PRÉLIMINAIRES

I. Positionnement et Finalité de l’Unité d’Enseignement

Cette Unité d’Enseignement (UE) constitue le socle quantitatif indispensable à tout futur économiste ou gestionnaire opérant en RDC. Elle transcende la simple collecte de données pour armer l’étudiant des outils d’inférence statistique, lui permettant de transformer l’incertitude en risque mesurable et la donnée brute en décision stratégique. La finalité est de produire des analystes capables de valider ou d’invalider des hypothèses économiques avec une rigueur scientifique, un atout décisif pour la planification au sein des entreprises et des institutions publiques congolaises.

II. Compétences Visées et Débouchés Professionnels

L’assimilation de cette UE forge une compétence clé : la capacité à conduire une analyse quantitative de bout en bout, de la formulation d’une problématique à la présentation de résultats fiables et interprétables. L’étudiant deviendra apte à estimer des indicateurs de marché, tester l’efficacité d’une politique commerciale ou évaluer l’impact d’un projet de développement. Ces savoir-faire ouvrent directement la voie aux métiers d’analyste de données junior, de chargé d’études pour une institution de microfinance à Kinshasa, ou d’assistant de planification pour une PME du secteur agro-industriel.

III. Prérequis et Articulation avec le Cursus

Une maîtrise solide des concepts de la statistique descriptive (indicateurs de tendance centrale, de dispersion) et des probabilités élémentaires, couverts en Licence 1, est impérative. Cette UE “Statistique 2” est le pont logique vers les cours d’Économétrie du Semestre 4, où les modèles de régression introduits ici seront approfondis. Elle fournit également l’appareillage méthodologique pour la réalisation du travail de fin de cycle, en garantissant la robustesse des analyses empiriques qui y seront menées.

IV. Modalités d’Évaluation et de Validation des Crédits

La validation des 8 crédits ECTS est conditionnée par une évaluation intégrale et continue. Elle se décompose en : un examen sur table à mi-parcours (30%), la réalisation et la soutenance d’un projet de mini-enquête de terrain en groupe (40%), et un examen final portant sur l’ensemble de la matière (30%). La participation active aux Travaux Dirigés et Pratiques est obligatoire et conditionne l’accès à l’examen final. L’échec à une ECUE entraîne la conservation des crédits de l’ECUE validée, conformément au système LMD.

PARTIE 1 : Statistique Inférentielle

Chapitre I. Fondements de la Théorie de l’Échantillonnage

I.1 L’inférence statistique comme pont entre l’échantillon et la population

Face à l’impossibilité matérielle et financière de recenser l’entièreté d’une population, comme les PME du secteur informel de Kinshasa, l’échantillonnage offre une solution rigoureuse. Ce point établit la logique fondamentale de l’inférence : utiliser les informations d’un sous-ensemble (l’échantillon) pour tirer des conclusions généralisables et chiffrées sur l’ensemble (la population). La maîtrise de cette démarche est la condition sine qua non de toute étude de marché ou sondage d’opinion crédible.

I.2 Méthodes d’échantillonnage probabilistes et non-probabilistes

Distinctes par leur méthode de sélection, les techniques probabilistes (aléatoire simple, stratifié, en grappes) garantissent que chaque unité de la population a une chance connue d’être sélectionnée, assurant la représentativité. Nous les opposons aux méthodes non-probabilistes (de convenance, par choix raisonné), souvent utilisées pour des études exploratoires. Le choix judicieux de la méthode est crucial pour la validité externe des résultats, notamment pour évaluer les besoins d’une communauté locale pour un projet de développement.

I.3 Détermination de la taille de l’échantillon et marge d’erreur

Sous l’angle de la précision, la taille de l’échantillon n’est pas arbitraire. Elle est le fruit d’un calcul qui arbitre entre le niveau de confiance souhaité, la marge d’erreur acceptable et l’hétérogénéité de la population. Cette section fournit les formules et la méthodologie pour calculer une taille d’échantillon optimale, permettant ainsi aux futurs gestionnaires de budgétiser avec précision le coût d’une enquête pour une entreprise de la place ou une ONG.

I.4 Distributions d’échantillonnage et Théorème Central Limite

Le Théorème Central Limite constitue la pierre angulaire de l’inférence statistique. Il postule que la distribution des moyennes d’échantillons tend vers une loi normale, quelle que soit la distribution de la population mère, pourvu que l’échantillon soit assez grand. Cette propriété mathématique puissante est ce qui nous autorise à utiliser la loi normale pour construire des intervalles de confiance et réaliser des tests d’hypothèses, même sans connaître la loi de la variable étudiée.

Chapitre II. Théorie de l’Estimation Ponctuelle et par Intervalle

II.1 Estimation ponctuelle des paramètres d’une population

Une estimation ponctuelle fournit une valeur unique (moyenne, proportion, variance) calculée sur l’échantillon pour approcher le paramètre inconnu de la population. Par exemple, le revenu moyen d’un échantillon de planteurs de café du Kivu est une estimation ponctuelle du revenu moyen de tous les planteurs de la région. Ce sous-chapitre se concentre sur le calcul et la signification de ces estimateurs, qui sont le premier résultat tangible d’une analyse.

II.2 Construction et interprétation d’un intervalle de confiance

La construction d’un intervalle de confiance encadre l’estimation ponctuelle d’une marge d’erreur, traduisant le degré d’incertitude lié à l’échantillonnage. Affirmer avec 95% de confiance que le taux de bancarisation en RDC se situe entre 15% et 19% est une information bien plus riche pour un décideur qu’une simple estimation ponctuelle de 17%. Nous détaillons ici la méthode de construction et, surtout, l’art de son interprétation correcte en langage de gestion.

II.3 Propriétés des estimateurs : Biais, Efficacité, Convergence

Pour choisir le meilleur outil de mesure, un analyste doit connaître les propriétés de ses estimateurs. Un estimateur sans biais ne sur-estime ni ne sous-estime systématiquement le vrai paramètre. Un estimateur efficace a la plus faible variance possible. Un estimateur convergent s’approche de la vraie valeur à mesure que la taille de l’échantillon augmente. La maîtrise de ces concepts assure la sélection de la méthode d’estimation la plus robuste pour une problématique donnée.

