Manuel d'utilisation

L’objectif de fonctionr est de faciliter l’analyse de données issues de sondages complexes, dont la manipulation est parfois laborieuse. fonctionr a été développé dans l’idée de réduire la taille du code à écrire pour produire les résultats descriptifs et d’analyses bivariées les plus courants.

Le package a également été construit pour pouvoir utiliser directement les résultats produits dans un rapport. Ainsi, fonctionr produit en une seule fonction : un tableau de résultats avec les indicateurs voulus, les effectifs et leurs intervalles de confiance ; un graphique prêt à être publié et le plus souvent un test statistique le plus approprié aux variables étudiées. Il est aussi possible de directement exporter ces trois résultats dans un fichier Excel.

Ce guide se structure de la manière suivante. Dans un premier temps on décrit les différentes fonctions, ce qu’elles produisent et dans quels cas elles peuvent être utilisées. Dans un deuxième temps, on présente un tableau récapitulatif des arguments. De nombreux arguments revenant dans plusieurs fonctions, il est plus facile de présenter la structure globale de ceux-ci que de se répéter pour chaque fonction.

Présentation des différentes fonctions

La plupart des fonctions de fonctionr permettent, à partir de données issues d’un sondage (complexe mais aussi simple), de produire une liste qui contient la plupart du temps ces trois éléments :

Un graphique qui permet la visualisation des indicateurs calculés avec leurs intervalles de confiance. Il s’agit d’un objet ggplot2 qui peut donc être modifié par la suite. Ce graphique est suffisamment finalisé pour être directement utilisable dans une publication ;
Un ou plusieurs dataframe qui reprennent les chiffres sur base desquels le graphique est construit. Ceux-ci reprennent généralement le nom de l’indicateur, sa valeur, les bornes d’intervalle de confiance, le nombre de personnes dans l’échantillon dans chaque catégorie, l’estimation du nombre de personnes dans la population dans chaque catégorie et les bornes de l’intervalle de confiance de cette estimation ;
Les différents résultats d’un test statistique lorsqu’il y en a un qui est pertinent.

La plupart des fonctions permettent aussi d’exporter directement ces trois résultats dans un format Excel, dans l’idée de pouvoir facilement communiquer les résultats à une tierce personne, ou à un graphiste dans le cas du travail de mise en page d’un rapport.

Dans la suite de cette partie, nous passons les fonctions en revue en indiquant quels sont leurs objectifs et spécificités.

`distrib_discrete()` : distribution d’une variable catégorielle

distrib_discrete(), avec distrib_d() comme alias, calcule la distribution (en proportions relatives) des différentes modalités d’une variables qualitative. Pour l’exemple, nous utilisons la base de données anonymisée de l’enquête SILC menée en Autriche en 2006, contenue dans le package laeken. Nous chargeons d’abord les données et recodons le statut socio-économiques (pl030) pour lui donner des labels intelligibles, utilisés dans la suite des exemples :

library(fonctionr)
library(patchwork)

# Loading of data
data(eusilc, package = "laeken")

# Recoding eusilc$pl030 into eusilc$pl030_rec
eusilc$pl030_rec <- NA
eusilc$pl030_rec[eusilc$pl030 == "1"] <- "Working full time"
eusilc$pl030_rec[eusilc$pl030 == "2"] <- "Working part time"
eusilc$pl030_rec[eusilc$pl030 == "3"] <- "Unemployed"
eusilc$pl030_rec[eusilc$pl030 == "4"] <- "Student"
eusilc$pl030_rec[eusilc$pl030 == "5"] <- "Retired"
eusilc$pl030_rec[eusilc$pl030 == "6"] <- "Permanently disabled"
eusilc$pl030_rec[eusilc$pl030 == "7"] <- "Fulfilling domestic tasks"

Ci-dessous, la fonction distrib_d() décrit la distribution des différents statuts socio-économiques dans le dataframe eusilc, en utilisant la variable de pondération rb050¹. Comme on le voit, les variables sont indiquées sans mentionner le dataframe (var au lieu de df$var) et sans guillemets, à la manière de la syntaxe du tidyverse.

# Computation, taking sample design into account
eusilc_dist_d <- distrib_d(
  data = eusilc,
  quali_var = pl030_rec,
  weights = rb050,
  probs = c(.2, .15, .1, .1, .25, .1, .1),
  title = "Distribution of socio-economic status",
  subtitle = "Example with austrian SILC data from 'laeken' package"
)

Nous affichons ensuite le graphique contenu dans la liste produite :

eusilc_dist_d$graph

La liste contient également un dataframe tab qui reprend les chiffres sur base desquels le graphique est construit. Il comprend les colonnes suivantes : le nom de la modalité (pl030_rec), l’estimation de la proportion de la population appartenant à la modalité (prop), les bornes inférieure (prop_low) et supérieure (prop_upp) de l’intervalle de confiance de cette estimation à un niveau de confiance de 95%, le nombre de personnes dans l’échantillon appartenant à la modalité (n_sample), l’estimation du nombre de personnes dans la population appartenant à la modalité (n_weighted), et les bornes inférieure (n_weighted_low) et supérieure (n_weighted_upp) de l’intervalle de confiance de cette estimation à un niveau de confiance de 95% :

eusilc_dist_d$tab
#> # A tibble: 7 × 8
#>   pl030_rec            prop prop_low prop_upp n_sample n_weighted n_weighted_low
#>   <fct>               <dbl>    <dbl>    <dbl>    <int>      <dbl>          <dbl>
#> 1 Fulfilling domest… 0.0948   0.0897   0.100      1207    640311.        605407.
#> 2 Permanently disab… 0.0155   0.0133   0.0180      178    104930.         89217.
#> 3 Retired            0.267    0.259    0.276      3146   1806954.       1750021.
#> 4 Student            0.0586   0.0545   0.0629      736    395829.        367611.
#> 5 Unemployed         0.0449   0.0411   0.0489      518    303252.        277166.
#> 6 Working full time  0.425    0.416    0.434      5162   2869868.       2805298.
#> 7 Working part time  0.0941   0.0890   0.0995     1160    636121.        600495.
#> # ℹ 1 more variable: n_weighted_upp <dbl>

La liste contient pour finir le résultat du test statistique dans l’objet test.stat. Dans ce cas, il s’agit du khi2 d’adéquation. Ce test est réalisé avec comme hypothèse nulle la répartition de la population selon le vecteur mentionné dans l’argument probs = c(.2, .15, .1, .1, .25, .1, .1), c’est-à-dire 20% de travailleurs à temps plein, 15% de travailleurs à temps partiel, 10% de chômeurs, 10% d’étudiants, 25% de pensionnés, 10% de personnes en incapacité permanente de travail et 10% de personnes au foyer. Si aucun vecteur n’avait été mentionné dans probs, aucun test n’aurait été effectué. Si le vecteur n’a pas une somme de 1, il est ajusté pour avoir une telle somme. Notons que la p-valeur du test est mentionnée sur le graphique.

eusilc_dist_d$test.stat
#> 
#>  Design-based chi-squared test for given probabilities
#> 
#> data:  ~pl030_rec
#> X-squared = 11462652, scale = 1300.5577, df = 2.9068, p-value < 2.2e-16

`distrib_group_discrete()` : distribution d’une variable catégorielle par groupe

distrib_group_discrete(), avec distrib_group_d() comme alias, calcule la distribution (en pourcentages) des différentes modalités d’une variables qualitative selon les modalités d’une autre variable qualitative, que l’on peut considérer comme des groupes. Par rapport aux autres fonctions, faute de représentation adéquate, les intervalles de confiance ne sont pas indiqués sur le graphique. Le graphique et le tableau contiennent aussi une modalité Total qui reprend l’estimation de la distribution des différentes modalités pour l’ensemble de la population de référence. Le test statistique repris est celui du khi2 de Pearson avec l’ajustement de Rao & Scott. Ce test est réalisé avec comme hypothèse nulle le fait que les deux variables qualitatives (d’intérêt et de groupe) soient statistiquement indépendantes.

