Série Sénégal — démonstration intégrée pour l’IIPE-UNESCO

Chaque volet de l’offre technique, étayé par une preuve reproductible sur un univers éducatif sénégalais simulé

Page d’entrée de la série « Sénégal ». Cette série est le miroir reproductible d’une offre technique de consultance IIPE-UNESCO : à chaque volet attendu correspond un notebook qui en démontre les méthodes, de bout en bout, sur un même univers éducatif sénégalais simulé. Elle réunit économétrie d’effets, modélisation multiniveau, données longitudinales, psychométrie (IRT, DIF, bifactoriel), ingénierie d’échantillonnage et apprentissage automatique interprétable — chaque résultat calibré, chaque choix documenté.

Author

Francisco Martin-Gomez

Published

July 3, 2026

L’idée de la série

Cette série démontre, volet par volet, les compétences d’une consultance d’analyses statistiques et économétriques appliquées à l’éducation. Plutôt que six études indépendantes, elle repose sur un univers éducatif sénégalais unique et simulé — 14 régions, 16 inspections d’académie, 55 IEF, 2 500 écoles, ~15 700 enseignants et 3 500 centres préscolaires — dont chaque volet exploite une facette. Les mêmes enseignants circulent de l’allocation à la présence en classe ; les mêmes élèves portent les acquis ; un sous-ensemble préscolaire alimente l’étude d’échantillonnage. C’est cette colonne vertébrale partagée qui rend la démonstration intégrée et articulée, et non juxtaposée.

Un principe traverse tout : le socle fixe une « vérité » (des effets, des structures), et chaque volet doit la retrouver par une chaîne d’inférence honnête — en distinguant systématiquement l’effet réel de l’artefact (composition, biais de mesure, extrapolation). La valeur démontrée n’est pas la découverte, planifiée, mais la rigueur de la méthode.

NoteNature des données

L’ensemble des données est simulé. Les structures administratives et les ordres de grandeur sont réalistes ; les effets et les biais analysés sont délibérément injectés puis récupérés, afin de démontrer la maîtrise méthodologique de bout en bout. Chaque notebook signale explicitement ses éléments simulés.

Correspondance offre → preuve

Volet de l’offre Notebook Ce qui est démontré Résultat-clé récupéré
Fondation Socle de données Univers intégré, latentes et liens causals, contrat de données Garde-fous validés (présence~gouvernance r≈0,71)
Transversal Moteur d’indicateurs Bibliothèque R réutilisable : TBS/TNS, parité, ratio élèves-maître, Lorenz/Gini ; désagrégation générique TBS 80 %, Gini de dotation 0,124
1 — Allocation des ressources V1 — Allocation Effet économétrique d’une réforme sur le ratio élèves-maître ; OLS groupé vs multiniveau ; équité Effet réforme −26 % (ajusté), naïf biaisé à −16 %
2 — Décentralisation V2 — Décentralisation Décomposition de variance, efficience managériale et canaux, équité de genre, goulets par NLP 77,6 % de variance inter-IA ; interaction genre×enclavement
3 — Présence enseignante V3 — Présence / panel Nettoyage de 3 vagues, appariement d’entités, panel, GLMM à sur-dispersion Tendance différenciée +0,322 ; attrition différentielle isolée
4 — Acquis scolaires V4 — Acquis / DIF · ML IRT 2PL, DIF état-de-l’art (purification, ETS, triangulation), désagrégation avant/après, ML+SHAP Items biaisés récupérés ; écart d’équité −0,46 → −0,41 σ
5 — Préscolaire V5 — Préscolaire Plan stratifié 2 degrés PPS + pilote bifactoriel (CFA, IRT, ω_h, DIF) + estimation sous plan ω_h 0,753 ; prévalence désagrégée sous plan

Architecture

flowchart TD
  S["Socle — univers Sénégal<br/>(CSV canoniques)"]
  T["Transversal — moteur d'indicateurs"]
  V1["V1 — Allocation"]
  V2["V2 — Décentralisation (+ NLP Python)"]
  V3["V3 — Présence / panel"]
  V4["V4 — Acquis / DIF (+ ML Python)"]
  V5["V5 — Préscolaire (échantillonnage + psychométrie)"]
  S --> T
  S --> V1
  S --> V2
  S --> V3
  S --> V4
  S --> V5
  T -.réutilisé par.-> V1
  T -.réutilisé par.-> V2

Ce que la série met en œuvre

  • Économétrie d’effets : quasi-expérimentation, erreurs-types groupées, tests d’interaction, prudence d’interprétation (V1, V2, V3).
  • Modélisation multiniveau : décomposition de variance, effets aléatoires, ajustements singuliers compris et documentés (V1, V2, V3).
  • Données longitudinales : nettoyage de vagues, appariement d’entités, panel, GLMM à sur-dispersion, effet intra vs composition (V3).
  • Psychométrie : IRT 2PL et bifactoriel, DIF à l’état de l’art (purification d’ancrages, DIF uniforme/non uniforme, contrôle FDR, tailles d’effet ETS, triangulation), CFA catégorielle, fiabilité oméga hiérarchique (V4, V5).
  • Ingénierie d’échantillonnage : plan stratifié à deux degrés, tirage PPS, pondération, estimation sous plan à intervalles linéarisés (V5, et Projet 21).
  • Apprentissage automatique interprétable : gradient boosting + SHAP, avec la distinction association prédictive / effet causal (V4).
  • Traitement du langage : topics et sentiment (embeddings multilingues, BERTopic) en triangulation qualitative (V2).
  • Reproductibilité : pipelines Quarto, graines fixées, renv (R) et requirements.txt (Python), échanges R ↔︎ Python par fichiers.

Reproduire la série

L’ordre reflète la logique de travail réelle : d’abord l’inception (socle + outils), puis les volets.

  1. Environnement. renv::restore() (R) ; pip install -r requirements.txt (Python). Les scripts Python se lancent depuis le dossier projects/ (les chemins sont relatifs à cette racine).
  2. Inception. 50_senegal_spine_data.qmd (écrit les CSV dans files/projet_50/), puis 50_senegal_tx_outils_indicateurs.qmd.
  3. Volets. V1, puis V2 (avec 50_senegal_v2_nlp.py entre les chunks NLP), V3, V4 (avec 50_senegal_v4_ml.py entre l’export et la relecture), V5.
  4. Traçabilité. sessionInfo() clôt les notebooks lourds ; renv.lock et requirements.txt figent les versions.

Portée et honnêteté méthodologique

La série est une démonstration de compétences sur données simulées, pensée en regard d’une offre technique réelle. Les effets et biais sont injectés puis récupérés : la preuve porte sur la chaîne d’inférence, pas sur des faits empiriques sénégalais. En conditions réelles s’ajouteraient l’endogénéité des réformes, la contextualisation et le pré-test des instruments, la validation de l’appariement sur échantillon étiqueté, et les arbitrages d’allocation d’échantillon — autant de points que chaque notebook nomme dans sa section de portée. Cette transparence est délibérée : elle est le pendant méthodologique de la rigueur que la série entend démontrer.