Data Mining
Introduction
Ce projet vise à explorer et comprendre les dynamiques qui lient les caractéristiques
économiques et sociales des pays à leur régime politique, en mettant un accent particulier sur
la démocratie. À partir d’un jeu de données varié, comprenant des indicateurs tels que :
Le taux de scolarisation primaire selon le genre,
Les revenus pétroliers,
Le niveau d’urbanisation,
La mortalité infantile,
L’espérance de vie,
La répartition démographique par tranche d’âge,
Le PIB par habitant,
Et la taille de la population,
nous avons cherché à répondre à trois grandes questions :
1. Quelles relations significatives existent entre ces indicateurs socio-économiques ?
2. Est-il possible de regrouper les pays en fonction de leurs similarités ?
3. Quels facteurs déterminent la probabilité qu’un pays adopte un régime
démocratique ?
En combinant des techniques statistiques et des approches de modélisation prédictive, cette
analyse offre une double perspective : simplifier des données complexes tout en mettant en
lumière les mécanismes qui sous-tendent les systèmes politiques.
Analyse en Composantes Principales (ACP)
Matrice de Corrélation
La matrice de corrélation visualisée par le premier graphique montre les relations entre les
différentes variables socio-économiques. Les observations clés incluent :
Relations fortes positives : Par exemple, des corrélations élevées
entre life (espérance de vie) et urban (population urbaine), ou
entre pop15_64 (population âgée de 15 à 64 ans) et lrgdpch (PIB par habitant).
Relations fortes négatives : Par exemple, une corrélation négative marquée
entre infant_mortality (mortalité infantile) et life (espérance de vie).
Ces corrélations justifient l'utilisation d'une ACP, car elles révèlent des relations sous-
jacentes entre les variables.
Scree plots
Le graphique "scree plots" montre la proportion de variance expliquée par chaque dimension.
La première composante explique environ 60 % de la variance, et les deux premières
ensemble capturent une grande partie de l’information du jeu de données.
Cela confirme qu’une réduction à 2 dimensions pour l’analyse ultérieure (comme les
regroupements ou la classification) est justifiée.
Cercle des corrélation
Le cercle des corrélations permet de visualiser les contributions des variables initiales aux
nouvelles dimensions (composantes principales). Les observations clés incluent :
Contributions majeures : Certaines variables, comme life (espérance de vie)
et urban (population urbaine), contribuent fortement à la première composante principale,
indiquant qu'elles sont fortement corrélées avec cette dimension.
Oppositions : Des variables comme infant_mortality (mortalité infantile)
et life (espérance de vie) sont situées à des positions opposées sur le cercle,
confirmant leur corrélation négative.
Groupements : Les variables qui sont proches les unes des autres sur le cercle montrent
des corrélations positives et contribuent de manière similaire aux composantes
principales.
Analyse des Variables
Variables proches de l'axe Dim1 :
urban (niveau d'urbanisation)
lrgdpch (PIB par habitant)
life (espérance de vie)
pop15_64 (population âgée de 15 à 64 ans)
educprim (taux de scolarisation primaire)
Ces variables sont toutes situées du côté droit de l'axe Dim1, ce qui signifie qu'elles contribuent
positivement à cette dimension.
Variables opposées :
infant_mortality (mortalité infantile)
pop0_14 (population âgée de 0 à 14 ans)
Ces variables sont situées du côté gauche de l'axe Dim1, ce qui signifie qu'elles contribuent
négativement à cette dimension.
Variable spécifique :
oil_rents (revenus pétroliers) est presque verticale, indiquant une contribution plus
forte à Dim2 qu'à Dim1.
pop (taille de la population) est proche de l'origine, indiquant une faible contribution
à Dim1.
Clustering
Nous avons utilisé l'algorithme K-means pour classer les pays en fonction de leurs attributs
économiques et sociaux. Cette analyse a permis de distinguer deux groupes bien définis. Les
clusters formés ont été visualisés afin de mieux cerner les traits communs partagés par les
pays au sein de chaque groupe.
Régression logistique
Pour répondre à la troisième question, nous avons utilisé une régression logistique afin de
déterminer quels facteurs influencent la probabilité qu'un pays adopte un régime démocratique.