L’exemple ci-dessous montre la distribution des fréquences des différents statuts socio-économiques (pl030_rec) selon la nationalité (pb220a).

eusilc_dist_group_d <- distrib_group_d(
  eusilc,
  weights = rb050,
  group = pb220a,
  quali_var = pl030_rec,
  title = "Distribution of socio-economic status according to nationality",
  subtitle = "Example with austrian SILC data from 'laeken' package"
  )

eusilc_dist_group_d$graph

eusilc_dist_group_d$tab
#> # A tibble: 28 × 9
#>    pb220a pl030_rec    prop prop_low prop_upp n_sample n_weighted n_weighted_low
#>    <fct>  <fct>       <dbl>    <dbl>    <dbl>    <int>      <dbl>          <dbl>
#>  1 AT     Fulfillin… 0.0890  0.0838    0.0944     1036    548489.        516023.
#>  2 AT     Permanent… 0.0119  0.00986   0.0142      125     73270.         60135.
#>  3 AT     Retired    0.285   0.276     0.293      3055   1754654.       1698342.
#>  4 AT     Student    0.0602  0.0559    0.0648      693    371222.        343916.
#>  5 AT     Unemployed 0.0388  0.0351    0.0427      411    238841.        215672.
#>  6 AT     Working f… 0.421   0.412     0.431      4689   2595137.       2532480.
#>  7 AT     Working p… 0.0942  0.0888    0.0998     1064    580514.        546451.
#>  8 EU     Fulfillin… 0.124   0.0887    0.166        38     20343.         13851.
#>  9 EU     Permanent… 0.0498  0.0280    0.0811       15      8186.          4019.
#> 10 EU     Retired    0.155   0.115     0.202        45     25429.         17928.
#> # ℹ 18 more rows
#> # ℹ 1 more variable: n_weighted_upp <dbl>

eusilc_dist_group_d$test.stat
#> 
#>  Pearson's X^2: Rao & Scott adjustment
#> 
#> data:  NextMethod()
#> F = 32.8, ndf = 11.957, ddf = 144750.034, p-value < 2.2e-16

`prop_group()` : proportion par groupe

prop_group() calcule des proportions pour les différentes modalités d’une variable qualitative, que l’on peut considérer comme des groupes. Pour indiquer la proportion à calculer, l’utilisateur peut indiquer soit une variable dichotomique, soit directement une expression (sans mentionner le dataframe et sans guillemet, à la manière du tidyverse) à partir de laquelle la proportion est calculée. L’exemple ci-dessous compare la proportion d’individus qui bénéficient d’une allocation de chômage (calculé avec l’expression py090n > 0) selon les différents statuts socio-économiques (pl030_rec).

eusilc_prop <- prop_group(
  eusilc,
  group = pl030_rec,
  prop_exp = py090n > 0,
  weights = rb050,
  title = "% of ind. receiving unemployment benefits in their hh by soc.-eco. stat.",
  subtitle = "Example with austrian SILC data from 'laeken' package"
  )

eusilc_prop$graph

Le graphique et le tableau contiennent aussi une modalité Total qui reprend l’estimation de la proportion pour l’ensemble de la population de référence. Dans le dataframe tab produit, on trouve :

l’estimation du nombre de personnes dans la population pour lesquelles le critère de proportion est vérifié (n_true_weighted) accompagné de ses bornes inférieure (n_true_weighted_low) et supérieure (n_true_weighted_upp) de l’intervalle de confiance à un niveau de confiance de 95% ;
le nombre total de personnes dans la population pour lesquelles les données sont valides² (n_tot_weighted) accompagné de ses bornes inférieure (n_tot_weighted_low) et supérieure (n_tot_weighted_upp) de l’intervalle de confiance.

Le test statistique réalisé est celui du khi2 de Pearson avec l’ajustement de Rao & Scott. Ce test est réalisé avec comme hypothèse nulle le fait que les deux variables qualitatives (la variable dichotomique proportion vraie-fausse et la variable de groupe) soient statistiquement indépendantes .

eusilc_prop$tab
#> # A tibble: 8 × 11
#>   pl030_rec                   prop prop_low prop_upp n_sample n_true_weighted
#>   <fct>                      <dbl>    <dbl>    <dbl>    <int>           <dbl>
#> 1 Fulfilling domestic tasks 0.0485   0.0369   0.0625     1207          31048.
#> 2 Permanently disabled      0.209    0.152    0.278       178          21975.
#> 3 Retired                   0.0177   0.0134   0.0229     3146          31988.
#> 4 Student                   0.0194   0.0106   0.0324      736           7666.
#> 5 Unemployed                0.732    0.691    0.770       518         221878.
#> 6 Working full time         0.0818   0.0743   0.0897     5162         234629.
#> 7 Working part time         0.110    0.0921   0.130      1160          69869.
#> 8 Total                     0.0916   0.0864   0.0970    12107         619054.
#> # ℹ 5 more variables: n_true_weighted_low <dbl>, n_true_weighted_upp <dbl>,
#> #   n_tot_weighted <dbl>, n_tot_weighted_low <dbl>, n_tot_weighted_upp <dbl>

eusilc_prop$test.stat
#> 
#>  Pearson's X^2: Rao & Scott adjustment
#> 
#> data:  NextMethod()
#> F = 485.82, ndf = 5.9943, ddf = 72567.0400, p-value < 2.2e-16

La fonction prop_group() permet également de différencier le calcul de proportions en différents sous-groupes au sein des groupes. Par exemple, l’opération ci-dessous procède au même calcul de la proportion des individus qui bénéficient d’une allocation de chômage par statut socio-économique, mais en différenciant les hommes et les femmes au sein de chacun de ces statuts. La variable de sous-groupe doit être indiquée dans l’argument group.fill. Pour des raisons de lisibilité, il n’y a pas de calcul de test statistique lorsque des sous-groupes sont définis.

eusilc_prop_sex <- prop_group(
  eusilc,
  group = pl030_rec,
  prop_exp = py090n > 0,
  group.fill = rb090,
  weights = rb050,
  title = "% of ind. receiving unemp. benefits in their hh by soc.-eco. stat. & sex",
  subtitle = "Example with austrian SILC data from 'laeken' package"
)

eusilc_prop_sex$graph

`central_group()` : valeur centrale (moyenne/médiane) par groupe

central_group() compare la valeur centrale d’une variable quantitative selon les modalités d’une variable qualitative, que l’on peut considérer comme des groupes. Deux valeurs centrales sont possibles :

la moyenne, quand l’argument type = "mean" ou pour l’alias mean_group() ;
la médiane, quand l’argument type = "median" ou pour l’alias median_group().

L’argument type est prédéfini pour les fonctions “alias”. Il ne doit pas être utilisé par l’utilisateur s’il utilise les fonctions “alias”. Pour indiquer la tendance centrale à calculer, l’utilisateur peut indiquer soit une variable quantitative, soit directement une expression (sans mentionner le dataframe et sans guillemet, à la manière du tidyverse) à partir de laquelle une nouvelle variable quantitative est calculée. L’exemple ci-dessous compare le revenu équivalent mensuel moyen (calculé avec l’expression eqIncome / 12) selon les différents statuts socio-économiques des personnes (pl030_rec). Le graphique et le tableau contiennent une modalité “Total” qui reprend l’estimation de tendance centrale pour l’ensemble de la population de référence.

Pour mean_group(), le test statistique effectué est un test de Wald, qui est un test équivalent à une analyse de variance (ANOVA) mais pour des données issues d’un sondage complex³. Ce test est réalisé avec comme hypothèse nulle le fait que les coefficients d’une régression linéaire pour les modalités de la variable qualitative (les groupes) sur la variable quantitative soient nuls. Pour median_group(), le test statistique effectué est celui de Kruskal Wallis.

eusilc_mean <- mean_group(
  eusilc,
  group = pl030_rec,
  quanti_exp = eqIncome / 12,
  weights = rb050,
  title = "Mean of monthly equivalised income in household by socio-economic status",
  subtitle = "Example with austrian SILC data from 'laeken' package"
)

eusilc_mean$graph

eusilc_mean$tab
#> # A tibble: 8 × 8
#>   pl030_rec            mean mean_low mean_upp n_sample n_weighted n_weighted_low
#>   <fct>               <dbl>    <dbl>    <dbl>    <int>      <dbl>          <dbl>
#> 1 Fulfilling domesti… 1296.    1255.    1337.     1207    640311.        605407.
#> 2 Permanently disabl… 1330.    1206.    1454.      178    104930.         89217.
#> 3 Retired             1720.    1688.    1751.     3146   1806954.       1750021.
#> 4 Student             1355.    1296.    1414.      736    395829.        367611.
#> 5 Unemployed          1456.    1382.    1531.      518    303252.        277166.
#> 6 Working full time   1895.    1870.    1920.     5162   2869868.       2805298.
#> 7 Working part time   1591.    1545.    1637.     1160    636121.        600495.
#> 8 Total               1703.    1686.    1719.    12107   6757264.       6702060.
#> # ℹ 1 more variable: n_weighted_upp <dbl>

eusilc_mean$test.stat
#> Wald test for pl030_rec
#>  in svyglm(formula = fmla, design = data_W)
#> F =  137.4607  on  6  and  12100  df: p= < 2.22e-16

`many_val()` : calculer plusieurs indicateurs

many_val() réalise des calculs de proportion ou de tendance centrale simultanément pour plusieurs variables différentes. La fonction permet de calculer trois résultats différents :

Le calcul de proportions quand l’argument type = "prop" ou pour l’alias many_prop() ;
Le calcul de moyennes quand l’argument type = "mean" ou pour l’alias many_mean() ;
Le calcul de médianes quand l’argument type = "median" ou pour l’alias many_median().

