Legacy Content

À propos des définitions, sources de données et méthodes

L'objectif principal du module des Définitions, sources de données et méthodes est de fournir aux utilisateurs toute l'information nécessaire pour interpréter les données que publie Statistique Canada. Les renseignements, connu aussi sous le nom de métadonnées, de ce module servent à mieux faire comprendre les concepts de base servant à définir les données incluant les variables et les classifications, les méthodes à la base de chaque enquête et les principaux aspects de la qualité des données.

Ces renseignements aident les utilisateurs à mieux saisir les points forts et les limites des données et la façon de bien les utiliser et les analyser. Ils pourraient être d'une importance particulière pour comparer des données provenant d'autres enquêtes ou sources d'information; analyser des tendances; comparer des régions géographiques ou des sous-groupes de populations cibles dans le cadre d'enquêtes.

Notre objectif est :

  • d'expliquer comment les données ont été recueillies, traitées et publiées;
  • de détailler les systèmes de classification utilisés;
  • de donner accès aux produits et services disponibles;
  • d'informer les utilisateurs des travaux futurs, y compris les nouvelles initiatives, et de leur fournir un forum de consultation.

Que sont les métadonnées?

Les métadonnées font connaître aux utilisateurs des données publiées par Statistique Canada les caractéristiques concernant la qualité de ces données ou l'adéquation de ces données à leur utilisation. Cette information comprend les définitions des variables et la description de leur système de classification, la description de la méthodologie utilisée dans la collecte, le traitement et l'analyse de ces données, ainsi qu'une évaluation de la précision de ces données.

Information sur les enquêtes

Il y a deux façons d'accéder aux métadonnées d'une enquête. L'une se fait à partir de la liste alphabétique de toutes les enquêtes de Statistique Canada et l'autre, par la liste par sujet qui regroupe les enquêtes sous 27 sujets.

L'information concernant les enquêtes est classée sous les titres suivants :

  • description de l'enquête
  • information concernant les données diffusées les plus récentes
  • méthodes utilisées pour assurer la qualité et la confidentialité des données, y compris les images de tous les questionnaires utilisés pour recueillir des données
  • images des rapports se rapportant à l'enquête, tels que guides de présentation des rapports, documents de méthodologie.

Classifications

Les classifications types qu'utilise Statistique Canada sont offertes en format HTML. Les pages d'accueil fournissent également des hyperliens aux classifications internationales.

Définitions

Sous ce titre, on peut trouver les définitions des variables et des unités statistiques qu'utilise Statistique Canada. Ces définitions normalisées ne sont toutefois pas adoptées pour toutes les enquêtes. Une certaine prudence est donc de mise lorsqu'on applique ces définitions à des termes utilisés dans les enquêtes.

Information sur la qualité des données

Vous trouverez dans cette section les politiques et lignes directrices adoptées par Statistique Canada pour assurer la qualité des données produites.

Pour contacter la Division des normes

Vous pouvez obtenir des renseignements supplémentaires concernant ces définitions, sources de données et méthodes ou ces métadonnées en envoyant un message à l'adresse électronique : standards-normes@statcan.gc.ca ou infostats@statcan.gc.ca , ou en composant sans frais (au Canada et aux États-Unis seulement) le numéro pour les renseignements généraux : le 1 800 263-1136 (pendant les heures de bureau).

Date de modification :

Classifications des produits

Canada

Classification Canadienne de la Recherche et Développement (CCRD)

Classification type des biens transportés (CTBT)

Classification type des biens (CTB)

Système de classification des produits de l'Amérique du Nord (SCPAN) Canada

Système harmonisé de désignation et de codification des marchandises (SH)

Autre

Site Web trilatéral du Système de classification des produits de l'Amérique du Nord (SCPAN)

  • SCPAN-NAPCS (en anglais seulement, sauf pour le SCPAN Canada)

Système harmonisé de désignation et de codification des marchandises (SH)

Legacy Content

Outils de recherche des classifications

Industrie

Système de classification des industries de l'Amérique du Nord (SCIAN) Canada

Professions

Classification nationale des professions (CNP)

Géographie

Classification géographique type (CGT)

Programmes d'enseignement

Classification des programmes d'enseignement (CPE) Canada

Classifications des produits

Système de classification des produits de l'Amérique du Nord (SCPAN) Canada

Classification Canadienne de la Recherche et Développement (CCRD)

Date de modification :

Concordances entre classifications

Industrie

Système de classification des industries de l'Amérique du Nord (SCIAN) Canada

SCIAN Canada 2022 version 1.0

SCIAN Canada 2017

SCIAN Canada 2012

SCIAN Canada 2007

SCIAN Canada 2002

SCIAN Canada 1997

Classification type des industries (CTI)

