Bienvenue dans le tutoriel humind. Dans le fichier RMarkdown suivant, nous parcourons un exemple de flux de travail utilisant des données MSNA fictives du cycle 2026. Le flux de travail est organisé par fonction et annoté pour décrire ce que fait chaque fonction, les points clés à garder en tête lors de l’utilisation et les variables d’entrée requises (ainsi que leurs codes). Si vous avez des questions ou des suggestions d’amélioration, veuillez contacter l’équipe MSNA globale.
Configuration
Ci-dessous, nous chargeons humind et dplyr, ainsi que le jeu de données au niveau du ménage (main) et les rosters Santé et Éducation (boucles). Nous nous assurons également que les identifiants uniques de chaque jeu de données sont correctement spécifiés, afin de résumer les informations de la boucle vers le jeu de données principal (main), comme cela est fait dans les composites sectoriels Santé et Éducation.
Consommation alimentaire
Indice des stratégies d’adaptation des moyens de subsistance (LCSI)
La première étape du composite de consommation alimentaire consiste à
calculer l’indice des stratégies d’adaptation des moyens de subsistance
(LCSI). La fonction add_lcsi() détermine si les ménages ont
utilisé ou épuisé des stratégies d’adaptation de stress, de crise ou
d’urgence et attribue au ménage la catégorie LCSI la plus élevée
applicable : Aucune, Stress, Crise ou Urgence.
L’exemple ci-dessous combine d’abord les variantes hôte et camp de
quatre stratégies LCSI dans les variables attendues par
add_lcsi(). Cela est approprié lorsque le questionnaire
recueille des versions hôte/camp mutuellement exclusives d’une même
stratégie d’adaptation.
Points clés : Par défaut, add_lcsi()
attend les codes de réponse yes, no_had_no_need, no_exhausted et
not_applicable. Un ménage est classé selon le niveau le plus élevé de
stratégie d’adaptation qu’il a soit utilisée, soit épuisée. La fonction
génère fsl_lcsi_cat, ainsi que des catégories distinctes fondées
uniquement sur les stratégies utilisées (fsl_lcsi_cat_yes) et les
stratégies épuisées (fsl_lcsi_cat_exhaust). Si votre questionnaire
utilise des codes de réponse différents, ceux-ci doivent être fournis
via les arguments correspondants de la fonction.
Variables requises :
- fsl_lcsi_stress1
- fsl_lcsi_stress2
- fsl_lcsi_stress3
- fsl_lcsi_stress4
- fsl_lcsi_crisis1
- fsl_lcsi_crisis2
- fsl_lcsi_crisis3
- fsl_lcsi_emergency1
- fsl_lcsi_emergency2
- fsl_lcsi_emergency3
main_foodsec <- humind_main |>
# Ce formulaire répartit 4 items LCSI en variantes _host/_camp mutuellement exclusives ;
# les fusionner (coalesce) dans les colonnes uniques attendues par add_lcsi().
mutate(
fsl_lcsi_stress1 = coalesce(fsl_lcsi_stress1_host, fsl_lcsi_stress1_camp),
fsl_lcsi_stress2 = coalesce(fsl_lcsi_stress2_host, fsl_lcsi_stress2_camp),
fsl_lcsi_emergency2 = coalesce(fsl_lcsi_emergency2_host, fsl_lcsi_emergency2_camp),
fsl_lcsi_emergency3 = coalesce(fsl_lcsi_emergency3_host, fsl_lcsi_emergency3_camp)
) |>
add_lcsi()Score de consommation alimentaire (SCA)
Ensuite, nous calculons le score de consommation alimentaire (SCA) à
l’aide de add_fcs(). La fonction applique les pondérations
standard des groupes d’aliments au nombre de jours de consommation de
chaque groupe d’aliments au cours de la période de référence et classe
le score obtenu dans une catégorie SCA.
Points clés : Les variables d’entrée doivent
contenir le nombre de jours de consommation, de 0 à 7. Avec
cutoffs = “normal”, les ménages sont classés comme ayant
une consommation alimentaire pauvre lorsque le SCA est ≤21, limite
lorsqu’il est >21 et ≤35, et acceptable lorsqu’il est >35. Les
seuils alternatifs peuvent être sélectionnés avec cutoffs =
“alternative”, qui utilise les seuils 28 et 42. La fonction génère
fsl_fcs_score et fsl_fcs_cat, en plus des variables pondérées des
groupes d’aliments.
