EDA Macro — 74 villes Airbnb – Airbnb

1 — Bilan diagnostic et préparation

Ce diagnostic identifie les points d’attention à traiter avant toute analyse multivariée. Il examine trois familles de relations : les corrélations entre indicateurs numériques (redondances, colinéarité), les associations Cramér V entre typologies catégorielles (quelles catégories vont ensemble), et les effets êta² des typologies sur les indicateurs (qui structure quoi). Les recommandations par usage — ACP, régression, clustering — en découlent directement.

Diagnostic transversal

Variables quantitatives

🔴 Indicateurs redondants (|r| > 0.90 = mesurent quasi la meme chose) : 26 — %ann. d’h.multi x %ann. d’h.mono (r=-1.00) ; Occup. est. méd x Taux occ. est. (r=1.00) ; Cal. ouvert méd. x % cal.ouv ≥180j (r=0.99)

26 paires au total — voir le detail

%ann. d’h.multi x %ann. d’h.mono (r=-1.00)
Occup. est. méd x Taux occ. est. (r=1.00)
Cal. ouvert méd. x % cal.ouv ≥180j (r=0.99)
Annonces x Logt entiers (r=0.98)
%ann. d’h.pro&s x %ann. d’h.super (r=0.98)
%ann. d’h.pro&s x Gini hôtes (r=0.98)
% off. top10% h. x Gini hôtes (r=0.98)
%ann. d’h.multi x Gini hôtes (r=0.98)
Gini hôtes x %ann. d’h.mono (r=-0.98)
% h. pr 50% off. x Gini hôtes (r=-0.97)
%ann. d’h.super x % off. top10% h. (r=0.96)
% h. pr 50% off. x % off. top10% h. (r=-0.96)
%ann. d’h.pro&s x % off. top10% h. (r=0.96)
Prix méd. x Prix méd. ent. (r=0.96)
Hôtes x Logt entiers (r=0.95)
Annonces x Hôtes (r=0.95)
%ann. d’h.super x Gini hôtes (r=0.95)
%ann. d’h.multi x % h. pr 50% off. (r=-0.95)
% h. pr 50% off. x %ann. d’h.mono (r=0.95)
%ann. d’h.multi x %ann. d’h.pro&s (r=0.94)
%ann. d’h.pro&s x %ann. d’h.mono (r=-0.94)
%ann. d’h.pro&s x Ann./host (r=0.94)
%ann. d’h.super x Ann./host (r=0.91)
%ann. d’h.multi x % off. top10% h. (r=0.91)
% off. top10% h. x %ann. d’h.mono (r=-0.91)
%ann. d’h.pro&s x % h. pr 50% off. (r=-0.91)

🟠 Indicateurs fortement lies (|r| > 0.70 = evoluent ensemble) : 25 — Ann./host x Gini hôtes (r=0.89) ; Prix méd. ent. x Écart px Q1Q3 (r=0.89) ; %ann. d’h.super x % h. pr 50% off. (r=-0.88)

25 paires au total — voir le detail

Ann./host x Gini hôtes (r=0.89)
Prix méd. ent. x Écart px Q1Q3 (r=0.89)
%ann. d’h.super x % h. pr 50% off. (r=-0.88)
%ann. d’h.multi x Ann./host (r=0.88)
Ann./host x %ann. d’h.mono (r=-0.88)
%ann. d’h.multi x %ann. d’h.super (r=0.87)
%ann. d’h.super x %ann. d’h.mono (r=-0.87)
Occup. est. méd x Revenu est.méd. (r=0.87)
Taux occ. est. x Revenu est.méd. (r=0.87)
%ann. d’h.multi x %ann. d’h.pro (r=0.85)
%ann. d’h.mono x %ann. d’h.pro (r=-0.85)
Ann./host x % off. top10% h. (r=0.84)
Ann./1Khab dns x Ann./km² dense (r=0.84)
Taux occ. est. x Avis/mois (r=0.83)
Occup. est. méd x Avis/mois (r=0.83)
Prix méd. x Écart px Q1Q3 (r=0.83)
Prix méd. x Prix ch. priv. (r=0.82)
Gini hôtes x %ann. d’h.pro (r=0.76)
% h. pr 50% off. x Ann./host (r=-0.76)
%ann. d’h.pro&s x %ann. d’h.pro (r=0.76)
Prix méd. ent. x Prix ch. priv. (r=0.75)
Ann./host x %ann. d’h.pro (r=0.73)
Occup. est. méd x % Superhost (r=0.72)
Taux occ. est. x % Superhost (r=0.72)
% h. pr 50% off. x %ann. d’h.pro (r=-0.71)

🟡 Distributions desequilibrees (valeurs concentrees d’un cote, skew > 2) : 8 — Annonces (skew=2.3) ; Hôtes (skew=2.8) ; Ann./1Khab dns (skew=2.5)

8 paires au total — voir le detail

Annonces (skew=2.3)
Hôtes (skew=2.8)
Ann./1Khab dns (skew=2.5)
Ann./km² dense (skew=2.6)
Logt entiers (skew=2.3)
% durée min>90j (skew=4.2)
Chambres méd. (skew=2.3)
PIB/hab (skew=4.2)

🟢 Valeurs extremes (>5% hors norme) : 13 — Annonces (6.8% outliers) ; Hôtes (8.1% outliers) ; Ann./1Khab dns (6.8% outliers)

13 paires au total — voir le detail

Annonces (6.8% outliers)
Hôtes (8.1% outliers)
Ann./1Khab dns (6.8% outliers)
Ann./km² dense (10.8% outliers)
Logt entiers (6.8% outliers)
% durée min>90j (10.8% outliers)
Chambres méd. (12.2% outliers)
% h. pr 50% off. (5.4% outliers)
Ann./host (5.4% outliers)
% off. top10 h. (5.4% outliers)
Note glob. (6.8% outliers)
IDH (7.1% outliers)
Crois. pop. (5.6% outliers)

ℹ️ Relations non-lineaires (la relation existe mais pas en ligne droite) : 176 — Ann./host x Gini hôtes (delta=0.10) ; %ann. d’h.multi x Ann./host (delta=0.11) ; Ann./host x %ann. d’h.mono (delta=0.11)

176 paires au total — voir le detail

Ann./host x Gini hôtes (delta=0.10)
%ann. d’h.multi x Ann./host (delta=0.11)
Ann./host x %ann. d’h.mono (delta=0.11)
% h. pr 50% off. x Ann./host (delta=0.18)
% durée min>90j x PIB/hab (delta=0.39)
%ann. d’h.multi x Cal. ouvert méd. (delta=0.11)
%ann. d’h.mono x Cal. ouvert méd. (delta=0.11)
Gini hôtes x % cal.ouv ≥180j (delta=0.13)
Gini hôtes x Cal. ouvert méd. (delta=0.15)
% h. pr 50% off. x Cal. ouvert méd. (delta=0.19)
% h. pr 50% off. x % cal.ouv ≥180j (delta=0.17)
Hôtes x % off. top10 h. (delta=0.26)
% off. top10% h. x Cal. ouvert méd. (delta=0.19)
%ann. d’h.pro&s x Cal. ouvert méd. (delta=0.11)
% off. top10% h. x % cal.ouv ≥180j (delta=0.16)
Logt entiers x % off. top10 h. (delta=0.13)
Annonces x % off. top10 h. (delta=0.15)
% ann. denses x Chambres méd. (delta=0.11)
% ann. logt ent x PIB/hab (delta=0.25)
% off. top10 h. x PIB/hab (delta=0.49)
%ann. d’h.super x % cal.ouv ≥180j (delta=0.11)
% durée min>30j x % durée min>90j (delta=0.12)
%ann. d’h.super x Cal. ouvert méd. (delta=0.12)
GAWC x PIB/hab (delta=0.22)
Ann./host x PIB/hab (delta=0.28)
Prix ch. priv. x Cal. ouvert méd. (delta=0.10)
Ann./km² dense x UNESCO 50km (delta=0.13)
% durée min>30j x PIB/hab (delta=0.15)
Prix ch. priv. x % cal.ouv ≥180j (delta=0.11)
Ann./km² dense x % ann. denses (delta=0.16)
% ann. logt ent x % durée min>30j (delta=0.11)
Dens. pop. x UNESCO 50km (delta=0.11)
Prix méd. x Cal. ouvert méd. (delta=0.12)
%ann. d’h.super x PIB/hab (delta=0.15)
% h. pr 50% off. x Prix ch. priv. (delta=0.11)
% durée min>90j x Cal. ouvert méd. (delta=0.22)
Dens. pop. x Crois. pop. (delta=0.10)
PIB/hab x Temp. moy. (delta=0.25)
Prix méd. x % cal.ouv ≥180j (delta=0.12)
% durée min>90j x % off. top10 h. (delta=0.13)
% off. top10% h. x PIB/hab (delta=0.11)
% durée min>90j x % cal.ouv ≥180j (delta=0.21)
Logt entiers x Temp. moy. (delta=0.19)
Annonces x Temp. moy. (delta=0.18)
Prix ch. priv. x UNESCO 50km (delta=0.16)
%ann. d’h.pro&s x PIB/hab (delta=0.13)
Ann./1Khab dns x Dens. pop. (delta=0.12)
% h. pr 50% off. x % Superhost (delta=0.15)
Taux occ. est. x Temp. moy. (delta=0.12)
Occup. est. méd x Temp. moy. (delta=0.12)
Ann./1Khab dns x % durée min>90j (delta=0.20)
% durée min>90j x Dens. pop. (delta=0.28)
% off. top10 h. x IDH (delta=0.17)
Revenu est.méd. x PIB/hab (delta=0.11)
% durée min>30j x Avis/mois (delta=0.19)
GAWC x IDH (delta=0.12)
% ann. denses x PIB/hab (delta=0.15)
Gini hôtes x PIB/hab (delta=0.10)
Ann./1Khab dns x % off. top10 h. (delta=0.11)
% durée min>90j x Ann./host (delta=0.38)
Revenu est.méd. x Temp. moy. (delta=0.12)
Revenu est.méd. x IDH (delta=0.10)
% durée min>90j x Temp. moy. (delta=0.41)
% ann. logt ent x % off. top10 h. (delta=0.17)
Ann./1Khab dns x Cal. ouvert méd. (delta=0.12)
Chambres méd. x Dens. pop. (delta=0.13)
Cal. ouvert méd. x PIB/hab (delta=0.35)
% durée min>90j x % off. top10% h. (delta=0.25)
%ann. d’h.multi x Écart px Q1Q3 (delta=0.12)
%ann. d’h.mono x Écart px Q1Q3 (delta=0.12)
Ann./host x IDH (delta=0.15)
% durée min>90j x %ann. d’h.pro&s (delta=0.29)
IDH x PIB/hab (delta=0.13)
% durée min>90j x %ann. d’h.super (delta=0.26)
% cal.ouv ≥180j x PIB/hab (delta=0.31)
% durée min>90j x Capacité méd. (delta=0.26)
Ann./host x UNESCO 50km (delta=0.10)
Ann./km² dense x % durée min>90j (delta=0.18)
Hôtes x Temp. moy. (delta=0.14)
Revenu est.méd. x Note glob. (delta=0.10)
% Superhost x IDH (delta=0.16)
%ann. d’h.multi x PIB/hab (delta=0.10)
%ann. d’h.mono x PIB/hab (delta=0.10)
Ann./1Khab dns x PIB/hab (delta=0.11)
% durée min>90j x Gini hôtes (delta=0.29)
Ann./1Khab dns x % cal.ouv ≥180j (delta=0.15)
Ann./km² dense x Chambres méd. (delta=0.11)
Ann./host x Avis/mois (delta=0.12)
Prix ch. priv. x PIB/hab (delta=0.14)
% h. pr 50% off. x GAWC (delta=0.13)
% durée min>30j x Dens. pop. (delta=0.13)
Capacité méd. x Ann./host (delta=0.11)
Ann./host x Écart px Q1Q3 (delta=0.12)
% durée min>90j x %ann. d’h.pro (delta=0.29)
Annonces x Écart px Q1Q3 (delta=0.11)
Avis/mois x Temp. moy. (delta=0.13)
Ann./km² dense x Cal. ouvert méd. (delta=0.20)
% cal.ouv ≥180j x Dens. pop. (delta=0.11)
% durée min>90j x %ann. d’h.multi (delta=0.29)
% durée min>90j x %ann. d’h.mono (delta=0.29)
% off. top10 h. x Avis/mois (delta=0.23)
Cal. ouvert méd. x Dens. pop. (delta=0.12)
Ann./1Khab dns x Revenu est.méd. (delta=0.10)
Logt entiers x %ann. d’h.super (delta=0.13)
Annonces x %ann. d’h.super (delta=0.12)
Annonces x % h. pr 50% off. (delta=0.11)
% durée min>90j x % h. pr 50% off. (delta=0.20)
Taux occ. est. x IDH (delta=0.16)
Occup. est. méd x IDH (delta=0.16)
Annonces x %ann. d’h.pro&s (delta=0.13)
Cal. ouvert méd. x Note glob. (delta=0.12)
IDH x Crois. pop. (delta=0.12)
Annonces x % off. top10% h. (delta=0.13)
Ann./km² dense x IDH (delta=0.13)
Logt entiers x %ann. d’h.pro&s (delta=0.15)
Crois. pop. x Temp. moy. (delta=0.18)
Capacité méd. x Temp. moy. (delta=0.10)
Prix méd. x PIB/hab (delta=0.11)
Hôtes x Prix ch. priv. (delta=0.14)
% durée min>90j x UNESCO 50km (delta=0.14)
Capacité méd. x IDH (delta=0.15)
Logt entiers x Écart px Q1Q3 (delta=0.11)
Ann./host x Revenu est.méd. (delta=0.10)
% cal.ouv ≥180j x Note glob. (delta=0.11)
Logt entiers x % off. top10% h. (delta=0.15)
% off. top10 h. x Dens. pop. (delta=0.17)
Annonces x Gini hôtes (delta=0.13)
% off. top10 h. x Occup. est. méd (delta=0.23)
% off. top10 h. x Taux occ. est. (delta=0.23)
Logt entiers x % h. pr 50% off. (delta=0.14)
Ann./km² dense x % cal.ouv ≥180j (delta=0.21)
% off. top10 h. x Revenu est.méd. (delta=0.18)
% ann. logt ent x %ann. d’h.multi (delta=0.12)
% ann. logt ent x %ann. d’h.mono (delta=0.12)
% off. top10 h. x GAWC (delta=0.15)
Logt entiers x Gini hôtes (delta=0.15)
Annonces x %ann. d’h.multi (delta=0.14)
Annonces x %ann. d’h.mono (delta=0.14)
Logt entiers x % durée min>90j (delta=0.18)
% ann. logt ent x % h. pr 50% off. (delta=0.14)
% ann. logt ent x Temp. moy. (delta=0.15)
% ann. logt ent x %ann. d’h.super (delta=0.11)
% durée min>90j x Écart px Q1Q3 (delta=0.13)
% ann. logt ent x Ann./host (delta=0.13)
Annonces x Ann./host (delta=0.15)
Annonces x %ann. d’h.pro (delta=0.11)
Prix méd. x UNESCO 50km (delta=0.13)
Logt entiers x Ann./host (delta=0.16)
Logt entiers x %ann. d’h.multi (delta=0.16)
Logt entiers x %ann. d’h.mono (delta=0.16)
Annonces x % durée min>90j (delta=0.18)
% ann. logt ent x Gini hôtes (delta=0.13)
% durée min>90j x IDH (delta=0.24)
% ann. denses x % h. pr 50% off. (delta=0.15)
% durée min>30j x Taux occ. est. (delta=0.21)
% durée min>30j x Occup. est. méd (delta=0.20)
% durée min>30j x Prix ch. priv. (delta=0.10)
% Superhost x Temp. moy. (delta=0.12)
% ann. denses x % off. top10% h. (delta=0.11)
% durée min>30j x Revenu est.méd. (delta=0.20)
Logt entiers x %ann. d’h.pro (delta=0.13)
% ann. logt ent x % off. top10% h. (delta=0.14)
Logt entiers x Prix ch. priv. (delta=0.12)
% off. top10 h. x % Superhost (delta=0.13)
Ann./km² dense x PIB/hab (delta=0.24)
% off. top10 h. x Temp. moy. (delta=0.11)
Annonces x PIB/hab (delta=0.21)
Écart px Q1Q3 x Dens. pop. (delta=0.12)
% durée min>90j x Crois. pop. (delta=0.18)
Ann./host x Occup. est. méd (delta=0.13)
Ann./host x Taux occ. est. (delta=0.13)
Chambres méd. x IDH (delta=0.14)
Avis/mois x IDH (delta=0.17)
Logt entiers x PIB/hab (delta=0.18)
Ann./km² dense x Écart px Q1Q3 (delta=0.11)
Hôtes x PIB/hab (delta=0.21)

