des résidus positifs (8.98 et 7.02), indiquant plus d’occurrences que prévu, et les catégories 4 et 5 montrent des résidus négatifs significatifs (-4.09 et -9.54), suggérant moins d’occurrences que prévu.

Interprétation générale

Ces résultats suggèrent une association significative entre les deux variables. La distribution des fréquences et la magnitude des résidus de Pearson indiquent que qt_banho_rec et criteriobr_rec ne sont pas indépendants. Plus précisément, il semble y avoir une tendance pour les réponses dans qt_banho_rec = 1 à être associées avec des valeurs plus élevées de criteriobr_rec, tandis que pour qt_banho_rec = 2, une association avec des valeurs plus basses de criteriobr_rec est observée.

L’utilisation des résidus de Pearson aide à identifier où les différences significatives se situent, fournissant des indices sur les relations spécifiques entre les catégories des deux variables étudiées.

# Chargement des packages
library(kableExtra)
library(DescTools)

# Supposons que vos données sont dans 'menages' et les variables sont 'qt_banho_rec', 'criteriobr_rec'

# Création du tableau de contingence
tableau_contingence <- xtabs(~ qt_banho_rec + criteriobr_rec, data = menages)

# Affichage du tableau de contingence avec kable et kableExtra
kable(tableau_contingence, "html", booktabs = TRUE, caption = "Tableau de contingence entre qt_banho_rec et criteriobr_rec") %>%
  kable_styling(latex_options = c("striped", "scale_down"))
Tableau de contingence entre qt_banho_rec et criteriobr_rec
1 2 3 4 5
2 20 140 153 241
121 113 147 52 11
# Résidus de Pearson pour un tableau 2x2 (ou adapté pour un tableau plus grand)
chisq_test <- chisq.test(tableau_contingence)
residus_pearson <- chisq_test$residuals

# Affichage des résidus de Pearson avec kable et kableExtra
kable(as.data.frame(residus_pearson), "html", booktabs = TRUE, caption = "Résidus de Pearson") %>%
  kable_styling(latex_options = c("striped", "scale_down"))
Résidus de Pearson
qt_banho_rec criteriobr_rec Freq
1 1 -8.027857
2 1 8.983499
1 2 -6.273532
2 2 7.020338
1 3 -1.549376
2 3 1.733815
1 4 3.654879
2 4 -4.089958
1 5 8.523184
2 5 -9.537790