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

Les données sont-elles complètes ?

En 2014, du mois de mars à Décembre la complétude des données n’est pas atteinte. Dans la région du centre de mars à décembre, à l’extrême nord et au nord en Décembre, le nord-ouest de avril à décembre, et l’ouest et le sud-ouest à décembre.

Si ce n’est pas le cas, quelles régions présentent un problème d’exhaustivité

En 2014 seuls les régions du Sud et de l’Est n’ont pas connu de problème d’exhaustivité des données.

Qu’est-ce que cela implique concernant l’interprétation des données ? ?

Le manque d’exhaustivité des données pose un problème d’interprétation car les informations qui vont en découler ne seront pas fiables

Les données ont-elles été envoyées en temps utile ?

Non, seule la région du sud a pu envoyer les données à temps en 2014 et 2013.

Si ce n’est pas le cas, quelles régions n’envoient pas dans un délai convenable les données ?

Toute les régions n’envoient pas les données dans le délai sauf la région du Sud.

La promptitude de l’envoi des données a-t-elle empiré ou s’est-elle améliorée avec le temps ?

La promptitude de l’envoi des données s’est améliorée avec le temps sauf en 2013, au mois de mars, avril, mai et le mois de décembre en 2014.

Quels indicateurs ou visualisations avez-vous utilisé pour analyser le caractère complet et la promptitude de l’envoi des données ?

L’indicateurs utilisé pour la complétude est le rapport nombre de rapport reçu sur nombre attendu.

L’indicateur utilisé pour la promptitude est le rapport nombre de rapport reçu à temps sur le nombre de rapport attendu.

Etape 3. Repérez les anomalies et les incohérences

Trouvez-vous des anomalies évidentes (des valeurs mensuelles qui semblent trop hautes ou basses comparées à la moyenne) ? Pour quelle(s) région(s) ?

Des anomalies évidentes à type de données aberrantes sont visibles dans toutes régions de 2012 à 2104.

Repérez-vous une différence significative dans les données du numérateur pour des doses qui sont normalement données au même moment et qui devraient pourtant être homogènes ?

En 2014, le numérateur en région EST pose beaucoup de problème de cohérence des données, des données aberrantes (D6 en juin) et souvent une répétition des chiffres (MCV1 D1 : en février, mars, avril ; D7 en sept et octobre ; D8 en novembre et décembre ; D12 en septembre, octobre, novembre et décembre).

Repérez-vous d’autres erreurs potentielles ?

Des valeurs uniformes en D13, comme 70, 30, 40, 100, 55.

Cependant il y’a une cohérence par moment entre les doses administrées au même moment MCV1 ET Penta1 : (D1 en mai, D5 en janvier et D11 en décembre)

Qu’est-ce qui pourrait expliquer les différences entre les vaccins à part des problèmes au niveau de la qualité des données ?

Une rupture de vaccin ou intrant de vaccination, une mauvaise estimation des besoins, des pertes de flacons ouverts ou fermés.

Quels types d’indicateurs ou de visualisations avez-vous utilisés afin de repérer des anomalies ou incohérences entre les doses ?

Les indicateurs utilisés sont le nombre de dose utilisée moins dose administrée sur dose utilisée et l’abandon spécifique penta.

On constate un abandon spécifique élevé dans toutes les régions de 2012 à 2014 sauf les régions du Nord et du Nord-ouest où nous avons des abandons négatifs et au Sud-ouest en 2014

Etape 4. Analysez les tendances de couverture

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

Nous avons constaté des problèmes de doublon dans les régions du centre (104, 99) à l’est (90) au Nord (72) et à l’ouest (80). Des couvertures aberrantes soient très élevées au Nord-ouest, soient très faibles au Nord de 2008 à 2014 et au Sud-ouest de 2008 à 2012.

On voit une importante baisse de la couverture l’année précédente. D’où cela provient-il ?

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

Quelle estimation de dénominateur semble plus plausible ? Pourquoi ?

C’est l’estimation du PNUD qui semble être correcte parce qu’elle suit une croissance logique jusqu’en 2012, par contre celle administrative a stagnée en 2008 et 2009 puis a enregistré une chute en 2013.