L’argument type est prédéfini pour les fonctions “alias”. Il ne doit pas être utilisé par l’utilisateur s’il utilise les fonctions “alias”. Les variables pour lesquelles on veut réaliser ce calcul sont indiquées sans guillemets dans un vecteur passé à l’argument list_vars. Contrairement à prop_group() ou central_group(), on ne peut pas indiquer d’expression : ce doit être des variables dichotomisées (pour les proportions) ou quantitatives (pour les moyennes ou médianes). Le dataframe tab produit, contenant les indicateurs, est analogue à celui produit par prop_group() pour les proportions et central_group() pour les moyennes/médianes. Pour des raisons de lisibilité, ces fonctions ne calculent aucun test statistique.

L’exemple ci-dessous compare les revenus mensuels moyens de l’emploi salarié, d’une activité d’indépendant et d’une allocation de chômage dans la totalité de la population.

# Computation, taking sample design into account
eusilc_many_mean <- many_mean(
  eusilc,
  list_vars = c(py010n, py050n, py090n),
  list_vars_lab = c("salaires", "revenus d'une activité indépendant", "allocation de chômage"),
  weights = rb050,
  unit = "€",
  title = "Income from wage, independant worker and unemployement benefits",
  subtitle = "Example with austrian SILC data from 'laeken' package"
)

eusilc_many_mean$graph

eusilc_many_mean$tab
#> # A tibble: 3 × 8
#>   list_col             mean mean_low mean_upp n_sample n_weighted n_weighted_low
#>   <fct>               <dbl>    <dbl>    <dbl>    <int>      <dbl>          <dbl>
#> 1 salaires            9159.    8945.    9373.    12107   6757264.       6702061.
#> 2 revenus d'une acti… 1096.    1002.    1191.    12107   6757264.       6702061.
#> 3 allocation de chôm…  426.     393.     459.    12107   6757264.       6702061.
#> # ℹ 1 more variable: n_weighted_upp <dbl>

`many_val_group()` : calculer plusieurs indicateurs par groupe

many_val_group() fonctionne comme many_val(), mais permet d’indiquer une variable qualitative de groupes : les résultats sont alors différenciés selon les différentes modalités de cette variable (= les groupes). Ici aussi, aucun test statistique n’est effectué. Trois calculs sont possibles :

La comparaison de proportions quand l’argument type = "prop" ou pour l’alias many_prop_group() ;
La comparaison de moyennes quand l’argument type = "mean" ou pour l’alias many_mean_group() ;
La comparaison de médianes quand l’argument type = "median" ou pour l’alias many_median_group().

L’argument type est prédéfini pour les fonctions “alias”. Il ne doit pas être utilisé par l’utilisateur s’il utilise les fonctions “alias”. L’exemple ci-dessous compare les revenus mensuels moyens de l’emploi salarié, d’une activité d’indépendant et d’une allocation de chômage des femmes et des hommes.

# Computation, taking sample design into account
eusilc_many_mean_group <- many_mean_group(
  eusilc,
  group = rb090,
  list_vars = c(py010n, py050n, py090n),
  list_vars_lab = c("salaires", "revenus d'une activité indépendant", "allocation de chômage"),
  weights = rb050,
  unit = "€",
  title = "Income from wage, independant worker and unemployement benefits by sex",
  subtitle = "Example with austrian SILC data from 'laeken' package"
)

eusilc_many_mean_group$graph

eusilc_many_mean_group$tab
#> # A tibble: 9 × 9
#>   rb090  list_col      mean mean_low mean_upp n_sample n_weighted n_weighted_low
#>   <fct>  <fct>        <dbl>    <dbl>    <dbl>    <int>      <dbl>          <dbl>
#> 1 male   salaires    12445.   12098.   12791.     5844   3237897.       3171916.
#> 2 female salaires     6136.    5900.    6372.     6263   3519368.       3451545.
#> 3 Total  salaires     9159.    8945.    9373.    12107   6757264.       6702061.
#> 4 male   revenus d'…  1539.    1368.    1711.     5844   3237897.       3171916.
#> 5 female revenus d'…   689.     600.     778.     6263   3519368.       3451545.
#> 6 Total  revenus d'…  1096.    1002.    1191.    12107   6757264.       6702061.
#> 7 male   allocation…   420.     371.     468.     5844   3237897.       3171916.
#> 8 female allocation…   431.     386.     476.     6263   3519368.       3451545.
#> 9 Total  allocation…   426.     393.     459.    12107   6757264.       6702061.
#> # ℹ 1 more variable: n_weighted_upp <dbl>

`distrib_continuous()` : distribution d’une variable continue

distrib_continuous(), avec distrib_c() comme alias, calcule la distribution d’une variable continue. L’argument type permet d’indiquer quel type de valeur centrale doit être calculée et indiquée sur le graphique : "mean" pour la moyenne et "median" pour la médiane. Par défaut, c’est la médiane qui est calculée et affichée. bw indique le degré de “lissage” de la densité. Une valeur plus élevée conduira à davantage lisser la densité et masquera davantage les variations locales. resolution indique la “finesse” du calcul de la densité. Avec une résolution plus faible, il y aura moins de points et on verra graphiquement les petites droites reliant les points de densité. Une grande résolution implique cependant des calculs plus longs.

L’exemple ci-dessous décrit la distribution de l’âge. L’objet produit est une liste qui comprend quatre éléments. On trouve graph et tab, comme dans les autres fonction.

distrib_age <- distrib_c(eusilc, age, type = "mean", bw = .7)

distrib_age$graph

distrib_age$tab
#> # A tibble: 1 × 7
#>    mean mean_low mean_upp n_sample n_weighted n_weighted_low n_weighted_upp
#>   <dbl>    <dbl>    <dbl>    <int>      <dbl>          <dbl>          <dbl>
#> 1  39.2     38.8     39.6    14827      14827          14827          14827

L’objet dens reprend la densité calculée, et l’objet quant reprend les différents quantiles retenus. Dans cette fonction, il n’y a, pour le moment, pas de test statistique calculé .

head(distrib_age$dens)
#>           x            y quantFct central
#> 1 -7.182919 1.471091e-05        1    <NA>
#> 2 -7.075034 1.736570e-05        1    <NA>
#> 3 -6.967150 2.043762e-05        1    <NA>
#> 4 -6.859265 2.398120e-05        1    <NA>
#> 5 -6.751381 2.808797e-05        1    <NA>
#> 6 -6.643496 3.289015e-05        1    <NA>

distrib_age$quant
#>   probs quantile ci.2.5 ci.97.5
#> 1   0.1        9      9      10
#> 2   0.2       17     17      18
#> 3   0.3       25     25      26
#> 4   0.4       33     33      34
#> 5   0.5       39     39      40
#> 6   0.6       45     45      46
#> 7   0.7       52     52      53
#> 8   0.8       60     60      61
#> 9   0.9       70     70      71

`distrib_group_continuous()` : distribution d’une variable continue par groupe

distrib_group_continuous(), avec distrib_group_c() comme alias, calcule la distribution d’une variables continue selon les modalités d’une variable qualitative, que l’on peut considérer comme des groupes. Comme pour distrib_continous(), la fonction produit une liste contenant un graphique (graph), une densité (dens), une table (tab), les quantiles retenus (quant). On trouve aussi une boite à moustache (moustache) qui indique les bornes dans lesquelles on trouve différentes proportions de la population autour de la médiane (par défaut : 50%, 75% et 95% - les proportions peuvent être paramétrées dans l’argument moustache_probs). Un test statistique est aussi implémenté. Comme pour central_group(), si l’utilisateur choisi de calculer la médiane (le choix par défaut), le test statistique effectué est celui de Kruskal Wallis ; s’il ou elle choisi de calculer la moyenne, test statistique effectué est un test de Wald. Les test effectués sont les mêmes que pour central_group().

L’exemple ci-dessous compare la distribution des revenus équivalents selon le statut socio-économique. Comme pour central_group(), il est possible d’utiliser une expression quantitative au lieu d’une variable. Ici, c’est le revenu équivalent annuel divisé par 12 qui est retenu pour qu’il soit exprimé en montant mensuel.

