Formations
Les formations s'appuient sur des données de routine plutôt que sur des jeux de données pédagogiques bien rangés. Vous rencontrerez des valeurs manquantes, des codages incohérents et des dénominateurs contestés, parce que c'est ce qui arrive réellement.
Construire un tableau de bord que quelqu'un ouvre deux fois, et rédiger le rapport bailleur autour — y compris l'actualisation, les réserves et le panneau de définitions qui met fin à la dispute mensuelle.
Des graphiques qui survivent à une imprimante, à un vidéoprojecteur et à un relecteur sceptique, construits sous matplotlib et ggplot2 selon les conventions que chaque cluster lit déjà couramment.
Le raisonnement contrefactuel et les protocoles qui le rendent possible — randomisation, différences de différences, appariement et régression sur discontinuité — et comment énoncer les limites d'une comparaison avant-après.
Modèles linéaires, logistiques et multiniveaux ajustés sur des données d'enquête et de routine, avec une interprétation rédigée pour un responsable de programme non statisticien.
Rendre l'analyse réexécutable par la personne qui vous remplacera — gestion de versions, environnements figés, rapports paramétrés et une organisation de projet qui survit à une passation.
Incertitude, comparaison et signification statistique, enseignées autour des affirmations que porte un rapport de programme — et non selon une séquence de tests tirée d'un manuel.
Conduire une évaluation de la qualité des données de routine comme le ferait un auditeur bailleur — facteurs de vérification, cohérence temporelle, et un rapport qui nomme la correction autant que le défaut.
Inscriptions, présence, rétention et résultats d'apprentissage, avec le calendrier scolaire et la distinction inscription/présence qui met en défaut tous les tableaux de bord.
Calculer correctement le SCA, l'ICSR, l'ÉFM et les stratégies d'adaptation, puis les utiliser comme le fait un atelier d'analyse IPC — comme un faisceau d'indices convergents, non comme un score unique.
Rédiger des définitions d'indicateurs assez précises pour que deux analystes les calculant séparément obtiennent le même chiffre, et rattacher chacune au changement qu'elle est censée attester.
Anthropométrie, indicateurs d'admission et de sortie, et une enquête SMART analysée de bout en bout au regard des normes de croissance de l'OMS et des seuils de performance Sphere.
Analyser des données de référencement, de gestion de cas et d'incidents dans le respect des règles de sécurité et de confidentialité du secteur — y compris les analyses qu'il faut refuser de publier.
Incidence, prévalence, cascades et couverture pour les programmes VIH, tuberculose, paludisme et vaccination, ainsi que la courbe épidémique qu'il faudra peut-être tracer dans l'urgence.
Travailler avec un système d'information sanitaire agrégé — ses éléments de données, sa hiérarchie d'unités d'organisation et sa logique de périodes — et répondre à la question qui suit toujours : qu'a-t-on exactement compté ?
Analyser correctement une enquête en grappes à deux degrés — pondérations, strates, effet de plan et intervalles de confiance — selon les conventions déjà imposées par les EDS, les MICS et la méthodologie SMART.
Accès à l'eau, qualité et fonctionnalité des points d'eau au regard des échelles de service du JMP et des indicateurs Sphère, y compris le résiduel de chlore que personne ne consigne régulièrement.
Valeurs manquantes, doublons, mesures impossibles et codages incohérents — comment repérer chaque cas, décider du traitement et laisser une trace qu'un auditeur de données peut suivre.
Listes de ménages et de membres, groupes répétés, admissions et sorties, et agrégats mensuels qui doivent s'aligner sur un dénominateur de population.
Le Python dont un chargé de suivi-évaluation a réellement besoin — environnements, pandas, dates, codes catégoriels et formats de fichiers — enseigné sur des exports d'enquêtes et de registres plutôt que sur des données factices.
Le même terrain que le cours Python, mais en R — projets et renv, readr et haven, les verbes dplyr, forcats et tidyr — enseigné sur des exports d'enquêtes et de registres, en nommant les réglages par défaut qui diffèrent de pandas plutôt qu'en les passant sous silence.
Charger, nettoyer et synthétiser les données de routine d'un programme, en Python comme en R, puis les convertir en tableaux d'indicateurs exploitables dans un rapport bailleur.