Variables qualitatives entre elles

🟣 Typologies fortement liees (V > 0.25 = connaitre l’une aide a deviner l’autre) : 1 — continent_detail x is_capital (V=0.49)
⚠ Variables hubs (liees a beaucoup d’autres) : continent_detail (V moy=0.49), is_capital (V moy=0.49)

Typologies x Indicateurs

🔵 Typologies qui structurent fortement (eta2 > 14% = le groupe predit la valeur) : 40 — continent_detail x Ann./host (eta2=70%) ; continent_detail x IDH (eta2=65%) ; continent_detail x % ann. denses (eta2=58%)

40 paires au total — voir le detail

continent_detail x Ann./host (eta2=70%)
continent_detail x IDH (eta2=65%)
continent_detail x % ann. denses (eta2=58%)
continent_detail x %ann. d’h.multi (eta2=54%)
continent_detail x %ann. d’h.mono (eta2=54%)
continent_detail x Temp. moy. (eta2=51%)
continent_detail x %ann. d’h.pro&s (eta2=50%)
continent_detail x Gini hôtes (eta2=48%)
continent_detail x % Superhost (eta2=47%)
continent_detail x %ann. d’h.super (eta2=46%)
continent_detail x PIB/hab (eta2=45%)
continent_detail x UNESCO 50km (eta2=45%)
continent_detail x Dens. pop. (eta2=44%)
continent_detail x % durée min>30j (eta2=43%)
continent_detail x % cal.ouv ≥180j (eta2=39%)
continent_detail x %ann. d’h.pro (eta2=39%)
continent_detail x % h. pr 50% off. (eta2=38%)
continent_detail x Note glob. (eta2=38%)
continent_detail x % off. top10% h. (eta2=37%)
continent_detail x Cal. ouvert méd. (eta2=34%)
continent_detail x Prix méd. (eta2=32%)
continent_detail x Crois. pop. (eta2=31%)
continent_detail x Revenu est.méd. (eta2=27%)
continent_detail x Prix méd. ent. (eta2=27%)
continent_detail x Ann./km² dense (eta2=27%)
continent_detail x Occup. est. méd (eta2=27%)
continent_detail x Taux occ. est. (eta2=27%)
continent_detail x Écart px Q1Q3 (eta2=25%)
continent_detail x Prix ch. priv. (eta2=23%)
continent_detail x Avis/mois (eta2=22%)
continent_detail x Ann./1Khab dns (eta2=21%)
continent_detail x Logt entiers (eta2=21%)
continent_detail x Capacité méd. (eta2=20%)
continent_detail x Chambres méd. (eta2=19%)
continent_detail x Annonces (eta2=19%)
continent_detail x Hôtes (eta2=19%)
continent_detail x % off. top10 h. (eta2=16%)
continent_detail x GAWC (eta2=15%)
continent_detail x % ann. logt ent (eta2=15%)
is_capital x GAWC (eta2=14%)

⚠ Variable structurante : continent_detail (explique en moy. 35% des indicateurs)
Indicateurs les plus expliques : Ann./host (35%), % ann. denses (33%), IDH (33%)

Recommandations par usage

Obligatoire

Retirer les redondances (|r| > 0.90) : 26 paire(s), dont %ann. d’h.multi x %ann. d’h.mono (r=-1.00) ; Occup. est. méd x Taux occ. est. (r=1.00) ; Cal. ouvert méd. x % cal.ouv ≥180j (r=0.99) — sinon axes parasites

Recommande

Passer en variables supplementaires les 25 paires |r| > 0.70, dont Ann./host x Gini hôtes, Prix méd. ent. x Écart px Q1Q3, %ann. d’h.super x % h. pr 50% off.
Log-transformer les variables asymetriques (skew > 2) : Annonces, Hôtes, Ann./1Khab dns, Ann./km² dense, Logt entiers, % durée min>90j, Chambres méd., PIB/hab — ameliore la stabilite des composantes
Standardiser (centrer-reduire) — automatique si FactoMineR::PCA(scale.unit = TRUE)

Optionnel

Winsoriser les outliers si shift > 20% (deforme les axes minoritaires)
Quali en variables supplementaires pour interpreter les axes : continent_detail, is_capital

Obligatoire

Calculer le VIF — retirer toute variable VIF > 5 parmi les 51 paires |r| > 0.70. Au-dela, coefficients instables

Recommande

Transformer les variables asymetriques (log, racine, Box-Cox) pour normaliser les residus : Annonces, Hôtes, Ann./1Khab dns, Ann./km² dense, Logt entiers, % durée min>90j, Chambres méd., PIB/hab
Verifier les residus apres le fit : normalite (QQ-plot), homoscedasticite (residus vs predits)

Optionnel

Cook’s distance apres le fit pour identifier les observations influentes (retirer si Di > 4/n)
Splines ou GAM pour les non-linearites detectees : Ann./host x Gini hôtes, %ann. d’h.multi x Ann./host, Ann./host x %ann. d’h.mono, % h. pr 50% off. x Ann./host, % durée min>90j x PIB/hab, %ann. d’h.multi x Cal. ouvert méd., %ann. d’h.mono x Cal. ouvert méd., Gini hôtes x % cal.ouv ≥180j, Gini hôtes x Cal. ouvert méd., % h. pr 50% off. x Cal. ouvert méd., % h. pr 50% off. x % cal.ouv ≥180j, Hôtes x % off. top10 h., % off. top10% h. x Cal. ouvert méd., %ann. d’h.pro&s x Cal. ouvert méd., % off. top10% h. x % cal.ouv ≥180j, Logt entiers x % off. top10 h., Annonces x % off. top10 h., % ann. denses x Chambres méd., % ann. logt ent x PIB/hab, % off. top10 h. x PIB/hab, %ann. d’h.super x % cal.ouv ≥180j, % durée min>30j x % durée min>90j, %ann. d’h.super x Cal. ouvert méd., GAWC x PIB/hab, Ann./host x PIB/hab, Prix ch. priv. x Cal. ouvert méd., Ann./km² dense x UNESCO 50km, % durée min>30j x PIB/hab, Prix ch. priv. x % cal.ouv ≥180j, Ann./km² dense x % ann. denses, % ann. logt ent x % durée min>30j, Dens. pop. x UNESCO 50km, Prix méd. x Cal. ouvert méd., %ann. d’h.super x PIB/hab, % h. pr 50% off. x Prix ch. priv., % durée min>90j x Cal. ouvert méd., Dens. pop. x Crois. pop., PIB/hab x Temp. moy., Prix méd. x % cal.ouv ≥180j, % durée min>90j x % off. top10 h., % off. top10% h. x PIB/hab, % durée min>90j x % cal.ouv ≥180j, Logt entiers x Temp. moy., Annonces x Temp. moy., Prix ch. priv. x UNESCO 50km, %ann. d’h.pro&s x PIB/hab, Ann./1Khab dns x Dens. pop., % h. pr 50% off. x % Superhost, Taux occ. est. x Temp. moy., Occup. est. méd x Temp. moy., Ann./1Khab dns x % durée min>90j, % durée min>90j x Dens. pop., % off. top10 h. x IDH, Revenu est.méd. x PIB/hab, % durée min>30j x Avis/mois, GAWC x IDH, % ann. denses x PIB/hab, Gini hôtes x PIB/hab, Ann./1Khab dns x % off. top10 h., % durée min>90j x Ann./host, Revenu est.méd. x Temp. moy., Revenu est.méd. x IDH, % durée min>90j x Temp. moy., % ann. logt ent x % off. top10 h., Ann./1Khab dns x Cal. ouvert méd., Chambres méd. x Dens. pop., Cal. ouvert méd. x PIB/hab, % durée min>90j x % off. top10% h., %ann. d’h.multi x Écart px Q1Q3, %ann. d’h.mono x Écart px Q1Q3, Ann./host x IDH, % durée min>90j x %ann. d’h.pro&s, IDH x PIB/hab, % durée min>90j x %ann. d’h.super, % cal.ouv ≥180j x PIB/hab, % durée min>90j x Capacité méd., Ann./host x UNESCO 50km, Ann./km² dense x % durée min>90j, Hôtes x Temp. moy., Revenu est.méd. x Note glob., % Superhost x IDH, %ann. d’h.multi x PIB/hab, %ann. d’h.mono x PIB/hab, Ann./1Khab dns x PIB/hab, % durée min>90j x Gini hôtes, Ann./1Khab dns x % cal.ouv ≥180j, Ann./km² dense x Chambres méd., Ann./host x Avis/mois, Prix ch. priv. x PIB/hab, % h. pr 50% off. x GAWC, % durée min>30j x Dens. pop., Capacité méd. x Ann./host, Ann./host x Écart px Q1Q3, % durée min>90j x %ann. d’h.pro, Annonces x Écart px Q1Q3, Avis/mois x Temp. moy., Ann./km² dense x Cal. ouvert méd., % cal.ouv ≥180j x Dens. pop., % durée min>90j x %ann. d’h.multi, % durée min>90j x %ann. d’h.mono, % off. top10 h. x Avis/mois, Cal. ouvert méd. x Dens. pop., Ann./1Khab dns x Revenu est.méd., Logt entiers x %ann. d’h.super, Annonces x %ann. d’h.super, Annonces x % h. pr 50% off., % durée min>90j x % h. pr 50% off., Taux occ. est. x IDH, Occup. est. méd x IDH, Annonces x %ann. d’h.pro&s, Cal. ouvert méd. x Note glob., IDH x Crois. pop., Annonces x % off. top10% h., Ann./km² dense x IDH, Logt entiers x %ann. d’h.pro&s, Crois. pop. x Temp. moy., Capacité méd. x Temp. moy., Prix méd. x PIB/hab, Hôtes x Prix ch. priv., % durée min>90j x UNESCO 50km, Capacité méd. x IDH, Logt entiers x Écart px Q1Q3, Ann./host x Revenu est.méd., % cal.ouv ≥180j x Note glob., Logt entiers x % off. top10% h., % off. top10 h. x Dens. pop., Annonces x Gini hôtes, % off. top10 h. x Occup. est. méd, % off. top10 h. x Taux occ. est., Logt entiers x % h. pr 50% off., Ann./km² dense x % cal.ouv ≥180j, % off. top10 h. x Revenu est.méd., % ann. logt ent x %ann. d’h.multi, % ann. logt ent x %ann. d’h.mono, % off. top10 h. x GAWC, Logt entiers x Gini hôtes, Annonces x %ann. d’h.multi, Annonces x %ann. d’h.mono, Logt entiers x % durée min>90j, % ann. logt ent x % h. pr 50% off., % ann. logt ent x Temp. moy., % ann. logt ent x %ann. d’h.super, % durée min>90j x Écart px Q1Q3, % ann. logt ent x Ann./host, Annonces x Ann./host, Annonces x %ann. d’h.pro, Prix méd. x UNESCO 50km, Logt entiers x Ann./host, Logt entiers x %ann. d’h.multi, Logt entiers x %ann. d’h.mono, Annonces x % durée min>90j, % ann. logt ent x Gini hôtes, % durée min>90j x IDH, % ann. denses x % h. pr 50% off., % durée min>30j x Taux occ. est., % durée min>30j x Occup. est. méd, % durée min>30j x Prix ch. priv., % Superhost x Temp. moy., % ann. denses x % off. top10% h., % durée min>30j x Revenu est.méd., Logt entiers x %ann. d’h.pro, % ann. logt ent x % off. top10% h., Logt entiers x Prix ch. priv., % off. top10 h. x % Superhost, Ann./km² dense x PIB/hab, % off. top10 h. x Temp. moy., Annonces x PIB/hab, Écart px Q1Q3 x Dens. pop., % durée min>90j x Crois. pop., Ann./host x Occup. est. méd, Ann./host x Taux occ. est., Chambres méd. x IDH, Avis/mois x IDH, Logt entiers x PIB/hab, Ann./km² dense x Écart px Q1Q3, Hôtes x PIB/hab

Obligatoire

Standardiser obligatoirement (z-score ou robust scale) — sinon une variable d’amplitude 1000 ecrase celles d’amplitude 1
Retirer les redondances (|r| > 0.90) — sinon une dimension est sur-ponderee artificiellement

Recommande

Winsoriser les outliers — deforment les distances euclidiennes (k-means surtout)
Tester plusieurs distances : euclidienne (defaut), Manhattan (robuste outliers), Gower (mixte quali+quanti)

Optionnel

Reduction de dimension prealable (ACP, t-SNE, UMAP) si > 20 variables
Validation du k optimal via silhouette, gap statistic, ou elbow method

Obligatoire

Train/test split au minimum (80/20 ou 70/30), idealement validation croisee k-fold
Scaling pour SVM/kNN/reseaux (pas necessaire pour arbres)

Recommande

Lasso/Ridge gerent les redondances naturellement, RandomForest aussi (selection feature interne)
Asymetries : critique pour modeles lineaires, robuste pour arbres
Outliers : critiques pour SVM/kNN, moins pour arbres et boosting

Optionnel

Feature engineering : interactions, polynomiales, encoding cible pour categorielles haute cardinalite
Hyperparameter tuning : grid search ou bayesien selon budget compute

Obligatoire

Standardiser obligatoirement (z-score, rang, ou min-max) — comparabilite des variables
Definir le sens de chaque variable (un score eleve = bon ou mauvais ?) avant agregation

Recommande

Winsoriser les outliers : Annonces, Hôtes, Ann./1Khab dns, Ann./km² dense, Logt entiers, % durée min>90j, Chambres méd., % h. pr 50% off., Ann./host, % off. top10 h., Note glob., IDH, Crois. pop. — evite qu’une valeur extreme ecrase l’indice
Coherence interne : alpha de Cronbach > 0.7 pour verifier que les variables mesurent un construit commun

Optionnel

Ponderation : egales (par defaut), expert (avis de domaine), ou ACP (1ere composante)
Redondances tolerables : renforcent une dimension (a l’inverse de l’ACP)
Validation : correlation de l’indice avec un proxy externe connu

2 — Données et contexte

Cette section pose le cadre du jeu de données : périmètre couvert, granularité d’observation, variables retenues et exclues. Le scan automatique détecte les types sémantiques (continu, catégoriel, identifiant, constante) et documente les taux de valeurs manquantes par variable.

Scan dataset brut — 102 variables, 74 obs — cliquer pour deplier

Scan dataset brut — 102 variables, 74 obs

⇅ triable · survol

102 variables : Quanti=89 | Quali=9 | Exclure=4 (binary_cat=3, constant=1, continuous=86, ordinal_num=3, quali_nominal=6, text_or_id=3)

EDA aggregated — Ville : 74 observations brutes, 40 quanti retenues (40 continues + 0 binaires 0/1) et 2 qualitatives. Pool apres na.omit : 64 obs (13.5% perdues, variable couteuse : ctx_static_gawc_score).

