Un tableau de bord peut afficher une baisse des conversions après l’apparition d’un bandeau de consentement, sans que les comportements aient réellement changé. Les données personnelles non recueillies pour respecter la vie privée deviennent alors des données manquantes, qu’il faut interpréter avec prudence.
Une cellule vide ne dit pas, à elle seule, si une valeur n’existe pas, a été refusée ou n’a pas été enregistrée. Comprendre cette absence aide à choisir les statistiques adaptées et à éviter un biais statistique dans l’analyse des données.
A retenir : lire les données manquantes et le consentement
- Distinction entre refus, absence réelle et erreur de saisie
- Mesure des valeurs absentes avant toute interprétation des résultats
- Respect du consentement et de la protection des données personnelles
- Choix raisonné entre conservation, imputation et exclusion des observations
Consentement et données manquantes : comprendre l’origine des absences
Cette distinction est essentielle pour interpréter correctement les absences observées dans un tableau statistique. Un même code, comme NA, peut recouvrir des situations différentes et conduire à des décisions opposées.
NA, valeur absente ou réponse refusée
Dans un fichier, NA indique souvent qu’une valeur n’est pas disponible, mais ne précise pas pourquoi elle manque. Une réponse incompatible avec le format attendu, un numéro inexistant et un refus de communication sont trois causes distinctes.
Par exemple, une personne peut ne pas posséder de téléphone, saisir du texte dans un champ numérique ou refuser de communiquer son numéro. Le système peut coder les trois cas de la même manière, alors que leur signification statistique diffère.
Des valeurs comme 0, NO ou 999 peuvent aussi servir de codes de remplacement. Sans dictionnaire de données clair, elles risquent d’être prises pour de vraies mesures et de fausser les calculs.
Consentement, vie privée et lecture des statistiques
Dans un service numérique, le refus des traceurs peut réduire les événements associés à certains visiteurs, sans prouver une baisse équivalente de fréquentation. Il faut distinguer la mesure disponible du comportement réel, tout en respectant le consentement et la protection des données.
Selon le résumé de l’échantillon snorena fourni, cent observations comportent des absences dans plusieurs variables. Cet exemple ne porte pas sur un bandeau de cookies : il montre plutôt pourquoi le contexte de collecte doit accompagner chaque statistique.
Une documentation utile précise les champs concernés, les codes utilisés et les conséquences possibles sur l’interprétation des résultats. Cette transparence rend la mesure plus intelligible et prépare l’étape suivante : localiser précisément les valeurs absentes.
Repérer les données manquantes avant l’analyse statistique
Une fois leur sens clarifié, les absences doivent être comptées et examinées par variable. Cette étape évite de traiter de la même façon un manque isolé et une colonne largement incomplète.
Quantifier les absences dans chaque variable
Dans l’échantillon snorena, la fonction summary() de R révèle les valeurs manquantes et les principales caractéristiques des variables. Selon ce résumé, le poids compte neuf absences, tandis que l’âge en compte trois sur cent observations.
Le tableau ci-dessous reprend les effectifs fournis pour les sept variables. Les proportions correspondent aux effectifs manquants rapportés aux cent lignes de l’échantillon.
| Variable | Valeurs manquantes | Part de l’échantillon |
|---|---|---|
| Âge | 3 | 3 % |
| Poids | 9 | 9 % |
| Taille | 5 | 5 % |
| Alcool | 5 | 5 % |
| Sexe | 3 | 3 % |
| Ronflement | 6 | 6 % |
| Tabac | 7 | 7 % |
Visualiser les combinaisons de cellules absentes
Un comptage ne révèle pas toujours si plusieurs absences touchent les mêmes personnes. Les fonctions gg_miss_var() et gg_miss_upset() du package naniar permettent respectivement d’observer les variables concernées et leurs combinaisons.
Les outils vis_miss() de visdat et md.pattern() de mice offrent d’autres représentations. Selon le motif observé, les absences peuvent être concentrées dans un sous-groupe ou dispersées, ce qui modifie les risques de biais statistique.
Un contrôle descriptif peut aussi repérer des codes inhabituels comme 999 ou des valeurs extrêmes à vérifier. Après ce diagnostic, le choix de traitement doit tenir compte de la méthode statistique employée.
Outils utiles pour explorer les absences :
- summary() pour les effectifs et les distributions
- gg_miss_var() pour la proportion par variable
- gg_miss_upset() pour les absences simultanées
- vis_miss() et md.pattern() pour les motifs de données absentes
Traiter les données manquantes sans fausser les résultats
Le diagnostic permet ensuite d’anticiper les effets des absences sur les modèles statistiques. Une même base peut produire des résultats différents selon que le logiciel supprime les lignes ou remplace les valeurs manquantes.
Suppression automatique et comparaison des modèles
Dans l’exemple fourni, une régression logistique utilisant quatre variables écarte 27 observations incomplètes. Le modèle avec l’âge et la consommation d’alcool en écarte 13, car il mobilise moins de colonnes.
Selon les sorties R fournies, leurs AIC valent respectivement 94,72 et 104,51. Ces valeurs ne doivent pas être comparées directement ici, puisque les modèles ne sont pas ajustés sur le même nombre d’observations.
| Méthode illustrée | Traitement des absences | Point de vigilance |
|---|---|---|
| Régression logistique à quatre variables | Suppression des lignes incomplètes | 27 observations écartées |
| Régression logistique à deux variables | Suppression des lignes incomplètes | 13 observations écartées |
| Analyse en composantes principales montrée | Remplacement par la moyenne de chaque variable | Imputation automatique signalée |
| Analyse descriptive | Repérage des codes et valeurs atypiques | Vérifier les conventions de saisie |
Choisir entre retrouver, imputer ou conserver
La première option consiste à retrouver la valeur d’origine, si une source fiable et autorisée existe. Sinon, une imputation par moyenne ou médiane peut être envisagée, mais elle simplifie la variabilité des données et doit être justifiée.
Des modèles fondés sur d’autres variables, comme une régression ou une analyse en composantes principales, offrent une autre possibilité. Leur pertinence dépend de la qualité des informations disponibles et de la manière dont les absences se sont produites.
Selon les sorties de l’exemple, l’ACP remplace les valeurs manquantes par la moyenne, tandis que la régression logistique élimine les lignes concernées. Avant toute analyse, il faut donc vérifier le comportement du logiciel et documenter la décision retenue.
Options de traitement selon le contexte :
- Valeur d’origine retrouvée dans une source vérifiable
- Imputation simple par moyenne ou médiane
- Estimation modélisée à partir d’autres variables pertinentes
- Conservation des NA lorsque leur sens doit rester visible
- Exclusion limitée aux cas où les autres options échouent
Pour une équipe, le choix ne se résume pas à remplir les cases vides : il consiste à préserver la représentativité des observations et la confiance dans les résultats. Une analyse documentée rend visibles les limites, protège les données personnelles et aide à interpréter les statistiques sans confondre absence de mesure et absence de phénomène.
Transformer l’analyse en décision
Les meilleures décisions reposent sur un cadre compréhensible, quelques critères vérifiables et une étape suivante clairement définie. Testez la méthode à petite échelle, mesurez le résultat puis ajustez avant de généraliser.
Votre checklist
- Définir le résultat attendu
- Identifier trois critères prioritaires
- Prévoir une mesure de contrôle
- Fixer une date de réévaluation
