PRÉLIMINAIRES

I. Objectifs Pédagogiques et Compétences Visées

Cette Unité d’Enseignement forge des analystes quantitatifs de haut niveau. L’objectif est la maîtrise de trois familles de méthodes avancées : l’analyse longitudinale, la mesure dynamique des inégalités et l’analyse des séquences. Au terme du semestre, l’étudiant sera capable de modéliser des trajectoires de vie, de quantifier l’évolution des disparités socio-économiques et de traiter des données de panel complexes, compétences directement valorisables auprès des agences de développement, des instituts de recherche et des ministères sectoriels en RDC.

II. Positionnement de l’UE dans le Cursus LMD

Située en Licence 3, cette UE constitue le pivot entre l’acquisition des fondamentaux statistiques et la spécialisation en Démographie et Data Science. Elle répond à une exigence du marché du travail congolais : la capacité à transformer les données brutes (RGPH, MICS-RDC, DHS-RDC) en analyses dynamiques et prédictives. Elle prépare l’étudiant aux complexités du Master, en lui fournissant un arsenal méthodologique pour analyser les processus de changement social, démographique et économique qui façonnent la RDC contemporaine.

III. Méthodologie et Outils Logiciels Requis

L’approche est résolument pratique. Chaque concept théorique est immédiatement appliqué via des travaux pratiques sur des logiciels statistiques professionnels (R, Stata). Une maîtrise préalable de l’un de ces outils est un prérequis. Les jeux de données utilisés seront principalement issus des grandes enquêtes nationales (DHS-RDC, MICS-Palu) et internationales, afin de confronter l’étudiant aux défis réels de la manipulation de données : pondération, gestion des données manquantes et harmonisation des variables temporelles.

PARTIE 1 : FONDEMENTS ET MODÉLISATION DES DONNÉES COMPLEXES EN DÉMOGRAPHIE

Chapitre I. Introduction aux Données de Panel et Longitudinales

I.1 Distinction conceptuelle des structures de données

Une distinction fondamentale entre données en coupe, séries temporelles et données de panel est le prérequis à toute analyse dynamique. Ce point établit une taxonomie rigoureuse des structures de données, en se focalisant sur la nature répétée des observations sur les mêmes unités (individus, ménages). L’enjeu est de saisir comment le format panel permet de contrôler l’hétérogénéité inobservée et d’étudier des dynamiques de changement, un atout majeur pour analyser les trajectoires de pauvreté en RDC.

I.2 Structuration et manipulation des bases de données de panel

La structuration des données conditionne la validité des modèles. Cette section traite des formats “wide” et “long” et des techniques de transformation de l’un à l’autre. Maîtriser ces opérations est crucial pour préparer les données issues d’enquêtes comme MICS-RDC en vue d’une modélisation sur Stata ou R. L’accent est mis sur la création d’identifiants uniques et de variables temporelles robustes, garantissant l’intégrité de l’analyse longitudinale.

I.3 Sources de données longitudinales et défis de collecte en RDC

Face à la rareté des panels purs en RDC, des stratégies alternatives sont explorées. Ce sous-chapitre inventorie les sources existantes (panels synthétiques issus des DHS/MICS, données administratives) et discute des protocoles de collecte spécifiques aux enquêtes longitudinales. Il aborde les défis logistiques et éthiques liés au suivi de cohortes dans le contexte congolais, notamment la sécurisation des données personnelles et la gestion du suivi des répondants dans des zones à forte mobilité.

I.4 Problématiques de l’attrition et des données manquantes

L’un des défis majeurs des études longitudinales est l’attrition, soit la perte de répondants au fil du temps. Cette section formalise les types d’attrition (aléatoire ou sélective) et leurs conséquences sur la validité des inférences. Des méthodes de détection et de traitement, comme les modèles de sélection de Heckman ou l’imputation multiple, sont présentées pour corriger les biais potentiels et assurer la robustesse des analyses sur la population congolaise.

Chapitre II. Modèles Linéaires pour Données de Panel

II.1 Limites du modèle OLS et introduction au modèle Pooled

Sous l’angle de la simplicité, le modèle des moindres carrés ordinaires (OLS) appliqué à des données de panel agrégées (“pooled”) ignore la structure de dépendance temporelle et l’hétérogénéité individuelle. Ce point démontre mathématiquement les biais qui en résultent. L’objectif est de justifier la nécessité de recourir à des estimateurs plus sophistiqués pour analyser, par exemple, l’impact de la scolarisation sur le revenu des ménages à Kinshasa sur plusieurs années.