II.4 Applications pratiques : Intervalles de confiance pour une moyenne et une proportion

L’application rigoureuse des formules d’intervalles de confiance est ici systématisée pour les deux cas les plus fréquents en gestion : l’estimation d’une moyenne (ex: panier moyen d’un supermarché) et d’une proportion (ex: part de marché d’un opérateur télécom). Des études de cas concrètes, basées sur des données simulées du contexte congolais, permettront à l’étudiant de passer de la formule théorique à la production d’une analyse chiffrée et pertinente pour un rapport de gestion.

Chapitre III. Principes et Méthodologie des Tests d’Hypothèses

III.1 Formulation des hypothèses : Hypothèse nulle (H0) et alternative (H1)

Toute démarche de test statistique débute par la traduction d’une question économique en deux hypothèses exclusives et exhaustives. L’hypothèse nulle (H0) représente le statu quo, l’absence d’effet, tandis que l’alternative (H1) représente ce que l’analyste cherche à prouver. Savoir formuler H0 et H1 avec précision est une compétence critique qui structure toute l’analyse et prévient les erreurs d’interprétation. Par exemple : H0: “La nouvelle campagne publicitaire n’a aucun effet sur les ventes.”

III.2 Risques d’erreur (Type I et Type II) et puissance d’un test

La décision statistique n’est jamais certaine. Le risque de première espèce (α) est celui de rejeter H0 à tort (conclure à un effet qui n’existe pas), tandis que le risque de seconde espèce (β) est de ne pas rejeter H0 à tort (manquer un effet réel). Ce sous-chapitre enseigne comment quantifier et arbitrer entre ces deux risques en fonction du contexte managérial. Par exemple, le risque de lancer un médicament inefficace (erreur de type I) est plus grave que celui de ne pas lancer un médicament efficace (erreur de type II).

III.3 Statistique de test, région critique et p-valeur

Pour prendre une décision, on calcule une “statistique de test” à partir des données de l’échantillon, qui mesure l’écart entre ce qui est observé et ce que prédit l’hypothèse nulle. La p-valeur, ou seuil de signification observé, est la probabilité d’observer un écart au moins aussi grand si H0 était vraie. Une p-valeur faible est une forte évidence contre H0. Ce point démystifie le calcul et l’interprétation de cet indicateur central de la statistique moderne.

III.4 Démarche unifiée du test d’hypothèse en 5 étapes

Une démarche méthodologique rigoureuse et universelle est présentée pour structurer la conduite de n’importe quel test statistique. De la formulation des hypothèses (1) au choix du niveau de signification (2), du calcul de la statistique de test (3) à la détermination de la règle de décision (4) et à la conclusion dans le contexte du problème (5), cette procédure garantit la traçabilité, la reproductibilité et la clarté de l’analyse.

Chapitre IV. Tests de Conformité et d’Homogénéité sur Moyennes et Proportions

IV.1 Test de conformité d’une moyenne à une valeur standard (Test de Student)

Le test de Student sur un échantillon unique permet de vérifier si la moyenne d’une population, estimée par un échantillon, est significativement différente d’une valeur de référence (norme, objectif, valeur historique). Par exemple, une société minière peut-elle affirmer que la teneur moyenne en cuivre de son nouveau gisement est supérieure à la norme de 3% requise pour une exploitation rentable ? Ce test fournit une réponse chiffrée à cette question.

IV.2 Test de comparaison de deux moyennes (échantillons indépendants et appariés)

Comparer deux populations distinctes est une problématique courante. Le test de Student pour échantillons indépendants permet de comparer le chiffre d’affaires moyen de deux agences bancaires. Pour des données appariées (ex: mesure avant/après sur les mêmes individus), on utilise un test spécifique pour évaluer l’efficacité d’une formation sur la productivité des employés. Ce chapitre couvre les deux scénarios et les conditions de leur application.

IV.3 Test de comparaison de deux proportions

Au-delà des moyennes, la comparaison de proportions est essentielle. Une entreprise souhaite savoir si son taux de notoriété est significativement plus élevé dans le Haut-Katanga qu’au Kongo Central. Le test Z de comparaison de deux proportions permet de trancher cette question sur la base de données d’enquêtes. Cet outil est fondamental pour la segmentation du marché et l’évaluation des performances régionales.

IV.4 Conditions d’application et robustesse des tests paramétriques

Face à des échantillons de petite taille ou des variances inégales entre les groupes, l’application aveugle des tests standards peut conduire à des conclusions erronées. Cette section aborde les tests de vérification des hypothèses sous-jacentes (normalité, égalité des variances) et présente les alternatives robustes, comme le test de Welch, lorsque ces conditions ne sont pas remplies, garantissant ainsi la rigueur de l’analyse en toutes circonstances.

Chapitre V. Analyse de la Variance (ANOVA) à un et deux facteurs

V.1 Principe de l’ANOVA : Comparaison de plus de deux moyennes

Lorsque la comparaison implique plus de deux groupes, comme l’efficacité de trois techniques de vente différentes, l’enchaînement de multiples tests de Student augmente le risque d’erreur. L’Analyse de la Variance (ANOVA) offre une solution globale en testant l’hypothèse d’égalité de toutes les moyennes simultanément. Elle est un outil de base pour les plans d’expériences en marketing, en agronomie ou en gestion de la production.

V.2 Décomposition de la variance et table de l’ANOVA

La logique de l’ANOVA repose sur la décomposition de la variabilité totale des données en une variabilité “inter-groupes” (due au facteur étudié) et une variabilité “intra-groupe” (résiduelle). Le rapport de ces deux variances, via la statistique F de Fisher, permet de décider si l’effet du facteur est significatif. Ce sous-chapitre se concentre sur la construction et l’interprétation de la table de l’ANOVA, le tableau de bord du test.

V.3 ANOVA à deux facteurs et étude des interactions

L’ANOVA à deux facteurs permet d’étudier simultanément l’effet de deux variables qualitatives (ex: type de publicité ET région géographique) sur une variable quantitative (ex: ventes). Plus important encore, elle permet de détecter un effet d’interaction : l’effet d’un facteur dépend-il du niveau de l’autre ? La détection d’une telle interaction est souvent une découverte stratégique majeure pour l’entreprise.

V.4 Tests post-hoc pour les comparaisons multiples

Une fois que l’ANOVA a révélé une différence significative globale entre les groupes, les tests post-hoc (comme ceux de Tukey ou Bonferroni) sont nécessaires pour identifier précisément quelles paires de moyennes sont différentes les unes des autres. Sans cette étape, l’ANOVA indique seulement qu’il y a un “gagnant” quelque part, mais pas qui il est. Cette section fournit les outils pour une analyse complète et exploitable.