distrib_income <- distrib_group_c(
  eusilc,
  pl030_rec,
  eqIncome / 12,
  type = "mean",
  limits = c(0, 4100),
  bw = .7
)

distrib_income$graph

distrib_income$tab
#> # A tibble: 7 × 8
#>   pl030_rec            mean mean_low mean_upp n_sample n_weighted n_weighted_low
#>   <chr>               <dbl>    <dbl>    <dbl>    <int>      <dbl>          <dbl>
#> 1 Fulfilling domesti… 1304.    1264.    1344.     1207       1207          1142.
#> 2 Permanently disabl… 1349.    1222.    1476.      178        178           152.
#> 3 Retired             1735.    1703.    1767.     3146       3146          3048.
#> 4 Student             1371.    1314.    1429.      736        736           684.
#> 5 Unemployed          1476.    1401.    1551.      518        518           474.
#> 6 Working full time   1888.    1864.    1912.     5162       5162          5048.
#> 7 Working part time   1604.    1558.    1650.     1160       1160          1096.
#> # ℹ 1 more variable: n_weighted_upp <dbl>

head(distrib_income$dens)
#>               group         x            y quantFct     y_ridges central
#> 1 Working part time -283.5941 6.994595e-08        1 6.614026e-05    <NA>
#> 2 Working part time -266.6236 1.182238e-07        1 1.117914e-04    <NA>
#> 3 Working part time -249.6530 1.942940e-07        1 1.837227e-04    <NA>
#> 4 Working part time -232.6824 3.107223e-07        1 2.938162e-04    <NA>
#> 5 Working part time -215.7118 4.839372e-07        1 4.576066e-04    <NA>
#> 6 Working part time -198.7413 7.454306e-07        1 7.048725e-04    <NA>

head(distrib_income$quant)
#>               group probs quantile    ci.2.5   ci.97.5
#> 1 Working part time   0.1  774.170  729.3306  823.6833
#> 2 Working part time   0.2 1016.212  978.0693 1057.4755
#> 3 Working part time   0.3 1186.148 1148.6437 1235.4963
#> 4 Working part time   0.4 1339.096 1292.6704 1375.1817
#> 5 Working part time   0.5 1476.866 1435.1671 1534.5294
#> 6 Working part time   0.6 1642.664 1595.5897 1686.8407

head(distrib_income$moustache)
#> # A tibble: 6 × 4
#>   group             moustache_prob xbegin  xend
#>   <chr>             <chr>           <dbl> <dbl>
#> 1 Working part time 0.95             436. 3496.
#> 2 Working part time 0.8              774. 2517.
#> 3 Working part time 0.5             1113. 1974.
#> 4 Working full time 0.95             734. 4019.
#> 5 Working full time 0.8             1008. 2909.
#> 6 Working full time 0.5             1315. 2241.

Arguments des différentes fonctions

Tableau récapitulatif des arguments

Comme nous l’avons vu, la majorité des fonctions de fonctionr se ressemblent. La plupart des arguments se retrouvent dans plusieurs fonctions. Le tableau ci-dessous reprend la totalité des arguments en indiquant chaque fois pour quelle(s) fonction(s) il est utilisé. L’ordre repris est celui des fonctions et les couleurs regroupent les arguments selon leur “catégorie”. Cette dernière a une visée pédagogique et regroupe ensemble des arguments dont le rôle est similaire. Dans la suite, nous aborderons successivement les arguments liés à la base de donnée utilisée, les arguments indispensables qui doivent obligatoirement être mentionnés, les arguments clés – c’est-à-dire pas obligatoires mais ayant une influence sur les résultats – et les arguments esthétiques – c’est-à-dire qui n’influencent que le graphique.

Catégorie d’argument	prop_group	many_val_group	many_val	central_group	distrib_group_c	distrib_c	distrib_group_d	distrib_d
Base de données	data	data	data	data	data	data	data	data
Indispensable	group	group		group	group		group
Indispensable	prop_exp
Indispensable				quanti_exp	quanti_exp	quanti_exp
Indispensable							quali_var	quali_var
Indispensable		list_vars	list_vars
Indispensable		type	type	type	type	type
Esthétique de base		list_vars_lab	list_vars_lab
Argument clé	group.fill			group.fill
Argument clé	facet	facet	facet	facet			facet	facet
Argument clé	filter_exp	filter_exp	filter_exp	filter_exp	filter_exp	filter_exp	filter_exp	filter_exp
Base de données	…	…	…	…	…	…	…	…
Argument clé	na.rm.group	na.rm.group		na.rm.group	na.rm.group		na.rm.group
Argument clé	na.rm.facet	na.rm.facet	na.rm.facet	na.rm.facet			na.rm.facet	na.rm.facet
Argument clé	na.prop
Argument clé		na.vars	na.vars
Argument clé							na.rm.var	na.rm.var
Argument clé								probs
Argument clé	total	total		total			total
Argument clé	prop_method	prop_method	prop_method				prop_method	prop_method
Argument clé					quantiles	quantiles
Argument clé					moustache_probs
Esthétique de base					bw	bw
Esthétique de base					resolution	resolution
Esthétique de base					height
Esthétique de base					limits	limits
Esthétique de base	reorder		reorder	reorder	reorder			reorder
Esthétique de base		position
Esthétique de base	show_ci	show_ci	show_ci	show_ci				show_ci
Esthétique de base					show_mid_point
Esthétique de base					show_mid_line	show_mid_line
Esthétique de base					show_ci_errorbar
Esthétique de base					show_ci_lines	show_ci_lines
Esthétique de base					show_ci_area	show_ci_area
Esthétique de base					show_quant_lines	show_quant_lines
Esthétique de base					show_moustache
Esthétique de base	show_n	show_n	show_n	show_n		show_n		show_n
Esthétique de base	show_value	show_value	show_value	show_value	show_value	show_value	show_value	show_value
Esthétique de base	show_labs	show_labs	show_labs	show_labs	show_labs	show_labs	show_labs	show_labs
Esthétique de base	total_name	total_name		total_name	total_name
Esthétique: chiffres	scale	scale	scale				scale	scale
Esthétique: chiffres	digits	digits	digits	digits	digits	digits	digits	digits
Esthétique: chiffres	unit	unit	unit	unit	unit	unit	unit	unit
Esthétique: chiffres	dec	dec	dec	dec	dec	dec	dec	dec
Esthétique: graphique	pal	pal	pal	pal	pal	pal	pal	pal
Esthétique: graphique	direction	direction	direction	direction			direction
Esthétique: graphique					pal_moustache
Esthétique: graphique					color	color
Esthétique: graphique					alpha
Esthétique: graphique	dodge	dodge	dodge	dodge			dodge	dodge
Esthétique: lettres	font	font	font	font	font	font	font	font
Esthétique: lettres	wrap_width_y	wrap_width_y	wrap_width_y	wrap_width_y	wrap_width_y		wrap_width_y	wrap_width_y
Esthétique: lettres	wrap_width_leg	wrap_width_leg		wrap_width_leg			wrap_width_leg
Esthétique: lettres	legend_ncol	legend_ncol		legend_ncol			legend_ncol
Esthétique: labels	title	title	title	title	title	title	title	title
Esthétique: labels	subtitle	subtitle	subtitle	subtitle	subtitle	subtitle	subtitle	subtitle
Esthétique: labels	xlab	xlab	xlab	xlab	xlab	xlab	xlab	xlab
Esthétique: labels	ylab	ylab	ylab	ylab	ylab	ylab	ylab
Esthétique: labels	legend_lab	legend_lab		legend_lab			legend_lab
Esthétique: labels	caption	caption	caption	caption	caption	caption	caption	caption
Esthétique: labels	lang			lang	lang		lang
Esthétique: graphique	theme	theme	theme	theme	theme	theme	theme	theme

Les arguments liés à la base de données utilisée

data est bien entendu un argument fondamental car il indique la base de donnée à utiliser. Comme l’objectif du package est de permettre une analyse des sondages complexes, il peut s’agir d’un objet survey ou d’un objet srvyr, qui contiennent les différentes informations sur le plan de sondage (poids, strates, PSU…). Il est possible que l’objet survey ou srvyr soit un objet avec avec des replicate weights pour utiliser les méthodes de rééchantillonnage pour estimer la variance d’échantillonnage.

Il est également possible que data soit un dataframe. Dans ce cas, si aucune autre précision n’est apportée, les fonctions font l’hypothèse d’un sondage aléatoire simple. Ainsi, fonctionr peut être utilisé pour l’analyse des sondages complexes mais aussi des sondages aléatoires simples. Mais fonctionr peut aussi créer un objet de sondage complexe à partir d’un dataframe. Les arguments définissant le design de l’enquête (poids, strates, etc.) doivent alors être indiqués dans l’argument … (dot-dot-dot). Cette manière de procéder fonctionne pour les sondages complexes classiques mais pas pour les sondages complexes intégrant des replicate weights. Si l’ont veut intégrer des replicates weights, il est nécessaire de créer d’abord un objet survey ou srvyr et d’utiliser cet objet dans fonctionr.