II.2 Le modèle à effets fixes (Within)

Le modèle à effets fixes (Fixed Effects) constitue une solution puissante pour neutraliser l’hétérogénéité individuelle constante dans le temps. En se concentrant sur les variations “intra-individuelles”, il permet d’isoler l’effet causal net d’une variable. Cette section détaille son estimation et son interprétation, en montrant comment il peut être utilisé pour évaluer l’efficacité d’une politique de santé publique dans une province spécifique en contrôlant les caractéristiques non observées des districts.

II.3 Le modèle à effets aléatoires (Between-Within)

Alternativement, le modèle à effets aléatoires (Random Effects) traite l’hétérogénéité individuelle comme une composante stochastique. Cette approche, plus efficiente si ses hypothèses sont vérifiées, permet d’inclure des variables constantes dans le temps (ex: genre, ethnie). Nous explorons ici sa formulation et les conditions de sa validité, essentielles pour étudier les déterminants de la migration interprovinciale en RDC en incluant des facteurs géographiques fixes.

II.4 Le test de Hausman et le choix stratégique du modèle

Le choix stratégique entre effets fixes et aléatoires n’est pas arbitraire ; il est dicté par le test de spécification de Hausman. Ce sous-chapitre présente le mécanisme du test, qui compare la consistance et l’efficience des deux estimateurs. Savoir l’implémenter et l’interpréter est une compétence clé pour tout analyste, garantissant la sélection du modèle le plus approprié pour répondre à une question de recherche sur les dynamiques socio-économiques congolaises.

Chapitre III. Quantification des Inégalités : Concepts et Indicateurs Statiques

III.1 Courbe de Lorenz et coefficient de Gini

Fondée sur la représentation graphique de la concentration des richesses, la courbe de Lorenz est l’outil visuel par excellence pour appréhender les inégalités. De cette courbe dérive le coefficient de Gini, indicateur synthétique universellement reconnu. Ce point détaille leur construction mathématique et leur interprétation. L’étudiant apprendra à les calculer à partir des données de l’Enquête 1-2-3 pour cartographier les disparités de revenus entre les communes de Lubumbashi.

III.2 Indices de Theil, de Hoover et ratio de Palma

Au-delà du Gini, une panoplie d’indicateurs offre des perspectives complémentaires. L’indice de Theil, issu de la théorie de l’information, permet de décomposer l’inégalité totale en composantes intra et inter-groupes. Le ratio de Palma, quant à lui, se focalise sur les extrêmes de la distribution. Maîtriser ces outils permet une analyse plus fine des fractures sociales, par exemple en isolant la part des inégalités en RDC due aux disparités entre milieux urbain et rural.

III.3 Décomposition des inégalités par sous-groupes de population

Une analyse fine des inégalités exige leur décomposition. Cette section présente les techniques permettant de ventiler un indice d’inégalité (comme celui de Theil) selon des caractéristiques de la population (province, niveau d’éducation, genre). Cette compétence est cruciale pour les décideurs politiques afin d’identifier les sources principales des disparités et de cibler les interventions, par exemple pour mesurer la contribution du clivage éducationnel aux inégalités de salaires à Mbuji-Mayi.

III.4 Application pratique sur les données d’enquêtes congolaises

L’application rigoureuse de ces indicateurs sur des données réelles constitue le test ultime de la compréhension. Ce module est un atelier pratique guidé sur R ou Stata. L’étudiant utilisera les microdonnées d’une enquête nationale (MICS ou DHS) pour calculer, interpréter et comparer les différents indices d’inégalité. L’exercice portera sur une problématique concrète, comme l’évolution des inégalités de consommation dans le Nord-Kivu entre deux vagues d’enquête.

Chapitre IV. Analyse Dynamique des Inégalités et de la Mobilité Sociale

IV.1 Matrices de transition et mesure de la mobilité intergénérationnelle

L’étude de la mobilité sociale passe par l’analyse des matrices de transition, qui quantifient le passage des individus d’une catégorie sociale (ou de revenu) à une autre entre deux périodes. Ce sous-chapitre formalise la construction de ces matrices à partir de données de panel ou rétrospectives. Il s’agit d’un outil puissant pour évaluer le degré de “fluidité sociale” et de reproduction des inégalités, par exemple en analysant la transmission du statut éducationnel des parents aux enfants en RDC.