CTI 1980

Professions

Classification nationale des professions (CNP)

CNP 2021 version 1.0

CNP 2016 version 1.3

CNP 2011

CNP 2006

CNP 1991

Classification internationale type des professions (CITP)

CITP 2008

Classification nationale des professions - statistiques (CNP-S)

CNP-S 2006

CNP-S 2001

Classification type des professions (CTP) Classification renommée « Classification nationale des professions »

CTP 1991

CTP 1980

Standard Occupational Classification (SOC) Classification des États-Unis

Produits

Système de classification des produits de l'Amérique du Nord (SCPAN) Canada

SCPAN Canada 2022 version 1.0

SCPAN Canada 2017

SCPAN Canada 2012

Système harmonisé de désignation et de codification des marchandises (SH)

Classification type des biens (CTB)

Géographie

Classification géographique type (CGT)

CGT 2021

CGT 2016

CGT 2011

CGT 2006

CGT 2001

CGT 1996

CGT 1991

Programmes d'enseignement

Classification des programmes d'enseignement (CPE)

CPE 2021

CPE 2016

CPE 2011

CPE 2000

Principal domaine d'études (PDÉ)

Classification internationale type de l'enseignement (CITE)

Survol de SCANVIR (Code du cours 0420)

But

Faire découvrir aux participants le Système CANadien de Vérification et d'Imputation du Recensement, ou leur permettre d'approfondir leurs connaissances sur le sujet. Les participants recevront des exercices à réaliser en dehors des heures de cours.

Avantages pour les participants

À la fin de ce cours, les participants seront en mesure de construire leurs propres modules déterministes et/ou donneur afin de mettre en place une stratégie de V&I dans SCANVIR.  Ils auront une meilleure connaissance des différents paramètres qui peuvent être utilisés et comment SCANVIR fonctionne.

Population cible

Ce cours s'adresse aux employés qui s'intéressent ou travaillent à la vérification et imputation d'une enquête, en utilisant un outil commun flexible pouvant traiter un grand volume d'enregistrements, tout type de variable, et qui permet d'appliquer des règles au sein d'un enregistrement ou entre enregistrements (par exemple, les membres d'une même famille).

Sommaire du cours

  • Session1 : Introduction
  • Session2 : Imputation déterministe
  • Session3 : Imputation par donneur
  • Session4 : Comment SCANVIR traite les sous-unités
  • Session5 : Comprendre les fichiers et rapports de sortie de SCANVIR
  • Session6 : Options plus avancées
  • Session7 : Session de pratique et exercices additionnels

Modalité pédagogique : Cours en classe virtuelle

Durée : 4 demi-journées (pour un total de 15 heures).

Contact :

Pour toute question ou pour vous inscrire, communiquez avec nous à

statcan.msmdsstatstraining-msmsdformationstats.statcan@statcan.gc.ca

Théorie et application de la réconciliation (Code du cours 0437)

But

Familiariser les participants aux méthodes de réconciliation et au logiciel utilisé. La réconciliation est utilisée pour rétablir la cohérence d'un ensemble de séries chronologiques, en particulier, les règles d'additivité. Les contraintes temporelles peuvent être préservées si nécessaire.

Avantages pour les participants

À la fin de ce cours, les participants comprendront certaines des méthodes de réconciliation utilisées à Statistique Canada. Ils auront acquis les connaissances techniques pour résoudre des problèmes de réconciliation en SAS et en R, ainsi que pour analyser les résultats. Le cours comprend des volets techniques et théoriques.

Population cible

Ce cours s'adresse aux employés qui s'intéressent ou qui participent à la production et à l'analyse de séries réconciliées ou au processus de réconciliation en soi.

Sommaire du cours

Le cours couvre:

  • Réconciliation de règles à une ou deux dimensions, avec ou sans préservation des contraintes temporelles;
  • Coefficients d'altérabilité;
  • Réconciliation avec le prorata et méthode de réconciliation proportionnelle itérative;
  • Les méthodes de réconciliation disponibles en SAS et en R;
  • Ensemble de séries chronologiques régit par de multiples règles de réconciliation;
  • Préservation du mouvement.

La connaissance de SAS ou de R est un atout, mais n'est pas obligatoire.

Autres cours reliés

Il s'agit d'un cours spécialisé exigeant des connaissances de base en statistique. Le cours STC0436 Théorie et application de l'étalonnage est aussi disponible.