Variables requises :
- fsl_fcs_cereal
- fsl_fcs_legumes
- fsl_fcs_veg
- fsl_fcs_fruit
- fsl_fcs_meat
- fsl_fcs_dairy
- fsl_fcs_sugar
- fsl_fcs_oil
main_foodsec <- main_foodsec |>
add_fcs(cutoffs = "normal")Échelle de la faim dans les ménages (HHS)
L’échelle de la faim dans les ménages (HHS) est ensuite calculée à
l’aide de add_hhs(). La fonction combine les trois
questions HHS et leurs questions de fréquence correspondantes pour
produire à la fois une catégorie HHS générale et une catégorie HHS
compatible avec l’IPC.
Points clés : Par défaut, la fonction attend des réponses oui/non aux trois questions d’occurrence et des réponses rarely/sometimes/often aux questions de fréquence. Une réponse no est notée 0, rarely ou sometimes 1, et often 2 pour chaque item. Le fsl_hhs_score obtenu va de 0 à 6. La fonction produit à la fois fsl_hhs_cat et fsl_hhs_cat_ipc ; cette dernière comporte les catégories None, Little, Moderate, Severe et Very Severe. La fonction vérifie également la cohérence entre chaque question oui/non et sa question de fréquence.
Variables requises :
- fsl_hhs_nofoodhh
- fsl_hhs_nofoodhh_freq
- fsl_hhs_sleephungry
- fsl_hhs_sleephungry_freq
- fsl_hhs_alldaynight
- fsl_hhs_alldaynight_freq
main_foodsec <- main_foodsec |>
add_hhs()Indice réduit des stratégies d’adaptation (rCSI)
L’indice réduit des stratégies d’adaptation (rCSI) est calculé à
l’aide de add_rcsi(). La fonction applique les pondérations
standard à cinq stratégies d’adaptation liées à l’alimentation pour
produire un score rCSI global et une catégorie ordinale.
Points clés : Les valeurs d’entrée doivent aller de 0 à 7 jours. Les cinq stratégies sont pondérées respectivement 1, 2, 1, 3 et 1, et le fsl_rcsi_score obtenu est classé No to Low lorsque ≤3, Medium lorsque >3 et ≤18, et High lorsque >18. La fonction génère à la fois fsl_rcsi_score et fsl_rcsi_cat.
Variables requises :
- fsl_rcsi_lessquality
- fsl_rcsi_borrow
- fsl_rcsi_mealsize
- fsl_rcsi_mealadult
- fsl_rcsi_mealnb
main_foodsec <- main_foodsec |>
add_rcsi()Phase de consommation alimentaire
Nous calculons ensuite la phase de la matrice de consommation
alimentaire (FCM) à partir des catégories SCA, rCSI et HHS compatible
IPC calculées aux étapes précédentes. add_fcm_phase()
associe la combinaison de ces trois indicateurs à l’une des cinq phases
de consommation alimentaire, de la Phase 1 FC à la Phase 5 FC.
Points clés : La fonction utilise les noms de variables par défaut ci-dessus et les libellés de catégorie par défaut : Acceptable, Borderline et Poor pour le SCA ; No to Low, Medium et High pour le rCSI ; et None, Little, Moderate, Severe et Very Severe pour le HHS compatible IPC. La variable obtenue est fsl_fc_phase, avec des valeurs allant de Phase 1 FC à Phase 5 FC. La fonction crée également fsl_fc_cell, qui identifie la cellule correspondante dans la matrice de consommation alimentaire 5×3×3.
Variables requises :
- fsl_fcs_cat
- fsl_rcsi_cat
- fsl_hhs_cat_ipc
main_foodsec <- main_foodsec |>
add_fcm_phase()Matrice consommation alimentaire – stratégies d’adaptation des moyens de subsistance (FCLCM)
La matrice consommation alimentaire – stratégies d’adaptation des moyens de subsistance (FCLCM) est ensuite calculée en combinant la phase de consommation alimentaire avec la catégorie LCSI. La phase obtenue va de la Phase 1 FCLC à la Phase 5 FCLC.