IV.2 Indices de mobilité et persistance de la pauvreté

Quantifier le mouvement des individus au sein de la distribution des revenus requiert des indices spécifiques. Cette section introduit les mesures de mobilité de Shorrocks et les indicateurs de persistance de la pauvreté. L’enjeu est de distinguer la mobilité structurelle (liée à la croissance) de la mobilité d’échange (changement de position relative). Appliquer ces indices permet de déterminer si la croissance économique récente en RDC a réellement permis aux plus pauvres de sortir durablement de leur condition.

IV.3 La notion de croissance pro-pauvres (Pro-Poor Growth)

La notion de croissance pro-pauvres évalue si les bénéfices de la croissance économique profitent de manière disproportionnée aux plus démunis. Ce point présente les différentes approches pour mesurer ce phénomène, notamment via les courbes d’incidence de la croissance (Growth Incidence Curves). L’étudiant apprendra à construire et interpréter ces courbes pour analyser l’impact distributif des politiques de développement menées dans les zones minières du Lualaba.

IV.4 Modélisation des déterminants de la mobilité sociale

La modélisation des déterminants de la mobilité permet d’identifier les facteurs qui favorisent ou freinent l’ascension sociale. À l’aide de modèles logistiques ou de régression ordinale sur données de panel, cette section montre comment estimer l’influence de l’éducation, de l’origine géographique ou du capital social sur les trajectoires de revenus. Une telle analyse est vitale pour concevoir des politiques publiques efficaces de réduction des inégalités structurelles en RDC.

Chapitre V. Fondements de l’Analyse Séquentielle (Sequence Analysis)

V.1 Origines et pertinence de l’analyse séquentielle en sciences sociales

Issue de la bio-informatique, l’analyse des séquences (Sequence Analysis) a été adaptée pour étudier les trajectoires de vie (carrières, parcours familiaux, etc.) comme des successions d’états. Ce point expose les fondements théoriques de l’approche holistique, qui considère les parcours dans leur intégralité plutôt que comme une série d’événements isolés. Son application est pertinente pour comprendre la complexité des parcours migratoires des jeunes quittant le Kasaï pour les centres urbains.

V.2 Construction d’une séquence d’états à partir de données d’enquête

La construction d’une séquence d’états est l’étape initiale et critique du processus. Ce sous-chapitre détaille la méthodologie pour coder des données biographiques ou de panel (issues de calendriers DHS, par exemple) en un alphabet d’états pertinents et un pas de temps défini. La qualité de cette traduction conditionne toute l’analyse. L’exercice portera sur la création de séquences d’activité professionnelle mensuelles pour des femmes à Bukavu à partir de données rétrospectives.

V.3 Visualisation des trajectoires : chronogrammes et graphiques d’états

Une visualisation efficace des trajectoires est essentielle pour l’exploration et la communication des résultats. Cette section présente les principaux outils graphiques : les chronogrammes (index plots) qui affichent chaque séquence individuellement, et les graphiques de distribution d’états qui montrent la prévalence de chaque état à chaque pas de temps. Ces outils permettent de saisir d’un coup d’œil la diversité et les tendances générales des parcours de formation des jeunes en RDC.

V.4 Mesure de dissimilarité : l’Appariement Optimal (Optimal Matching)

Le calcul de la dissimilarité entre les trajectoires est au cœur de l’analyse séquentielle. La méthode de l’Appariement Optimal (Optimal Matching) est introduite comme un moyen de quantifier la “distance” entre deux séquences en calculant le coût minimal pour transformer l’une en l’autre (via substitutions, insertions, suppressions). Maîtriser cet algorithme est indispensable pour ensuite regrouper les trajectoires similaires, comme les différents parcours d’entrée dans la vie conjugale.

Chapitre VI. Typologie et Modélisation des Trajectoires de Vie

VI.1 Classification des séquences et identification de typologies

Par l’application d’algorithmes de classification ascendante hiérarchique (CAH) sur la matrice des dissimilarités, il devient possible de regrouper les trajectoires individuelles en un nombre restreint de “types” de parcours. Ce sous-chapitre explique comment mener cette classification et interpréter les dendrogrammes pour choisir le nombre optimal de clusters. L’objectif est de dégager les grandes familles de carrières professionnelles observées chez les diplômés de l’Université de Kinshasa.