Les exemples ci-dessous montrent trois manière différentes de prendre en compte un même plan de sondage : en l’indiquant directement dans la fonction de fonctionr, en créant au préalable un objet survey et en créant au préalable un objet srvyr.

library(survey)
library(srvyr)

# Un exemple où on indique directement dans la fonction de fonctionr les différents éléments du plan de sondage
eusilc_prop_1 <- prop_group(
  eusilc,
  group = pl030_rec,
  prop_exp = py090n > 0,
  strata = db040,
  ids = db030,
  weights = rb050,
  title = "dataframe"
)

# Un exemple où utilise un objet survey
eusilc_survey <- svydesign(id = ~db030, strat = ~db040, weight = ~rb050, data = eusilc)
eusilc_prop_2 <- prop_group(
  eusilc_survey,
  group = pl030_rec,
  prop_exp = py090n > 0,
  title = "survey object",
  ylab = "",
  wrap_width_y = 15
)

# Un exemple où utilise un objet srvyr
eusilc_srvyr <- as_survey_design(eusilc, ids = db030, strata = db040, weights = rb050)
eusilc_prop_3 <- prop_group(
  eusilc_srvyr,
  group = pl030_rec,
  prop_exp = py090n > 0,
  title = "srvyr object",
  ylab = "",
  wrap_width_y = 15
)

eusilc_prop_1$graph | eusilc_prop_2$graph | eusilc_prop_3$graph

Les arguments indispensables

Les arguments indispensable sont des arguments qui sont nécessaires au bon fonctionnement des fonctions et qui ne peuvent prendre aucune valeur par défaut. Ces arguments sont principalement de différents types : variables qualitatives, expressions ou listes de variables. Les variables/colonnes sont toujours indiquées sans mentionner le dataframe et sans guillemet, à la manière du tidyverse.

group et quali_var sont des variables qualitatives qui indiquent les groupes ou variables qualitative dont on veut calculer la distribution. Les variables indiquées pour ces arguments sont transformées en facteurs pour leur usage dans la fonction.
prop_exp et quanti_exp sont des expressions qui permettent de calculer les proportions ou tendances centrales. Dans fonctionr, tous les arguments pouvant contenir une expression terminent par _exp. Ces arguments peuvent être des variables (une variable binaire 0-1 pour prop_exp et une variable numérique pour quanti_exp) ou une expression qui produit une variable (binaire pour prop_exp et quantitative pour quanti_exp). Ainsi, il n’est pas nécessaire de préparer à l’avance les variables binaire ou la quantitative, elles peuvent être calculées “à la volée”. Précisons que seuls les variables de la base de données, les opérateurs et les valeurs numérique sont autorisés dans les expressions ; les objets extérieurs (par exemple un seuil contenu dans un vecteur stocké dans l’environnement global) ne sont pas autorisés.
list_vars doit être un vecteur reprenant l’ensemble des variables reprises dans les fonctions many_val() et many_val_group() ainsi que leurs alias. Pour many_prop() et many_prop_group(), les variables doivent être binaires (il aurait été trop compliqué d’introduire ici des expressions) et pour many_mean(), many_mean_group(), many_median() et many_median_group(), les variables doivent être numériques. L’argument list_vars_lab permet d’indiquer le label pour les variables à l’aide d’un vecteur. Bien qu’il ne s’agisse pas d’un argument indispensable, nous l’avons placé juste après list_vars pour faciliter l’utilisation des fonctions. Pour list_vars_lab, les guillemets doivent être utilisé pour indiquer les labels des variables.

Dans l’exemple ci-dessous, on calcule selon le sexe la proportion des répondants qui travaillent et dont le salaire net annuel était inférieur à 12000€. On peut ainsi introduire des expressions complexes dans les fonctions.

eusilc_prop_NA_excl <- prop_group(
  eusilc,
  group = rb090,
  prop_exp = (pl030 == "1" | pl030 == "2") & py010n < 12000,
  weights = rb050,
  title = "% of the population that works and whose wage is less than 12000€ net",
  subtitle = "Example with austrian SILC data from 'laeken' package"
)

eusilc_prop_NA_excl$graph

Les arguments clés : pas obligatoires mais influençant les résultats

Les arguments clés sont des arguments qui ne sont pas indispensables mais qui influencent les résultats. On y retrouve plusieurs types d’arguments.

group.fill permet d’indiquer une variable de sous-groupes pour différencier les résultats plus finement. Cet argument n’est que disponible dans prop_group() et central_group(). Comme group et quali_var, la variable indiquée pour group.fill est transformée en facteur pour son usage dans la fonction. Dans l’exemple ci-dessous, on compare les revenus moyens par statut socio-économique et sexe.
```
eusilc_income_status_sex <- mean_group(
  eusilc,
  group = pl030_rec,
  group.fill = rb090,
  quanti_exp = eqIncome/12,
  weights = rb050,
  title = "Mean mensual equivalent income according to status and sex",
  subtitle = "Example with austrian SILC data from 'laeken' package",
  unit = "€"
)

eusilc_income_status_sex$graph
```
facet permet d’indiquer une variable qualitative pour différencier les résultats selon les différentes modalités de cette variable, dans le graphique ggplot2 et le dataframe de résultat tab. Dans le graphique, elle produit des “facettes”, d’où le nom de l’argument. Comme group, group.fill et quali_var, la variable indiquée pour cet argument est transformée en facteur pour leur usage dans la fonction. Par défaut, les facettes ne sont pas produites. Ci-dessous, on calcule la distribution des différents statuts socio-économiques par région (indiquée comme variable de facettes) :

# Computation, taking sample design into account
eusilc_dist_d <- distrib_d(
  data = eusilc,
  quali_var = pl030_rec,
  facet = db040,
  weights = rb050,
  probs = c(.2, .15, .1, .1, .25, .1, .1),
  title = "Distribution of socio-economic status",
  subtitle = "Example with austrian SILC data from 'laeken' package"
)

eusilc_dist_d$graph

filter_exp est une expression qui permet de filtrer les données de manière à produire les résultats sur une partie de l’échantillon. Comme il s’agit d’une expression, il est possible de mettre en oeuvre des conditions de filtres complexe et multiple, par exemple sélectionner uniquement les personnes âgées de moins de 60 ans, dont le revenu mensuel est inférieur à 3000€ et qui sont célibataires. Si une possibilité de filtrage est inclue dans les fonctions, c’est pour que le filtrage des données soit réalisé après la définition du plan de sondage, afin que le filtrage ne modifie pas celui-ci comme le recommande Thomas Lumley, l’auteur de survey⁴. Ici aussi, seules les variables de la base de données, les opérateurs et les valeurs numérique sont autorisés dans les expressions.
total est un argument qui permet de calculer l’indicateur ou la distribution de la variable pour le total, et pas uniquement pour les groupes. Cela permet de comparer non seulement les groupes entre-eux, mais aussi à l’ensemble de la population. Cet argument n’est disponible que pour prop_group(), central_group(), distrib_group_d() et many_val_group(), et leurs alias. Par défaut le total s’affiche (total = TRUE). Il s’agit d’un argument clé et pas uniquement d’un argument esthétique, car la présence du total dans tab et dans l’export Excell dépend de la valeur prise par cet argument.
prop_method est un argument qui permet de choisir le type de correction pour l’estimation des intervalles de confiance d’une proportion, notamment pour éviter d’avoir des bornes inférieures à 0 ou supérieures à 1. Les valeurs peuvent prendre celles mentionnées dans l’argument method de svyciprop() du package survey⁵. Par défaut, c’est la méthode "beta" qui est utilisée. Précisons que cette correction ne s’applique qu’aux intervalles de confiance des proportions et pas aux intervalles de confiance des estimations du nombre de personnes dans la population, qui se retrouvent dans tab.
quantiles est un argument qui permet de choisir, sous forme d’un vecteur, les quantiles à calculer et à indiquer sur le graphique dans distrib_continuous() et distrib_group_continuous(). Par défaut, ce sont des déciles qui sont calculés.

Le traitement des `NA`

Nous expliquons ici plus précisément le traitement des NA dans les fonctions, car cette question est complexe. Nous avons décidé de laisser des possibilités différentes selon les variables dans lesquelles se trouvent les NA : groupes, variables d’intérêts, expressions, etc.

na.rm.group, na.rm.facet, na.rm.var indiquent respectivement la manière dont les éventuels NA dans les variables group, facet et dans quali_var sont traités. Si l’argument est TRUE, les NA sont retirés dans les calculs. Si l’argument est FALSE, une modalité spécifique est créée pour les NA. Dans ce cas, ils prennent toujours la couleur gris clair sur le graphique, pour pointer leur spécificité. Dans le cas où ils sont retirés, ils ne sont pas pris en compte pour calculer le total, le cas échéant. Par défaut, l’argument prend la valeur FALSE, c’est-à-dire que les NA sont supprimés des analyses. Actuellement, na.rm.group influence le traitement des NA, tant pour la variable group que la variable group.fill, si cette dernière est présente.

