Apprendre ce qu'est la désagrégation des données et comment la désagrégation des données peut être utilisée à différentes étapes du cycle d'élaboration des politiques.
Public cible :
Analystes des politiques juniors ou ceux et celles ayant moins d'expérience avec les données.
Format :
Formation virtuelle dirigée par un instructeur sur 3 jours consécutifs (de 10h à 15h chaque jour), avec une pause d'une heure au dîner.
Structure du cours :
Six modules
Module 1 : Introduction
Apprenez ce qu'est la désagrégation des données et pourquoi elle est importante.
Module 2 : Identifier les groupes cibles en utilisant les principales conclusions des données désagrégées
Apprenez à trouver des rapports et des tableaux de données sur le site Web de Statistique Canada liés au sujet étudié ;
Apprenez à utiliser les données désagrégées pour identifier les groupes de population les plus pertinents pour informer une initiative politique donnée.
Module 3 : Normes et qualité des données désagrégées
Apprenez l'importance et la disponibilité des normes de données ;
Apprenez les indicateurs de qualité des données et les intervalles de confiance et comment ils peuvent vous aider à tirer des conclusions sur les différences entre les groupes.
Module 4 : Suppression des données et opportunités de développement des données
Apprenez la suppression des données en raison de la confidentialité et/ou de la qualité des données ;
Apprenez les options pour contourner la suppression des données ;
Prenez conscience des opportunités de développement des données.
Module 5 : Communiquer les résultats découlant des données désagrégées
Apprenez les composantes des histoires de données ;
Apprenez les principes d'une bonne histoire de données désagrégées.
Module 6 : Résumé et activité finale
Activités du cours :
Études de cas et scénarios basés sur des exemples de politiques canadiennes ;
Exercices de démonstration et d'application ;
Sondages de groupe et discussions en petits groupes ;
Activités individuelles et en petits groupes.
Prix
500$ par participant
Sessions à venir et personnes-ressources
Veuillez consulter les dates des sessions à venir ci-dessous.
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
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
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.
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.
Les compétences en matière de littératie des données sont les compétences et les connaissances dont vous avez besoin pour travailler efficacement avec les 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.
Utilisez ce guide pour vous aider à naviguer dans votre parcours de la littératie des données.
Votre parcours d’apprentissage
Nous avons tous notre propre cheminement des données à parcourir. Ce parcours d'apprentissage sera différent pour chaque apprenant. Cela dépendra, entre autres, du niveau de connaissances de base et des objectifs de chacun. La bonne nouvelle est que les apprenants peuvent personnaliser leur parcours d'apprentissage en fonction de leurs besoins et du temps dont ils disposent.
Nous sommes là pour aider chaque apprenant à trouver son propre chemin vers le sommet, même si le voyage peut sembler intimidant au début.
Considérez-nous comme votre guide sur le cheminement des données. Qu’importe votre parcours, nous nous adressons à tous, du débutant au scientifique des données.
Parcours d’apprentissage pour les employés fédéraux, provinciaux, territoriaux ou municipaux
Inscrivez-vous à la formation dispensée par les enseignants
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
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.
Appuyé par une base d'intendance, métadonnées, normes et qualité
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.
Le cheminement des données représente les étapes clés du processus appliqué aux données. Le cheminement n'est pas nécessairement linéaire; il vise à représenter les différentes étapes et activités qui pourraient être entreprises en vue de produire de l'information significative à partir des données.
Étape 1 : Définir, trouver, recueillir
La première étape consiste à obtenir des données, qu'il s'agisse d'utiliser une base de données préétablie ou d'établir les variables nécessaires et de créer et mettre en œuvre une méthode de collecte. Des mesures de sécurité devraient être établies et mises en œuvre pour protéger l'intégrité des données une fois qu'elles ont été recueillies.
Les compétences suivantes s'appliquent à cette étape : la découverte, la collecte, la gestion et l'organisation des données.
Étape 2 : Explorer, nettoyer, décrire
Il faut explorer les données pour comprendre le format et les variables et les vérifier pour voir s'il y a des erreurs et des valeurs manquantes. Il peut être nécessaire de nettoyer les données avant de les utiliser à des fins d'analyse, ce qui comprend notamment la correction du formatage, le retrait ou la correction de données erronées, ou tout simplement le retrait d'espace supplémentaire. Il est important de documenter ce que vous avez trouvé et ce que vous avez fait pour nettoyer les données.
Les compétences suivantes s'appliquent à cette étape : le nettoyage et l'exploration des données.
Étape 3 : Analyser, modéliser
Le but de l'analyse et de la modélisation est d'utiliser des techniques statistiques pour transformer les données en information afin de fournir des observations utiles. L'analyse et la modélisation servent à décrire un phénomène, à tirer des conclusions au sujet d'une population ou à faire des prédictions au sujet d'événements futurs.
Les compétences suivantes s'appliquent à cette étape : l'analyse et la modélisation des données, et/ou l'évaluation de décisions en fonction des données.
Étape 4 : Raconter l'histoire
L'information statistique qui provient de l'analyse et de la modélisation est plus facile à assimiler si elle est présentée sous forme d'histoire. Il peut s'agir d'un document de recherche, d'une infographie, d'un article pour les médias ou d'une combinaison de ces méthodes et d'autres méthodes de présentation des données.
Les compétences suivantes s'appliquent à cette étape : l'interprétation et la visualisation des données, et/ou l'histoire des données.
Connaissance et compétences de base : intendance, métadonnées, normes et qualité
Pour suivre avec succès les étapes du cheminement des données, il est essentiel de bâtir votre travail sur une base solide d'intendance, de métadonnées, de normes et de qualité.
L'intendance englobe toutes les activités visant à régir et à protéger les données.
Les métadonnées devraient décrire l'ensemble du traitement et des manipulations dont les données ont fait l'objet.
Les méthodes, les pratiques et les classifications standards devraient être appliquées tout au long du processus.
La qualité devrait être gérée de façon proactive tout au long du processus et tous les produits livrables doivent être assortis d'indicateurs de qualité pertinents.