VI.2 Caractérisation des clusters et identification des séquences représentatives

L’identification de la séquence la plus représentative au sein de chaque cluster est cruciale pour donner un sens concret à la typologie. Cette section présente les méthodes pour extraire ces séquences “médianes” et pour caractériser chaque cluster par ses distributions d’états et ses transitions typiques. Cela permet de passer d’une masse de données complexes à un récit intelligible, par exemple en décrivant les 3 ou 4 parcours-types menant à l’entrepreneuriat informel à Matadi.

VI.3 Analyse des déterminants des types de trajectoires

L’analyse des déterminants permet de répondre à la question : “Qu’est-ce qui explique l’appartenance à un type de trajectoire plutôt qu’à un autre ?”. En utilisant le type de trajectoire comme variable dépendante dans un modèle de régression (logistique multinomiale), on peut tester l’influence de covariables initiales (sexe, éducation des parents, province de naissance). Cette démarche est essentielle pour comprendre les facteurs qui orientent les jeunes congolais vers des parcours de vulnérabilité ou de résilience.

VI.4 Analyse de régression sur données séquentielles (Sequencing Regression)

Au-delà de la simple description, des méthodes plus avancées permettent d’intégrer directement les séquences comme variables explicatives dans un modèle de régression. Ce point introduit des techniques comme la “regression with sequence objects” pour prédire un résultat futur (ex: le niveau de revenu à 40 ans) en fonction de l’ensemble de la trajectoire professionnelle passée. C’est le summum de l’analyse, liant le parcours de vie dans sa globalité à des issues socio-économiques concrètes.

PARTIE 2 : MODÉLISATION AVANCÉE ET ANALYSE DES TRAJECTOIRES

Chapitre VII. Fondements de l’Analyse Longitudinale

VII.1 Structuration des données de panel et de cohorte

Une structuration rigoureuse des données de panel est le prérequis à toute modélisation longitudinale valide. Cette section détaille les formats “wide” et “long”, leurs avantages respectifs et les techniques de restructuration. L’accent est mis sur la manipulation des données issues des enquêtes nationales congolaises (MICS, DHS) pour construire des bases de données prêtes à l’analyse, en assurant la traçabilité des individus ou des ménages à travers les différentes vagues d’enquête, condition sine qua non pour étudier les dynamiques de développement.

VII.2 Modèles à effets fixes (Within)

Face à l’hétérogénéité inobservée et constante dans le temps, les modèles à effets fixes offrent une solution robuste en contrôlant les caractéristiques spécifiques à chaque entité (individu, province). Ce point expose la dérivation mathématique du modèle et son application pratique pour analyser, par exemple, l’impact d’une politique de santé sur les résultats sanitaires en RDC, en neutralisant les effets de variables culturelles ou géographiques stables propres à chaque province.

VII.3 Modèles à effets aléatoires (Between-Within)

Sous l’angle de l’efficience statistique, les modèles à effets aléatoires permettent d’estimer l’impact de variables qui ne varient pas dans le temps. Le sous-chapitre présente les hypothèses sous-jacentes, notamment l’absence de corrélation entre les effets et les régresseurs. L’application se concentre sur l’étude des déterminants du revenu agricole en RDC, en intégrant des variables fixes comme le niveau d’éducation initial tout en modélisant l’évolution des revenus sur plusieurs saisons agricoles.

VII.4 Sélection de modèles : Le test de Hausman

Le choix crucial entre effets fixes et aléatoires conditionne la validité des inférences. Cette section est dédiée au test de Hausman, l’outil statistique permettant de trancher objectivement cette question en comparant la consistance et l’efficience des deux estimateurs. L’étudiant apprendra à implémenter et interpréter ce test dans le contexte d’une analyse des déterminants de l’investissement direct étranger au niveau provincial en RDC, assurant ainsi la rigueur méthodologique de son étude.

Chapitre VIII. Modèles Dynamiques et de Survie pour Données de Panel

VIII.1 Modèles de panel dynamiques (GMM)

L’introduction de variables dépendantes retardées pour capturer la persistance des phénomènes (ex: pauvreté, chômage) crée des biais d’endogénéité. Ce sous-chapitre présente les estimateurs en variables instrumentales GMM (General Method of Moments) d’Arellano-Bond et Blundell-Bond. Leur application est démontrée pour modéliser la persistance de la pauvreté des ménages dans les zones post-conflit de l’Est de la RDC, en isolant l’effet des chocs passés sur la situation économique actuelle.