Modalité pédagogique : Cours en classe virtuelle

Durée : 2 demi-journées

Contact :

Pour toute question ou pour vous inscrire, communiquez avec nous à

statcan.timeseriessupportsoutienenserieschronologiques.statcan@statcan.gc.ca

Séances d'information

La série de séances d'information couvre divers sujets, y compris les graphiques, les tableaux et les concepts statistiques et méthodologiques, et convient aux débutants. Les séances durent habituellement entre 60 et 90 minutes et peuvent comprendre des composantes interactives pendant la session. Elles se terminent toutes par une période de questions et réponses où les participants sont invités à poser des questions précises. Une version électronique de la présentation est offerte aux participants. Cette importante occasion d'apprentissage permet d'aider les entreprises, les gouvernements et les particuliers à utiliser les données de façon plus efficace.

Séances d'information à venir

Aucun événement n’est prévu au cours des prochains mois.

Séances d'information passés

Formation sur la littératie des données

Data literacy banner

En tant qu'organisme national de statistique du Canada, Statistique Canada s'est engagé à transmettre ses connaissances et son expertise afin d'aider tous les Canadiens et toutes les Canadiennes à développer leurs compétences en matière de littératie des données. Le but de la formation est de fournir aux apprenants et apprenantes de l'information sur les concepts et les compétences de base à l'égard d'un éventail de sujets liés à la littératie des données.

La formation s'adresse aux personnes qui commencent à travailler avec les données et aux personnes qui ont une certaine expérience de travail avec les données, mais qui souhaitent mettre leurs connaissances à jour ou les approfondir. Nous vous invitons à consulter notre catalogue d'apprentissage pour en savoir plus sur nos offres, y compris une grande collection de courtes vidéos. Assurez-vous de revenir ponctuellement puisque nous allons continuer à diffuser de nouvelles formations.

Qu'est-ce que la littératie des données?

La littératie des données est la capacité de tirer des renseignements utiles des données. Elle met l'accent sur les compétences nécessaires pour travailler avec les données, y compris les connaissances et les compétences requises pour les lire, les analyser, les interpréter, les visualiser et les communiquer ainsi que pour comprendre comment elles sont utilisées dans la prise de décisions.

La littératie des données signifie également avoir les connaissances et les compétences nécessaires pour bien assurer l'intendance des données, ce qui comprend la capacité d'évaluer la qualité des données, de les protéger et de les sécuriser, et d'en assurer l'utilisation responsable et éthique.

Compétences en littératie des données

Les compétences en matière de littératie des données sont les compétences et les connaissances dont vous avez besoin pour travailler efficacement avec les données.

Cheminement des données

Le cheminement des données représente les étapes clés du processus appliqué aux données, allant de la recherche et de l'exploration des données jusqu'à la présentation de l'histoire des données.

Catalogue d'apprentissage

Jetez un coup d'œil à la formation sur la littératie des données disponible de Statistique Canada.

Parcours d'apprentissage

Utilisez ce guide pour vous aider à naviguer dans votre parcours de la littératie des données.

A cartoon mountain - Une montagne de dessin animé

Votre parcours d’apprentissage

Nous avons tous notre propre cheminement des données à parcourir. Le vôtre dépendra de votre point de départ, de vos objectifs et du temps dont vous disposez. La bonne nouvelle ? Vous pouvez adapter cette expérience d’apprentissage à vos besoins.

Nous sommes là pour vous guider—que vous soyez débutant en données ou expert en science des données. Peu importe la difficulté du parcours, nous sommes là pour aider chaque apprenant à trouver son propre chemin vers le sommet.

Parcours d'apprentissage pour tous

Complétez nos cours gratuits en ligne à votre rythme

Inscrivez-vous à la formation payante dispensée par les enseignants

Parcours d'apprentissage pour les employés fédéraux, provinciaux, territoriaux ou municipaux

Complétez notre cours gratuit en ligne à votre rythme

Parcours d'apprentissage pour les employés fédéraux

Complétez nos cours gratuits en ligne à votre rythme (École de la fonction publique du Canada)

Pour obtenir des renseignements généraux au sujet de nos cours y compris comment s'y inscrire, communiquez avec la Direction des études analytiques et de la modélisation : statcan.asbtraining-deaformation.statcan@statcan.gc.ca

Compétences en matière de littératie des données

Les compétences en matière de littératie des données sont les compétences et les connaissances dont vous avez besoin pour travailler efficacement avec les données.