	Variables	Role EDA
Quanti continues (40)	vol_n_ann, vol_n_hotes, prs_listings_1000hab_dense, prs_density_l_km2_dense, prs_pct_listings_dense, str_entire_pct, str_minnuits30_pct, str_n_entire, str_minnuits90_pct, str_cap_pers_med, str_cap_chbr_med, cr_offre_1plus, cr_offre_5plus, cr_offre_10plus, cr_hosts_offre50_pct, str_ratio_ann_hote, cr_offre_top10host_pct, cr_offre_top10pct_pct, cr_gini, cr_offre_single_pct, cr_offre_pro_pct, px_med, px_entire_med, px_entire_iqr, px_private_med, act_cal_ouvert_med, act_cal_180j_pct, act_reserv_j_med, act_reserv_taux, act_revenu_med, act_superhost_pct, actrv_avis_mois, actrv_note_glb, ctx_densite_pop_dense, ctx_static_gawc_score, ctx_static_unesco_50km, ctx_ucdb_hdi_latest, ctx_ucdb_gdp_avg_20, ctx_ucdb_pop_cagr_20, ctx_ucdb_temp_mean_latest	Describe, distributions, correlations, eta2
Quanti binaires 0/1 (0)	—	Eta2/v-test (taux par groupe), correlations phi
Quali (2)	continent_detail, is_capital	Profils, eta2/v-test, crosstabs, Cramer V

3 — Analyse univariée — structure des variables

Cette section analyse chaque variable indépendamment des autres, en deux temps. D’abord un panorama synthétique : statistiques descriptives des indicateurs numériques et profil des variables catégorielles. Puis un zoom par variable qualitative avec masses absolues, concentration et asymétrie.

Variables quantitatives — profil descriptif

Statistiques descriptives des 40 variables numériques retenues : tendance centrale, dispersion, forme de la distribution et valeurs extrêmes. Cliquer sur une ligne pour voir le top/bottom.

EDA describe — 40 variables, 74 obs

⇅ triable · survol

Variables qualitatives — profil synthétique

Pour chaque typologie, le tableau ci-dessous donne le nombre de modalités, la modalité la plus fréquente, la concentration (HHI, Top-3 cumulé) et l’équilibre des effectifs entre modalités. Permet de repérer les typologies déséquilibrées (1 modalité majoritaire écrasante) ou hyper-fragmentées (trop de modalités à faible effectif pour servir en analyse multivariée).

Profil quali — 2 variables

⇅ triable · survol

Graphiques de distributions

Les distributions des variables continues révèlent leur forme — symétrique, asymétrique (skew), unimodale ou bimodale. Une asymétrie marquée (skew > 2) signale qu’une transformation log peut s’imposer avant ACP ou régression. La présence de queues longues (outliers) annonce un travail de winsorisation potentiel.

REPÈRES MÉTHODO : distributions et asymétrie

Skewness (asymétrie) : mesure si une distribution est déséquilibrée. |skew| > 2 = valeurs fortement concentrées d’un côté avec une longue queue de l’autre. Exemple : les montants de marchés publics ont souvent un skew > 5 — beaucoup de petits montants et quelques très gros contrats. Action : envisager une transformation log avant ACP ou régression.

Ratio moyenne/médiane : quand ce ratio dépasse 3, la moyenne est tirée vers le haut par des valeurs extrêmes — la médiane est alors plus représentative. Exemple : médiane 67 k€ vs moyenne 192 k€ → quelques marchés à plusieurs millions tirent la moyenne.

Détail enrichi par variable qualitative

Pour chaque variable qualitative, le tableau détaille effectifs, parts, concentration (Top-N, Pareto 80%) et équilibre de la distribution.

REPÈRES MÉTHODO : concentration catégorielle

HHI (Herfindahl) : indice de concentration. HHI > 2 500 = concentration forte (une modalité domine). HHI < 1 500 = dispersé.

Pareto 80 % : nombre de modalités pour cumuler 80 % des observations. Moins il en faut, plus c est concentré.

continent_detail (74 obs)

• 7 modalités

• Top 1 : North America — 30%

• Top 3 : North America+Europe South & East+Europe West & North — 84%

• Pareto 80% : 3 modalités

• HHI : 2 425 (obs) — concentration modérée

continent_detail — 7 modalités

⇅ triable · survol

Ratio = moyenne/médiane par modalité. ⚠ > 3 = distribution asymétrique (quelques valeurs extrêmes). Tri par n décroissant.

is_capital (72 obs)

• 2 modalités

is_capital — 2 modalités

⇅ triable · survol

Ratio = moyenne/médiane par modalité. ⚠ > 3 = distribution asymétrique (quelques valeurs extrêmes). Tri par n décroissant.

4 — Analyse bivariée — variables quantitatives liées entre elles ? (corrélations)

Cette section examine les liens entre indicateurs numériques pris deux à deux. L’enjeu : repérer les variables redondantes (|r| > 0.90) à écarter avant ACP ou régression, et identifier celles qui mesurent un même phénomène sous-jacent. La matrice Pearson donne la vue d’ensemble, les scatters montrent la forme des relations.

Matrice de corrélations Pearson

La matrice de corrélations mesure la force et le sens des relations linéaires entre les variables quantitatives. Plus |r| est proche de 1, plus la relation est forte.

LECTURE AUTO — 40 variables continues, 780 paires testees

26 paire(s) quasi-redondante(s) (|r| > 0.90) : %ann. d’h.multi x %ann. d’h.mono (r=-1.00) ; Occup. est. méd x Taux occ. est. (r=1.00) ; Cal. ouvert méd. x % cal.ouv ≥180j (r=0.99) (+ 23 autres). Action ACP : retirer une variable de chaque paire ou les passer en variables supplementaires.
25 paire(s) fortement correlee(s) (|r| > 0.70) au-dela des redondances. La plus forte : %ann. d’h.multi × %ann. d’h.mono (r = -1.00).
176 relation(s) non-lineaire(s) (delta Spearman-Pearson > 0.10) : Ann./host x Gini hôtes, %ann. d’h.multi x Ann./host, Ann./host x %ann. d’h.mono, % h. pr 50% off. x Ann./host, % durée min>90j x PIB/hab, %ann. d’h.multi x Cal. ouvert méd., %ann. d’h.mono x Cal. ouvert méd., Gini hôtes x % cal.ouv ≥180j, Gini hôtes x Cal. ouvert méd., % h. pr 50% off. x Cal. ouvert méd., % h. pr 50% off. x % cal.ouv ≥180j, Hôtes x % off. top10 h., % off. top10% h. x Cal. ouvert méd., %ann. d’h.pro&s x Cal. ouvert méd., % off. top10% h. x % cal.ouv ≥180j, Logt entiers x % off. top10 h., Annonces x % off. top10 h., % ann. denses x Chambres méd., % ann. logt ent x PIB/hab, % off. top10 h. x PIB/hab, %ann. d’h.super x % cal.ouv ≥180j, % durée min>30j x % durée min>90j, %ann. d’h.super x Cal. ouvert méd., GAWC x PIB/hab, Ann./host x PIB/hab, Prix ch. priv. x Cal. ouvert méd., Ann./km² dense x UNESCO 50km, % durée min>30j x PIB/hab, Prix ch. priv. x % cal.ouv ≥180j, Ann./km² dense x % ann. denses, % ann. logt ent x % durée min>30j, Dens. pop. x UNESCO 50km, Prix méd. x Cal. ouvert méd., %ann. d’h.super x PIB/hab, % h. pr 50% off. x Prix ch. priv., % durée min>90j x Cal. ouvert méd., Dens. pop. x Crois. pop., PIB/hab x Temp. moy., Prix méd. x % cal.ouv ≥180j, % durée min>90j x % off. top10 h., % off. top10% h. x PIB/hab, % durée min>90j x % cal.ouv ≥180j, Logt entiers x Temp. moy., Annonces x Temp. moy., Prix ch. priv. x UNESCO 50km, %ann. d’h.pro&s x PIB/hab, Ann./1Khab dns x Dens. pop., % h. pr 50% off. x % Superhost, Taux occ. est. x Temp. moy., Occup. est. méd x Temp. moy., Ann./1Khab dns x % durée min>90j, % durée min>90j x Dens. pop., % off. top10 h. x IDH, Revenu est.méd. x PIB/hab, % durée min>30j x Avis/mois, GAWC x IDH, % ann. denses x PIB/hab, Gini hôtes x PIB/hab, Ann./1Khab dns x % off. top10 h., % durée min>90j x Ann./host, Revenu est.méd. x Temp. moy., Revenu est.méd. x IDH, % durée min>90j x Temp. moy., % ann. logt ent x % off. top10 h., Ann./1Khab dns x Cal. ouvert méd., Chambres méd. x Dens. pop., Cal. ouvert méd. x PIB/hab, % durée min>90j x % off. top10% h., %ann. d’h.multi x Écart px Q1Q3, %ann. d’h.mono x Écart px Q1Q3, Ann./host x IDH, % durée min>90j x %ann. d’h.pro&s, IDH x PIB/hab, % durée min>90j x %ann. d’h.super, % cal.ouv ≥180j x PIB/hab, % durée min>90j x Capacité méd., Ann./host x UNESCO 50km, Ann./km² dense x % durée min>90j, Hôtes x Temp. moy., Revenu est.méd. x Note glob., % Superhost x IDH, %ann. d’h.multi x PIB/hab, %ann. d’h.mono x PIB/hab, Ann./1Khab dns x PIB/hab, % durée min>90j x Gini hôtes, Ann./1Khab dns x % cal.ouv ≥180j, Ann./km² dense x Chambres méd., Ann./host x Avis/mois, Prix ch. priv. x PIB/hab, % h. pr 50% off. x GAWC, % durée min>30j x Dens. pop., Capacité méd. x Ann./host, Ann./host x Écart px Q1Q3, % durée min>90j x %ann. d’h.pro, Annonces x Écart px Q1Q3, Avis/mois x Temp. moy., Ann./km² dense x Cal. ouvert méd., % cal.ouv ≥180j x Dens. pop., % durée min>90j x %ann. d’h.multi, % durée min>90j x %ann. d’h.mono, % off. top10 h. x Avis/mois, Cal. ouvert méd. x Dens. pop., Ann./1Khab dns x Revenu est.méd., Logt entiers x %ann. d’h.super, Annonces x %ann. d’h.super, Annonces x % h. pr 50% off., % durée min>90j x % h. pr 50% off., Taux occ. est. x IDH, Occup. est. méd x IDH, Annonces x %ann. d’h.pro&s, Cal. ouvert méd. x Note glob., IDH x Crois. pop., Annonces x % off. top10% h., Ann./km² dense x IDH, Logt entiers x %ann. d’h.pro&s, Crois. pop. x Temp. moy., Capacité méd. x Temp. moy., Prix méd. x PIB/hab, Hôtes x Prix ch. priv., % durée min>90j x UNESCO 50km, Capacité méd. x IDH, Logt entiers x Écart px Q1Q3, Ann./host x Revenu est.méd., % cal.ouv ≥180j x Note glob., Logt entiers x % off. top10% h., % off. top10 h. x Dens. pop., Annonces x Gini hôtes, % off. top10 h. x Occup. est. méd, % off. top10 h. x Taux occ. est., Logt entiers x % h. pr 50% off., Ann./km² dense x % cal.ouv ≥180j, % off. top10 h. x Revenu est.méd., % ann. logt ent x %ann. d’h.multi, % ann. logt ent x %ann. d’h.mono, % off. top10 h. x GAWC, Logt entiers x Gini hôtes, Annonces x %ann. d’h.multi, Annonces x %ann. d’h.mono, Logt entiers x % durée min>90j, % ann. logt ent x % h. pr 50% off., % ann. logt ent x Temp. moy., % ann. logt ent x %ann. d’h.super, % durée min>90j x Écart px Q1Q3, % ann. logt ent x Ann./host, Annonces x Ann./host, Annonces x %ann. d’h.pro, Prix méd. x UNESCO 50km, Logt entiers x Ann./host, Logt entiers x %ann. d’h.multi, Logt entiers x %ann. d’h.mono, Annonces x % durée min>90j, % ann. logt ent x Gini hôtes, % durée min>90j x IDH, % ann. denses x % h. pr 50% off., % durée min>30j x Taux occ. est., % durée min>30j x Occup. est. méd, % durée min>30j x Prix ch. priv., % Superhost x Temp. moy., % ann. denses x % off. top10% h., % durée min>30j x Revenu est.méd., Logt entiers x %ann. d’h.pro, % ann. logt ent x % off. top10% h., Logt entiers x Prix ch. priv., % off. top10 h. x % Superhost, Ann./km² dense x PIB/hab, % off. top10 h. x Temp. moy., Annonces x PIB/hab, Écart px Q1Q3 x Dens. pop., % durée min>90j x Crois. pop., Ann./host x Occup. est. méd, Ann./host x Taux occ. est., Chambres méd. x IDH, Avis/mois x IDH, Logt entiers x PIB/hab, Ann./km² dense x Écart px Q1Q3, Hôtes x PIB/hab. La relation existe mais pas en ligne droite.
3 blocs hclust identifies dans la matrice : variables d’un meme bloc tendent a mesurer la meme dimension latente.

REPÈRES MÉTHODO : corrélations linéaires

Pearson (r) : mesure le lien linéaire entre deux variables numériques. r = 0 → aucun lien. r = 0.80 → fortement liés. r > 0.90 → quasi-redondants. Exemple : population et nombre de logements sont corrélés à r ≈ 0.95 — garder les deux en ACP créerait un axe artificiel.

Spearman (rho) : variante robuste, détecte aussi les relations non linéaires monotones. Si Spearman >> Pearson → la relation existe mais n’est pas en ligne droite. Exemple : PIB et espérance de vie — relation forte mais qui plafonne pour les pays riches.

Blocs hclust : regroupement hiérarchique des variables corrélées entre elles, visualisé par couleurs dans la matrice. Les variables d’un même bloc tendent à mesurer la même dimension latente.

Matrice pearson — 40 variables, 3 blocs hclust

⇅ triable · survol

Gradient continu. Gras = |r| > 0.50. Encadré = |r| > 0.70. Encadré rouge = |r| > 0.90 (colinéarité).

Diagnostic correlations — 348 paires |r| >= 0.20 (51 alertes > 0.70)

⇅ triable · survol

Seuils : Fort > 0.50 | Alerte > 0.70 | Delta P-S > 0.15

Lecture : Gradient z-score. Delta jaune = non-linearite (Pearson != Spearman).

Scatter paires correlees (92 paires |r| >= 0.50) — cliquer pour deplier

5 — Analyse bivariée — typologies qui structurent les indicateurs ? (êta², v-test)

Cette section croise les typologies avec les indicateurs numériques pour répondre à une question simple : appartenir à un groupe (continent, capitale ou non) permet-il de prédire la valeur d’un indicateur (prix, densité, concentration) ? La matrice êta² synthétise la force de chaque croisement, puis les v-tests montrent quelles modalités tirent vers le haut ou vers le bas.

Synthèse — Matrice êta²

Êta² mesure dans quelle mesure connaître le groupe d’appartenance aide à anticiper la valeur d’un indicateur. Plus le chiffre est élevé, plus la typologie structure l’indicateur.

LECTURE AUTO — 2 typologies × 40 indicateurs

40 croisement(s) fort(s) (eta² > 14 %) : continent_detail x Ann./host (70%), continent_detail x IDH (65%), continent_detail x % ann. denses (58%), continent_detail x %ann. d’h.multi (54%), continent_detail x %ann. d’h.mono (54%), continent_detail x Temp. moy. (51%). La typologie predit une part substantielle de la variance.
Typologie la plus structurante : continent_detail (eta² moyen 35 % sur l’ensemble des indicateurs).
Indicateurs les mieux expliques par les typologies : Ann./host (35%), % ann. denses (33%), IDH (33%).