Dans l’exemple ci-dessous, on compare la distribution des statuts socio-professionnels entre régions, en y ajoutant une modalité NA pour le statut (il s’agit des personnes de moins de 16 ans qui ne sont pas interrogées), en filtrant les données pour ne conserver que les personnes de plus de 11 ans et introduisant la variable sexe comme facette. Comme nous le verrons, la couleur des NA est toujours grise et ne dépend pas de la palette de couleur, de manière à les identifier spécifiquement.

eusilc_dist_group_d <- distrib_group_d(
  eusilc,
  group = db040,
  quali_var = pl030_rec,
  na.rm.var = FALSE,
  facet = rb090,
  filter_exp = age > 11,
  weights = rb050,
  title = "Distribution of socio-economic status according to region and gender",
  subtitle = "Example with austrian SILC data from 'laeken' package"
)

eusilc_dist_group_d$graph

na.prop indique la manière dont les éventuels NA sont traités dans les variables introduites dans prop_exp. Si l’argument prend la valeur "rm", tous les NA présents dans au moins une des variable faisant partie de prop_exp sont exclus avant de procéder aux calculs. De cette manière, la proportion est calculée uniquement sur les observations “valides”. Dans ce cas, pour des raisons évidentes, il n’est pas possible d’utiliser la fonction is.na() dans prop_exp (on ne peut pas calculer la proportion de personnes dont le statut professionnel est NA si on a supprimé les NA). Si l’argument prend la valeur "include", les NA ne sont pas retirés avant de procéder aux calculs et la proportion est calculée sur l’ensemble des observations, NA compris. Cela peut être utile quand les NA n’indiquent pas une valeur manquante mais une situation spécifique. Par exemple, dans une variable mesurant les points obtenu par des étudiants à un examen, le NA peut indiquer que l’étudiant était absent ; on peut donc vouloir calculer la proportion d’étudiants ayant au moins 12/20 en conservant les absents au dénominateur, ce qui est possible avec na.prop = "include". Par défaut, na.prop prend la valeur "rm". Précisons que pour central_group() et ses alias mean_group() et median_group(), il n’y a pas d’argument permettant de choisir le traitement des NA dans quanti_exp. Les observations comprenant au moins un NA dans une variable indiquée dans quanti_exp sont automatiquement exclues des calculs, car il n’y a pas d’autre possibilité qui soit pertinente.

Les deux graphiques ci-dessous comparent la part de travailleurs selon le sexe en excluant ou en incluant les NA. Les taux du second graphique sont plus faible, car dans celui-ci les personnes n’ayant pas de statut socio-professionnel (c’est-à-dire les enfants) sont comptabilisées dans le dénominateur.

eusilc_prop_NA_excl <- prop_group(
  eusilc,
  group = rb090,
  prop_exp = pl030 == "1" | pl030 == "2",
  weights = rb050,
  na.prop = "rm",
  title = "% workers (NA excluded)"
)

eusilc_prop_NA_incl <- prop_group(
  eusilc,
  group = rb090,
  prop_exp = pl030 == "1" | pl030 == "2",
  weights = rb050,
  na.prop = "include",
  title = "% workers (NA included)"
)

eusilc_prop_NA_excl$graph | eusilc_prop_NA_incl$graph

na.vars indique la manière dont les NA doivent être traités dans les différentes variables de many_val() et many_val_group(). Si l’argument prend la valeur "rm", les NA sont exclus séparément pour chaque variable. Il en résulte que l’échantillon ne sera pas toujours le même pour chacune des variables calculées, mais on conserve un maximum d’observations. Si l’argument prend la valeur "rm.all", les observations qui comprennent au moins un NA dans n’importe quelle des variables de list_vars sont exclues. Cette manière de procéder exclut plus d’observations mais permet d’avoir un échantillon identique pour toutes les variables. Par défaut, na.vars prend la valeur "rm".

Les arguments esthétiques

Les arguments esthétiques sont des arguments qui affectent uniquement le graphique produit et pas la table, ni le test statistique. Pour des raisons pédagogiques, nous aborderons successivement les arguments d’esthétique de base, d’esthétique graphique, d’esthétique des chiffres, d’esthétique des lettres et les labels. Aucun de ces arguments n’est obligatoire.

L’esthétique de base

reorder est un argument qui, en prenant la valeur TRUE, permet de réordonner les catégories selon leur valeur décroissante. Si reorder = FALSE, les catégories ne sont pas réordonnées et c’est l’ordre des levels de la variable qui est utilisé si c’est un facteur, ou l’ordre alphabétique si c’est une variable string. La catégorie NA – quand elle existe (par exemple avec na.rm.group = FALSE) – et la catégorie “Total” ne sont jamais réordonnées et sont toujours positionnées dans le bas du graphique. En cas de facettes, les catégories sont réordonnées sur base de chaque catégorie médiane. Par exemple, si l’on utilise des facettes dans prop_group(), la fonction identifie, pour chaque groupe, quelle est la proportion médiane par groupe et puis elle va ordonner les groupes sur bases de ces médianes. Par défaut, reorder prend la valeur de FALSE. reorder n’est pas disponible dans distrib_group_discrete() et many_val_group() ainsi que ses alias (many_prop_group(), many_mean_group() et many_median_group()), car il y a plusieurs proportions ou indicateurs et il est difficile de choisir sur laquelle ou lequel réordonner.

Dans l’exemple ci-dessous, les revenus moyens des statuts socio-économiques sont réordonnés. Comme il y a des facettes, c’est le médian de chaque catégorie (ici statut) qui est utilisée pour construire l’ordre. Par exemple, la catégorie “Permanently disabled” se situe en troisième position, car sa valeur médiane (15199€) se situe entre le médian de la catégorie “Student” (15097€) et de la catégorie “Working part time” (16511€).

eusilc_mean_reorder <- mean_group(
  eusilc,
  group = pl030_rec,
  quanti_exp = eqIncome,
  facet = pb220a,
  weights = rb050,
  reorder = TRUE,
  unit = "€",
  title = "Mean of eq. income by status and nationality",
  subtitle = "Example with austrian SILC data from 'laeken' package"
)

eusilc_mean_reorder$graph

position est un argument qui ne se trouve uniquement dans many_val_group() et qui peut prendre les valeurs de "dodge" et de "stack". Avec "dodge", les barres ne sont pas empilées. Avec "stack", les barres sont empilées dans chaque groupe. Cette option peut avoir un intérêt quand les variables ont vocation à être additionnées, par exemple avec des revenus selon différentes sources qui peuvent former un revenu total. "dodge" est la valeur par défaut.

Dans l’exemple ci-dessous, il est pertinent d’empiler les barres indiquant les différents revenus pour visualiser le revenu total. Cependant, dans ce cas, on peut plus indiquer les intervalles de confiance sur le graphique.

#Exemple avec Stack 
eusilc_many_mean_group_2a <- many_mean_group(
  eusilc,
  group = rb090,
  list_vars = c(py010n, py050n, py090n),
  list_vars_lab = c("salaires", "revenus d'une activité indépendant", "allocation de chômage"),
  weights = rb050,
  position = "stack",
  title = "position = 'stack'",
  legend_ncol = 2
)
#Exemple avec dodge 
eusilc_many_mean_group_2b <- many_mean_group(
  eusilc,
  group = rb090,
  list_vars = c(py010n, py050n, py090n),
  list_vars_lab = c("salaires", "revenus d'une activité indépendant", "allocation de chômage"),
  weights = rb050,
  position = "dodge",
  title = "position = 'dodge'",
  legend_ncol = 2
)

eusilc_many_mean_group_2a$graph | eusilc_many_mean_group_2b$graph

show_ci, show_n, show_value et show_lab permettent de montrer ou cacher différents éléments sur le graphique avec les valeurs TRUE et FALSE :
- l’intervalle de confiance (show_ci),
- le nombre de personnes dans l’échantillon (show_n),
- l’estimation de l’indicateur (show_value)
- les titres et sous-titres du graphiques, des axes et de la légende (show_lab).

Faute de représentation graphique adéquate, show_ci n’est pas un argument de la fonction distrib_group_discrete(). Pour cette fonction, il est pas possible de représenter les intervalles de confiance sur le graphique, mais ils sont bien calculé dans le dataframe tab. C’est aussi le cas pour many_val_group() et ses alias quand position = "stack". Précisons aussi que dans distrib_group_discrete(), seules les valeurs supérieures à 2% sont indiquées sur le graphique pour des raisons de lisibilité. Pour distrib_continuous() l’argument show_n indique les effectifs de l’échantillon pour chaque quantile.

total_name indique le nom qui doit être mentionné à côté du résultat du total dans le graphique. Par défaut, quand lang = "fr" (voir ci-dessous), il s’agit de “Total”, mais l’utilisateur peut indiquer autre chose de plus spécifique, par exemple “Belgique”, “Population active totale”, etc.

Dans l’exemple ci-dessous, on ne montre plus les intervalles de confiances, les valeurs de l’indicateur et les labels des titres, par contre on montre le nombre de personnes dans l’échantillon et on a changé le nom du “Total”.

eusilc_prop <- prop_group(
  eusilc,
  group = db040,
  prop_exp = pl030 == "1" | pl030 == "2",
  weights = rb050,
  show_ci = FALSE,
  show_n = TRUE,
  show_value = FALSE,
  show_lab = FALSE,
  total_name = "Total Austria"
)

eusilc_prop$graph

Certains arguments sont spécifiques aux fonctions distrib_continous() et distrib_group_continous() :

height indique la hauteur des courbes de densité dans distrib_group_continuous(). Une valeur plus élevée mènent à des courbes plus hautes qui peuvent éventuellement se chevaucher. La valeur par défaut est 0.8.
limits indique les limites de l’axe des abscisses du graphique . Par défaut, il n’y a pas de limites, ce qui revient à montrer sur le graphique la totalité de la distribution. Cependant, cela peut poser problème pour des distributions asymétriques avec quelques valeurs extrêmes, par exemple pour les variables de revenu. limits permet de zoomer sur la partie du graphique la plus intéressante qui reprend la majorité des observations. Précisons qu’il ne s’agit pas d’un filtre, mais d’un zoom : les déciles, valeurs centrales et moustaches sont toujours calculées sur l’ensemble de la distribution. En cas d’utilisation de zoom important, il est conseillé d’utiliser une résolution plus élevée. A noter que lorsque show_n = TRUE pour distrib_continous(), on n’indique pas les effectifs pour les quantiles qui ne sont pas complètement représentés quand on utilise l’argument limits.
D’autres arguments de type show_* sont spécifiques à ces deux fonctions. C’est le cas de show_mid_line, show_ci_lines, show_ci_area, show_quant_lines qui se retrouvent dans les deux fonctions de distribution continue et show_mid_point, show_ci_errorbar et show_moustache qui sont spécifiques à distrib_group_continuous().
- show_mid_point et show_mid_line permettent de montrer la valeur centrale, médiane ou moyenne, sous la forme d’un point ou d’une ligne.
- show_ci_errorbar, show_ci_lines et show_ci_area permettent de montrer l’intervalle de confiance de la valeur centrale sous la forme d’une barre d’erreur, de lignes en pointillé, ou d’une aire colorée.
- show_quant_lines permet de tracer des lignes pour les valeurs des quantiles sur le graphique.
- show_moustache permet de montrer la boite à moustache.

