La première étape . Téléchargez et analysez l’ensemble de données se trouvant sur le fichier Excel (Desk Review Practice Dataset.xlsx).

Etape 2. Analysez l’exactitude et le caractère complet du rapport

Les données ne sont pas complètes, il existe des manquants dans les données de l’année 2014, soit une complétude totale de 98%.

Les régions du centre, nord, nord ouest  et sud -ouest  ont des rapports manquants pour l’année 2014

L’interprétation des données peut s’avérer non fiable.

Certaines données ne sont pas envoyées en temps utile pour toutes les trois années, soit une promptitude de 83% en 2012, 85% en 2013 et 91% en 2014.

Pour l’année 2012, aucune des régions n’a envoyé toutes les données dans un délai convenable.

Pour l’année 2013 et 2014, seule la région du sud a envoyé toutes les données dans un délai convenable, les autres régions à savoir du Centre, Est, Extrême-nord, Nord, Nord-ouest, Ouest et Sud-ouest n’ont pas envoyés certaines données dans un délai convenable.

La promptitude s’est belle et bien améliorée avec le temps.

J’ai utilisé l’indicateur nombre de rapports de districts déposés par province pour le caractère complet et l’indicateur nombre de rapports de districts soumis à temps par province pour la promptitude. Pour la visualisation, j’ai utilisé la proportion pour une meilleure lecture des indicateurs.

Etape 3. Repérez les anomalies et les incohérences

il existe des valeurs mensuelles qui semblent trop élevées et un peu bas par rapport à la moyenne. Toutes les régions ont des valeurs qui semblent trop élevées et certaines régions ont des valeurs basses qui sont des anomalies évidentes à vérifiées.

Il n’y a pas de différence significative dans les données du numérateur.

Certaines valeurs mensuelles de penta3 sont hautement élevées par rapport aux valeurs de penta1 pouvant étre des erreurs

Certaines valeurs mensuelles de OPV3 sont significativement plus hautes que les valeurs mensuelles de la même période de penta3, tandis que les deux doses doivent être données au même moment.

Certaines valeurs mensuelles semblent être des doublons qui doivent être vérifiées.

Les différences entre les vaccins peuvent s’expliquer par des ruptures en stock de certains antigènes , les déplacements des personnes d’une zone après la prise des premières doses vers une zone où ils auront les doses suivantes.

J’ai utilisé la moyenne annuelle et les graphiques pour repérer des anomalies ou incohérences entre les doses.

Les estimations de couverture par région sont-elles solides ou existe-t-il des problèmes évidents avec les données ?

Cette baisse de la couverture de l’année précédente provient de baisse de la complétude à 98% qui montre la non transmission des rapports de certains districts en 2014

Etape 5. Comparez votre dénominateur aux estimations de population de l’ONU

L’estimation de population basée sur l’estimation de la population de l’ONU semble être la plus vraisamblable, étant données que les estimations doivent être basée sur les données antérieures des nourrissons survivants, tandis que les estimations de population basées sur le chiffre du pays peuvent contenir des doublons qui risque de créer des erreurs d’estimation des années suivantes.