REPÈRES MÉTHODO : êta² et v-test

Êta² (η²) : part de variance d’un indicateur numérique expliquée par une variable catégorielle. Concrètement : êta² = 25 % signifie que connaître le groupe permet de prédire un quart des écarts observés. Exemple : êta² = 25 % pour continent × espérance de vie → l’Afrique, l’Europe et l’Asie ont des espérances de vie structurellement différentes. Seuils Cohen : < 2 % indépendant, 2–6 % faible, 6–14 % modéré, > 14 % fort.

V-test : écart standardisé de la moyenne d’un groupe à la moyenne globale. Un |v-test| > 1.96 est statistiquement significatif. Bordeaux = au-dessus de la moyenne, bleu = en-dessous, gras = très significatif (p < 0.01). Exemple : v-test = +4.2 pour les capitales sur le prix médian → les capitales ont un prix significativement plus élevé que l’ensemble, ce n’est pas un effet du hasard. Contre-exemple : v-test = 0.3 → l’écart est faible et non significatif, pas d’interprétation à en tirer.

Matrice η² — 2 quali × 40 quanti

⇅ triable · survol

Lecture matrice η² — continent_detail domine (35%)

continent_detail domine largement : 35% de variance expliquée en moyenne, contre 3% pour is_capital.

η² mesure dans quelle mesure connaître le groupe d’appartenance aide à anticiper la valeur d’un indicateur. Ici continent_detail × Ann./host = 70% : connaître la catégorie continent_detail permet de prédire 70% des écarts de Ann./host entre observations. Plus le chiffre est élevé, plus la typologie structure l’indicateur. Seuils : <2% indépendant, 2-6% lien faible, 6-14% lien modéré, >14% lien fort.

Typologies qui différencient le plus les indicateurs :

continent_detail : 35% (grand)
is_capital : 3% (petit)

Indicateurs les plus expliqués par les typologies (leur valeur dépend du groupe) :

Ann./host : 35% (grand)
% ann. denses : 33% (grand)
IDH : 33% (grand)

Détail par typologie (ce que chacune structure) :

continent_detail (40 effets grand, moy 35%) :
• 70% sur Ann./host
• 65% sur IDH
• 58% sur % ann. denses
• 54% sur %ann. d'h.multi
• 54% sur %ann. d'h.mono

is_capital (8 effets petit, moy 3%) :
• 14% sur GAWC
• 11% sur Logt entiers
• 10% sur Annonces
• 9% sur Hôtes
• 8% sur % ann. denses

Détail — Profils par modalité (v-test heatmaps)

Pour chaque variable qualitative, le v-test mesure par modalité l’écart standardisé à la moyenne globale de chaque indicateur. Bordeaux = au-dessus, bleu = en-dessous, gras = écart significatif.

V-test heatmap continent_detail — 40 quanti × 4 modalités

⇅ triable · survol

Écart % + moyenne. Couleur = écart relatif (plancher 5%, cap 88% P95). * p<0.05, ** p<0.01, *** p<0.001. Bordeaux = sup., bleu = inf. n < 5 exclues.

Écarts les plus marqués — continent_detail (top 6) — continent_detail discrimine significativement 40/40 quanti testées.

+261.0% pour Asia sur % durée min>90j (12,7 vs 3,5 glob., v=2.1*)
+247.3% pour Asia sur PIB/hab (607 880 608 vs 175 049 251 glob., v=5.6***)
+194.1% pour Latin America sur Hôtes (16 139 vs 5 488 glob., v=3.0**)
+189.3% pour Latin America sur Logt entiers (25 031 vs 8 652 glob., v=3.3***)
+180.7% pour Latin America sur Annonces (30 712 vs 10 940 glob., v=3.2**)
-129.7% pour Latin America sur Crois. pop. (-0,26 vs 0,89 glob., v=-2.4*)

... 84 autres écarts significatifs non affichés

V-test heatmap is_capital — 40 quanti × 2 modalités

⇅ triable · survol

Écart % + moyenne. Couleur = écart relatif (plancher 5%, cap 33% P95). * p<0.05, ** p<0.01, *** p<0.001. Bordeaux = sup., bleu = inf. n < 5 exclues.

Écarts les plus marqués — is_capital (top 6) — is_capital discrimine significativement 9/40 quanti testées.

+44.6% pour True sur Logt entiers (12 745 vs 8 811 glob., v=2.8**)
+44.1% pour True sur Hôtes (8 026 vs 5 571 glob., v=2.5*)
+42.4% pour True sur Annonces (15 885 vs 11 151 glob., v=2.7**)
+39.7% pour True sur UNESCO 50km (2,2 vs 1,6 glob., v=2.4*)
-25.2% pour False sur Logt entiers (6 588 vs 8 811 glob., v=-2.8**)
-24.9% pour False sur Hôtes (4 184 vs 5 571 glob., v=-2.5*)

... 12 autres écarts significatifs non affichés

Distributions par groupe

Comparaison visuelle des distributions par groupe. Seuls les indicateurs pour lesquels la typologie fait une vraie différence (êta² >= 0.06) sont affichés. Le pointillé horizontal marque la moyenne globale — si un violon est clairement au-dessus ou en-dessous, c’est que ce groupe se distingue.

6 — Analyse bivariée — typologies associées entre elles ? (Cramér V + crosstabs)

Cette section teste si les variables catégorielles sont liées entre elles. Concrètement : connaître le continent d’une ville aide-t-il à deviner si elle est capitale ? La matrice Cramér V résume l’intensité de chaque paire, puis les crosstabs détaillent où se concentrent les écarts au profil moyen.

Synthèse — Matrice Cramér V

Cramér V mesure si deux typologies sont liées entre elles. V = 0 : indépendantes. V proche de 1 : redondantes.

LECTURE AUTO — 2 typologies, 1 paires testees

1 paire(s) fortement associee(s) (V > 0.25) : continent_detail x is_capital (V=0.49). Lien structurel — connaitre l’une reduit l’incertitude sur l’autre.
Typologies transversales (liees a plusieurs autres) : continent_detail (V moy=0.49), is_capital (V moy=0.49).

REPÈRES MÉTHODO : Cramér V

Cramér V : intensité d’association entre deux variables catégorielles. V = 0 → indépendance totale (connaître l’une n’aide pas à deviner l’autre). V = 1 → redondance parfaite. Exemple : V = 0.35 entre type de prestation et code CPV → les études sont concentrées dans certains codes, les évaluations dans d’autres. V = 0.05 entre région et nature → les régions ont des profils de prestation similaires.

Seuils Cohen : < 0.06 négligeable, 0.06–0.15 faible, 0.15–0.25 modéré, > 0.25 fort. Au-delà de 0.25, le lien mérite attention en analyse multivariée — risque de redondance dans une ACP ou un modèle.

Matrice Cramér’s V — 2 variables quali

⇅ triable · survol

Gradient : 0.06 faible, 0.15 modéré, 0.25 fort. Triangle inférieur. Diagonale = 1 (masquée).

Lecture Cramér V — 2 typologies, max V = 0.49

1 paire(s) forte(s), 0 modérée(s), 0 faible(s) sur 1 paires testées. Médiane V = 0.494.

Cramér V mesure si deux typologies (catégorielles) sont liées entre elles. V = 0 : indépendantes (connaître l’une n’aide pas à deviner l’autre). V proche de 1 : redondantes (elles disent la même chose).
Ici la paire la plus forte est continent_detail × is_capital (V = 0.49) : les modalités de continent_detail se répartissent de façon non-aléatoire dans celles de is_capital. Si V ≥ 0.25, ce lien est suffisamment fort pour mériter attention.

🔗 Typologies les plus liées entre elles :

continent_detail × is_capital : V = 0.494 (fort) — lien structurel, connaître l’une réduit l’incertitude sur l’autre

🌐 Typologies transversales (liées à plusieurs autres) :

continent_detail (V moyen = 0.494) — liée à is_capital (0.49)
is_capital (V moyen = 0.494) — liée à continent_detail (0.49)

✅ Synthèse opérationnelle :

Liens forts (1 paires) mais pas de redondance franche (V < 0.50) — conserver toutes les typologies
Variable la plus transversale : continent_detail (V moy = 0.494) — axe de lecture privilégié