Chapitre VI. Tests non-paramétriques : Alternatives robustes

VI.1 Limites des tests paramétriques et pertinence du non-paramétrique

Face à des données ne suivant pas une loi normale, ou à des variables purement ordinales (ex: échelles de satisfaction), les tests paramétriques vus précédemment perdent leur validité. Les tests non-paramétriques, basés sur les rangs plutôt que sur les valeurs elles-mêmes, offrent une alternative robuste et puissante. Leur usage est particulièrement pertinent pour les données socio-économiques en RDC, souvent asymétriques ou de petite taille.

VI.2 Tests de Mann-Whitney-Wilcoxon et de Kruskal-Wallis

Le test de Mann-Whitney-Wilcoxon est l’alternative non-paramétrique au test de Student pour deux échantillons indépendants. Il permet de comparer deux groupes sur une variable ordinale ou quantitative non-normale. Le test de Kruskal-Wallis est son extension à plus de deux groupes, agissant comme l’équivalent non-paramétrique de l’ANOVA. Ces deux outils sont indispensables dans la boîte à outils de l’analyste.

VI.3 Test des rangs signés de Wilcoxon pour données appariées

Pour les schémas de mesure “avant-après” ou les études sur paires appariées où l’hypothèse de normalité des différences n’est pas tenable, le test des rangs signés de Wilcoxon remplace le test de Student pour échantillons appariés. Il permet d’évaluer, par exemple, si une formation a amélioré le classement de performance des employés, sans faire d’hypothèse sur la distribution des gains de performance.

VI.4 Test du Chi-deux (χ²) d’indépendance et d’ajustement

Le test du Chi-deux est un test non-paramétrique extrêmement polyvalent pour les données catégorielles. Le test d’indépendance permet de déterminer s’il existe un lien statistique entre deux variables qualitatives (ex: la catégorie socio-professionnelle est-elle liée à la préférence pour un produit ?). Le test d’ajustement vérifie si la distribution observée d’une variable suit une loi théorique attendue.

Chapitre VII. Introduction à la Régression Linéaire Simple

VII.1 Modélisation de la relation entre deux variables quantitatives

La régression linéaire simple vise à modéliser et quantifier la relation de dépendance entre une variable à expliquer (Y) et une variable explicative (X). Par exemple, comment le chiffre d’affaires (Y) d’un commerce à Matadi évolue-t-il en fonction de ses dépenses publicitaires (X) ? Ce chapitre introduit la formalisation de cette relation par une équation de droite, ouvrant la voie à la prévision et à l’analyse causale.

VII.2 Estimation des coefficients par la méthode des Moindres Carrés Ordinaires (MCO)

La méthode des Moindres Carrés Ordinaires (MCO) est la technique fondamentale pour estimer les paramètres (l’ordonnée à l’origine et la pente) de la droite de régression. Elle consiste à trouver la droite qui minimise la somme des carrés des écarts verticaux entre les points observés et la droite elle-même. Ce sous-chapitre détaille le principe et les calculs derrière cette méthode d’optimisation.

VII.3 Interprétation économique des coefficients de la régression

L’interprétation des coefficients est le cœur de l’analyse économique. La pente (β1) mesure l’impact d’une augmentation d’une unité de X sur Y (l’élasticité, si les variables sont en log). L’ordonnée à l’origine (β0) représente la valeur de Y quand X est nul. Savoir traduire ces valeurs mathématiques en recommandations managériales concrètes (ex: “chaque 1000 Francs Congolais investis en publicité génèrent en moyenne 5000 Francs de ventes additionnelles”) est une compétence clé.

VII.4 Qualité de l’ajustement : Coefficient de détermination (R²) et corrélation

Le coefficient de détermination, R², mesure la proportion de la variance de la variable dépendante (Y) qui est expliquée par la variable indépendante (X). Un R² de 0.75 signifie que le modèle explique 75% des variations observées. Cet indicateur, couplé au coefficient de corrélation (r) qui mesure la force et le sens du lien linéaire, permet d’évaluer la pertinence et le pouvoir explicatif du modèle construit.

Chapitre VIII. Inférence et Prévision en Régression Linéaire Simple

VIII.1 Tests de significativité des coefficients (Tests t)

Estimer une pente non-nulle ne suffit pas ; il faut prouver que cette relation n’est pas due au hasard de l’échantillonnage. Le test t sur chaque coefficient permet de tester l’hypothèse de nullité de celui-ci. Un test t significatif pour la pente (β1) confirme l’existence d’un lien statistique réel entre X et Y, donnant ainsi une base solide à l’interprétation du modèle pour la prise de décision.

VIII.2 Intervalles de confiance pour les coefficients du modèle

Au-delà du test de significativité, la construction d’intervalles de confiance pour les coefficients β0 et β1 permet de quantifier l’incertitude de leur estimation. Pouvoir affirmer avec 95% de confiance que l’impact d’une année d’éducation supplémentaire sur le revenu se situe entre 8% et 12% est une information cruciale pour évaluer la rentabilité des politiques d’éducation en RDC.

VIII.3 Utilisation du modèle pour la prévision ponctuelle et par intervalle

L’objectif ultime d’un modèle de régression est souvent la prévision. Ce sous-chapitre enseigne comment utiliser l’équation estimée pour prédire la valeur de Y pour une nouvelle valeur de X. Plus important, il montre comment construire un “intervalle de prévision” qui encadre cette prédiction, fournissant ainsi une évaluation réaliste de la plage de résultats possibles, indispensable pour la planification budgétaire ou la gestion des stocks.

VIII.4 Analyse des résidus pour la validation du modèle

Une analyse critique des résidus (les écarts entre valeurs observées et valeurs prédites par le modèle) est une étape essentielle pour valider la qualité de la régression. La vérification de leur normalité, de leur indépendance et de l’homogénéité de leur variance (homoscédasticité) permet de s’assurer que les hypothèses du modèle MCO sont respectées. La détection de problèmes dans les résidus signale la nécessité de re-spécifier le modèle.

PARTIE 2 : Techniques d’enquête

Chapitre IX. Fondements et Conception de l’Enquête par Sondage

IX.1 Problématique et pertinence de l’enquête en contexte congolais

Face à l’impératif de données fiables pour le pilotage économique et social en RDC, l’enquête par sondage s’impose comme l’outil stratégique de production d’information. Cette section établit la distinction entre le recensement, coûteux et rare, et l’enquête, agile et ciblée. Elle démontre comment une enquête bien menée sur la consommation des ménages à Kinshasa peut fournir des indicateurs d’inflation plus précis que les estimations globales, orientant ainsi les politiques monétaires de la BCC.

