Detecte les incoherences courantes dans les donnees demographiques : age mere < age enfant, dates d'evenements incoherentes, ages impossibles, sex-ratio aberrants, etc.
Usage
coherence_demo(
donnees,
var_age = NULL,
var_age_mere = NULL,
var_age_enfant = NULL,
var_age_deces = NULL,
var_sexe = NULL,
age_max_plausible = 120L
)Arguments
- donnees
data.frame – Donnees individuelles ou menages
- var_age
character ou NULL – Variable age. Defaut : NULL
- var_age_mere
character ou NULL – Variable age de la mere. Defaut : NULL
- var_age_enfant
character ou NULL – Variable age de l'enfant. Defaut : NULL
- var_age_deces
character ou NULL – Variable age au deces. Defaut : NULL
- var_sexe
character ou NULL – Variable sexe. Defaut : NULL
- age_max_plausible
integer – Age maximum plausible. Defaut : 120L
Examples
set.seed(42)
n <- 500
menages <- data.frame(
age = c(sample(0:100, n-5, TRUE), rep(-1, 3), rep(130, 2)),
age_mere = sample(15:60, n, TRUE),
age_enfant = sample(0:30, n, TRUE),
age_deces = c(sample(1:90, n-10, TRUE), rep(NA, 10)),
sexe = sample(c("H","F","X"), n, TRUE, prob=c(0.49,0.49,0.02))
)
coherence_demo(menages,
var_age="age", var_age_mere="age_mere",
var_age_enfant="age_enfant",
var_sexe="sexe")
#> === Coherence demographique ===
#> Anomalies detectees : 4 type(s)
#> [Critique] Age negatif (< 0) : n=3 (0.6%)
#> [Critique] Age > 120 ans : n=2 (0.4%)
#> [Important] Age mere - age enfant < 12 ans : n=114 (22.8%)
#> [Important] Code sexe invalide : n=8 (1.6%)
#> # A tibble: 4 × 4
#> type_anomalie n_anomalies pct gravite
#> <chr> <int> <dbl> <chr>
#> 1 Age negatif (< 0) 3 0.6 Critique
#> 2 Age > 120 ans 2 0.4 Critique
#> 3 Age mere - age enfant < 12 ans 114 22.8 Important
#> 4 Code sexe invalide 8 1.6 Important