--- title: "EDA Macro — 74 villes Airbnb" subtitle: "Analyse exploratoire pré-analytique · KPI agrégés par ville · Inside Airbnb juin 2025" date: today lang: fr format: html: # Theme/toc/grid hérités du _quarto.yml (body-width 950px) — pas d'override local code-fold: true number-sections: false execute: echo: false warning: false message: false cache: true params: # --- Donnees pbnb --- data_path: "C:/Users/vince/hh/pq/PDS/pbnb-airbnb-log-jrr-jpy/data/interim/kpi_global_by_city_2506.csv" data_type: "aggregated" echelon: "Ville" label_col: "city_fr" filter_expr: "scope == 'city'" encoding: "UTF-8" # --- Variables (vars_quanti lu depuis le CSV de validation, col `_eda` — voir chunk setup .cld-add) --- vars_quanti: "" vars_quanti_corr: "" vars_quali: "continent_detail,is_capital" color_var: "continent_detail" # --- Seuils quanti x quanti --- k_blocs: 3 seuil_alert: 0.70 pairs_filter: "both" cap_pct: 0.99 # --- Seuils quali x quanti --- min_eta2: 0.06 # --- Crosstab quali x quali --- show_crosstab: false crosstab_target: "" crosstab_v_min: 0.10 crosstab_max: 6 seuil_resid: 1.96 # --- Matrice Cramer V --- show_cramer: true # --- Labels --- ddict_path: "C:/Users/vince/hh/pq/PDS/pbnb-airbnb-log-jrr-jpy/reports/helpers/ddict-airbnb.json" labels_manual: "" # --- Mode hybrid --- vars_select_mode: "manual" scan_ddict_path: "" vars_exclude: "" vars_force_quanti_corr: "" vars_force_quanti_bin: "" vars_force_quali: "" cap_quanti: 50 # --- Univarie quali enrichi --- univariate_metric_var: "" univariate_metric_label: "" univariate_metric_unit: "" # --- CLD-ADD : params spécifiques pbnb --- eda_csv_path: "C:/Users/vince/hh/pq/PDS/pbnb-airbnb-log-jrr-jpy/reports/helpers/ddict-validation-airbnb.csv" --- ```{r} #| label: setup #| include: false #| cache: false library(dplyr) library(tidyr) library(psych) library(reactable) library(htmltools) library(ggplot2) JCN <- "C:/Users/vince/hh/pq/PDS/mutils/jrr" source(file.path(JCN, "jcn-setup.R")) source(file.path(JCN, "jcn-helpers.R")) source(file.path(JCN, "jcn-reactable.R")) source(file.path(JCN, "jcn-eda-summary.R")) source(file.path(JCN, "jcn-eda-corr.R")) source(file.path(JCN, "jcn-eda-univariate-metric.R")) source(file.path(JCN, "jcn-ddict.R")) source(file.path(JCN, "jcn-claude-log.R")) # Init logging claude_log_init(sprintf("eda-%s", gsub("[^a-z0-9]", "", tolower(params$echelon)))) IS_HYBRID <- identical(params$vars_select_mode, "hybrid") # Mode manual : parse vars depuis params YAML (retrocompat) if (!IS_HYBRID) { VARS_QUANTI <- trimws(strsplit(params$vars_quanti, ",")[[1]]) VARS_QUANTI_CORR <- if (nzchar(params$vars_quanti_corr)) { trimws(strsplit(params$vars_quanti_corr, ",")[[1]]) } else VARS_QUANTI VARS_QUALI <- if (nzchar(params$vars_quali)) trimws(strsplit(params$vars_quali, ",")[[1]]) else character(0) } # Mode hybrid : VARS_* construites dans chunk routing-hybrid apres load-data # .cld-add : lecture VARS_QUANTI depuis col `_eda` du CSV validation ddict (pbnb) # Source de verite = CSV (col `_eda` = "x"). Fallback YAML params$vars_quanti sinon. # check.names=FALSE pour preserver le nom "_eda" (R renomme en "X_eda" par defaut) .read_eda_vars_from_csv <- function(csv_path) { if (!file.exists(csv_path)) return(character(0)) tryCatch({ df <- read.csv(csv_path, encoding = "UTF-8", stringsAsFactors = FALSE, check.names = FALSE) if (!"_eda" %in% names(df)) return(character(0)) df$variable[df[["_eda"]] == "x" & !is.na(df[["_eda"]])] }, error = function(e) character(0)) } .eda_vars <- .read_eda_vars_from_csv(params$eda_csv_path) if (length(.eda_vars) > 0) { VARS_QUANTI <- .eda_vars VARS_QUANTI_CORR <- VARS_QUANTI message(sprintf(">>> EDA macro : %d vars chargees depuis CSV _eda", length(.eda_vars))) } # .cld-add-end COLOR_VAR <- if (nzchar(params$color_var)) params$color_var else NULL LABEL_COL <- if (nzchar(params$label_col)) params$label_col else NULL K_BLOCS <- as.integer(params$k_blocs) SEUIL_ALERT <- as.numeric(params$seuil_alert) PAIRS_FILTER <- params$pairs_filter MIN_ETA2 <- as.numeric(params$min_eta2) CAP_PCT <- if (nzchar(params$cap_pct)) as.numeric(params$cap_pct) else NULL SHOW_XTAB <- as.logical(params$show_crosstab) XTAB_TARGET <- if (nzchar(params$crosstab_target)) params$crosstab_target else NULL SEUIL_RESID <- as.numeric(params$seuil_resid) SHOW_CRAMER <- as.logical(params$show_cramer) ``` ```{r} #| label: load-data #| include: false # Chargement if (params$data_path == "gapminder") { if (!requireNamespace("gapminder", quietly = TRUE)) install.packages("gapminder") df_raw <- gapminder::gapminder %>% filter(year == 2007) %>% as.data.frame() } else if (params$data_path == "mtcars") { df_raw <- mtcars; df_raw$car <- rownames(mtcars); rownames(df_raw) <- NULL } else if (params$data_path == "iris") { df_raw <- iris } else if (params$data_path == "ames") { if (!requireNamespace("AmesHousing", quietly = TRUE)) install.packages("AmesHousing") df_raw <- as.data.frame(AmesHousing::make_ames()) } else { enc <- if (params$encoding == "UTF-8-BOM") "UTF-8-BOM" else params$encoding df_raw <- read.csv(params$data_path, stringsAsFactors = FALSE, fileEncoding = enc, check.names = FALSE) } # Filtre if (params$filter_expr != "NULL") { df_raw <- df_raw %>% filter(eval(parse(text = params$filter_expr))) } # .cld-add : restreindre VARS_QUANTI aux cols presentes dans df_raw (pbnb) # Certaines vars _eda sont France-only (prsf_*) — absentes du CSV monde, on les ignore .vars_missing <- setdiff(VARS_QUANTI, names(df_raw)) if (length(.vars_missing) > 0) { message(sprintf(">>> %d vars _eda absentes du CSV, ignorees : %s", length(.vars_missing), paste(.vars_missing, collapse = ", "))) VARS_QUANTI <- intersect(VARS_QUANTI, names(df_raw)) VARS_QUANTI_CORR <- intersect(VARS_QUANTI_CORR, names(df_raw)) } # .cld-add-end # Charger ddict JSON si fourni (labels pour scan_dataset et autres tableaux) DD_JSON <- NULL if (nzchar(params$ddict_path) && file.exists(params$ddict_path) && grepl("\\.json$", params$ddict_path, ignore.case = TRUE)) { DD_JSON <- load_ddict(params$ddict_path) } # --- Mode hybrid : cascade scan → ddict CSV → YAML override --- if (IS_HYBRID) { # Etape A : scan auto scan_rows <- lapply(names(df_raw), function(v) { x <- df_raw[[v]]; x_clean <- x[!is.na(x)]; n_uniq <- length(unique(x_clean)) type_sem <- if (n_uniq <= 1) "constant" else if (inherits(x, c("Date", "POSIXct", "POSIXlt"))) "date" else if (is.numeric(x) && n_uniq == 2 && all(x_clean %in% c(0, 1))) "binary_num" else if (n_uniq == 2) "binary_cat" else if (is.numeric(x) && n_uniq >= 3 && n_uniq <= 15 && all(x_clean == round(x_clean)) && (max(x_clean) - min(x_clean)) <= 20) "ordinal_num" else if (is.numeric(x) && n_uniq > 12) "continuous" else if (n_uniq <= 12) "quali_nominal" else if (n_uniq <= 50) "quali_large" else "text_or_id" if (!type_sem %in% c("constant", "date", "binary_num", "binary_cat") && length(x_clean) > 0 && max(table(x_clean, useNA = "no")) / length(x_clean) >= 0.95) type_sem <- "quasi_const" tf <- if (type_sem %in% c("constant", "date", "text_or_id")) "exclude" else if (type_sem %in% c("continuous", "ordinal_num")) "quanti_corr" else if (type_sem == "binary_num") "quanti_bin" else if (type_sem == "quasi_const") "auto" else if (type_sem %in% c("binary_cat", "quali_nominal", "quali_large")) "quali" else "auto" data.frame(variable = v, bucket = tf, source = "auto", type_sem = type_sem, label = v, stringsAsFactors = FALSE) }) auto_routing <- do.call(rbind, scan_rows) # Etape B : ddict CSV override if (nzchar(params$scan_ddict_path) && file.exists(params$scan_ddict_path)) { sdd <- load_scan_ddict(params$scan_ddict_path) for (i in seq_len(nrow(auto_routing))) { v <- auto_routing$variable[i] tf <- tryCatch(sdd$type_force(v), warning = function(w) "auto") if (tf != "auto") { auto_routing$bucket[i] <- tf auto_routing$source[i] <- "ddict" } lbl <- sdd$label(v) if (!is.na(lbl) && lbl != v) auto_routing$label[i] <- lbl } } # Etape C : YAML overrides (priorite max) .yaml_split <- function(p) if (nzchar(p)) trimws(strsplit(p, ",")[[1]]) else character(0) yaml_exclude <- .yaml_split(params$vars_exclude) yaml_qc <- .yaml_split(params$vars_force_quanti_corr) yaml_qb <- .yaml_split(params$vars_force_quanti_bin) yaml_ql <- .yaml_split(params$vars_force_quali) .yaml_set <- function(vars, bucket) { for (v in vars) { idx <- which(auto_routing$variable == v) if (length(idx) == 1) { auto_routing$bucket[idx] <<- bucket; auto_routing$source[idx] <<- "yaml" } } } .yaml_set(yaml_exclude, "exclude") .yaml_set(yaml_qc, "quanti_corr") .yaml_set(yaml_qb, "quanti_bin") .yaml_set(yaml_ql, "quali") # Construire VARS_* cap <- as.integer(params$cap_quanti) VARS_QUANTI_CORR <- auto_routing$variable[auto_routing$bucket == "quanti_corr"] if (length(VARS_QUANTI_CORR) > cap) { message(sprintf("Cap quanti : %d -> %d", length(VARS_QUANTI_CORR), cap)) VARS_QUANTI_CORR <- VARS_QUANTI_CORR[seq_len(cap)] } VARS_QUANTI_BIN <- auto_routing$variable[auto_routing$bucket == "quanti_bin"] VARS_QUANTI <- c(VARS_QUANTI_CORR, VARS_QUANTI_BIN) VARS_QUALI <- auto_routing$variable[auto_routing$bucket == "quali"] # Labels depuis routing (base) VAR_LABELS <- setNames(auto_routing$label[match(VARS_QUANTI, auto_routing$variable)], VARS_QUANTI) } else { # Mode manual auto_routing <- NULL VAR_LABELS <- setNames(VARS_QUANTI, VARS_QUANTI) } # Overlay labels : DD_JSON > CSV routing > raw name # DD_JSON prioritaire pour tous les modes (hybrid et manual) if (!is.null(DD_JSON)) { for (v in VARS_QUANTI) { lbl <- tryCatch(DD_JSON$label(v), error = function(e) v) if (!is.na(lbl) && lbl != v) VAR_LABELS[v] <- lbl } } else if (!IS_HYBRID && nzchar(params$labels_manual)) { pairs <- trimws(strsplit(params$labels_manual, ",")[[1]]) for (p in pairs) { kv <- trimws(strsplit(p, "=")[[1]]) if (length(kv) == 2 && kv[1] %in% names(VAR_LABELS)) VAR_LABELS[kv[1]] <- kv[2] } } # Quali -> factor + exclure niveaux vides ou uniques for (qv in VARS_QUALI) { if (qv %in% names(df_raw)) { df_raw[[qv]] <- factor(df_raw[[qv]]) lvls <- levels(df_raw[[qv]]) df_raw[[qv]] <- factor(df_raw[[qv]], levels = lvls[nzchar(lvls)]) } } quali_ok <- if (length(VARS_QUALI) > 0) { sapply(VARS_QUALI, function(qv) { if (!qv %in% names(df_raw)) return(FALSE) nlevels(df_raw[[qv]]) >= 2 }) } else logical(0) if (any(!quali_ok)) message("Quali exclues (1 seul niveau) : ", paste(VARS_QUALI[!quali_ok], collapse = ", ")) VARS_QUALI <- VARS_QUALI[quali_ok] HAS_QUALI <- length(VARS_QUALI) > 0 SHOW_XTAB <- SHOW_XTAB && HAS_QUALI SHOW_CRAMER <- SHOW_CRAMER && HAS_QUALI && length(VARS_QUALI) >= 2 COLOR_VAR <- if (!is.null(COLOR_VAR) && COLOR_VAR %in% VARS_QUALI) COLOR_VAR else { if (HAS_QUALI) VARS_QUALI[1] else NULL } # Cap palette : si trop de niveaux le scatter crash (palette insuffisante) if (!is.null(COLOR_VAR) && COLOR_VAR %in% names(df_raw) && nlevels(df_raw[[COLOR_VAR]]) > 12) COLOR_VAR <- NULL # Labels quali depuis DD_JSON QUALI_LABELS <- setNames(VARS_QUALI, VARS_QUALI) if (!is.null(DD_JSON)) { for (v in VARS_QUALI) { lbl <- tryCatch(DD_JSON$label(v), error = function(e) v) if (!is.na(lbl) && lbl != v) QUALI_LABELS[v] <- lbl } } # Renommer quali dans df_raw (propage a df, df_eta_full, cramer) for (v in VARS_QUALI) { if (QUALI_LABELS[v] != v && v %in% names(df_raw)) { names(df_raw)[names(df_raw) == v] <- QUALI_LABELS[v] } } # Mettre a jour les refs if (!is.null(COLOR_VAR) && COLOR_VAR %in% names(QUALI_LABELS)) COLOR_VAR <- QUALI_LABELS[COLOR_VAR] if (!is.null(XTAB_TARGET) && XTAB_TARGET %in% names(QUALI_LABELS)) XTAB_TARGET <- QUALI_LABELS[XTAB_TARGET] VARS_QUALI <- unname(QUALI_LABELS[VARS_QUALI]) # Dataframes cols_keep <- intersect(c(LABEL_COL, VARS_QUANTI, VARS_QUALI), names(df_raw)) df <- df_raw[, cols_keep, drop = FALSE] ``` ```{r} #| label: na-diagnostic #| include: false #| cache: false na_report <- calc_na_report(df, VARS_QUANTI) na_report_quali <- if (HAS_QUALI) calc_na_report(df, VARS_QUALI) else NULL log_step("POOL", n_raw = nrow(df), n_quanti = length(VARS_QUANTI), n_quali = length(VARS_QUALI), na_pct_lost = na_report$pct_lost) log_result("na_report", na_report$per_var, interpret = na_report$summary_text) # df_num : TOUTES les quanti (continues + binaires), SANS na.omit (describe voit les NA) df_num <- df[, intersect(VARS_QUANTI, names(df)), drop = FALSE] names(df_num) <- VAR_LABELS[names(df_num)] # Labels des continues seules (pour distributions uniquement) VARS_CORR_LBL <- VAR_LABELS[intersect(VARS_QUANTI_CORR, names(VAR_LABELS))] # df_num_clean : TOUTES les quanti, na.omit (pour correlations) df_num_clean <- df_num %>% na.omit() df_full_lbl <- if (!is.null(LABEL_COL) && LABEL_COL %in% names(df)) { tmp <- df[, c(LABEL_COL, intersect(VARS_QUANTI, names(df))), drop = FALSE] names(tmp)[match(VARS_QUANTI, names(tmp), nomatch = 0)] <- VAR_LABELS[intersect(VARS_QUANTI, names(tmp))] tmp } else NULL df_eta_full <- df[, intersect(c(VARS_QUANTI, VARS_QUALI), names(df)), drop = FALSE] for (v in intersect(VARS_QUANTI, names(df_eta_full))) { if (v %in% names(VAR_LABELS) && VAR_LABELS[v] != v) { names(df_eta_full)[names(df_eta_full) == v] <- VAR_LABELS[v] } } ``` ```{r} #| label: aa-univarie #| include: false #| cache: false summ <- calc_eda_summary(df_num) aa_n_obs <- nrow(df) aa_n_quanti <- ncol(df_num) aa_n_quali <- length(VARS_QUALI) aa_n_na_tot <- sum(is.na(df[, intersect(VARS_QUANTI, names(df)), drop = FALSE])) aa_n_raw <- nrow(df) aa_n_perdu <- na_report$n_lost aa_pct_perdu <- na_report$pct_lost aa_var_max_na <- ifelse(is.na(na_report$most_costly), "aucune", na_report$most_costly) aa_v_max_na <- max(na_report$per_var$n_na) aa_pct_max_na <- max(na_report$per_var$pct_na) aa_n_skewed <- sum(abs(summ$skewness) > 2, na.rm = TRUE) aa_n_skew_mod <- sum(abs(summ$skewness) > 1 & abs(summ$skewness) <= 2, na.rm = TRUE) aa_n_outlier <- sum(summ$outliers_ratio > 5, na.rm = TRUE) aa_n_highcv <- sum(summ$cv > 2, na.rm = TRUE) aa_t_most_skewed <- if (aa_n_skewed > 0) summ$variable[which.max(abs(summ$skewness))] else "aucune" aa_v_max_skew <- round(max(abs(summ$skewness), na.rm = TRUE), 2) aa_t_outlier_vars <- paste(summ$variable[summ$outliers_ratio > 5], collapse = ", ") aa_vars_skewed <- summ$variable[abs(summ$skewness) > 2] aa_vars_outlier <- summ$variable[summ$outliers_ratio > 5] aa_bilan_skew <- if (length(aa_vars_skewed) > 0) paste0("*", paste(aa_vars_skewed, collapse = "*, *"), "*") else "aucune" aa_bilan_skew_mod <- if (aa_n_skew_mod > 0) paste0("*", paste(summ$variable[abs(summ$skewness) > 1 & abs(summ$skewness) <= 2], collapse = "*, *"), "*") else "" aa_bilan_outl <- if (length(aa_vars_outlier) > 0) paste0("*", paste(aa_vars_outlier, collapse = "*, *"), "*") else "aucune" log_result("eda_summary", summ, interpret = sprintf( "%d obs, %d var. %d skewed, %d outlier>5%%, max_skew=%s (%.2f)", aa_n_obs, aa_n_quanti, aa_n_skewed, aa_n_outlier, aa_t_most_skewed, aa_v_max_skew)) log_result("outliers_detail", summ %>% filter(outliers_ratio > 2) %>% select(variable, outliers_cnt, outliers_ratio, shift_pct), interpret = sprintf("Variables avec outliers >2%% : %s", if (sum(summ$outliers_ratio > 2) > 0) paste(summ$variable[summ$outliers_ratio > 2], collapse = ", ") else "aucune")) ``` ```{r} #| label: aa-bivarie #| include: false #| cache: false ct <- calc_corr_diag(df_num_clean, k_blocs = min(K_BLOCS, ncol(df_num_clean) - 1)) emp_corr <- calc_empirical_thresholds(ct$abs_r) aa_n_crit <- sum(ct$abs_r >= SEUIL_ALERT) aa_n_collin <- sum(ct$abs_r >= 0.90) aa_n_nonlin <- sum(ct$delta_ps > 0.10, na.rm = TRUE) aa_paires_crit <- ct %>% filter(abs_r >= SEUIL_ALERT) %>% mutate(txt = sprintf("**%s** x **%s** (r=%.2f)", var1, var2, r_pearson)) %>% pull(txt) aa_paires_crit_short <- ct %>% filter(abs_r >= SEUIL_ALERT) %>% mutate(txt = sprintf("%s x %s", var1, var2)) %>% pull(txt) %>% paste(collapse = ", ") aa_paires_collin <- ct %>% filter(abs_r >= 0.90) %>% mutate(txt = sprintf("**%s** x **%s** (r=%.2f)", var1, var2, r_pearson)) %>% pull(txt) aa_paires_nonlin <- ct %>% filter(delta_ps > 0.10) %>% mutate(txt = sprintf("%s x %s (delta=%.2f)", var1, var2, delta_ps)) %>% pull(txt) aa_paires_nonlin_short <- ct %>% filter(delta_ps > 0.10) %>% mutate(txt = sprintf("%s x %s", var1, var2)) %>% pull(txt) %>% paste(collapse = ", ") log_step("BIVARIE", n_paires = nrow(ct), n_crit = aa_n_crit, n_collin = aa_n_collin, n_nonlin = aa_n_nonlin) # Correlations completes (toutes les paires) log_result("corr_all", ct %>% select(var1, var2, r_pearson, r_spearman, delta_ps, bloc1, bloc2, same_bloc), interpret = sprintf("%d paires, %d critiques |r|>%.2f, %d non-lin, %d collin |r|>0.90", nrow(ct), aa_n_crit, SEUIL_ALERT, aa_n_nonlin, aa_n_collin)) # Blocs hclust bloc_info <- ct %>% distinct(var1, bloc1) %>% rename(variable = var1, bloc = bloc1) bloc_info2 <- ct %>% distinct(var2, bloc2) %>% rename(variable = var2, bloc = bloc2) blocs_all <- bind_rows(bloc_info, bloc_info2) %>% distinct() log_result("blocs_hclust", blocs_all, interpret = sprintf("%d blocs, variables : %s", length(unique(blocs_all$bloc)), paste(sprintf("%s=[%s]", unique(blocs_all$bloc), sapply(unique(blocs_all$bloc), function(b) paste(blocs_all$variable[blocs_all$bloc == b], collapse = ", "))), collapse = " | "))) if (!is.null(emp_corr)) log_result("empirical_thresholds", emp_corr) ``` ```{r} #| label: aa-quali #| include: false #| cache: false if (HAS_QUALI) { eta2 <- calc_eta2_table(df_eta_full, VARS_QUALI, names(df_eta_full)[!names(df_eta_full) %in% VARS_QUALI]) aa_best_quali <- { moys <- eta2 %>% group_by(quali) %>% summarise(m = mean(eta2, na.rm = TRUE)) %>% arrange(desc(m)) sprintf("**%s** (eta2 moyen = %.3f)", moys$quali[1], moys$m[1]) } # Log matrice eta2 complete log_result("eta2_matrix", eta2, interpret = sprintf("%d quali x %d quanti. Meilleure : %s", length(VARS_QUALI), length(names(df_eta_full)[!names(df_eta_full) %in% VARS_QUALI]), aa_best_quali)) # Trier VARS_QUALI par eta2 moyen decroissant (v-test top 6 = les plus discriminantes) VARS_QUALI <- moys$quali[moys$quali %in% VARS_QUALI] # Log v-test par quali (ecarts significatifs) for (qv in VARS_QUALI) { vt_log <- calc_vtest_table(df_eta_full, qv, names(df_eta_full)[!names(df_eta_full) %in% VARS_QUALI], eta2_tbl = eta2) if (!is.null(vt_log)) { # Extraire les ecarts significatifs vt_cols <- grep("^vtest_", names(vt_log), value = TRUE) ec_cols <- grep("^ecart_", names(vt_log), value = TRUE) mn_cols <- grep("^mean_", names(vt_log), value = TRUE) sig_cells <- lapply(seq_len(nrow(vt_log)), function(i) { lapply(sub("^vtest_", "", vt_cols), function(m) { v <- vt_log[[paste0("vtest_", m)]][i] ec <- vt_log[[paste0("ecart_", m)]][i] mn <- vt_log[[paste0("mean_", m)]][i] if (!is.na(v) && abs(v) >= 1.96) data.frame(variable = vt_log$variable[i], modalite = m, vtest = v, ecart_pct = ec, mean_mod = mn, moy_glob = vt_log$moy_glob[i]) else NULL }) }) sig_df <- do.call(rbind, unlist(sig_cells, recursive = FALSE)) if (!is.null(sig_df) && nrow(sig_df) > 0) { sig_df <- sig_df[order(-abs(sig_df$ecart_pct)), ] log_result(paste0("vtest_", qv), sig_df, interpret = sprintf("%s : %d ecarts significatifs, top = %s %s (%+.1f%%)", qv, nrow(sig_df), sig_df$variable[1], sig_df$modalite[1], sig_df$ecart_pct[1])) } } } # Variables aa_ pour diagnostic eta2 quali_rank <- moys quanti_rank <- eta2 %>% group_by(quanti) %>% summarise(m = mean(eta2, na.rm = TRUE), mx = max(eta2, na.rm = TRUE), .groups = "drop") %>% arrange(desc(m)) eta2_grand <- eta2 %>% filter(eta2 >= 0.14) aa_n_eta2_grand <- nrow(eta2_grand) aa_eta2_top_short <- if (aa_n_eta2_grand > 0) { top <- head(eta2_grand %>% arrange(desc(eta2)), 6) paste(sprintf("%s x %s (%.0f%%)", top$quali, top$quanti, top$eta2 * 100), collapse = ", ") } else "" aa_eta2_hub_quali <- quali_rank$quali[1] aa_eta2_hub_pct <- round(quali_rank$m[1] * 100, 0) aa_eta2_top3_quanti <- paste(sprintf("%s (%.0f%%)", head(quanti_rank$quanti, 3), head(quanti_rank$m, 3) * 100), collapse = ", ") # Pre-calcul : nb variables CORR passant seuil eta2 par quali (pour conditionner distrib) # Aligner avec VARS_CORR_LBL qui sont les continues passees a plot_eda_distrib_by_group corr_lbl_names <- VAR_LABELS[intersect(VARS_QUANTI_CORR, names(VAR_LABELS))] n_distrib_qualify <- sapply(seq_along(VARS_QUALI), function(i) { if (i > length(VARS_QUALI)) return(0L) sum(eta2$eta2[eta2$quali == VARS_QUALI[i] & eta2$quanti %in% corr_lbl_names] >= MIN_ETA2, na.rm = TRUE) }) } else { eta2 <- NULL aa_best_quali <- "" aa_n_eta2_grand <- 0 aa_eta2_top_short <- "" aa_eta2_hub_quali <- "" aa_eta2_hub_pct <- 0 aa_eta2_top3_quanti <- "" n_distrib_qualify <- integer(0) } # Pre-calcul Cramer pour diagnostic (avant affichage) cramer_mx <- NULL aa_n_cramer_fort <- 0; aa_cramer_top_short <- "" aa_cramer_hubs <- "" if (SHOW_CRAMER) { cramer_mx <- calc_cramer_matrix(df, VARS_QUALI) cdt <- cramer_mx$details aa_n_cramer_fort <- sum(cdt$cramers_v >= 0.25, na.rm = TRUE) if (aa_n_cramer_fort > 0) { top_cr <- head(cdt %>% filter(cramers_v >= 0.25), 5) aa_cramer_top_short <- paste(sprintf("%s x %s (V=%.2f)", top_cr$var1, top_cr$var2, top_cr$cramers_v), collapse = ", ") } # Hubs : V moyen > 0.20 v_all <- c( tapply(cdt$cramers_v, cdt$var1, mean, na.rm = TRUE), tapply(cdt$cramers_v, cdt$var2, mean, na.rm = TRUE)) v_agg <- sort(tapply(v_all, names(v_all), mean, na.rm = TRUE), decreasing = TRUE) top_hubs <- head(v_agg[v_agg > 0.20], 3) aa_cramer_hubs <- if (length(top_hubs) > 0) { paste(sprintf("%s (V moy=%.2f)", names(top_hubs), top_hubs), collapse = ", ") } else "" } ``` ## 1 — Bilan diagnostic et préparation Ce diagnostic identifie **les points d'attention à traiter** avant toute analyse multivariée. Il examine trois familles de relations : les **corrélations** entre indicateurs numériques (redondances, colinéarité), les **associations Cramér V** entre typologies catégorielles (quelles catégories vont ensemble), et les **effets êta²** des typologies sur les indicateurs (qui structure quoi). Les recommandations par usage — ACP, régression, clustering — en découlent directement. ### Diagnostic transversal ```{r} #| label: diag-transversal #| results: asis #| cache: false # Helper : bullet resume + details depliable si > max_inline .diag_bullet <- function(emoji, titre, desc, items, max_inline = 3) { n <- length(items) if (n == 0) return(invisible(NULL)) preview <- paste(head(items, max_inline), collapse = " ; ") if (n <= max_inline) { cat(sprintf("- %s **%s** (%s) : %d — %s\n\n", emoji, titre, desc, n, preview)) } else { cat(sprintf("- %s **%s** (%s) : **%d** — %s\n\n", emoji, titre, desc, n, preview)) cat(sprintf('<details style="margin:-8px 0 8px 24px;font-size:13px"><summary style="cursor:pointer;color:#1696d2">%d paires au total — voir le detail</summary>\n<div style="padding:6px 0;line-height:1.9">\n', n)) for (it in items) cat(sprintf("%s<br>\n", it)) cat("</div></details>\n\n") } } cat("**Variables quantitatives**\n\n") # Redondants |r| > 0.90 if (aa_n_collin > 0) { .diag_bullet("\U0001F534", "Indicateurs redondants", "|r| > 0.90 = mesurent quasi la meme chose", aa_paires_collin) } # Fortement lies if (aa_n_crit > 0) { crit_items <- ct %>% filter(abs_r >= SEUIL_ALERT & abs_r < 0.90) %>% mutate(txt = sprintf("**%s** x **%s** (r=%.2f)", var1, var2, r_pearson)) %>% pull(txt) if (length(crit_items) > 0) { .diag_bullet("\U0001F7E0", "Indicateurs fortement lies", sprintf("|r| > %.2f = evoluent ensemble", SEUIL_ALERT), crit_items) } } else { cat(sprintf("- \U0001F7E2 Aucune paire fortement liee (|r| > %.2f)\n\n", SEUIL_ALERT)) } # Skew if (aa_n_skewed > 0) { skew_items <- summ %>% filter(abs(skewness) > 2) %>% mutate(txt = sprintf("**%s** (skew=%.1f)", variable, skewness)) %>% pull(txt) .diag_bullet("\U0001F7E1", "Distributions desequilibrees", "valeurs concentrees d'un cote, skew > 2", skew_items) } # Outliers if (aa_n_outlier > 0) { outl_items <- summ %>% filter(outliers_ratio > 5) %>% mutate(txt = sprintf("**%s** (%.1f%% outliers)", variable, outliers_ratio)) %>% pull(txt) .diag_bullet("\U0001F7E2", "Valeurs extremes", ">5% hors norme", outl_items) } # Non-lineaires if (aa_n_nonlin > 0) { nl_items <- ct %>% filter(delta_ps > 0.10) %>% mutate(txt = sprintf("**%s** x **%s** (delta=%.2f)", var1, var2, delta_ps)) %>% pull(txt) .diag_bullet("\u2139\ufe0f", "Relations non-lineaires", "la relation existe mais pas en ligne droite", nl_items) } # Quali entre elles if (HAS_QUALI || SHOW_CRAMER) { cat("\n**Variables qualitatives entre elles**\n\n") if (aa_n_cramer_fort > 0) { cr_items <- cramer_mx$details %>% filter(cramers_v >= 0.25) %>% mutate(txt = sprintf("**%s** x **%s** (V=%.2f)", var1, var2, cramers_v)) %>% pull(txt) .diag_bullet("\U0001F7E3", "Typologies fortement liees", "V > 0.25 = connaitre l'une aide a deviner l'autre", cr_items) } else if (SHOW_CRAMER) { cat("- \U0001F7E3 Les typologies sont independantes (V < 0.25)\n\n") } if (nzchar(aa_cramer_hubs)) { cat(sprintf("- \u26a0 **Variables hubs** (liees a beaucoup d'autres) : %s\n\n", aa_cramer_hubs)) } } # Eta2 if (HAS_QUALI) { cat("\n**Typologies x Indicateurs**\n\n") if (aa_n_eta2_grand > 0) { eta_items <- eta2 %>% filter(eta2 >= 0.14) %>% arrange(desc(eta2)) %>% mutate(txt = sprintf("**%s** x **%s** (eta2=%.0f%%)", quali, quanti, eta2 * 100)) %>% pull(txt) .diag_bullet("\U0001F535", "Typologies qui structurent fortement", "eta2 > 14% = le groupe predit la valeur", eta_items) } else { cat("- \U0001F535 Aucune typologie ne structure fortement un indicateur (eta2 > 14%)\n\n") } if (aa_eta2_hub_pct > 10) { cat(sprintf("- \u26a0 **Variable structurante** : %s (explique en moy. %.0f%% des indicateurs)\n\n", aa_eta2_hub_quali, aa_eta2_hub_pct)) } if (nzchar(aa_eta2_top3_quanti)) { cat(sprintf("- **Indicateurs les plus expliques** : %s\n\n", aa_eta2_top3_quanti)) } } if (nrow(df_num) > 10000) { cat(sprintf("- \u26a0 **p-values saturees** (N=%s) : se fier a |r|, eta2, seuils empiriques\n\n", formatC(nrow(df_num), big.mark = "\u202f"))) } ``` ### Recommandations par usage ::: {.panel-tabset} #### Pre-ACP **Obligatoire** `r if (aa_n_collin > 0) sprintf("- **Retirer les redondances** (|r| > 0.90) : %d paire(s), dont %s — sinon axes parasites", aa_n_collin, paste(head(aa_paires_collin, 3), collapse = " ; ")) else "- Pas de redondance critique detectee"` **Recommande** `r if (aa_n_crit > 0) { crit_only <- ct %>% filter(abs_r >= SEUIL_ALERT & abs_r < 0.90); n_co <- nrow(crit_only); if (n_co > 0) sprintf("- **Passer en variables supplementaires** les %d paires |r| > %.2f, dont %s", n_co, SEUIL_ALERT, paste(head(sprintf("%s x %s", crit_only$var1, crit_only$var2), 3), collapse = ", ")) else "" } else ""` `r if (aa_n_skewed > 0) sprintf("- **Log-transformer les variables asymetriques** (skew > 2) : %s — ameliore la stabilite des composantes", aa_bilan_skew) else ""` - **Standardiser** (centrer-reduire) — automatique si `FactoMineR::PCA(scale.unit = TRUE)` **Optionnel** - **Winsoriser les outliers** si shift > 20% (deforme les axes minoritaires) `r if (HAS_QUALI) sprintf("- **Quali en variables supplementaires** pour interpreter les axes : %s", paste(head(VARS_QUALI, 5), collapse = ", ")) else ""` #### Pre-regression **Obligatoire** `r if (aa_n_crit > 0) sprintf("- **Calculer le VIF** — retirer toute variable VIF > 5 parmi les %d paires |r| > %.2f. Au-dela, coefficients instables", aa_n_crit, SEUIL_ALERT) else "- Pas de colinearite bloquante detectee"` **Recommande** `r if (aa_n_skewed > 0) sprintf("- **Transformer les variables asymetriques** (log, racine, Box-Cox) pour normaliser les residus : %s", aa_bilan_skew) else ""` - **Verifier les residus apres le fit** : normalite (QQ-plot), homoscedasticite (residus vs predits) **Optionnel** - **Cook's distance** apres le fit pour identifier les observations influentes (retirer si Di > 4/n) `r if (aa_n_nonlin > 0) sprintf("- **Splines ou GAM** pour les non-linearites detectees : %s", aa_paires_nonlin_short) else ""` #### Pre-clustering **Obligatoire** - **Standardiser obligatoirement** (z-score ou robust scale) — sinon