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)

setwd("C:/Users/bmotteba/Nextcloud/Donnees/Bresil/OD_SaoPaulo/OD_2017/Banco de dados")

OD_2017 <- read_sav("OD_2017.sav")

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

# 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)
Warning in chisq.test(tableau_contingence): L’approximation du Chi-2 est
peut-être incorrecte
# Affichage des résultats
print(tableau_contingence)
   
      1   2   3   4   5   6
  0   0   2   3  12   8   6
  1 123 131 261 193 179  59
print(test_chi2)

    Pearson's Chi-squared test

data:  tableau_contingence
X-squared = 22.103, df = 5, p-value = 0.0005005