VIII.2 Introduction à l’analyse de l’historique des événements

La modélisation du temps jusqu’à l’occurrence d’un événement (ex: premier emploi, mariage, décès) est fondamentale en démographie. Ce point introduit les concepts de fonction de survie, de taux de hasard et de censure. L’étudiant apprendra à construire des tables de survie et à estimer des courbes de Kaplan-Meier pour analyser, par exemple, la durée de l’allaitement maternel exclusif en RDC à partir des données de l’EDS, un indicateur clé de la santé infantile.

VIII.3 Modèles de survie en temps discret

Pour les données collectées à intervalles discrets, comme dans la plupart des enquêtes par panel, les modèles de survie en temps discret sont plus appropriés. Ce sous-chapitre expose la logistique de la modélisation des risques de transition d’un état à un autre à chaque période. La méthode est appliquée pour analyser le risque de décrochage scolaire entre chaque année du cycle secondaire pour une cohorte d’élèves à Kinshasa, identifiant les périodes et facteurs critiques.

VIII.4 Modèles à risques concurrents

Lorsque plusieurs événements finaux sont en compétition (ex: guérison vs décès, migration vs emploi local), l’analyse de survie classique est insuffisante. Ce point présente les modèles à risques concurrents qui estiment la probabilité spécifique de chaque issue. L’application se focalise sur les trajectoires des jeunes diplômés en RDC, en modélisant la probabilité concurrente de trouver un emploi formel, de basculer dans l’informel ou d’émigrer dans les trois ans suivant l’obtention du diplôme.

Chapitre IX. Quantification et Décomposition des Inégalités

IX.1 Indices de concentration : Gini, Theil, et Atkinson

Au-delà des moyennes, les indices de concentration synthétisent le niveau d’inégalité d’une distribution (revenu, patrimoine, consommation). Ce sous-chapitre détaille le calcul, l’interprétation et les propriétés de l’indice de Gini, de l’entropie de Theil et de la famille d’indices d’Atkinson. L’étudiant sera capable de calculer et de comparer l’inégalité des dépenses de consommation entre les ménages urbains de Kinshasa et ceux des zones rurales du Kwilu, fournissant un diagnostic chiffré des disparités.

IX.2 Courbes de Lorenz et de concentration généralisée

Une représentation graphique puissante, la courbe de Lorenz, visualise la répartition d’une ressource au sein d’une population. Cette section étend le concept aux courbes de concentration pour analyser la distribution d’un bien (ex: accès à l’eau potable) par rapport à une autre variable (ex: le revenu). L’exercice pratique consistera à tracer et interpréter la courbe de concentration des subventions à l’éducation en RDC pour évaluer si elles bénéficient davantage aux riches ou aux pauvres.

IX.3 Décomposition des inégalités par sous-groupes

L’analyse par décomposition permet d’isoler la contribution des inégalités “intra-groupe” et “inter-groupes” à l’inégalité totale. Ce point technique montre comment décomposer l’indice de Theil pour quantifier la part des inégalités de revenus en RDC qui est due aux disparités entre provinces, entre zones urbaines et rurales, ou entre secteurs d’activité. Cela permet de cibler plus efficacement les politiques de réduction des inégalités en identifiant leurs sources principales.

IX.4 Mesures de la pauvreté : Incidences, profondeur et sévérité (FGT)

La quantification de la pauvreté exige des seuils et des indicateurs robustes. Ce sous-chapitre présente la famille d’indices de Foster-Greer-Thorbecke (FGT), qui mesurent non seulement le pourcentage de pauvres (incidence), mais aussi l’écart moyen au seuil de pauvreté (profondeur) et l’inégalité parmi les pauvres (sévérité). L’étudiant appliquera ces mesures pour dresser un profil de la pauvreté multidimensionnelle dans la province du Kasaï, informant la conception de programmes d’aide sociale ciblés.

Chapitre X. Dimensions Spatiales et Sociales des Inégalités en RDC

X.1 Cartographie des inégalités et analyse spatiale

La cartographie des disparités révèle les fractures territoriales et guide l’aménagement du territoire. Ce sous-chapitre initie à l’utilisation des Systèmes d’Information Géographique (SIG) pour visualiser les indicateurs d’inégalité au niveau des provinces, territoires ou secteurs de santé. L’application portera sur la création d’une carte de la “désertification médicale” en RDC, en croisant la densité de médecins par habitant avec les indicateurs de précarité, pour identifier les zones prioritaires d’intervention.