Points clés : La fonction utilise les libellés de phase par défaut Phase 1 FC à Phase 5 FC et les catégories LCSI None, Stress, Crisis et Emergency. Si l’une des entrées est manquante ou contient une catégorie inattendue, la phase fclcm_phase obtenue est NA.
Variables requises :
- fsl_fc_phase
- fsl_lcsi_cat
main_foodsec <- main_foodsec |>
add_fclcm_phase(lcs_cat_var = "fsl_lcsi_cat")Composite sectoriel de consommation alimentaire
Enfin, add_comp_foodsec() convertit directement la phase
FCLCM en score du composite sectoriel de consommation alimentaire. Les
cinq phases FCLCM correspondent directement aux scores composites de 1 à
5, les indicateurs standard de besoin et de besoin sévère de l’MSNI
étant également générés.
Points clés : add_comp_foodsec()
nécessite fclcm_phase, qui doit contenir l’un des cinq libellés de phase
FCLCM attendus. Les variables produites sont comp_foodsec_score,
comp_foodsec_in_need et comp_foodsec_in_severe_need. Le score composite
est directement dérivé de la phase FCLCM, la Phase 1 donnant un niveau
de sévérité 1 et la Phase 5 un niveau 5.
Variables requises :
- fclcm_phase
main_foodsec <- main_foodsec |>
add_comp_foodsec()WASH
Quantité d’eau (H-WISE)
Pour le WASH, nous commençons par le H-WISE 4 afin de calculer la dimension Quantité d’eau. La fonction ci-dessous attribue un score de 0 à 3 à chacune des variables H-WISE et attribue directement le niveau de sévérité en fonction de la somme par ligne. Une nouvelle variable appelée « comp_wash_score_water_quantity » est générée.
Points clés : Les codes de réponse par défaut sont
never, rarely, sometimes, often, always, dnk et pnta. Si vos données
utilisent des codes de réponse différents, ceux-ci doivent être
spécifiés via les paramètres correspondants de la fonction. Le paramètre
.keep_recoded peut être défini sur TRUE si les scores des
items H-WISE individuels sont également requis.
Variables requises :
- wash_hwise_drink
- wash_hwise_hands
- wash_hwise_plans
- wash_hwise_worry
main_wash <- main_foodsec |>
add_hwise()Qualité de l’eau potable
Nous calculons ensuite la dimension Qualité de l’eau potable. Celle-ci repose sur le type de source d’eau potable et le temps nécessaire pour aller chercher l’eau potable. Les fonctions suivantes recodent progressivement ces variables dans les catégories requises pour dériver la classification JMP de l’eau potable.
Points clés : La fonction recode les choix du modèle KOBO global 2026 dans les catégories standard : améliorée, non améliorée et eaux de surface. Comme ces catégorisations peuvent différer selon les contextes, assurez-vous que le mappage correspond à la réalité du pays. En cas de doute, cela peut être confirmé avec le cluster WASH.
Variables requises :
- wash_drinking_water_source
main_wash <- main_wash |>
add_drinking_water_source_cat()Points clés : La fonction utilise les informations indiquant si l’eau est disponible dans l’enceinte ainsi que le temps de collecte déclaré. Les codes de réponse et seuils par défaut doivent être ajustés si l’enquête utilise une codification différente.
Variables requises :
- wash_drinking_water_time_yn
- wash_drinking_water_time_int
- wash_drinking_water_time_sl
- wash_drinking_water_source
main_wash <- main_wash |>
add_drinking_water_time_cat()Les catégories de temps nécessaire pour aller chercher l’eau qui en résultent sont ensuite classées selon le seuil standard de 30 minutes utilisé dans la classification JMP.
Points clés : Le seuil par défaut est de 30 minutes.
Cette fonction doit être exécutée après
add_drinking_water_time_cat(), car elle utilise la variable
catégorielle générée à cette étape.
