Que faites-vous des données manquantes dans l’analyse des politiques publiques?

1 Pourquoi les données manquantes sont-elles importantes?

Les données manquantes peuvent avoir de graves conséquences pour l’analyse des politiques publiques, selon la quantité, le modèle et le mécanisme de l’absence. Les données manquantes peuvent introduire un biais, réduire la puissance statistique, accroître l’incertitude et limiter la portée de l’analyse. Par exemple, si un sondage d’opinion publique sur une question de politique a un faible taux de réponse, il peut ne pas refléter les véritables opinions de la population. Si une étude longitudinale de l’impact d’une intervention politique a un taux d’abandon élevé, elle peut ne pas saisir les effets à long terme de la politique. Si un ensemble de données sur la prestation de services publics comporte des valeurs manquantes en raison d’erreurs systématiques, il se peut qu’il ne représente pas la performance réelle du service.

2 Comment identifier les données manquantes ?

La première étape du traitement des données manquantes consiste à les identifier et à les documenter. Cela implique de vérifier la source et la qualité des données, de rechercher des tendances et des anomalies, et de signaler l’étendue et la distribution des absences. Il existe différentes façons de visualiser et de résumer les données manquantes, telles que les tableaux de fréquence, les histogrammes, les nuages de points, les cartes thermiques et les diagrammes matriciels. Ces outils peuvent vous aider à voir combien de données manquent, où elles sont manquantes et si elles sont liées à d’autres variables ou au temps.

3 Comment classer les données manquantes ?

La deuxième étape dans le traitement des données manquantes consiste à les classer en fonction de leur mécanisme ou de leur raison. Cela peut vous aider à choisir une méthode appropriée pour les gérer. Il existe trois catégories principales de mécanismes de données manquants : manquant complètement au hasard (MCAR), manquant au hasard (MAR) et manquant non au hasard (MNAR). MCAR signifie que l’absence n’est liée à aucune variable de l’ensemble de données et n’introduit donc pas de biais. MAR signifie que l’absence est liée à certaines variables observées dans l’ensemble de données, mais pas aux valeurs manquantes elles-mêmes, et peut donc être prise en compte en ajustant ces variables. MNAR signifie que l’absence est liée aux valeurs manquantes elles-mêmes et ne peut donc pas être ignorée ou ajustée sans introduire de biais.

4 Comment gérer les données manquantes ?

La troisième étape dans le traitement des données manquantes consiste à choisir une méthode pour les traiter. Il existe trois principaux types de méthodes : la délétion, l’imputation et la modélisation. La suppression signifie que vous supprimez de l’analyse les cas ou les variables pour lesquels des données sont manquantes. C’est simple et direct, mais cela peut réduire la taille de l’échantillon, perdre des informations et introduire un biais. L’imputation signifie que vous remplacez les valeurs manquantes par des estimations plausibles basées sur les données disponibles. Cela peut préserver la taille de l’échantillon, conserver l’information et réduire les biais, mais cela peut également introduire des erreurs, de l’incertitude et de la complexité. La modélisation signifie que vous utilisez des techniques statistiques qui tiennent compte du mécanisme de données manquantes et intègrent l’incertitude des valeurs manquantes dans l’analyse. Cela peut fournir des résultats valides et fiables, mais cela peut également nécessiter des hypothèses solides, des méthodes sophistiquées et des logiciels spécialisés.

5 Comment choisir une méthode ?

La dernière étape dans le traitement des données manquantes consiste à choisir une méthode qui convient à vos données, à votre question de recherche et à votre objectif analytique. Il n’existe pas de solution universelle, et différentes méthodes peuvent présenter des avantages et des inconvénients différents. Certains des facteurs que vous devriez prendre en compte lors du choix d’une méthode sont: le type et le mécanisme des données manquantes, la quantité et le modèle de l’absence, la distribution et la relation des variables, le type et le niveau de l’analyse, ainsi que la disponibilité et la pertinence du logiciel. Vous devez également comparer et évaluer les résultats de différentes méthodes et rendre compte des méthodes et des résultats de manière transparente et précise.

6 Comment en savoir plus?

Les données manquantes sont un sujet complexe et nuancé qui nécessite une attention particulière et une réflexion critique. Il existe de nombreuses ressources et références qui peuvent vous aider à en apprendre davantage sur les données manquantes, telles que des livres, des articles, des cours et des webinaires. Vous pouvez également consulter des experts et des pairs qui ont de l’expérience et de l’expertise dans le traitement des données manquantes, et demander des commentaires et des conseils sur votre analyse. Les données manquantes ne sont pas un problème à éviter, mais une opportunité à explorer et à comprendre.

7 Voici ce qu’il faut prendre en compte

Il s’agit d’un espace pour partager des exemples, des histoires ou des idées qui ne correspondent à aucune des sections précédentes. Que voudriez-vous ajouter d’autre?