Par défaut, distrib_continuous() indique la la valeur centrale par une ligne et ses intervalles de confiance par des lignes pointillées et ne trace pas de ligne pour les quantiles. Par défaut, distrib_group_continuous() indique les valeurs centrales par des points et leurs intervalles de confiance par des barres d’erreurs, et ne dessine pas d’autres éléments que la moustache sur le graphique .

Dans l’exemple ci-dessous, nous comparons les revenus du travail des travailleurs à temps partiel selon la région, en modifiant de nombreuses options graphiques. bw étant plus faible, la distribution est moins lissée et on peut y observer des variations de densités plus locales. resolution étant plus faible, on peut déceler les droites qui composent les courbes de densité. limits permet de se concentrer sur la plage de valeur (de -500€ à 3000€) qui contient la grande majorité des observations. height a été défini pour que les aires de densité se chevauchent. Pour que ce chevauchement soit esthétique, alpha a été réglé à .3 pour des aires transparentes et une bordure a été ajoutée avec color = black – ces deux arguments seront détaillés plus bas. On a indiqué la médiane sous la forme d’une ligne. Ses intervalles de confiance sont indiqués par deux lignes en pointillées et une aire colorées. Les déciles sont indiqués par des lignes verticales grises et on a masqué la moustache. Notez que le revenu du travail mensuel est directement calculé dans l’expression en additionnant le salaire avec le revenu d’une activité indépendante avant de diviser le tout par 12.

distrib_income_2 <- distrib_group_c(
  eusilc,
  db040,
  (py010n + py050n) / 12,
  filter_exp = pl030 == 2,
  bw = .7,
  resolution = 50,
  height = 1.5,
  limits = c(-500, 3000),
  show_mid_point = F,
  show_value = F,
  show_mid_line = T,
  show_ci_errorbar = F,
  show_ci_lines = T,
  show_ci_area = T,
  show_quant_lines = T,
  show_moustache = F,
  color = "black",
  pal = "purple",
  alpha = .4
)

distrib_income_2$graph

L’esthétique graphique

dodge indique l’épaisseur des barres et peut aller de 0 (barre invisible car d’épaisseur nulle) à 1 (barre se touchant car ne laissant aucun espace entre elles). La valeur par défaut est de 0.9.

Les couleurs des barres sont indiquées dans l’argument pal.

Dans les graphiques monochrome, pal peut prendre la valeur d’une couleur de base de R ou d’un code couleur hexadécimal. C’est le cas pour distrib_discrete(), prop_group() et central_group() quand il n’y a pas de group.fill.
Dans les graphiques avec une palette de couleurs différentes, pal doit prendre le nom d’une palette des packages MetBrewer, MoMAColors ou PrettyCols (sauf pour la distribution d’une variable quantitative, voir ci-dessous). L’argument direction permet d’inverser le sens de la palette, en remplaçant le 1, par défaut, par -1 pour avoir le sens opposé. C’est le cas de distrib_group_discrete(), many_val_group(), et de prop_group() et central_group() quand il y a un group.fill.
Dans many_val() et ses alias, on peut indiquer dans pal soit une couleur unique, soit une palette des packages MetBrewer, MoMAColors ou PrettyCols. Cela permet de choisir de produire un graphique monochrome, ou un graphique qui différencie chromatiquement chaque variable.
Les couleurs des NA et des totaux, quand ils sont présents, ne sont pas modifiables directement par l’utilisateur. La modalité NA est toujours grise (grey). Le total est coloré de deux manière selon qu’il existe un seul total (dans les graphiques monochromes comme prop_group() et central_group() quand il n’y a pas d’argument group.fill) ou qu’il existe des totaux différents pour chaque modalité ou variable (dans les graphiques avec palette de couleur, comme distrib_group_d(), many_val_group(), de prop_group() et central_group() quand il y a un argument group.fill). Dans le premier cas, la couleur est gris foncé (grey40). Dans le second cas, chaque total a une bordure de la couleur de sa modalité ou variable et a une couleur de remplissage identique mais plus claire.
Par défaut, des couleurs ou des palettes de couleurs différentes ont été choisies pour chacune des fonctions, y compris les alias, pour éviter une confusion entre graphiques différents.

Dans l’exemple ci-dessous, on compare deux graphiques issus de prop_group() : l’un avec l’argument group.fill, et l’autre sans. On calcule la proportion de travailleurs à temps partiel selon la nationalité. Dans le premier graphique, on différencie les proportions selon le sexe; pal prend alors le nom d’une palette (ici "Neon" de PrettyCols a été indiquée). En outre, dans ce premier graphique, les barres sont plus fines (dodge prend une valeur de 0.7). Dans le deuxième, il n’y a pas de sous-groupes. pal n’a alors besoin que d’une unique couleur, et on a indiqué la couleur de base de R "gold". On remarque aussi les deux manières différentes dont les totaux sont représentés.

# Avec sous-groupes
eusilc_prop_sub_group <- prop_group(
  eusilc,
  group =pb220a ,
  prop_exp = pl030_rec == "Working part time",
  group.fill = rb090,
  weights = rb050,
  title = "% of ind. working part time by nationality & sex",
  subtitle = "(with sub-groups)",
  pal = "Neon",
  dodge = .7
)
# Sans sous-groupes
eusilc_prop_no_sub_group <- prop_group(
  eusilc,
  group = pb220a,
  prop_exp = pl030_rec == "Working part time",
  weights = rb050,
  title = "% of ind. working part time by nationality",
  subtitle = "(no sub-groups)",
  pal = "gold"
)

eusilc_prop_sub_group$graph | eusilc_prop_no_sub_group$graph

Dans distrib_continuous() et distrib_group_continuous(), pal peut soit prendre la valeur d’une couleur, soit un vecteur reprenant plusieurs couleurs. Dans le cas d’une seule couleur, les graphiques seront monochrome, dans le cas de plusieurs couleurs, une palette de couleur est créée en passant par les différentes couleurs indiquées pour colorer les différents quantiles, la première couleur indiquant la coloration des premiers et derniers quantiles, et la dernière couleur indiquant la coloration du quantile central⁶. Précisons que le vecteur de pal doit être un vecteur de couleur de R ou de codes hexadécimaux, mais pas une des palettes des packages MetBrewer, MoMAColors ou PrettyCols utilisées dans pal pour les autres fonctions. Par défaut distrib_continuous() utilise un dégradé de bleu pour les quantiles et distrib_group_continuous() colorie les courbes de densité en gris, de manière à ne pas surcharger le graphique avec les quantiles. Ces deux fonction ont aussi l’argument color qui permet de définir la couleur de la ligne supérieure de la courbe de densité. Par défaut cette ligne n’est pas affichée.
distrib_group_continuous() comprend aussi l’argument pal_moustache qui détermine les couleurs de la moustache et alpha qui détermine la transparence de la couleur de la densité. pal_moustache fonctionne comme pal et peut comprendre une couleur unie ou un vecteur de couleur. Mais logiquement, il n’est pas pertinent de représenter une moustache monochrome. Comme pour pour pal, il n’est pas nécessaire de définir chaque teinte de couleur individuellement, puisque la fonction produit une palette de couleur comprenant tous les dégradés nécessaires. alpha peut prendre une valeur allant de 0 (couleur totalement transparente et donc invisible) à 1 (couleur sans transparence). Avoir un certain degré de transparence est particulièrement utile si les différentes courbes se superposent (quand height est élevé).