Variables requises :
- wash_drinking_water_time_cat
main_wash <- main_wash |>
add_drinking_water_time_threshold_cat()La source d’eau potable et les catégories de temps de collecte sont ensuite combinées pour générer la classification JMP de la qualité de l’eau potable.
Points clés : Cette fonction utilise les catégories générées par les deux étapes de recodage précédentes, ces fonctions doivent donc être exécutées dans l’ordre.
Variables requises :
- wash_drinking_water_source_cat
- wash_drinking_water_time_30min_cat
main_wash <- main_wash |>
add_drinking_water_quality_jmp_cat()Assainissement
Nous préparons ensuite les variables requises pour calculer la dimension Assainissement. D’abord, le type d’installation sanitaire est recodé dans des catégories standard.
Points clés : Comme pour les sources d’eau, la fonction suppose le mappage vers des installations sanitaires améliorées et non améliorées. Assurez-vous que ces classifications s’appliquent à votre contexte.
Variables requises :
- wash_sanitation_facility
main_wash <- main_wash |>
add_sanitation_facility_cat()L’installation sanitaire est ensuite classée selon qu’elle est partagée ou non avec d’autres ménages.
Points clés : Les installations classées comme aucune sont automatiquement affectées à not_applicable pour le partage. Les codes de réponse par défaut pour la variable de partage doivent être ajustés si les codes de réponse s’écartent du modèle KOBO global.
Variables requises :
- wash_sanitation_facility_sharing_yn
- wash_sanitation_facility
main_wash <- main_wash |>
add_sharing_sanitation_facility_cat()La fonction suivante estime le nombre d’individus utilisant l’installation sanitaire. Pour les installations partagées, cela est calculé à l’aide du nombre déclaré de ménages partageant l’installation et de la taille moyenne pondérée des ménages. Pour les installations non partagées, le nombre d’individus est fondé sur la taille du ménage.
Points clés : hh_size et
wash_sanitation_facility_sharing_n doivent être numériques.
La variable weight est utilisée pour calculer la taille
moyenne pondérée des ménages et doit donc être présente même lorsque
l’analyse n’est pas pondérée. Pour un jeu de données non pondéré, créez
une variable appelée weight et définissez-la sur 1 pour
tous les ménages, comme le montre l’exemple ci-dessous.
Variables requises :
- wash_sharing_sanitation_facility_cat
- wash_sanitation_facility_sharing_n
- hh_size
- weight
main_wash <- main_wash |>
mutate(weight = 1) |>
add_sharing_sanitation_facility_n_ind()À l’aide de la catégorie d’installation sanitaire et du statut de partage, nous pouvons maintenant calculer la classification JMP de l’assainissement utilisée dans le composite sectoriel WASH.
Points clés : Cette fonction utilise les catégories
générées par add_sanitation_facility_cat() et
add_sharing_sanitation_facility_cat(), ces étapes doivent
donc être exécutées au préalable.
Variables requises :
- wash_sanitation_facility_cat
- wash_sharing_sanitation_facility_cat
main_wash <- main_wash |>
add_sanitation_facility_jmp_cat()Hygiène
Pour la dernière dimension du WASH, nous calculons la classification JMP de l’hygiène. La fonction utilise des informations observées et auto-déclarées sur la disponibilité d’une installation pour le lavage des mains, d’eau et de savon. La variable wash_handwashing_facility_jmp_cat qui en résulte classe les ménages comme disposant d’une installation pour le lavage des mains basique, limitée ou no_facility.
Points clés : Si le jeu de données ne contient pas survey_modality, celle-ci doit être ajoutée avant d’exécuter la fonction. Pour une enquête entièrement en présentiel, elle peut être définie sur « in_person », comme indiqué ci-dessous. La fonction distingue les informations observées et déclarées selon la modalité de l’enquête. La classification par défaut du savon distingue le savon admissible (savon, détergent) du savon non admissible (ash_mud_sand). Ces paramètres peuvent être ajustés si nécessaire.