IX.2 Théorie de l’échantillonnage et bases de sondage

La distinction fondamentale entre méthodes probabilistes et non-probabilistes conditionne la validité scientifique des résultats. Ce point détaille les techniques d’échantillonnage (aléatoire simple, stratifié, en grappes) et leur application pratique. Il s’agit de maîtriser la construction d’une base de sondage fiable, par exemple en cartographiant les exploitations agricoles familiales dans le Kwilu, pour garantir que chaque unité a une probabilité connue et non nulle d’être sélectionnée, légitimant l’inférence statistique.

IX.3 Formulation de la problématique et des hypothèses de recherche

Une formulation précise des hypothèses transforme une simple collecte de données en une investigation scientifique rigoureuse. Nous abordons ici la méthodologie pour traduire un problème de gestion – comme la faible adoption des services de mobile money par les PME à Goma – en hypothèses testables. L’étudiant apprendra à définir des objectifs clairs et des questions de recherche spécifiques qui guideront la construction de l’instrument de mesure et l’analyse ultérieure des données.

IX.4 Définition de la population cible et de l’unité statistique

L’identification rigoureuse de la population cible est le socle de toute enquête. Ce sous-chapitre expose les techniques pour délimiter sans ambiguïté le champ de l’étude (critères d’inclusion/exclusion) et définir l’unité d’observation (ménage, individu, entreprise). Pour une étude sur l’accès à l’électricité à Mbuji-Mayi, il s’agira de définir précisément ce qu’est un “ménage” et de lister les quartiers concernés, prévenant ainsi les erreurs de couverture qui invalideraient les conclusions.

Chapitre X. Élaboration et Validation des Instruments de Collecte

X.1 Conception et structuration du questionnaire

La construction d’un questionnaire efficace est un exercice de logique, de psychologie et de clarté. Cette section analyse la typologie des questions (ouvertes, fermées, à échelle), leur ordre et leur formulation pour minimiser les biais. L’étudiant apprendra à concevoir un questionnaire sur l’employabilité des jeunes diplômés à Lubumbashi, en veillant à la neutralité des termes et à l’adaptation des questions au contexte socioculturel local pour garantir des réponses sincères et exploitables.

X.2 Prévention et gestion des biais de mesure

Pour pallier les biais inhérents à toute déclaration, une connaissance des erreurs de mesure est indispensable. Ce point dissèque les biais de désirabilité sociale, de mémorisation et de non-réponse, en fournissant des stratégies concrètes pour les atténuer. Par exemple, lors d’une enquête sur les pratiques fiscales du secteur informel, l’utilisation de questions indirectes et la garantie d’anonymat sont des techniques cruciales pour obtenir des données proches de la réalité.

X.3 Méthodologie du pré-test et de l’enquête pilote

Essentielle à la validation de l’instrument, la phase de pré-test est une simulation à échelle réduite de l’enquête. Ce sous-chapitre détaille le protocole pour tester un questionnaire auprès d’un petit échantillon représentatif. Il s’agit de vérifier la compréhension des questions, la durée de l’administration et la fluidité du processus. Mener une enquête pilote dans une commune de Matadi permet d’identifier et de corriger les failles avant le déploiement national, économisant ainsi des ressources considérables.

X.4 Digitalisation de la collecte : Outils CAPI et CAWI

La transition vers les outils de collecte mobiles (Mobile Data Collection) révolutionne la qualité et la rapidité des enquêtes. Cette section forme à l’utilisation de logiciels comme KoboToolbox ou ODK pour programmer des questionnaires, intégrer des contrôles de cohérence en temps réel et géolocaliser les interviews. La maîtrise de ces technologies est un atout majeur pour mener des enquêtes dans les zones reculées de la RDC, en assurant un transfert de données instantané et sécurisé.

Chapitre XI. Administration de l’Enquête et Gestion des Opérations de Terrain

XI.1 Recrutement, formation et supervision des enquêteurs

Au cœur de la qualité des données collectées se trouve la performance de l’enquêteur. Ce point détaille les critères de sélection, le contenu d’une formation rigoureuse (maîtrise du questionnaire, éthique, gestion du refus) et les techniques de supervision sur le terrain. Former une équipe pour une enquête de santé publique dans la Tshopo exige de s’assurer que chaque enquêteur administre le questionnaire de manière standardisée, éliminant ainsi le “biais de l’enquêteur”.

XI.2 Planification logistique et budgétisation des opérations

Une planification logistique méticuleuse conditionne la faisabilité de l’enquête, particulièrement en RDC. Ce sous-chapitre aborde l’élaboration d’un chronogramme réaliste, le calcul des coûts (transport, per diem, matériel) et la gestion des imprévus sécuritaires ou climatiques. L’étudiant apprendra à budgétiser une enquête sur la chaîne de valeur du manioc dans le Kongo-Central, en optimisant les itinéraires pour couvrir l’échantillon dans les délais et le budget impartis.

XI.3 Contrôle qualité en temps réel et gestion des données de terrain

Axé sur la fiabilité, le contrôle qualité en temps réel permet de détecter les anomalies au fil de l’eau. Cette section présente les techniques de vérification (re-visites, appels de contrôle, analyse des données GPS) et l’utilisation de tableaux de bord pour suivre les performances des enquêteurs. Pour une enquête électorale, ce suivi permet d’identifier instantanément les incohérences ou les fraudes potentielles, garantissant l’intégrité du processus de collecte avant même la fin du terrain.

XI.4 Stratégies de gestion de la non-réponse et des rappels

Face au défi de la non-réponse, qui peut biaiser sévèrement un échantillon, des stratégies proactives sont nécessaires. Ce point expose les méthodes pour maximiser le taux de réponse : prise de rendez-vous, lettres de sensibilisation et planification des rappels (callbacks). Il analyse également les techniques de pondération a posteriori pour corriger l’impact d’une non-réponse différentielle, assurant que l’échantillon final reste représentatif de la population mère étudiée.

Chapitre XII. Traitement, Analyse et Valorisation des Données d’Enquête

XII.1 Apurement, codification et pondération des données brutes

L’étape post-collecte du nettoyage (data cleaning) et de la préparation est critique pour rendre les données analysables. Ce sous-chapitre enseigne les procédures de détection et de traitement des valeurs aberrantes ou manquantes, la codification des questions ouvertes et le calcul des poids de sondage (redressement). Appliquer une pondération correcte est vital pour que les résultats d’une enquête sur 2000 ménages à Kinshasa puissent être généralisés à l’échelle de la ville.