X.2 Inégalité des chances versus inégalité des résultats

Distincte de l’inégalité des résultats (revenus, etc.), l’inégalité des chances se focalise sur l’influence de circonstances indépendantes de la volonté individuelle (origine sociale, lieu de naissance). Ce point expose les méthodes pour estimer l’indice d’opportunité humaine (IOH). L’étudiant mesurera la part de l’inégalité d’accès à l’enseignement supérieur en RDC qui est attribuable aux circonstances de naissance, fournissant un argumentaire quantitatif pour des politiques d’équité.

X.3 Quantification des inégalités de genre

Une analyse fine des indicateurs de genre va au-delà des simples comparaisons de moyennes. Ce sous-chapitre présente des indices composites comme le Gender Inequality Index (GII) et des techniques pour analyser les écarts salariaux ou l’accès au crédit. L’étude de cas portera sur la quantification de l’écart de revenus entre hommes et femmes dans le secteur informel de Lubumbashi, en contrôlant pour le secteur d’activité, les heures travaillées et le niveau d’éducation.

X.4 Analyse des inégalités inter-groupes et polarisation

L’étude des écarts entre groupes socio-professionnels ou ethniques est cruciale dans un contexte de cohésion sociale. Cette section introduit les mesures de polarisation qui capturent le sentiment d’aliénation et le potentiel de conflit social. La méthode sera appliquée pour analyser la polarisation des revenus entre les travailleurs du secteur minier artisanal et ceux du secteur formel dans le Lualaba, évaluant les tensions économiques structurelles sur le territoire.

Chapitre XI. Introduction à l’Analyse des Séquences (Sequence Analysis)

XI.1 Principes et codage des trajectoires de vie

Conceptuellement, l’analyse de séquences transforme des trajectoires de vie (carrières, parcours familiaux) en chaînes de caractères représentant des états successifs. Ce sous-chapitre détaille les principes de définition des états, le choix de la granularité temporelle et les techniques de codage des données longitudinales en format de séquence. L’exercice consistera à transformer les données d’une enquête rétrospective sur les carrières des femmes commerçantes de Goma en séquences d’états exploitables.

XI.2 Appariement optimal (Optimal Matching Analysis – OMA)

Au cœur de l’analyse des séquences, l’appariement optimal mesure la “distance” ou la dissimilarité entre deux trajectoires. Ce point explique le fonctionnement de l’algorithme, le rôle des coûts de substitution et d’insertion-délétion (indel), et comment leur paramétrage influence les résultats. Les étudiants apprendront à calculer une matrice de distances entre les parcours migratoires des populations déplacées du Nord-Kivu, quantifiant ainsi la diversité de leurs itinéraires.

XI.3 Construction de typologies par classification hiérarchique

À partir des matrices de distance, la classification ascendante hiérarchique (CAH) permet de regrouper les séquences similaires pour faire émerger une typologie de trajectoires. Cette section couvre les différentes méthodes d’agrégation (ex: méthode de Ward) et les critères de choix du nombre de classes. L’application pratique sera de construire une typologie des parcours d’insertion professionnelle des jeunes à Kinshasa, identifiant des chemins types comme “l’insertion rapide”, “le parcours chaotique” ou “l’attente prolongée”.

XI.4 Techniques de visualisation et d’interprétation des séquences

La visualisation des séquences est essentielle pour comprendre et communiquer les résultats. Ce sous-chapitre présente un éventail de graphiques : les “index plots” (tapis de séquences), les graphiques de distribution des états par pas de temps, et les graphiques de séquences modales. L’étudiant apprendra à générer et interpréter ces visualisations pour décrire les typologies de trajectoires de fécondité des femmes congolaises, en montrant l’évolution des âges à la maternité à travers les cohortes.

Chapitre XII. Applications de l’Analyse des Séquences aux Trajectoires de Vie

XII.1 Analyse des carrières professionnelles et de l’emploi

L’analyse des carrières comme séquences d’états (formation, emploi stable, chômage, informalité) révèle la dynamique du marché du travail. Ce point montre comment identifier les trajectoires menant à la précarité ou à la stabilité. L’étude de cas portera sur la comparaison de la stabilité des carrières dans le secteur public versus le secteur privé en RDC, en analysant la fréquence et la durée des transitions entre emplois pour des cohortes de travailleurs sur 20 ans.