Variables requises :
- survey_modality
- wash_handwashing_facility
- wash_handwashing_facility_observed_water_yn
- wash_soap_observed_yn
- wash_handwashing_facility_reported
- wash_handwashing_facility_water_reported_yn
- wash_soap_reported_yn
- wash_soap_observed_type
- wash_soap_reported_type
main_wash <- main_wash |>
mutate(survey_modality = "in_person") |>
add_handwashing_facility_cat()Composite sectoriel WASH
Enfin, nous calculons le composite sectoriel WASH global. La fonction
add_comp_wash() combine les composantes quantité d’eau,
qualité de l’eau potable, assainissement et hygiène pour générer le
score composite WASH et l’indicateur de besoin.
Points clés : La variable de milieu est requise car
le composite WASH applique une logique de notation différente selon les
milieux camp, urbain et rural. Par défaut, la fonction attend
camp_formal et camp_informal pour les milieux de type camp, urban pour
les milieux urbains et rural pour les milieux ruraux. Si le jeu de
données utilise des codes de milieu différents, les paramètres
correspondants setting_camp, setting_urban
et/ou setting_rural doivent être spécifiés.
Variables requises :
- setting
- comp_wash_score_water_quantity
- wash_drinking_water_quality_jmp_cat
- wash_sanitation_facility_jmp_cat
- wash_sanitation_facility_cat
- wash_sharing_sanitation_facility_n_ind
- wash_sharing_sanitation_facility_cat
- wash_handwashing_facility_jmp_cat
main_wash <- main_wash |>
add_comp_wash()Abri et BNA (SNFI) / HLP
Type d’abri
Nous recodons d’abord les deux variables de type d’abri en une seule catégorie globale de type d’abri. La fonction combine les informations sur le type d’abri général et le type d’abri individuel et classe les ménages comme aucun, inadéquat, adéquat ou non défini. La variable obtenue est snfi_shelter_type_cat. La fonction donne la priorité aux réponses telles que pas d’abri ou centre collectif avant d’appliquer la classification du type d’abri individuel.
Points clés : Vérifiez que le mappage des types d’abri correspond à votre contexte. Les paramètres standard utilisés dans la fonction peuvent différer. En cas de doute, contactez le cluster Abri pour confirmer ces classifications.
Variables requises :
- snfi_shelter_type
- snfi_shelter_type_individual
main_snfi <- main_wash |>
add_shelter_type_cat()Problèmes d’abri
Nous calculons ensuite le nombre de problèmes d’abri déclarés par chaque ménage et le convertissons en une catégorie ordinale. La fonction compte les problèmes déclarés parmi les 11 variables de problèmes d’abri et génère à la fois snfi_shelter_issue_n et snfi_shelter_issue_cat. Les catégories obtenues sont none, 1_to_3, 4_to_7 et 8_to_11, avec des catégories distinctes pour undefined et other.
Points clés : La liste des 11 variables de problèmes d’abri doit être standard dans tous les contextes. Si vous vous en écartez, contactez l’équipe MSNA globale.
Variables requises :
- snfi_shelter_issue
main_snfi <- main_snfi |>
add_shelter_issue_cat()Dommages à l’abri
Nous recodons ensuite les dommages à l’abri déclarés en une catégorie standardisée de dommages. La fonction combine les différents types de dommages et donne la priorité au niveau déclaré le plus sévère. La variable snfi_shelter_damage_cat obtenue contient none, damaged, part, total ou undefined.
Points clés : Les catégories de dommages doivent être standard dans tous les contextes. Si des écarts apparaissent, assurez-vous de bien les spécifier dans les arguments pertinents de la fonction.
Variables requises :
- snfi_shelter_damage
main_snfi <- main_snfi |>
add_shelter_damage_cat()Espace domestique fonctionnel (EDF)
Nous calculons ensuite le nombre de tâches liées à l’espace domestique fonctionnel qui ne peuvent pas être réalisées, en tenant compte de la cuisson, du sommeil, du stockage et de l’éclairage. La fonction standardise d’abord les trois variables de tâches domestiques et la source d’éclairage, puis crée des indicateurs binaires et les additionne pour produire snfi_fds_cannot_n. Celui-ci est ensuite catégorisé en snfi_fds_cannot_cat, avec des catégories allant de aucune tâche affectée à quatre tâches affectées.