une variable d'amplitude 1000 ecrase celles d'amplitude 1 `r if (aa_n_collin > 0) "- **Retirer les redondances** (|r| > 0.90) — sinon une dimension est sur-ponderee artificiellement" else ""` **Recommande** - **Winsoriser les outliers** — deforment les distances euclidiennes (k-means surtout) - **Tester plusieurs distances** : euclidienne (defaut), Manhattan (robuste outliers), Gower (mixte quali+quanti) **Optionnel** - **Reduction de dimension prealable** (ACP, t-SNE, UMAP) si > 20 variables - **Validation du k optimal** via silhouette, gap statistic, ou elbow method #### Pre-ML supervise **Obligatoire** - **Train/test split** au minimum (80/20 ou 70/30), idealement validation croisee k-fold - **Scaling** pour SVM/kNN/reseaux (pas necessaire pour arbres) **Recommande** - **Lasso/Ridge** gerent les redondances naturellement, **RandomForest** aussi (selection feature interne) `r if (aa_n_skewed > 0) "- **Asymetries** : critique pour modeles lineaires, robuste pour arbres" else ""` - **Outliers** : critiques pour SVM/kNN, moins pour arbres et boosting **Optionnel** - **Feature engineering** : interactions, polynomiales, encoding cible pour categorielles haute cardinalite - **Hyperparameter tuning** : grid search ou bayesien selon budget compute #### Indice synthetique **Obligatoire** - **Standardiser obligatoirement** (z-score, rang, ou min-max) — comparabilite des variables - **Definir le sens** de chaque variable (un score eleve = bon ou mauvais ?) avant agregation **Recommande** `r if (aa_n_outlier > 0) sprintf("- **Winsoriser les outliers** : %s — evite qu'une valeur extreme ecrase l'indice", aa_bilan_outl) else ""` - **Coherence interne** : alpha de Cronbach > 0.7 pour verifier que les variables mesurent un construit commun **Optionnel** - **Ponderation** : egales (par defaut), expert (avis de domaine), ou ACP (1ere composante) - **Redondances tolerables** : renforcent une dimension (a l'inverse de l'ACP) - **Validation** : correlation de l'indice avec un proxy externe connu ::: ## 2 — Données et contexte Cette section pose le **cadre du jeu de données** : périmètre couvert, granularité d'observation, variables retenues et exclues. Le scan automatique détecte les types sémantiques (continu, catégoriel, identifiant, constante) et documente les **taux de valeurs manquantes** par variable. ```{r} #| label: scan-global #| column: page-right #| results: asis cat(sprintf('<details style="margin:8px 0"><summary style="cursor:pointer;font-weight:600;color:#1696d2;font-size:13px">Scan dataset brut — %d variables, %s obs — cliquer pour deplier</summary>\n', ncol(df_raw), formatC(nrow(df_raw), big.mark = "\u202f"))) scan_dataset(df_raw, ddict = DD_JSON, title = sprintf("Scan dataset brut — %d variables, %s obs", ncol(df_raw), formatC(nrow(df_raw), big.mark = "\u202f"))) cat('</details>\n') ``` ```{r} #| label: routing-hybrid #| column: page-right #| eval: !expr IS_HYBRID #| results: asis cat(sprintf('<details style="margin:8px 0"><summary style="cursor:pointer;font-weight:600;color:#1696d2;font-size:13px">Routage variables — %d variables — cliquer pour deplier</summary>\n', nrow(auto_routing))) make_routing_rt(auto_routing) cat('</details>\n') ``` *EDA `r params$data_type` — **`r params$echelon`** : `r formatC(aa_n_raw, big.mark = " ")` observations brutes, `r length(VARS_QUANTI)` quanti retenues (`r length(VARS_QUANTI_CORR)` continues + `r length(VARS_QUANTI) - length(VARS_QUANTI_CORR)` binaires 0/1) et `r aa_n_quali` qualitatives. Pool apres na.omit : `r formatC(nrow(df_num_clean), big.mark = " ")` obs (`r aa_pct_perdu`% perdues`r if (aa_pct_perdu > 0) sprintf(", variable couteuse : %s", aa_var_max_na) else ""`).* | | Variables | Role EDA | |---|---|---| | **Quanti continues** (`r length(VARS_QUANTI_CORR)`) | `r paste(VARS_QUANTI_CORR, collapse = ", ")` | Describe, distributions, correlations, eta2 | | **Quanti binaires 0/1** (`r length(VARS_QUANTI) - length(VARS_QUANTI_CORR)`) | `r if (length(setdiff(VARS_QUANTI, VARS_QUANTI_CORR)) > 0) paste(setdiff(VARS_QUANTI, VARS_QUANTI_CORR), collapse = ", ") else "—"` | Eta2/v-test (taux par groupe), correlations phi | | **Quali** (`r aa_n_quali`) | `r paste(VARS_QUALI, collapse = ", ")` | Profils, eta2/v-test, crosstabs, Cramer V | ## 3 — Analyse univariée — structure des variables Cette section analyse chaque variable **indépendamment des autres**, en deux temps. D'abord un panorama synthétique : statistiques descriptives des indicateurs numériques et profil des variables catégorielles. Puis un **zoom par variable qualitative** avec masses absolues, concentration et asymétrie. ### Variables quantitatives — profil descriptif **Statistiques descriptives** des `r length(VARS_QUANTI)` variables numériques retenues : tendance centrale, dispersion, forme de la distribution et valeurs extrêmes. Cliquer sur une ligne pour voir le top/bottom. ```{r} #| label: eda-describe make_eda_describe_rt(df_num, summ, df_full = df_full_lbl, label_col = LABEL_COL, n_top = 5, ddict = DD_JSON) ```   ### Variables qualitatives — profil synthétique **Pour chaque typologie**, le tableau ci-dessous donne le nombre de modalités, la modalité la plus fréquente, la concentration (HHI, Top-3 cumulé) et l'équilibre des effectifs entre modalités. Permet de repérer les typologies déséquilibrées (1 modalité majoritaire écrasante) ou hyper-fragmentées (trop de modalités à faible effectif pour servir en analyse multivariée). ```{r} #| label: eda-quali-summary if (HAS_QUALI) make_eda_quali_summary(df, VARS_QUALI) ``` ### Graphiques de distributions **Les distributions** des variables continues révèlent leur forme — symétrique, asymétrique (skew), unimodale ou bimodale. Une asymétrie marquée (skew > 2) signale qu'une transformation log peut s'imposer avant ACP ou régression. La présence de queues longues (outliers) annonce un travail de winsorisation potentiel. ::: {.callout-tip collapse="true" appearance="minimal"} ## REPÈRES MÉTHODO : distributions et asymétrie **Skewness (asymétrie)** : mesure si une distribution est déséquilibrée. |skew| > 2 = valeurs fortement concentrées d'un côté avec une longue queue de l'autre. *Exemple : les montants de marchés publics ont souvent un skew > 5 — beaucoup de petits montants et quelques très gros contrats.* Action : envisager une transformation log avant ACP ou régression. **Ratio moyenne/médiane** : quand ce ratio dépasse 3, la moyenne est tirée vers le haut par des valeurs extrêmes — la médiane est alors plus représentative. *Exemple : médiane 67 k€ vs moyenne 192 k€ → quelques marchés à plusieurs millions tirent la moyenne.* ::: ```{r} #| label: eda-distributions #| column: page-right #| fig-width: 12 #| fig-height: !expr min(18, max(4, ceiling(aa_n_quanti / (if (aa_n_quanti <= 4) 2 else if (aa_n_quanti <= 9) 3 else 4)) * 1.8)) plot_eda_distributions(df_num[, VARS_CORR_LBL, drop = FALSE], cap_pct = CAP_PCT) ``` ```{r} #| label: eda-univariate-setup #| include: false UNIV_METRIC <- if (nzchar(params$univariate_metric_var)) params$univariate_metric_var else NULL UNIV_LABEL <- params$univariate_metric_label UNIV_UNIT <- params$univariate_metric_unit HAS_UNIV_METRIC <- !is.null(UNIV_METRIC) && HAS_QUALI ``` `r if (HAS_QUALI) "### Détail enrichi par variable qualitative" else ""` `r if (HAS_QUALI && HAS_UNIV_METRIC) sprintf("**Pour chaque variable qualitative**, le tableau croise effectifs, masses de %s par modalité, concentration (Top-N, Pareto 80%%) et asymétrie.", UNIV_LABEL) else if (HAS_QUALI) "**Pour chaque variable qualitative**, le tableau détaille effectifs, parts, concentration (Top-N, Pareto 80%) et équilibre de la distribution." else ""` `r if (HAS_QUALI) '::: {.callout-tip collapse="true" appearance="minimal"}\n## REPÈRES MÉTHODO : concentration catégorielle\n\n**HHI (Herfindahl)** : indice de concentration. HHI > 2 500 = concentration forte (une modalité domine). HHI < 1 500 = dispersé.\n\n**Pareto 80 %** : nombre de modalités pour cumuler 80 % des observations. Moins il en faut, plus c est concentré.\n:::' else ""` ```{r} #| label: eda-univ-1 #| column: page-right #| eval: !expr HAS_QUALI && length(VARS_QUALI) >= 1 make_eda_univariate_metric_rt(df, VARS_QUALI[1], metric_var = UNIV_METRIC, metric_label = UNIV_LABEL, metric_unit = UNIV_UNIT, include_hhi = TRUE) ``` ```{r} #| label: eda-univ-2 #| column: page-right #| eval: !expr HAS_QUALI && length(VARS_QUALI) >= 2 make_eda_univariate_metric_rt(df, VARS_QUALI[2], metric_var = UNIV_METRIC, metric_label = UNIV_LABEL, metric_unit = UNIV_UNIT, include_hhi = TRUE) ``` ```{r} #| label: eda-univ-3 #| column: page-right #| eval: !expr HAS_QUALI && length(VARS_QUALI) >= 3 make_eda_univariate_metric_rt(df, VARS_QUALI[3], metric_var = UNIV_METRIC, metric_label = UNIV_LABEL, metric_unit = UNIV_UNIT, include_hhi = TRUE) ``` ```{r} #| label: eda-univ-4 #| column: page-right #| eval: !expr HAS_QUALI && length(VARS_QUALI) >= 4 make_eda_univariate_metric_rt(df, VARS_QUALI[4], metric_var = UNIV_METRIC, metric_label = UNIV_LABEL, metric_unit = UNIV_UNIT, include_hhi = TRUE) ``` ```{r} #| label: eda-univ-5 #| column: page-right #| eval: !expr HAS_QUALI && length(VARS_QUALI) >= 5 make_eda_univariate_metric_rt(df, VARS_QUALI[5], metric_var = UNIV_METRIC, metric_label = UNIV_LABEL, metric_unit = UNIV_UNIT, include_hhi = TRUE) ``` ```{r} #| label: eda-univ-6 #| column: page-right #| eval: !expr HAS_QUALI && length(VARS_QUALI) >= 6 make_eda_univariate_metric_rt(df, VARS_QUALI[6], metric_var = UNIV_METRIC, metric_label = UNIV_LABEL, metric_unit = UNIV_UNIT, include_hhi = TRUE) ``` ## 4 — Analyse bivariée — variables quantitatives liées entre elles ? (corrélations) Cette section examine les **liens entre indicateurs numériques** pris deux à deux. L'enjeu : repérer les variables redondantes (|r| > 0.90) à écarter avant ACP ou régression, et identifier celles qui mesurent un même phénomène sous-jacent. La matrice Pearson donne la vue d'ensemble, les scatters montrent la forme des relations. ### Matrice de corrélations Pearson **La matrice de corrélations** mesure la force et le sens des relations linéaires entre les variables quantitatives. Plus |r| est proche de 1, plus la relation est forte. ```{r} #| label: cld-corr-insight #| results: asis #| cache: false # .cld-add : bandeau encadre-insight - lecture rapide auto-generee depuis aa_* .fmt_pair_short <- function(items, n_show = 3) { if (length(items) == 0) return("") s <- paste(head(items, n_show), collapse = " ; ") if (length(items) > n_show) s <- paste0(s, sprintf(" (+ %d autres)", length(items) - n_show)) s } .bloc_n_uniques <- length(unique(blocs_all$bloc)) .top_pair <- if (nrow(ct) > 0) { ct_sorted <- ct[order(-ct$abs_r), ] sprintf("**%s × %s** (r = %.2f)", ct_sorted$var1[1], ct_sorted$var2[1], ct_sorted$r_pearson[1]) } else "" .lines <- c() if (aa_n_collin > 0) { .lines <- c(.lines, sprintf("- **%d paire(s) quasi-redondante(s)** (|r| > 0.90) : %s. **Action ACP** : retirer une variable de chaque paire ou les passer en variables supplementaires.", aa_n_collin, .fmt_pair_short(aa_paires_collin, 3))) } if (aa_n_crit > 0 && aa_n_crit > aa_n_collin) { .lines <- c(.lines, sprintf("- **%d paire(s) fortement correlee(s)** (|r| > %.2f) au-dela des redondances. La plus forte : %s.", aa_n_crit - aa_n_collin, SEUIL_ALERT, .top_pair)) } if (aa_n_nonlin > 0) { .lines <- c(.lines, sprintf("- **%d relation(s) non-lineaire(s)** (delta Spearman-Pearson > 0.10) : %s. La relation existe mais pas en ligne droite.", aa_n_nonlin, aa_paires_nonlin_short)) } if (.bloc_n_uniques > 1) { .lines <- c(.lines, sprintf("- **%d blocs hclust** identifies dans la matrice : variables d'un meme bloc tendent a mesurer la meme dimension latente.", .bloc_n_uniques)) } if (length(.lines) == 0) { .lines <- c(sprintf("- Aucune correlation critique (|r| > %.2f) ni redondance ni non-linearite detectee — indicateurs autonomes, ACP directement applicable.", SEUIL_ALERT)) } cat('::: {.cld-add}\n') cat('::: {.encadre-insight}\n') cat('::: {.encadre-insight-titre}\n') cat('LECTURE AUTO — ', length(VARS_QUANTI_CORR), ' variables continues, ', nrow(ct), ' paires testees\n', sep = '') cat(':::\n\n') cat(paste(.lines, collapse = "\n"), "\n\n", sep = "") cat(':::\n') cat(':::\n') ``` ::: {.callout-tip collapse="true" appearance="minimal"} ## REPÈRES MÉTHODO : corrélations linéaires **Pearson (r)** : mesure le lien linéaire entre deux variables numériques. r = 0 → aucun lien. r = 0.80 → fortement liés. r > 0.90 → quasi-redondants. *Exemple : population et nombre de logements sont corrélés à r ≈ 0.95 — garder les deux en ACP créerait un axe artificiel.* **Spearman (rho)** : variante robuste, détecte aussi les relations non linéaires monotones. Si Spearman >> Pearson → la relation existe mais n'est pas en ligne droite. *Exemple : PIB et espérance de vie — relation forte mais qui plafonne pour les pays riches.* **Blocs hclust** : regroupement hiérarchique des variables corrélées entre elles, visualisé par couleurs dans la matrice. Les variables d'un même bloc tendent à mesurer la même dimension latente. ::: ```{r} #| label: eda-corrmat #| column: page-right make_corr_matrix_rt(df_num_clean, k = min(K_BLOCS, ncol(df_num_clean) - 1)) ``` ```{r} #| label: eda-corr-diag #| column: page-right make_corr_diag_rt(ct, seuil_alert = SEUIL_ALERT, min_display = 0.20, empirical = emp_corr) ``` ```{r} #| label: eda-scatter #| column: page-right #| fig-width: 12 #| fig-height: !expr min(20, max(5, ceiling(sum(ct$abs_r >= 0.50) / 2) * 3)) #| eval: !expr sum(ct$abs_r >= 0.50) > 0 #| results: asis n_scatter <- sum(ct$abs_r >= 0.50) cat(sprintf('<details style="margin:8px 0"><summary style="cursor:pointer;font-weight:600;color:#1696d2;font-size:13px">Scatter paires correlees (%d paires |r| >= 0.50) — cliquer pour deplier</summary>\n', n_scatter)) ct_scatter <- ct %>% filter(abs_r >= 0.50) print(plot_eda_scatter_pairs(df_eta_full, ct_scatter, color_var = COLOR_VAR, pairs_filter = "all", ncol = 2, point_size = 1)) cat('</details>\n') ``` `r if (HAS_QUALI) "## 5 — Analyse bivariée — typologies qui structurent les indicateurs ? (êta², v-test)" else ""` `r if (HAS_QUALI) "Cette section croise les **typologies avec les indicateurs numériques** pour répondre à une question simple : appartenir à un groupe (continent, capitale ou non) permet-il de prédire la valeur d'un indicateur (prix, densité, concentration) ? La matrice êta² synthétise la force de chaque croisement, puis les v-tests montrent **quelles modalités** tirent vers le haut ou vers le bas." else ""` `r if (HAS_QUALI) "### Synthèse — Matrice êta²" else ""` `r if (HAS_QUALI) "**Êta² mesure dans quelle mesure connaître le groupe d'appartenance aide à anticiper la valeur d'un indicateur.