Analyse des données
Connaissance et compétences requises pour poser une série de questions et y répondre en analysant les données, notamment en élaborant un plan d'analyse, en sélectionnant et en utilisant des techniques et des outils statistiques appropriés, et en interprétant, en évaluant et en comparant les résultats avec d'autres conclusions.
Collecte de données
La connaissance et les compétences requises pour rassembler des données sous des formes simples et plus complexes pour répondre aux besoins de la personne responsable de la collecte. Ce processus peut comprendre la planification, l'élaboration et la réalisation d'enquêtes ou la collecte de données provenant d'autres sources, comme les données administratives, les données satellites ou les données de médias sociaux.
Création et utilisation des métadonnées
La connaissance et les compétences requises pour extraire et créer de la documentation utile pour permettre d'utiliser et d'interpréter correctement les données. Ce processus comprend la documentation des métadonnées, c'est-à-dire les définitions et descriptions sous-jacentes des données.
Découverte de données
La connaissance et les compétences requises pour chercher, identifier et localiser les données ainsi que pour y accéder à partir d'un grand éventail de sources liées aux besoins d'une organisation.
Éthique des données
La connaissance qui permet à une personne d'acquérir, d'utiliser, d'interpréter et de partager des données de manière éthique, y compris la prise en considération des questions juridiques et éthiques (p. ex. biais, protection des renseignements personnels).
Évaluation de la qualité des données
La connaissance et les compétences requises pour faire une évaluation critique des sources de données pour vérifier qu'elles répondent aux besoins d'une organisation. Il s'agit notamment de cibler les erreurs ou les problèmes et de prendre des mesures pour les corriger. Pour ce faire, il faut également posséder une connaissance des politiques, procédures et normes organisationnelles visant à garantir la qualité des données.
Évaluation des décisions en fonction des données
La connaissance et les compétences requises pour évaluer une série de sources de données et de faits probants afin de prendre des décisions et des mesures. Ce processus peut comprendre le suivi et l'évaluation de l'efficacité des politiques et des programmes.
Exploration des données
La connaissance et les compétences requises pour connaître le contenu des données au moyen d'une série d'outils et de méthodes. Les méthodes comprennent les statistiques sommaires; les tableaux statistiques; la détection des valeurs aberrantes; et la visualisation afin d'explorer les tendances dans les données et les interactions entre elles.
Gestion et organisation des données
La connaissance et les compétences requises pour naviguer dans les systèmes internes et externes pour localiser, obtenir, organiser, protéger et stocker les données liées aux besoins d'une organisation.
Histoire des données
La connaissance et les compétences requises pour décrire les principaux points d'intérêt des données statistiques (c.-à-d. des données qui ont été analysées). Il s'agit notamment de définir le résultat souhaité de la présentation, de déterminer les besoins du public et son niveau de connaissance du sujet, d'établir le contexte et de sélectionner des visualisations efficaces.
Intendance des données
La connaissance et les compétences requises pour gérer efficacement les actifs en données, y compris la surveillance des données pour vérifier qu'elles sont adaptées à l'utilisation, qu'elles sont accessibles et qu'elles sont conformes aux politiques, directives et règlements.
Interprétation des données
La connaissance et les compétences requises pour lire et comprendre les tableaux, graphiques et diagrammes, et définir les points d'intérêt. L'interprétation des données comprend également la synthèse des données provenant de sources connexes.
Modélisation des données
La connaissance et les compétences requises pour appliquer des techniques et d'outils statistiques et analytiques avancés (p. ex. la régression, l'apprentissage automatique, l'exploration de données) pour étudier les données et créer des solutions de modélisation précises, valides et efficaces qui peuvent être utilisées pour trouver des relations entre les données et faire des prédictions sur ces dernières.
Nettoyage des données
La connaissance et les compétences requises pour vérifier si les données sont « propres » et résoudre les problèmes éventuels en utilisant les meilleures méthodes et les meilleurs outils pour s'assurer que les données sont adaptées à l'analyse.
Outils de données
La connaissance et les compétences requises pour utiliser des outils, des logiciels et des processus appropriés pour recueillir, organiser, analyser, visualiser et gérer les données.
Prise de décisions fondée sur des données probantes
La connaissance et les compétences requises pour utiliser les données dans le cadre de la prise de décisions et de l'élaboration des politiques. Il s'agit notamment de faire preuve d'esprit critique lorsqu'on traite des données, de formuler des questions professionnelles appropriées, de définir les ensembles de données appropriés, de décider des priorités en matière de mesure, de hiérarchiser les renseignements obtenus à partir des données, de convertir les données en renseignements exploitables, et d'évaluer les mérites et les incidences des solutions et décisions possibles.
Sensibilisation aux données
Les connaissances requises pour comprendre ce que sont les données et les différents types de données. Ces connaissances visent notamment à comprendre l'utilisation des concepts et des définitions des données.
Visualisation des données
La connaissance et les compétences requises pour créer des tableaux, des graphiques et des diagrammes utiles qui offrent une présentation visuelle des données, y compris l'évaluation de l'efficacité des représentations visuelles (p. ex. l'utilisation du graphique adéquat) en tenant compte de leur exactitude pour éviter une fausse représentation des données.