Points clés : Les codes de réponse par défaut sont yes, no et no_need pour la cuisson, et yes/no pour le sommeil et le stockage. pnta est traité comme non défini pour les trois variables de tâches. Pour l’éclairage, none indique l’absence de source d’éclairage.
Variables requises :
- snfi_fds_cooking
- snfi_fds_sleeping
- snfi_fds_storing
- energy_lighting_source
main_snfi <- main_snfi |>
add_fds_cannot_cat()Statut d’occupation / Sécurité de la tenure
Nous classons ensuite séparément les arrangements d’occupation et le risque d’expulsion avant de les combiner en une catégorie globale de sécurité de la tenure. L’occupation est classée comme risque élevé, moyen ou faible, tandis que le risque d’expulsion est classé comme risque élevé ou faible. La variable hlp_tenure_security obtenue prend le niveau de risque le plus élevé entre les deux composantes.
Points clés : Par défaut, no_agreement correspond à une occupation à risque élevé, rented et hosted_free à un risque moyen, et ownership à un risque faible. Pour le risque d’expulsion, yes correspond à un risque élevé et no à un risque faible. dnk, pnta et other sont traités comme non définis pour l’occupation, tandis que dnk et pnta sont non définis pour le risque d’expulsion. La catégorie finale de sécurité de la tenure prend le niveau de risque maximal entre l’occupation et le risque d’expulsion.
Variables requises :
- hlp_occupancy
- hlp_risk_eviction
main_snfi <- main_snfi |>
add_occupancy_cat()Composite sectoriel SNFI
Enfin, nous calculons le composite sectoriel SNFI global. La fonction
add_comp_snfi() combine le type d’abri, les problèmes
d’abri, la sécurité de la tenure, l’EDF et les catégories de dommages à
l’abri standardisés et attribue des scores à chaque composante. Elle
dérive ensuite le comp_snfi_score global, ainsi que comp_snfi_in_need et
comp_snfi_in_severe_need.
Points clés : Les variables d’entrée sont générées
par les fonctions précédentes et doivent donc être créées avant
d’exécuter add_comp_snfi().
Variables requises :
- snfi_shelter_type_cat
- snfi_shelter_issue_cat
- hlp_tenure_security
- snfi_fds_cannot_cat
- snfi_shelter_damage_cat
main_snfi <- main_snfi |>
add_comp_snfi()Protection
Mouvement et accès aux espaces publics
Nous calculons d’abord la dimension Mouvement et accès aux espaces
publics. La fonction add_prot_score_movement() utilise les
préoccupations de sécurité déclarées et les changements de mouvement ou
d’activités pour calculer un score pondéré. Le score pondéré est ensuite
converti en un score de sévérité de 1 à 4 qui représente le score de
cette dimension.
Points clés : Toutes les options de réponse se
voient attribuer une pondération comprise entre 0 et 2. Par défaut,
men_avoid_places et men_avoid_night ont une pondération de 1, mais
celles-ci peuvent être ajustées dans les contextes où la conscription
militaire est une caractéristique de la crise. Modifiez simplement les
arguments men_avoid_places_weight et
men_avoid_night_weight, respectivement. Les variables
obtenues sont comp_prot_score_prot_needs_3 et
comp_prot_score_movement.
Variables requises :
- prot_needs_3_movement
main_prot <- main_snfi |>
add_prot_score_movement()Pratiques et activités sûres
Nous calculons ensuite la dimension Pratiques et activités sûres. La
fonction add_prot_score_practices() calcule des scores
pondérés distincts pour les restrictions affectant la capacité des
membres du ménage à mener leurs activités et à participer aux
interactions sociales. Ceux-ci sont ensuite combinés pour produire le
score de sévérité global comp_prot_score_practices, allant de 1 à 4.
Points clés : La fonction crée trois variables : comp_prot_score_prot_needs_2_activities, comp_prot_score_prot_needs_2_social et comp_prot_score_practices. Ce n’est que si les deux scores de dimension sous-jacents sont manquants que le score global des pratiques est également manquant.
Variables requises :
- prot_needs_2_activities
- prot_needs_2_social
main_prot <- main_prot |>
add_prot_score_practices()
#> Warning: Missing input scores detected
#> ℹ `comp_prot_score_prot_needs_2_activities`: 12 NA.