** Plus le chiffre est élevé, plus la typologie structure l'indicateur." else ""` ```{r} #| label: cld-eta2-insight #| results: asis #| cache: false #| eval: !expr HAS_QUALI # .cld-add : bandeau encadre-insight - lecture rapide auto-generee depuis aa_* .lines <- c() if (aa_n_eta2_grand > 0) { .lines <- c(.lines, sprintf("- **%d croisement(s) fort(s)** (eta² > 14 %%) : %s. La typologie predit une part substantielle de la variance.", aa_n_eta2_grand, aa_eta2_top_short)) } else { .lines <- c(.lines, sprintf("- Aucun croisement fort (eta² > 14 %%) detecte sur les %d quali × %d quanti testes.", length(VARS_QUALI), length(VARS_QUANTI))) } if (nzchar(aa_eta2_hub_quali)) { .lines <- c(.lines, sprintf("- **Typologie la plus structurante** : `%s` (eta² moyen %.0f %% sur l'ensemble des indicateurs).", aa_eta2_hub_quali, aa_eta2_hub_pct)) } if (nzchar(aa_eta2_top3_quanti)) { .lines <- c(.lines, sprintf("- **Indicateurs les mieux expliques** par les typologies : %s.", aa_eta2_top3_quanti)) } cat('::: {.cld-add}\n') cat('::: {.encadre-insight}\n') cat('::: {.encadre-insight-titre}\n') cat('LECTURE AUTO — ', length(VARS_QUALI), ' typologies × ', length(VARS_QUANTI), ' indicateurs\n', sep = '') cat(':::\n\n') cat(paste(.lines, collapse = "\n"), "\n\n", sep = "") cat(':::\n') cat(':::\n') ``` ::: {.callout-tip collapse="true" appearance="minimal"} ## REPÈRES MÉTHODO : êta² et v-test **Êta² (η²)** : part de variance d'un indicateur numérique expliquée par une variable catégorielle. Concrètement : êta² = 25 % signifie que connaître le groupe permet de prédire un quart des écarts observés. *Exemple : êta² = 25 % pour continent × espérance de vie → l'Afrique, l'Europe et l'Asie ont des espérances de vie structurellement différentes.* Seuils Cohen : < 2 % indépendant, 2–6 % faible, 6–14 % modéré, **> 14 % fort**. **V-test** : écart standardisé de la moyenne d'un groupe à la moyenne globale. Un |v-test| > 1.96 est statistiquement significatif. Bordeaux = au-dessus de la moyenne, bleu = en-dessous, gras = très significatif (p < 0.01). *Exemple : v-test = +4.2 pour les capitales sur le prix médian → les capitales ont un prix significativement plus élevé que l'ensemble, ce n'est pas un effet du hasard.* *Contre-exemple : v-test = 0.3 → l'écart est faible et non significatif, pas d'interprétation à en tirer.* ::: ```{r} #| label: eda-eta2 #| column: page-right if (HAS_QUALI && !is.null(eta2)) rt_eta2_matrix(eta2) ``` ```{r} #| label: eda-eta2-comment #| cache: false if (HAS_QUALI && !is.null(eta2)) eta2_auto_comment(eta2) ``` `r if (HAS_QUALI) "### Détail — Profils par modalité (v-test heatmaps)" else ""` `r if (HAS_QUALI) "**Pour chaque variable qualitative**, le v-test mesure par modalité l'écart standardisé à la moyenne globale de chaque indicateur. Bordeaux = au-dessus, bleu = en-dessous, gras = écart significatif." else ""` ```{r} #| label: eda-vtest-1 #| cache: false #| column: page-right #| eval: !expr length(VARS_QUALI) >= 1 vt_1 <- calc_vtest_table(df_eta_full, VARS_QUALI[1], names(df_eta_full)[!names(df_eta_full) %in% VARS_QUALI], eta2_tbl = eta2) rt_vtest_heatmap(vt_1, VARS_QUALI[1]) vtest_auto_comment(vt_1, VARS_QUALI[1]) ``` ```{r} #| label: eda-vtest-2 #| cache: false #| column: page-right #| eval: !expr length(VARS_QUALI) >= 2 vt_2 <- calc_vtest_table(df_eta_full, VARS_QUALI[2], names(df_eta_full)[!names(df_eta_full) %in% VARS_QUALI], eta2_tbl = eta2) rt_vtest_heatmap(vt_2, VARS_QUALI[2]) vtest_auto_comment(vt_2, VARS_QUALI[2]) ``` ```{r} #| label: eda-vtest-3 #| cache: false #| column: page-right #| eval: !expr length(VARS_QUALI) >= 3 vt_3 <- calc_vtest_table(df_eta_full, VARS_QUALI[3], names(df_eta_full)[!names(df_eta_full) %in% VARS_QUALI], eta2_tbl = eta2) rt_vtest_heatmap(vt_3, VARS_QUALI[3]) vtest_auto_comment(vt_3, VARS_QUALI[3]) ``` ```{r} #| label: eda-vtest-4 #| cache: false #| column: page-right #| eval: !expr length(VARS_QUALI) >= 4 vt_4 <- calc_vtest_table(df_eta_full, VARS_QUALI[4], names(df_eta_full)[!names(df_eta_full) %in% VARS_QUALI], eta2_tbl = eta2) rt_vtest_heatmap(vt_4, VARS_QUALI[4]) vtest_auto_comment(vt_4, VARS_QUALI[4]) ``` ```{r} #| label: eda-vtest-5 #| cache: false #| column: page-right #| eval: !expr length(VARS_QUALI) >= 5 vt_5 <- calc_vtest_table(df_eta_full, VARS_QUALI[5], names(df_eta_full)[!names(df_eta_full) %in% VARS_QUALI], eta2_tbl = eta2) rt_vtest_heatmap(vt_5, VARS_QUALI[5]) vtest_auto_comment(vt_5, VARS_QUALI[5]) ``` ```{r} #| label: eda-vtest-6 #| cache: false #| column: page-right #| eval: !expr length(VARS_QUALI) >= 6 vt_6 <- calc_vtest_table(df_eta_full, VARS_QUALI[6], names(df_eta_full)[!names(df_eta_full) %in% VARS_QUALI], eta2_tbl = eta2) rt_vtest_heatmap(vt_6, VARS_QUALI[6]) vtest_auto_comment(vt_6, VARS_QUALI[6]) ``` `r if (HAS_QUALI && length(n_distrib_qualify) > 0 && any(n_distrib_qualify > 0)) "### Distributions par groupe" else ""` `r if (HAS_QUALI && length(n_distrib_qualify) > 0 && any(n_distrib_qualify > 0)) sprintf("*Comparaison visuelle des distributions par groupe. Seuls les indicateurs pour lesquels la typologie fait une vraie différence (êta² >= %.2f) sont affichés. Le pointillé horizontal marque la moyenne globale — si un violon est clairement au-dessus ou en-dessous, c'est que ce groupe se distingue.*", MIN_ETA2) else ""` ```{r} #| label: eda-distrib-1 #| column: page-right #| fig-width: 12 #| fig-height: !expr if (length(n_distrib_qualify) >= 1 && n_distrib_qualify[1] > 0) min(12, max(3, ceiling(n_distrib_qualify[1] / 3) * 2.0)) else 4 #| eval: !expr length(VARS_QUALI) >= 1 && length(n_distrib_qualify) >= 1 && n_distrib_qualify[1] > 0 plot_eda_distrib_by_group(df_eta_full, VARS_CORR_LBL, VARS_QUALI[1], eta2_tbl = eta2, min_eta2 = MIN_ETA2, ncol = 3, cap_pct = CAP_PCT) ``` ```{r} #| label: eda-distrib-2 #| column: page-right #| fig-width: 12 #| fig-height: !expr if (length(n_distrib_qualify) >= 2 && n_distrib_qualify[2] > 0) min(12, max(3, ceiling(n_distrib_qualify[2] / 3) * 2.0)) else 4 #| eval: !expr length(VARS_QUALI) >= 2 && length(n_distrib_qualify) >= 2 && n_distrib_qualify[2] > 0 plot_eda_distrib_by_group(df_eta_full, VARS_CORR_LBL, VARS_QUALI[2], eta2_tbl = eta2, min_eta2 = MIN_ETA2, ncol = 3, cap_pct = CAP_PCT) ``` ```{r} #| label: eda-distrib-3 #| column: page-right #| fig-width: 12 #| fig-height: !expr if (length(n_distrib_qualify) >= 3 && n_distrib_qualify[3] > 0) min(12, max(3, ceiling(n_distrib_qualify[3] / 3) * 2.0)) else 4 #| eval: !expr length(VARS_QUALI) >= 3 && length(n_distrib_qualify) >= 3 && n_distrib_qualify[3] > 0 plot_eda_distrib_by_group(df_eta_full, VARS_CORR_LBL, VARS_QUALI[3], eta2_tbl = eta2, min_eta2 = MIN_ETA2, ncol = 3, cap_pct = CAP_PCT) ``` `r if (SHOW_CRAMER) "## 6 — Analyse bivariée — typologies associées entre elles ? (Cramér V + crosstabs)" else ""` `r if (SHOW_CRAMER) "Cette section teste si les **variables catégorielles sont liées entre elles**. Concrètement : connaître le continent d'une ville aide-t-il à deviner si elle est capitale ? La matrice Cramér V résume l'intensité de chaque paire, puis les crosstabs détaillent **où** se concentrent les écarts au profil moyen." else ""` `r if (SHOW_CRAMER) "### Synthèse — Matrice Cramér V" else ""` `r if (SHOW_CRAMER) "**Cramér V mesure si deux typologies sont liées entre elles.** V = 0 : indépendantes. V proche de 1 : redondantes." else ""` ```{r} #| label: cld-cramer-insight #| results: asis #| cache: false #| eval: !expr SHOW_CRAMER # .cld-add : bandeau encadre-insight - lecture rapide auto-generee depuis aa_* .n_pairs <- if (!is.null(cramer_mx)) nrow(cramer_mx$details) else 0 .lines <- c() if (aa_n_cramer_fort > 0) { .lines <- c(.lines, sprintf("- **%d paire(s) fortement associee(s)** (V > 0.25) : %s. Lien structurel — connaitre l'une reduit l'incertitude sur l'autre.", aa_n_cramer_fort, aa_cramer_top_short)) } else { .lines <- c(.lines, sprintf("- Typologies **largement independantes** sur les %d paires testees (toutes V < 0.25, seuil Cohen 'fort').", .n_pairs)) } if (nzchar(aa_cramer_hubs)) { .lines <- c(.lines, sprintf("- **Typologies transversales** (liees a plusieurs autres) : %s.", aa_cramer_hubs)) } cat('::: {.cld-add}\n') cat('::: {.encadre-insight}\n') cat('::: {.encadre-insight-titre}\n') cat('LECTURE AUTO — ', length(VARS_QUALI), ' typologies, ', .n_pairs, ' paires testees\n', sep = '') cat(':::\n\n') cat(paste(.lines, collapse = "\n"), "\n\n", sep = "") cat(':::\n') cat(':::\n') ``` `r if (SHOW_CRAMER) '::: {.callout-tip collapse="true" appearance="minimal"}\n## REPÈRES MÉTHODO : Cramér V\n\n**Cramér V** : intensité d\'association entre deux variables catégorielles. V = 0 → indépendance totale (connaître l\'une n\'aide pas à deviner l\'autre). V = 1 → redondance parfaite. *Exemple : V = 0.35 entre type de prestation et code CPV → les études sont concentrées dans certains codes, les évaluations dans d\'autres. V = 0.05 entre région et nature → les régions ont des profils de prestation similaires.*\n\n**Seuils Cohen** : < 0.06 négligeable, 0.06–0.15 faible, 0.15–0.25 modéré, **> 0.25 fort**. Au-delà de 0.25, le lien mérite attention en analyse multivariée — risque de redondance dans une ACP ou un modèle.\n:::' else ""` ```{r} #| label: eda-cramer-matrix #| column: page-right #| cache: false #| eval: !expr SHOW_CRAMER # cramer_mx deja calcule dans aa-quali if (is.null(cramer_mx)) cramer_mx <- calc_cramer_matrix(df, VARS_QUALI) log_result("cramer_matrix", cramer_mx$details) rt_cramer_matrix(cramer_mx) ``` ```{r} #| label: eda-cramer-comment #| cache: false #| eval: !expr SHOW_CRAMER cramer_auto_comment(cramer_mx) ``` `r if (SHOW_XTAB) "### Détail — Crosstabs résidus Pearson" else ""` `r if (SHOW_XTAB) "**Pour chaque paire de typologies fortement associée**, le crosstab détaillé montre où se concentrent les écarts au profil moyen. Paires triées par Cramér V décroissant." else ""` `r if (SHOW_XTAB) '::: {.callout-tip collapse="true" appearance="minimal"}\n## REPÈRES MÉTHODO : crosstabs résidus\n\n**Crosstabs résidus** : chaque cellule montre l\'écart en points entre le taux observé dans ce profil et le taux global. Bordeaux = sur-représentation, bleu = sous-représentation. Le petit % en gris sous chaque écart indique le taux brut du profil.\n\n**Significativité** : un résidu de Pearson > 1.96 en valeur absolue est statistiquement significatif (p < 0.05). *Exemple : +15 pts pour les études en Île-de-France avec résidu = 12.8 → cette sur-représentation n\'est pas due au hasard, elle reflète une spécialisation structurelle de la région.*\n:::' else ""` ```{r} #| label: xtab-setup #| include: false #| eval: !expr SHOW_XTAB # Toutes les paires quali x quali, triees par V decroissant XTAB_V_MIN <- as.numeric(params$crosstab_v_min) XTAB_MAX <- min(as.integer(params$crosstab_max), 30) if (!is.null(cramer_mx)) { cdt <- cramer_mx$details %>% filter(cramers_v >= XTAB_V_MIN) %>% arrange(desc(cramers_v)) cdt <- head(cdt, XTAB_MAX) xtab_pairs <- lapply(seq_len(nrow(cdt)), function(i) { xt <- calc_crosstab_quali(df, cdt$var1[i], cdt$var2[i]) list(var1 = cdt$var1[i], var2 = cdt$var2[i], v = cdt$cramers_v[i], xt = xt) }) XTAB_N <- length(xtab_pairs) XTAB_TRUNCATED <- nrow(cramer_mx$details %>% filter(cramers_v >= XTAB_V_MIN)) > XTAB_MAX } else { xtab_pairs <- list() XTAB_N <- 0 XTAB_TRUNCATED <- FALSE } ``` ```{r} #| label: xtab-1 #| cache: false #| column: page-right #| eval: !expr SHOW_XTAB && XTAB_N >= 1 rt_crosstab_quali(xtab_pairs[[1]]$xt, seuil_resid = SEUIL_RESID) crosstab_auto_comment(xtab_pairs[[1]]$xt, seuil_resid = SEUIL_RESID) ``` ```{r} #| label: xtab-2 #| cache: false #| column: page-right #| eval: !expr SHOW_XTAB && XTAB_N >= 2 rt_crosstab_quali(xtab_pairs[[2]]$xt, seuil_resid = SEUIL_RESID) crosstab_auto_comment(xtab_pairs[[2]]$xt, seuil_resid = SEUIL_RESID) ``` ```{r} #| label: xtab-3 #| cache: false #| column: page-right #| eval: !expr SHOW_XTAB && XTAB_N >= 3 rt_crosstab_quali(xtab_pairs[[3]]$xt, seuil_resid = SEUIL_RESID) crosstab_auto_comment(xtab_pairs[[3]]$xt, seuil_resid = SEUIL_RESID) ``` ```{r} #| label: xtab-4 #| cache: false #| column: page-right #| eval: !expr SHOW_XTAB && XTAB_N >= 4 rt_crosstab_quali(xtab_pairs[[4]]$xt, seuil_resid = SEUIL_RESID) crosstab_auto_comment(xtab_pairs[[4]]$xt, seuil_resid = SEUIL_RESID) ``` ```{r} #| label: xtab-5 #| cache: false #| column: page-right #| eval: !expr SHOW_XTAB && XTAB_N >= 5 rt_crosstab_quali(xtab_pairs[[5]]$xt, seuil_resid = SEUIL_RESID) crosstab_auto_comment(xtab_pairs[[5]]$xt, seuil_resid = SEUIL_RESID) ``` ```{r} #| label: xtab-6 #| cache: false #| column: page-right #| eval: !expr SHOW_XTAB && XTAB_N >= 6 rt_crosstab_quali(xtab_pairs[[6]]$xt, seuil_resid = SEUIL_RESID) crosstab_auto_comment(xtab_pairs[[6]]$xt, seuil_resid = SEUIL_RESID) ``` `r if (SHOW_XTAB && XTAB_TRUNCATED) sprintf("*... %d paires supplementaires avec V >= %.2f non affichees (max %d).*", nrow(cramer_mx$details %>% filter(cramers_v >= XTAB_V_MIN)) - XTAB_MAX, XTAB_V_MIN, XTAB_MAX) else ""` ```{r} #| label: log-save #| include: false #| cache: false if (!is.null(auto_routing)) log_result("auto_routing", auto_routing) claude_log_save() ```