XII.2 Analyse statistique descriptive et bivariée

L’analyse descriptive constitue le premier niveau d’interprétation intelligente des données. Cette section couvre la production de tableaux de fréquences, de mesures de tendance centrale (moyenne, médiane) et de dispersion, ainsi que les tableaux croisés pour explorer les relations entre deux variables. L’étudiant saura, par exemple, croiser le niveau d’éducation avec le type d’emploi pour dresser un premier portrait des déterminants du marché du travail à Bukavu.

XII.3 Inférence statistique appliquée aux données d’enquête

Dépassant la simple description, l’analyse inférentielle permet de généraliser les résultats de l’échantillon à la population avec un degré de confiance mesurable. Ce point applique les concepts de l’EC1 aux données d’enquête : calcul d’intervalles de confiance pour des moyennes ou proportions, et réalisation de tests d’hypothèses (Khi-deux, t-test) en tenant compte du plan de sondage. Il s’agit de prouver statistiquement une affirmation, comme l’impact significatif d’une microfinance sur le revenu des femmes.

XII.4 Rédaction du rapport d’enquête et visualisation des données

La valorisation finale des résultats passe par une communication claire et percutante. Ce sous-chapitre structure la rédaction d’un rapport d’enquête professionnel (résumé exécutif, méthodologie, résultats, annexes). Il initie également aux principes de la visualisation de données (dataviz) pour créer des graphiques et des cartes thématiques qui synthétisent des informations complexes pour des décideurs, transformant les données brutes en un outil d’aide à la décision stratégique pour la RDC.

PARTIE 1 : Statistique Inférentielle

Chapitre XIII. Fondements de l’inférence statistique

XIII.1 Distinction population-échantillon et principe de l’extrapolation

Au cœur de toute décision économique, la capacité à généraliser des observations partielles est un levier stratégique. Ce point établit la dialectique fondamentale entre une population (ex: l’ensemble des PME de Kinshasa) et un échantillon représentatif. Il s’agit de maîtriser les conditions de validité qui autorisent l’extrapolation des conclusions tirées de l’échantillon à la population entière, une compétence cruciale pour tout analyste économique en RDC visant la fiabilité de ses diagnostics.

XIII.2 Lois de probabilité continues et discrètes

Une modélisation rigoureuse des phénomènes économiques exige une connaissance des structures probabilistes qui les sous-tendent. Sont ici disséquées les lois de probabilité (Normale, Binomiale, Poisson) comme des grammaires du hasard. L’étudiant apprendra à identifier la loi pertinente pour décrire un processus donné, qu’il s’agisse de modéliser le nombre de transactions journalières via mobile money ou la distribution des revenus dans une concession minière artisanale.

XIII.3 Théorème Central Limite : la clé de voûte de l’inférence

Face à l’incertitude, le Théorème Central Limite (TCL) offre une garantie mathématique puissante, justifiant la quasi-omniprésence de la loi Normale dans les tests statistiques. Cette section en expose la portée pratique : pourquoi la moyenne d’un grand nombre d’observations indépendantes tend à suivre une distribution normale, quel que soit le phénomène de départ. Cette connaissance fonde la robustesse des enquêtes de consommation ou des sondages d’opinion en RDC.

XIII.4 Qualités d’un estimateur : Biais, Convergence, Efficacité

Choisir un outil de mesure statistique impose d’en connaître les performances intrinsèques. Ce sous-chapitre décompose les trois qualités cardinales d’un bon estimateur : l’absence de biais systématique, la convergence vers la vraie valeur avec l’augmentation de la taille de l’échantillon, et l’efficacité (variance minimale). L’application directe est l’évaluation critique des indicateurs produits par les institutions nationales ou les ONG pour s’assurer de leur pertinence décisionnelle.

Chapitre XIV. Estimation ponctuelle et par intervalle

XIV.1 Méthode des moments et du maximum de vraisemblance

Pour estimer les paramètres inconnus d’une population, deux approches dominent. La méthode des moments, intuitive et rapide, est comparée à celle du maximum de vraisemblance, plus complexe mais souvent plus performante. L’étudiant apprendra à appliquer ces techniques pour, par exemple, estimer le taux de défaillance moyen d’équipements dans une usine de transformation de manioc ou le paramètre de croissance d’un marché local.

XIV.2 Construction des intervalles de confiance pour une moyenne

Une estimation ponctuelle est insuffisante ; la quantification de l’incertitude est non négociable. Ce point détaille la construction d’un intervalle de confiance pour une moyenne, qui fournit une plage de valeurs plausibles pour le paramètre d’intérêt. L’étudiant saura ainsi calculer et interpréter l’intervalle de confiance du revenu moyen des agriculteurs du Nord-Kivu, offrant une information plus riche et honnête qu’un simple chiffre.

XIV.3 Détermination des intervalles de confiance pour une proportion

Dans le pilotage des politiques publiques ou des stratégies marketing, les proportions sont omniprésentes. Cette section se concentre sur le calcul d’intervalles de confiance pour des pourcentages (ex: taux de pénétration d’un produit, prévalence d’une pratique agricole). Maîtriser cette technique permet de communiquer avec rigueur sur la marge d’erreur associée à un sondage sur les intentions de vote ou une enquête sur l’accès à l’eau potable.

XIV.4 Dimensionnement de l’échantillon pour une précision désirée

Sous l’angle du pragmatisme économique, la taille d’un échantillon n’est pas arbitraire mais le résultat d’un arbitrage entre coût et précision. Ce sous-chapitre fournit les formules pour déterminer la taille d’échantillon minimale requise pour atteindre une marge d’erreur et un niveau de confiance prédéfinis. Une compétence essentielle pour budgétiser une étude de marché à Lubumbashi sans gaspiller de ressources ni sacrifier la fiabilité des résultats.

Chapitre XV. Théorie et pratique des tests d’hypothèses

XV.1 Logique du test : hypothèses nulle (H0) et alternative (H1)

Toute démarche scientifique de vérification repose sur une logique de test formalisée. Ce segment installe le cadre conceptuel : la formulation d’une hypothèse nulle (le statu quo) et d’une hypothèse alternative (ce que l’on cherche à prouver). L’étudiant apprendra à traduire une problématique de gestion – “Notre nouvelle campagne publicitaire a-t-elle augmenté les ventes ?” – en un couple (H0, H1) testable statistiquement.

