Six lignes, deux sources, un tableau

À quoi sert le tableau

La leçon 4 a établi que quatre instruments donnent quatre réponses. La réponse de l’IPC à cela n’est pas d’en choisir un, de les moyenner, ni de trouver le vrai nombre. C’est de les disposer de façon qu’un groupe d’analystes puisse en débattre de manière structurée et consigner ce qu’il a conclu.

Chaque ligne d’un tableau de preuves porte cinq choses :

Colonne	Ce qu’elle contient	Qui la fournit
Indicateur	La mesure, par son nom	Le standard
Valeur	Le nombre, avec son dénominateur et son n	L’analyste
Table de référence	Les seuils de phase pour cet indicateur	Le manuel IPC
Phase	La phase dans laquelle tombe la valeur	L’arithmétique
Fiabilité	Le poids que cette ligne peut porter	Le jugement de l’analyste

La cinquième colonne est celle qui ne se calcule pas, et c’est elle qui fait du tableau un argument plutôt qu’une liste.

Construire les lignes

import pandas as pd

evidence = pd.DataFrame([
    {"indicator": "Food Consumption Score, poor",
     "value": "7.4%", "n": 1989, "source": "household survey"},
    {"indicator": "Household Hunger Scale, moderate or severe",
     "value": "42.9%", "n": 2075, "source": "household survey"},
    {"indicator": "reduced Coping Strategy Index, 19 or above",
     "value": "51.0%", "n": 2112, "source": "household survey"},
    {"indicator": "Livelihood coping, crisis or emergency",
     "value": "48.5%", "n": 2121, "source": "LCS module"},
    {"indicator": "Maize price, year on year at the lean peak",
     "value": "+22%", "n": 10, "source": "market monitoring"},
    {"indicator": "Wage to maize terms of trade, change",
     "value": "-49%", "n": 10, "source": "market monitoring"},
])
print(evidence)

library(dplyr)

evidence <- tibble::tribble(
  ~indicator,                              ~value,   ~n,   ~source,
  "FCS poor",                              "7.4%",  1989, "household survey",
  "HHS moderate or severe",               "42.9%",  2075, "household survey",
  "rCSI >= 19",                           "51.0%",  2112, "household survey",
  "LCS crisis or emergency",              "48.5%",  2121, "LCS module",
  "Maize price, year on year",             "+22%",    10, "market monitoring",
  "Wage terms of trade, change",           "-49%",    10, "market monitoring"
)

Six lignes, deux sources, six dénominateurs différents. Construire le tableau en code depuis le script même qui a calculé les nombres est ce qui empêche les valeurs de dériver par rapport à l’analyse — le même argument que le tableau de dénominateurs EAH, dans un autre secteur.

Preuves directes et indirectes

L’IPC sépare les preuves selon leur proximité au résultat classé.

La preuve directe mesure le résultat lui-même : consommation alimentaire, état nutritionnel, mortalité. Les lignes SCA et ÉFM sont directes.

La preuve indirecte mesure quelque chose qui cause ou accompagne le résultat : prix, termes de l’échange, pluviométrie, déplacement, conflit. Les deux lignes de marché sont indirectes.

Une preuve indirecte ne peut pas classer à elle seule. Une chute de 49 % des termes de l’échange du salaire est un argument puissant que la consommation va se dégrader, et ce n’est pas une mesure de la consommation. La distinction compte parce qu’une analyse à court de preuves directes dispose souvent de beaucoup de preuves indirectes et est tentée de les promouvoir.

Mais c’est la preuve indirecte qui rend une classification prospective. Les indicateurs de ménage décrivent la soudure qui a eu lieu ; la série de prix décrit celle qui court encore. C’est pourquoi une analyse IPC produit une classification courante et une projection, et la projection s’appuie sur les lignes indirectes.