XII.2 Modélisation des parcours migratoires

Face aux mobilités complexes, l’analyse séquentielle offre un cadre puissant pour comprendre les parcours migratoires au-delà du simple lieu de départ et d’arrivée. Ce sous-chapitre se concentre sur la modélisation des migrations internes en RDC, en identifiant des schémas typiques (ex: migration par étapes de la campagne vers la ville, migration circulaire, retour après conflit). Cela permet d’informer les politiques d’intégration et de développement local.

XII.3 Trajectoires de formation des familles

La transition vers l’âge adulte implique une séquence d’événements : fin des études, départ du foyer parental, mise en couple, premier enfant. L’ordre et le calendrier de ces événements varient socialement et géographiquement. Ce point applique l’analyse des séquences pour comparer les trajectoires de formation des familles entre les milieux urbains et ruraux en RDC, mettant en lumière l’impact de l’urbanisation et de l’éducation sur les normes familiales.

XII.4 Parcours de santé et de prise en charge

Une connaissance approfondie des parcours de santé (séquence de consultations, traitements, hospitalisations) est vitale pour optimiser l’organisation des soins. Cette section démontre l’utilité de l’analyse séquentielle pour modéliser les trajectoires de patients atteints de maladies chroniques comme le VIH ou la tuberculose en RDC. L’objectif est d’identifier les points de rupture dans la continuité des soins et de concevoir des interventions pour améliorer l’adhérence au traitement.

ANNEXES

A. Glossaire Technique et Opérationnel

Une maîtrise lexicale précise est le fondement de toute analyse quantitative rigoureuse. Ce glossaire va au-delà de la simple définition en contextualisant chaque terme dans le cadre de la recherche en RDC. Il décode les concepts clés (attrition, censure à droite, hétérogénéité non observée, effet de cohorte) et leurs implications pratiques pour l’interprétation des résultats. L’objectif est d’assurer une communication sans ambiguïté dans les rapports destinés aux ministères, aux bailleurs de fonds ou aux ONG opérant sur le territoire national.

B. Répertoire des Sources de Données pour la RDC

Face au défi de l’accès à des données fiables, cet inventaire constitue un outil stratégique pour le démographe-analyste. Il recense, qualifie et guide l’accès aux principales bases de données longitudinales et transversales pertinentes pour la RDC : enquêtes Démographiques et de Santé (EDS-RDC), enquêtes par grappes à indicateurs multiples (MICS), enquêtes 1-2-3, ainsi que les données administratives exploitables. Chaque source est évaluée pour son potentiel dans l’analyse des inégalités, des trajectoires de fécondité ou de la mobilité professionnelle.

C. Scripts R Commentés pour l’Analyse de Séquences

La transition de la théorie à la pratique analytique s’opère par la maîtrise du code. Cette annexe fournit des scripts R fonctionnels et abondamment commentés, spécifiquement dédiés à l’analyse de séquences avec le package TraMineR. L’étudiant apprendra concrètement à préparer les données, visualiser des trajectoires de vie (chronogrammes, index plots), calculer des dissimilarités entre parcours (Optimal Matching) et identifier des typologies de carrières à partir des données de l’Enquête sur l’Emploi et le Secteur Informel (EESI).

D. Protocole de Validation d’un Modèle Longitudinal

La robustesse d’une conclusion scientifique repose sur la validité du modèle qui la sous-tend. Ce protocole formalise une checklist méthodologique pour la validation des modèles à effets fixes et aléatoires. Il détaille les étapes cruciales : tests de spécification (Hausman), diagnostic des résidus, gestion de l’hétéroscédasticité et de l’autocorrélation. Appliquer ce protocole garantit la production d’analyses crédibles et défendables, essentielles pour l’aide à la décision, notamment dans le cadre de l’évaluation des politiques publiques du Plan National Stratégique de Développement (PNSD).

Lire aussi :

Cours de Questions des Méthodes en Sciences, master-2, QMS2231

Cours de Anthropologie de l'art, licence-2, ANA1231

Cours de Introduction à l’éthique, master-2, IET2231

Cours de Stage d’imprégnation, licence-1, DDS1121.

Cours de Sphère médicale, master-1, SPM2122

Cours de Méthodologie, licence-2, MTD1231.