XV.2 Erreurs de type I et II, puissance du test et p-valeur

La décision statistique n’est jamais certaine et comporte des risques qu’il faut quantifier. Sont ici définis et contextualisés les risques alpha (rejeter H0 à tort) et bêta (ne pas rejeter H0 à tort), ainsi que la notion de puissance (capacité à détecter un effet réel). L’interprétation de la p-valeur comme mesure de l’évidence contre H0 est au centre de ce point, crucial pour éviter les conclusions erronées dans l’analyse des données de santé publique ou de performance d’entreprise.

XV.3 Tests de conformité et de comparaison de moyennes (Student)

Une connaissance approfondie des tests paramétriques est indispensable pour comparer des groupes. Le test de Student est ici présenté sous ses différentes formes : pour comparer la moyenne d’un échantillon à une valeur théorique (test de conformité) ou pour comparer les moyennes de deux échantillons indépendants ou appariés. Application directe : vérifier si le rendement moyen d’une nouvelle variété de maïs est significativement supérieur à l’ancienne dans la plaine de la Ruzizi.

XV.4 Tests de comparaison de proportions

Face à des données qualitatives, la comparaison de pourcentages est une opération courante. Ce sous-chapitre expose la méthodologie des tests z pour comparer deux proportions. L’étudiant sera capable de déterminer de manière rigoureuse si la proportion de clients satisfaits a significativement augmenté après une formation du personnel de vente, ou si le taux de succès d’un traitement médical diffère entre deux groupes de patients.

Chapitre XVI. Tests non paramétriques et du Khi-deux

XVI.1 Limites des tests paramétriques et alternatives non paramétriques

Lorsque les conditions d’application des tests paramétriques (normalité, homoscédasticité) ne sont pas remplies, le praticien doit disposer d’un arsenal d’outils alternatifs. Cette section introduit la logique des tests non paramétriques, qui travaillent sur les rangs plutôt que sur les valeurs brutes. Ils sont essentiels pour analyser les données ordinales ou les petits échantillons, fréquents dans les enquêtes socio-économiques en milieu rural congolais.

XVI.2 Test d’ajustement du Khi-deux : conformité à une loi théorique

La validation d’un modèle probabiliste passe par la confrontation aux données observées. Le test du Khi-deux d’ajustement permet de quantifier l’écart entre une distribution de fréquences observées et une distribution théorique (ex: loi uniforme, normale, etc.). L’étudiant pourra ainsi tester si la répartition des clients d’une banque selon leur catégorie socio-professionnelle correspond aux données nationales de l’INS.

XVI.3 Test d’indépendance du Khi-deux : liaison entre variables qualitatives

Détecter des associations entre des facteurs qualitatifs est un enjeu majeur en sciences sociales et en marketing. Le test du Khi-deux d’indépendance est l’outil privilégié pour déterminer s’il existe un lien statistiquement significatif entre deux variables catégorielles. Par exemple, analyser s’il y a une dépendance entre la région d’origine d’un entrepreneur et le secteur d’activité choisi dans le tissu économique de la RDC.

XVI.4 Tests de Mann-Whitney et de Wilcoxon pour la comparaison de groupes

En alternative non paramétrique au test de Student, les tests de Mann-Whitney (échantillons indépendants) et de Wilcoxon (échantillons appariés) offrent une robustesse accrue. Ce point en détaille la mise en œuvre et l’interprétation. Ils permettent de comparer, par exemple, les niveaux de satisfaction (mesurés sur une échelle de Likert) entre deux services publics sans faire d’hypothèse sur la distribution des réponses.

Chapitre XVII. Analyse de la Variance (ANOVA)

XVII.1 Principe de la décomposition de la variance totale

Pour comparer les moyennes de plus de deux groupes simultanément, l’ANOVA est l’outil de référence. Son principe fondamental est la décomposition de la variabilité totale des données en une part “inter-groupes” (due au facteur étudié) et une part “intra-groupe” (résiduelle). Comprendre cette décomposition est la clé pour interpréter correctement les résultats d’une expérience agronomique comparant plusieurs fertilisants.

XVII.2 ANOVA à un facteur (One-Way ANOVA)

L’ANOVA à un facteur est utilisée pour tester l’effet d’une seule variable catégorielle sur une variable quantitative continue. Cette section guide l’étudiant dans la mise en place du test, de la vérification des hypothèses (normalité, homoscédasticité) à l’interprétation du F de Fisher. Application : déterminer si le chiffre d’affaires moyen diffère significativement entre des commerces situés dans trois communes distinctes de Kinshasa.

XVII.3 Tests post-hoc : identifier les groupes qui diffèrent

Un résultat d’ANOVA significatif indique qu’au moins une moyenne de groupe est différente des autres, mais ne dit pas laquelle. Les tests post-hoc (Tukey, Bonferroni, etc.) sont donc indispensables pour effectuer des comparaisons par paires et identifier précisément où se situent les différences. C’est une étape cruciale pour affiner l’analyse et fournir des recommandations ciblées, par exemple à un manager de la chaîne logistique du cuivre.

XVII.4 ANOVA à deux facteurs (Two-Way ANOVA) et notion d’interaction

Dans une perspective de modélisation plus réaliste, les phénomènes sont souvent influencés par plusieurs facteurs simultanément. L’ANOVA à deux facteurs permet d’étudier non seulement les effets principaux de chaque facteur, mais aussi leur effet d’interaction. L’étudiant apprendra à tester si l’efficacité d’une méthode de formation dépend du niveau d’expérience préalable de l’employé, une analyse fine essentielle pour l’optimisation des ressources humaines.

Chapitre XVIII. Introduction à la Régression Linéaire Simple

XVIII.1 Modélisation de la relation entre deux variables quantitatives

La régression linéaire est l’outil par excellence pour quantifier la relation entre une variable dépendante (à expliquer) et une variable indépendante (explicative). Ce point pose les bases du modèle, l’équation de la droite de régression (Y = aX + b), et la signification de ses coefficients. L’objectif est de permettre à l’étudiant de modéliser, par exemple, la relation entre le budget publicitaire d’une entreprise et son volume de ventes.

XVIII.2 Estimation des coefficients par la méthode des moindres carrés ordinaires (MCO)

La méthode des MCO fournit un critère objectif pour déterminer la “meilleure” droite de régression : celle qui minimise la somme des carrés des écarts verticaux entre les points observés et la droite. Cette section en détaille le principe et les calculs. Maîtriser les MCO est fondamental pour estimer de manière non-arbitraire l’impact d’une année d’étude supplémentaire sur le niveau de salaire en RDC.