La fiabilité, et pourquoi elle est notée

Toutes les lignes ne méritent pas le même poids, et les raisons sont celles que ce cours accumule depuis le début.

evidence["reliability"] = [
    "high — 1,989 households, standard instrument",
    "high — 2,075 households, standard instrument",
    "medium — no context-specific threshold established",
    "medium — 58 households cannot be classified above crisis",
    "medium — balanced panel of 10 of 12 markets",
    "medium — same panel; wage series is a single occupation",
]
print(evidence[["indicator", "value", "reliability"]])

# The reliability column is prose, and it is the part that gets read.

Écrivez la raison, non une note. « Moyenne » ne dit rien au lecteur ; « 58 ménages ne peuvent pas être classés au-delà de la crise » lui dit exactement de combien décoter la ligne et dans quel sens.

Quatre choses qui abaissent la fiabilité, toutes rencontrées plus tôt dans ce cours :

• Un dénominateur plus petit que l’échantillon — les 1 989 sur 2 112 du SCA.
• Un seuil emprunté plutôt qu’établi — le 19 de l’ICSR.
• Un panel dont la composition a changé — la série de prix sans MK001.
• Une règle appliquée là où les données ne la soutiennent pas — un maximum de sévérité sur un module partiellement administré.

À quoi ressemble une convergence

evidence["direction"] = ["worse", "worse", "worse", "worse", "worse", "worse"]
print(f"rows pointing the same way: "
      f"{(evidence['direction'] == 'worse').sum()} of {len(evidence)}")

# Six of six. That is convergence — and it is not the same as agreement on level.

Les six lignes pointent dans le même sens et divergent sur la sévérité d’un facteur sept. Cette combinaison — convergence forte sur le sens, désaccord large sur le niveau — est le motif réel le plus fréquent, et le tableau est ce qui permet de dire les deux à la fois.

Les mauvaises lectures méritent d’être nommées.

« Ils divergent, donc les données sont mauvaises. » Ils divergent parce qu’ils mesurent des choses différentes, et le désaccord porte le diagnostic : adaptation et épuisement d’actifs élevés, déficit alimentaire sévère pas encore.

« Quatre lignes sur six dépassent 40 %, donc c’est au-dessus de 40 %. » Voter entre des indicateurs mesurant des quantités différentes n’estime rien du tout.

« La ligne la plus sévère est la plus sûre. » Pas plus que la moins sévère. La ligne que vous mettez en tête doit être celle dont la fiabilité est la plus forte pour la décision en jeu, et les autres l’accompagnent.

Le tableau tel qu’il entre en atelier

Evidence table — lean season 2024, four districts

  Direct evidence
    FCS poor (28/42 set)          7.4%   n=1,989   high reliability
    HHS moderate or severe       42.9%   n=2,075   high
    rCSI >= 19                   51.0%   n=2,112   medium, threshold not local
    LCS crisis or emergency      48.5%   n=2,121   medium, 58 partial modules

  Indirect evidence
    Maize, year on year at peak   +22%   10 markets, balanced panel
    Wage terms of trade           -49%   10 markets, same panel

  Convergence: six of six rows indicate deterioration.
  Divergence: severity estimates range from 7.4% to 51.0%, reflecting
  different constructs rather than measurement error.
  Not available: nutritional status, mortality, food access at the
  household level in physical quantities.

Le bloc « non disponible » n’est pas une formalité. La nutrition et la mortalité sont les deux indicateurs de résultat que l’IPC pondère le plus lourdement, et une analyse qui en est privée classe sur la seule consommation et la seule adaptation. Le dire est ce qui empêche le lecteur suivant de supposer qu’ils ont été examinés et jugés sans particularité.

La suite

Le tableau est assemblé. La dernière leçon porte sur ce qu’un groupe de travail a le droit d’en conclure — la phrase qu’affirme une classification en phase 3, celle qu’elle n’affirme pas, et la règle de seuil que la plupart de ceux qui citent une phase n’ont jamais lue.