#> ℹ `comp_prot_score_prot_needs_2_social`: 5 NA.
#> ✖ 3 rows have both inputs NA; `comp_prot_score_practices` will be NA for these
#> rows.Droits et accès aux services
Ensuite, nous calculons la dernière dimension Droits et accès aux
services. Comme pour les autres dimensions de la Protection, la fonction
add_prot_score_rights() calcule des scores pondérés
distincts pour les obstacles à l’accès aux services essentiels et les
obstacles à l’accès à la justice et aux ressources juridiques. Ceux-ci
sont également combinés pour produire le score de sévérité
comp_prot_score_rights, allant de 1 à 4.
Points clés : Les différents obstacles sont pondérés selon leur sévérité dans le cadre de la Protection. En particulier, les obstacles à l’accès aux soins de santé et aux écoles reçoivent une pondération de 2, tandis que les autres obstacles à l’accès aux services reçoivent généralement une pondération de 1. Pour la justice et les ressources juridiques, la difficulté d’accès aux documents d’identité et d’état civil reçoit une pondération de 2, tandis que les autres obstacles spécifiés reçoivent une pondération de 1. dnk et pnta sont traités comme manquants. La fonction crée trois colonnes : comp_prot_score_prot_needs_1_services, comp_prot_score_prot_needs_1_justice et comp_prot_score_rights.
Variables requises :
- prot_needs_1_services
- prot_needs_1_justice
main_prot <- main_prot |>
add_prot_score_rights()
#> Warning: Missing input scores detected
#> ℹ `comp_prot_score_prot_needs_1_services`: 10 NA.
#> ℹ `comp_prot_score_prot_needs_1_justice`: 35 NA.Composite sectoriel Protection
Enfin, nous calculons le composite Protection global. La fonction
add_comp_prot() prend le score de sévérité maximal parmi
les trois dimensions de la Protection — mouvement, pratiques, et droits
et services — pour générer le score de sévérité global de la Protection
(allant de 1 à 4).
Points clés : Aucun.
Variables requises :
- comp_prot_score_movement
- comp_prot_score_practices
- comp_prot_score_rights
main_prot <- main_prot |>
add_comp_prot()Santé
Le composite sectoriel Santé est fondé sur une seule dimension : les besoins de santé. Il implique de résumer les données du roster vers le jeu de données principal.
Nous calculons d’abord le besoin de soins de santé au niveau
individuel à l’aide de add_loop_healthcare_needed_cat(). La
fonction combine le fait qu’un individu ait eu besoin de soins de santé
avec le fait qu’il les ait reçus, classant chaque individu comme n’ayant
aucun besoin, un besoin satisfait ou un besoin non satisfait. Elle crée
également des indicateurs binaires pour chaque catégorie, qui sont
utilisés dans l’agrégation ultérieure au niveau du ménage.
Points clés : Les individus déclarant avoir eu besoin de soins de santé mais dont les informations sur le fait de les avoir reçus sont dnk, pnta ou manquantes ne peuvent pas être classés comme ayant un besoin satisfait ou non satisfait et se voient donc attribuer NA. La fonction crée également les variables health_ind_healthcare_needed_no, health_ind_healthcare_needed_yes_unmet et health_ind_healthcare_needed_yes_met, qui sont utilisées pour agréger les résultats au niveau individuel vers le niveau du ménage.
Variables requises :
- health_ind_healthcare_needed
- health_ind_healthcare_received
health_ind <- humind_health_ind |>
add_loop_healthcare_needed_cat()Nous utilisons ensuite
add_loop_healthcare_needed_cat_to_main() pour agréger les
indicateurs individuels de besoin de soins de santé au niveau du ménage.
La fonction compte le nombre d’individus dans chaque catégorie au sein
de chaque ménage et rattache ces dénombrements au jeu de données
principal des ménages.
Points clés : id_col_main et
id_col_loop doivent identifier le ménage de manière
cohérente dans les jeux de données principal et individuel. La fonction
produit health_ind_healthcare_needed_no_n,
health_ind_healthcare_needed_yes_unmet_n et
health_ind_healthcare_needed_yes_met_n, représentant le nombre
d’individus dans chaque catégorie par ménage.