XVIII.3 Inférence sur les coefficients et tests de significativité

Estimer une pente ne suffit pas ; il faut s’assurer qu’elle est statistiquement différente de zéro. Ce sous-chapitre se concentre sur les tests d’hypothèse (test t) sur les coefficients de la régression. L’étudiant apprendra à déterminer si une variable explicative a un pouvoir prédictif réel et significatif, une étape indispensable avant d’intégrer ce facteur dans un modèle de prévision économique pour une banque commerciale.

XVIII.4 Coefficient de détermination (R²) et qualité de l’ajustement

Le coefficient de détermination R² mesure la proportion de la variance de la variable dépendante qui est expliquée par le modèle de régression. C’est un indicateur clé de la qualité de l’ajustement du modèle. L’étudiant saura calculer et interpréter le R², lui permettant de juger de la pertinence de son modèle pour expliquer les variations de la production agricole en fonction des précipitations dans une région donnée.

Chapitre XIX. Éléments de Régression Linéaire Multiple

XIX.1 Extension du modèle : expliquer Y par plusieurs variables X

La réalité économique étant complexe, une seule variable explicative est souvent insuffisante. La régression multiple étend le modèle simple en incluant plusieurs variables indépendantes, permettant une analyse plus riche et plus réaliste. L’étudiant apprendra à construire un modèle pour prédire le prix d’un bien immobilier à Lubumbashi en fonction de sa surface, de son quartier et de son ancienneté.

XIX.2 Problématique de la multicolinéarité

Lorsque les variables explicatives sont fortement corrélées entre elles, le modèle de régression devient instable et les estimations des coefficients perdent leur fiabilité. Ce point crucial expose le problème de la multicolinéarité, ses méthodes de détection (VIF) et les stratégies pour y remédier. Une vigilance indispensable pour construire des modèles macroéconomiques robustes pour la Banque Centrale du Congo.

XIX.3 Sélection de variables et construction de modèles parcimonieux

Face à un grand nombre de prédicteurs potentiels, l’enjeu est de construire un modèle à la fois performant et simple (parcimonieux). Sont présentées ici les stratégies de sélection de variables (forward, backward, stepwise) qui permettent d’identifier le sous-ensemble de variables le plus pertinent. Cette compétence est vitale pour un gestionnaire de risque cherchant à identifier les quelques facteurs clés qui expliquent le défaut de crédit.

XIX.4 Analyse des résidus et validation des hypothèses du modèle

La validité d’un modèle de régression repose sur des hypothèses concernant les erreurs (résidus) : normalité, homoscédasticité, absence d’autocorrélation. Cette section finale de la partie enseigne les techniques graphiques et statistiques pour diagnostiquer les violations de ces hypothèses. C’est le contrôle qualité final qui garantit la fiabilité des prévisions et des conclusions tirées du modèle, que ce soit pour la planification d’État ou la stratégie d’entreprise.

PARTIE 2 : Techniques d’enquête

Chapitre XX. Conception et Cadrage d’une Enquête

XX.1 Formulation de la problématique et des objectifs de recherche

Toute enquête rigoureuse débute par une traduction d’un besoin d’information managérial ou social en une question de recherche précise. Ce point outille l’étudiant pour délimiter le champ de l’étude, définir les concepts clés et formuler des objectifs SMART (Spécifiques, Mesurables, Atteignables, Réalistes, Temporels). C’est l’étape fondatrice qui conditionne la pertinence d’une enquête sur l’informalité dans le transport urbain à Kinshasa.

XX.2 Méthodes d’échantillonnage probabilistes et non-probabilistes

La sélection des répondants est une étape critique qui détermine la capacité de généralisation des résultats. Sont ici opposées les méthodes probabilistes (aléatoire simple, stratifié, en grappes), qui seules autorisent l’inférence statistique, et les méthodes non-probabilistes (convenance, quotas), souvent utilisées pour des raisons pratiques. L’étudiant apprendra à choisir la méthode la plus appropriée au contexte logistique et budgétaire d’une étude en RDC.

XX.3 Calcul de la taille de l’échantillon et gestion des contraintes

Déterminer le nombre de personnes à interroger est un arbitrage technique entre précision souhaitée et budget disponible. Ce sous-chapitre fournit les outils pour calculer la taille d’échantillon nécessaire en fonction de la marge d’erreur et du niveau de confiance visés. Il intègre également les réalités du terrain congolais, comme l’anticipation du taux de non-réponse pour ajuster la taille de l’échantillon initial.

XX.4 Élaboration du plan de sondage, du budget et du chronogramme

Une enquête est un projet complexe qui exige une planification méticuleuse. Ce point se concentre sur l’opérationnalisation de l’enquête : construction de la base de sondage, allocation des ressources humaines et financières, et établissement d’un calendrier réaliste. Maîtriser cette phase est essentiel pour mener à bien une enquête sur la sécurité alimentaire dans une province reculée, en tenant compte des défis logistiques et sécuritaires.

Chapitre XXI. Élaboration et Test du Questionnaire

XXI.1 Typologie des questions et échelles de mesure

La qualité des données collectées dépend directement de la qualité des questions posées. Cette section passe en revue les différents types de questions (ouvertes, fermées, à choix multiples) et les échelles de mesure (nominales, ordinales, d’intervalle, de rapport, Likert). L’étudiant apprendra à choisir le format le plus adapté pour mesurer des concepts aussi variés que la satisfaction client ou l’attitude face au risque.

XXI.2 Formulation des questions : clarté, neutralité et biais cognitifs

Une connaissance aiguë de la psychologie du répondant est nécessaire pour éviter les biais. Ce point met en garde contre les questions doubles, le jargon technique, les formulations tendancieuses et les biais de désirabilité sociale. L’objectif est de former des concepteurs de questionnaires capables de recueillir des données fiables sur des sujets sensibles comme la corruption ou les revenus non déclarés dans le contexte congolais.

XXI.3 Structuration du questionnaire : introduction, flux logique et conclusion

L’architecture d’un questionnaire influence fortement le taux de complétion et la qualité des réponses. Sont abordées ici les techniques pour créer un flux logique : une introduction qui suscite l’engagement, un agencement des thèmes du général au particulier, un regroupement des questions sensibles en fin de parcours, et une conclusion courtoise. Cette structure est vitale pour maintenir la coopération du répondant jusqu’au bout.