Les dimensions principales obtenues de l'ACP ont été utilisées comme variables explicatives
dans le modèle. Le modèle de régression logistique a été construit en utilisant les deux
premières composantes principales (Dim1 et Dim2) comme prédicteurs de la variable binaire
democratie . Les probabilités prédites par le modèle ont été utilisées pour classer les pays en
deux catégories : démocratique (1) ou non démocratique (0). Une probabilité supérieure à 0.5 a
été utilisée comme seuil de classification.
Intercept Dim1 Dim2
1.2095 0.5307 -0.7858
Dim1 : Les pays avec des niveaux élevés d'urbanisation, de PIB par habitant, d'espérance
de vie, de population âgée de 15 à 64 ans, et de taux de scolarisation primaire ont une
probabilité plus élevée d'être démocratiques.
Dim2 : Les pays avec une mortalité infantile élevée et une grande proportion de
population âgée de 0 à 14 ans ont une probabilité plus faible d'être démocratiques.
Matrice de confusion
Pour évaluer la performance du modèle, nous avons construit une matrice de confusion qui
compare les valeurs observées de democratie avec les valeurs prédites par le modèle. La
précision du modèle a été calculée comme le rapport entre le nombre de prédictions correctes
et le nombre total de prédictions.
Interprétation
Vrais Positifs (VP) : 60 pays ont été correctement classifiés comme démocratiques (1).
Vrais Négatifs (VN) : 14 pays ont été correctement classifiés comme non démocratiques
(0).
Faux Positifs (FP) : 11 pays ont été incorrectement classifiés comme démocratiques alors
qu'ils sont non démocratiques.
Faux Négatifs (FN) : 5 pays ont été incorrectement classifiés comme non démocratiques
alors qu'ils sont démocratiques.
Précision du Modèle
La précision du modèle a été calculée comme le rapport entre le nombre de prédictions
correctes et le nombre total de prédictions.
Interprétation
La précision du modèle est de 0.82, ce qui signifie que le modèle a correctement prédit le
régime politique de 82% des pays.
Conclusion
Ce projet a permis d'explorer et de comprendre les dynamiques complexes qui lient les
caractéristiques économiques et sociales des pays à leur régime politique, avec un accent
particulier sur la démocratie. En utilisant un jeu de données varié comprenant des indicateurs
tels que le taux de scolarisation primaire, les revenus pétroliers, le niveau d’urbanisation, la
mortalité infantile, l’espérance de vie, la répartition démographique par tranche d’âge, le PIB
par habitant, et la taille de la population, nous avons répondu à trois grandes questions :
1. Relations significatives entre les indicateurs socio-économiques :
L'analyse en composantes principales (ACP) a révélé des relations fortes entre
plusieurs variables, telles que des corrélations positives entre l'espérance de vie et
l'urbanisation, et des corrélations négatives entre la mortalité infantile et l'espérance
de vie. Ces relations justifient l'utilisation de l'ACP pour simplifier les données
complexes.
2. Regroupement des pays en fonction de leurs similarités :
L'algorithme K-means a permis de classer les pays en deux groupes distincts basés
sur leurs attributs économiques et sociaux. Cette classification a mis en lumière des
traits communs partagés par les pays au sein de chaque groupe, offrant une vision
claire des similitudes et des différences entre les pays.
3. Facteurs déterminant la probabilité d’adoption d’un régime démocratique :
La régression logistique a montré que les pays avec des niveaux élevés
d'urbanisation, de PIB par habitant, d'espérance de vie, de population âgée de 15 à
64 ans, et de taux de scolarisation primaire ont une probabilité plus élevée d'être
démocratiques. En revanche, les pays avec une mortalité infantile élevée et une
grande proportion de population âgée de 0 à 14 ans ont une probabilité plus faible
d'être démocratiques.
Le modèle de régression logistique a atteint une précision de 82%, démontrant une
bonne capacité à prédire le régime politique des pays.
En combinant des techniques statistiques avancées et des approches de modélisation
prédictive, cette analyse a non seulement simplifié des données complexes, mais a également
mis en lumière les mécanismes sous-jacents qui influencent les systèmes politiques. Les
résultats obtenus offrent des perspectives précieuses pour les décideurs politiques et les
chercheurs intéressés par les dynamiques socio-économiques et politiques des