Dans l’exemple ci-dessous, on utilise trois couleurs pour construire la palette qui va colorier l’aire de la densité et on trace la courbe de densité en rouge.

distrib_age_2 <- distrib_c(
  eusilc,
  age,
  type = "mean",
  quantiles = seq(.05, .95, .05),
  limits = c(10, 100),
  color = "red",
  pal = c("purple", "green3", "orange"),
  show_n = T
)

distrib_age_2$graph

L’esthétique des chiffres

L’esthétique des chiffres concernent la manière dont l’estimation de l’indicateur est affichée sur le graphique. Ainsi, ces arguments n’ont une utilité que si show_value = TRUE.

scale est un argument qui n’est utilisé que dans les graphique exprimant des proportion. Il indique le dénominateur par lequel il faut interpréter le chiffre. Par défaut, scale = 100 pour interpréter les chiffres mentionnés en pourcentage. On peut donner par exemple une valeur de 1000 pour interpréter les chiffres en pour mille ou une valeur de 1 pour interpréter les chiffres comme de simple proportions.
digits indique le nombre de décimales qui doivent être affichées pour les valeurs sur le graphique. Par défaut, digit = 0, ce qui conduit à ne pas afficher de décimales.
unit indique l’unité à indiquer sur le graphique. Pour distrib_discrete(), prop_group(), many_prop() et many_prop_group(), par défaut unit = "%". Pour les autres fonction, par défaut unit = NULL, c’est-à-dire une absence d’unité indiquée sur le graphique. N’importe quel caractère ou chaîne de caractère peut être utilisée : "€", "m²", etc.
dec indique le caractère qui doit être utilisé pour marquer la décimale dans les chiffes. Cet argument n’est utile que quand digits est supérieur à 0. Par défaut, dec = ",", parce que la virgule est le caractère le plus utilisé pour marquer la décimale dans le monde francophone.

Dans l’exemple ci-dessous, on compare la proportion de travailleurs par région, mais en l’exprimant en pour mille et non en pour cent, en adaptant l’unité ("‰"), en conservant un chiffre après la virgule et en utilisant le point comme caractère pour la décimale et non la virgule.

eusilc_prop <- prop_group(
  eusilc,
  group = db040,
  prop_exp = pl030 == "1" | pl030 == "2",
  weights = rb050,
  scale = 1000,
  digits = 1,
  unit = "‰",
  dec = ".",
  title = "Proportion of workers by region, in ‰",
  subtitle = "Example with austrian SILC data from 'laeken' package"
)

eusilc_prop$graph

L’esthétique des lettres

font indique la police qui est utilisée pour l’ensemble du texte dans le graphique. Plusieurs polices sont directement incluses dans fonctionr afin qu’elles soient utilisables sur tous les systèmes. Pour prendre connaissance des polices disponibles, voir load_and_active_fonts().
wrap_width_y et wrap_width_leg indiquent le nombre de caractères avant d’aller à la ligne, pour respectivement les différent labels de l’axe des ordonnées et les différents labels de la légende. Ces valeurs sont par défaut de 25 caractères. wrap_width_leg n’est présent que pour les graphiques ayant une légende : distrib_group_discrete(), many_val_group() et ses alias et prop_group() et central_group() quand il y a un argument group.fill). Précisons aussi que le _y renvoie à l’axe des y tel qu’il est situé sur le graphique, après la transformation coord_flip() qui a lieu dans les fonctions. Ainsi, il s’agit souvent des groupes, de la variable qualitative pour distrib_discrete() ou de la liste des variables pour many_val() et many_val_group() et leurs alias.
legend_ncol indique le nombre maximum de colonnes dans la légende. Par défaut, il y a quatre colonnes maximum. Le nombre de lignes dans la légende s’ajuste au nombre maximum de colonnes. Comme wrap_width_leg , legend_ncol n’est présent que pour les graphiques ayant une légende : distrib_group_discrete() et many_val_group() et ses alias et prop_group() et central_group() quand il y a un argument group.fill.

Les labels

Les arguments de label ne sont utilisés que si show_lab = TRUE, qui est la valeur par défaut. Si show_lab = FALSE, aucun des labels ci-dessous n’est indiqué.

title, subtitle, xlab, ylab, legend_lab et caption indiquent les textes à reprendre comme titre du graphique, sous-titre du graphique, titre de l’axe des abscisses, titre de l’axe des ordonnées, titre de la légende et de caption (la petite légende en bas à droite du graphique). Précisons que xlab et ylab font référence aux axes tels qu’ils sont situés sur le graphique, c’est-à-dire après la transformation coord_flip() qui a lieu dans les fonctions. legend_lab n’est présent que pour les graphiques ayant une légende : distrib_group_discrete() et many_val_group() ainsi que ses alias et prop_group() et central_group() quand il y a un argument group.fill. Le caption étant souvent déjà utilisé pour indiquer la p valeur du test statistique, l’argument caption ajoute un texte en dessous de la mention de la p valeur du test statistique.
Dans le cas où les arguments de label ne sont pas renseignés par l’utilisateur, il n’y a pas de titre, pas de sous-titre et pas de caption (autre que la p valeur du test statistique). Par contre, xlab, ylab et, pour les graphiques avec légende, legend_lab indiquent par défaut les noms de la variable ou de l’expression qui est, pour xlab, précédé d’une précision sur la nature du calcul : “Moyenne : …”, “Distribution : …”
Il est possible d’indiquer certains label et d’autres non, par exemple si l’on souhaite un titre mais pas de sous-titre. Il suffit de ne compléter que les arguments de labels que l’on souhaite voir écrits sur le graphique. Cependant, pour xlab, ylab et legend_lab, le label par défaut, basé sur le nom des variables, est alors écrit sur le graphique. Si l’on souhaite avoir un label vide, il faut indiquer, respectivement, xlab = "", ylab ="" ou legend_lab = "". L’utilisation de xlab = NULL, ylab = NULL ou legend_lab = NULL conduira à l’écriture du label par défaut.
On peut aussi mentionner l’argument lists_vars_lab que l’on a déjà expliqué plus haut et qui peut être aussi considéré comme un label.
L’argument lang permet de déterminer la langue des textes automatiques. Trois valeurs sont possibles : lang = "fr" pour le français, lang = "nl" pour le néerlandais et lang = "en" pour l’anglais. Par défaut, c’est le français qui est utilisé.
L’argument theme, qui est un argument d’esthétique graphique plutôt que de label, permet de modifier le thème du graphique. Le thème de base (theme = NULL) est celui qu’on retrouve dans tous les graphiques dans ce document, mais le thème IWEPS (theme = "IWEPS") permet d’ajouter un axe gradué pour les ordonnées.

Dans l’exemple ci-dessous, on a changé la police (Montserrat), on a mis à la ligne les labels de l’ordonnée à partir de 10 caractères et ceux de la légende à partir de 15 caractères et on a limité à trois colonnes pour la légende. On a également introduit manuellement les titres, sous-titres, caption et titre de légende, en conservant le label par défaut pour le titre de l’axe des abscisses et en n’ayant pas de titre pour l’axe des ordonnées. La langue des textes automatiques est le néerlandais et l’on a tracé l’axe des ordonnées (theme = "IWEPS").

eusilc_dist_group_d <- distrib_group_d(
  eusilc,
  group = db040,
  quali_var = pl030_rec,
  weights = rb050,
  font = "Montserrat",
  wrap_width_y = 10,
  wrap_width_leg = 15,
  legend_ncol = 3,
  title = "Distribution of socio-economic status according to region",
  subtitle = "Example with austrian SILC data from 'laeken' package",
  ylab = "",
  legend_lab = "Status",
  caption = "Bron : EU-SILC",
  lang = "nl",
  theme = "IWEPS"
)

eusilc_dist_group_d$graph

Programmer avec `fonctionr`

Pour le moment, il n’est pas possible de programmer avec fonctionr ; il n’est par exemple pas possible d’utiliser les fonctions de fonctionr dans une boucle. Nos fonctions ont initialement été écrites dans la visée d’un usage interactif, c’est-à-dire d’un maniement direct pas l’utilisateur et non via une boucle ou d’autres fonctions. Il s’agit d’une limite provoquée par le fait que les variables et expressions s’écrivent en utilisant le data masking, à la manière du tidyverse, impliquant l’utilisation de la non-standard evaluation dans le code des fonctions. Si cette possibilité rend l’utilisation courante plus simple (raison pour laquelle cette écriture a été choisie), elle complexifie largement l’écriture du code des fonctions pour nous.

A terme, nous avons la volonté de modifier ce comportement pour rendre possible l’utilisation non-interactive de nos fonctions. Néanmoins, cela va nous demander un travail certain, n’étant pas programmeurs de profession. Si vous êtes intéressé-e par le concept de fonctionr et connaissez ces questions - notamment la programmation avec rlang -, ou êtes intéressé-es d’y réfléchir, nous accueillerons votre aide avec grand plaisir !

Présentation des différentes fonctions

distrib_discrete() : distribution d’une variable catégorielle

distrib_group_discrete() : distribution d’une variable catégorielle par groupe

prop_group() : proportion par groupe

central_group() : valeur centrale (moyenne/médiane) par groupe

many_val() : calculer plusieurs indicateurs

many_val_group() : calculer plusieurs indicateurs par groupe

distrib_continuous() : distribution d’une variable continue

distrib_group_continuous() : distribution d’une variable continue par groupe