XXI.4 Pré-test et validation du questionnaire

Aucun questionnaire ne devrait être administré à grande échelle sans avoir été testé au préalable. Le pré-test sur un petit échantillon cible permet d’identifier les questions ambiguës, de vérifier la compréhension dans les langues locales (Lingala, Swahili, etc.), d’estimer la durée de passation et de valider les instructions pour les enquêteurs. C’est une étape non négociable pour garantir la validité de l’instrument de mesure.

Chapitre XXII. Administration de l’Enquête sur le Terrain

XXII.1 Recrutement, formation et supervision des enquêteurs

La qualité d’une enquête repose en grande partie sur la performance des enquêteurs. Ce sous-chapitre détaille les processus de sélection, de formation (à l’éthique, à la neutralité, à l’outil de collecte) et de supervision continue sur le terrain. Assurer l’homogénéité des pratiques d’administration est crucial pour la fiabilité des données collectées, que ce soit pour le compte d’un institut de sondage ou d’un projet de développement.

XXII.2 Modes d’administration : face-à-face, téléphonique, en ligne (CAPI/CATI)

Le choix du mode d’administration a des implications profondes en termes de coût, de rapidité et de qualité des données. Sont comparées les méthodes traditionnelles (papier) et modernes (CAPI – Computer-Assisted Personal Interviewing sur tablette), en évaluant leur pertinence pour le contexte de la RDC, où la connectivité et l’alphabétisation varient fortement. L’étudiant apprendra à sélectionner le mode le plus efficient pour sa cible.

XXII.3 Gestion de la logistique et des aléas du terrain

Mener une enquête en RDC est un défi logistique majeur. Ce point aborde les aspects pratiques : planification des déplacements, gestion de la sécurité des équipes, obtention des autorisations administratives, et stratégies pour faire face aux imprévus (intempéries, conflits locaux, etc.). Une bonne préparation logistique est la condition sine qua non du succès de la phase de collecte de données sur le vaste territoire national.

XXII.4 Contrôle qualité en temps réel et gestion des non-réponses

Pour garantir la qualité des données, le contrôle doit être concomitant à la collecte. Ce sous-chapitre présente les techniques de supervision et de vérification aléatoire des questionnaires remplis (re-visites, appels de contrôle). Il traite également des stratégies pour minimiser et gérer les non-réponses (partielles ou totales), qui peuvent introduire des biais significatifs si elles ne sont pas correctement traitées.

Chapitre XXIII. Traitement, Apurement et Codification des Données

XXIII.1 Saisie des données et création de la base de données

Une fois la collecte terminée, les informations brutes doivent être transformées en une base de données structurée et exploitable. Cette section couvre les techniques de saisie (double saisie pour vérification), la définition d’un dictionnaire de variables et la structuration d’un fichier de données propre dans un logiciel statistique. C’est le passage obligé du papier ou de la tablette à une matrice prête pour l’analyse.

XXIII.2 Apurement des données : détection des erreurs et des incohérences

Les données brutes sont rarement parfaites. L’apurement (ou nettoyage) est le processus de détection et de correction des erreurs de saisie, des valeurs aberrantes (outliers) et des incohérences logiques (ex: un “homme” “enceint”). L’étudiant apprendra à utiliser des tris, des distributions de fréquences et des croisements pour “nettoyer” sa base de données, une étape fastidieuse mais absolument essentielle pour la validité des résultats.

XXIII.3 Traitement des données manquantes

La présence de données manquantes est une réalité dans presque toutes les enquêtes. Ce point présente les différentes stratégies pour les gérer : suppression (listwise, pairwise) ou imputation (par la moyenne, par régression). Le choix de la méthode dépend de la nature et de l’ampleur des données manquantes, et a un impact direct sur la puissance statistique et le risque de biais dans les analyses ultérieures.

XXIII.4 Codification des questions ouvertes et création de variables dérivées

Les réponses textuelles aux questions ouvertes contiennent une information riche qui doit être quantifiée. Ce sous-chapitre enseigne les techniques de codification pour transformer ces réponses en catégories analysables. Il aborde également la création de variables
dérivées à partir de celles existantes pour mieux capturer la complexité des phénomènes étudiés. Par exemple, on peut calculer des ratios, des différences ou des termes d’interaction pour créer de nouvelles caractéristiques qui pourraient avoir un pouvoir prédictif plus élevé.

Cette phase de préparation des données, bien que souvent longue et fastidieuse, est fondamentale. La qualité d’une analyse statistique ou d’un modèle d’apprentissage automatique dépend directement de la qualité des données qui lui sont fournies. Un jeu de données bien nettoyé, transformé et enrichi permet d’obtenir des résultats plus fiables, plus précis et plus faciles à interpréter. C’est pourquoi les experts en données consacrent une part significative de leur temps à cette étape cruciale, avant même de commencer la modélisation proprement dite.

ANNEXES

A. Glossaire des termes techniques et symboles statistiques

Cet index terminologique constitue un référentiel unifié pour la maîtrise du vocabulaire de l’inférence et de l’enquête. Chaque définition est formulée non comme une simple traduction, mais comme une clarification opérationnelle de son rôle dans le raisonnement statistique. La maîtrise de ce lexique est une condition non négociable pour la production de rapports d’analyse rigoureux et la communication sans ambiguïté des résultats, notamment dans les échanges avec les décideurs économiques et les bailleurs de fonds en RDC.

B. Cas d’étude intégrateur : Enquête sur l’adoption des services de mobile money dans les zones péri-urbaines de Kinshasa

Ce cas pratique synthétise l’intégralité des compétences acquises. Il guide l’étudiant à travers le processus complet : de la formulation d’une problématique socio-économique pertinente pour l’inclusion financière en RDC, à la conception d’un plan d’échantillonnage stratifié, la création d’un questionnaire adapté, jusqu’à l’analyse inférentielle des données collectées via SPSS ou R. L’objectif est de produire une note de politique économique chiffrée, directement exploitable par une institution de microfinance ou un régulateur.

Lire aussi :

Cours de Droit du travail et comptabilité analytique, licence-1, DCA1121,

Cours de Technique de Gestion 2, licence-3, TEG1352,

Cours de Méthodologie de recherche appliquée à la gestion, licence-3, MAG1351,

Cours de Education et société I, licence-2, ESO1241,

Cours de Stage II, licence-3, GAS1361

Cours de Finance et droit, annee-inconnue, FDR2234