Jeu de données, valeur aberrante, médiane, corrélation, scraping, API, chiffrement. Les mots nécessaires pour lire un tableau sans se faire tromper par lui.
En un mot. Le vocabulaire des données appliqué au travail journalistique.
Définition
Ce glossaire couvre l’acquisition des données, leur description statistique, leur représentation et leur protection. Il ne suppose aucune formation mathématique : ce sont les notions qui permettent de ne pas se tromper en lisant un fichier.
Pourquoi c’est important
Un journaliste manipule des chiffres tous les jours sans toujours savoir ce qu’ils mesurent. La plupart des erreurs de données publiées ne viennent pas d’un calcul faux mais d’un mot mal compris.
Comment ça marche
La confusion la plus fréquente et la plus lourde oppose moyenne et médiane. Sur une distribution très inégale, comme les revenus, la moyenne est tirée vers le haut par quelques valeurs extrêmes, et la médiane décrit bien mieux la situation ordinaire.
Les repères
Jeu de données : un ensemble structuré d’enregistrements, souvent un tableau.
Variable : une colonne, c’est-à-dire une caractéristique mesurée pour chaque ligne.
Observation : une ligne, c’est-à-dire un cas, une personne, une commune, une année.
Moyenne : la somme divisée par l’effectif, sensible aux valeurs extrêmes.
Médiane : la valeur qui sépare la population en deux moitiés égales.
Mode : la valeur la plus fréquente dans la distribution.
Écart type : une mesure de la dispersion autour de la moyenne.
Valeur aberrante : une donnée très éloignée des autres, à examiner avant de l’écarter.
Corrélation : le fait que deux variables évoluent ensemble, sans que l’une cause l’autre.
Causalité : le fait qu’une variable en produise une autre, qui exige une démonstration.
Échantillon : un sous-ensemble censé représenter la population étudiée.
Marge d’erreur : l’intervalle dans lequel la vraie valeur se situe probablement.
Données brutes : les données telles que produites, avant tout nettoyage.
Nettoyage : la correction des doublons, des formats et des erreurs de saisie.
Données ouvertes : des données publiques librement réutilisables.
Interface de programmation : un accès automatisé aux données d’un service.
Moissonnage : l’extraction automatique de données depuis des pages web.
Format tabulaire : un fichier en lignes et colonnes, comme le CSV.
Série temporelle : des mesures successives d’une même variable dans le temps.
Base cent : une convention qui ramène une série à 100 à une date de référence.
Euros constants : des montants corrigés de l’inflation, seuls comparables dans le temps.
Anonymisation : la suppression des éléments permettant de réidentifier une personne.
Réidentification : le fait de retrouver une identité dans des données prétendues anonymes.
Chiffrement : la protection d’un fichier ou d’un échange par une clé.
Un cas concret
Sur les revenus d’un pays, la moyenne et la médiane peuvent différer de moitié. Publier la moyenne en parlant du « revenu typique » décrit une situation que presque personne ne connaît, sans qu’aucun chiffre ne soit faux.
Les erreurs à éviter
Employer la moyenne sur une distribution très inégale.
Présenter une corrélation comme une cause.
Écarter une valeur aberrante sans l’avoir examinée.
Comparer des montants sur plusieurs années sans corriger l’inflation.
Les bons réflexes
Médiane pour le typique, moyenne pour le total.
Examiner les valeurs aberrantes avant de les retirer.
En euros constants dès qu’on compare dans le temps.