Variables requises :
- health_ind_healthcare_needed_no
- health_ind_healthcare_needed_yes_unmet
- health_ind_healthcare_needed_yes_met
- id_col_main
- id_col_loop
main_health <- main_prot |>
add_loop_healthcare_needed_cat_to_main(
loop = health_ind,
id_col_main = id_col_main, id_col_loop = id_col_loop
)Enfin, add_comp_health() calcule le score composite
Santé au niveau du ménage en fonction de la présence de besoins de soins
de santé non satisfaits et satisfaits. Un ménage reçoit un score de 3 si
au moins un individu a un besoin de soins de santé non satisfait, de 2
s’il y a au moins un individu avec un besoin satisfait mais aucun besoin
non satisfait, et de 1 si les individus du ménage ne déclarent aucun
besoin de soins de santé. La fonction génère ensuite les indicateurs
standard in_need et in_severe_need.
Points clés : Aucun.
Variables requises :
- health_ind_healthcare_needed_no_n
- health_ind_healthcare_needed_yes_unmet_n
- health_ind_healthcare_needed_yes_met_n
main_health <- main_health |>
add_comp_health()Éducation
Boucle : préparation
Comme pour la Santé, l’Éducation implique de résumer les informations
du roster individuel (boucle) vers le jeu de données au niveau du ménage
(main). La première étape consiste à préparer le jeu de données
individuel d’éducation en identifiant les enfants d’âge scolaire. La
fonction add_loop_edu_ind_age_corrected() corrige l’âge
individuel en fonction du moment de la collecte des données par rapport
au début de l’année scolaire et crée un indicateur binaire,
edu_ind_age_schooling, identifiant les individus qui appartiennent à la
population d’âge scolaire. Par défaut, la tranche d’âge scolaire est de
5 à 17 ans.
Points clés : La variable start du jeu
de données principal doit être une date au format ISO 8601 (AAAA-MM-JJ).
Par défaut, l’année scolaire est supposée commencer en septembre
(school_year_start_month = 9), et la population d’âge
scolaire est définie comme les 5 à 17 ans
(schooling_start_age = 5, schooling_end_age =
17). Ces paramètres doivent être ajustés si l’évaluation utilise un mois
de début d’année scolaire ou une tranche d’âge différente. Sinon, un
mois de collecte commun peut être spécifié à l’aide du paramètre
month. La fonction génère edu_ind_age_corrected et
edu_ind_age_schooling. La valeur par défaut de la colonne d’âge est
ind_age. L’exemple passe
ind_age = "edu_ind_age" car la boucle Éducation est
autonome. Dans les autres cas, ajustez ce paramètre.
Variables requises :
- id_col_loop (default: uuid)
- id_col_main (default: uuid)
- edu_ind_age
- start
edu_ind <- humind_edu_ind |>
add_loop_edu_ind_age_corrected(
main = main_health,
id_col_loop = id_col_loop, id_col_main = id_col_main,
ind_age = "edu_ind_age"
)Boucle : accès à l’éducation et obstacles
Nous classons ensuite si chaque enfant d’âge scolaire a accès à l’éducation. La fonction crée deux variables binaires : edu_ind_access_d, indiquant l’accès à l’éducation, et edu_ind_no_access_d, indiquant l’absence d’accès à l’éducation. Les individus en dehors de la population d’âge scolaire se voient attribuer NA.
Points clés : Par défaut, yes indique l’accès et no
l’absence d’accès. dnk et pnta sont traités comme manquants (NA) plutôt
que comme une absence d’accès. Cette étape doit être exécutée après
add_loop_edu_ind_age_corrected(), car elle utilise
edu_ind_age_schooling.
Variables requises :
- edu_access
- edu_ind_age_schooling
edu_ind <- edu_ind |>
add_loop_edu_access_d()Points clés : Par défaut, la fonction identifie les codes de réponse suivants comme obstacles de protection :
- protection_at_school
- protection_travel_school
- child_work_home
- child_work_outside
- child_armed_group
- child_marriage
- child_pregnancy
- ban
- enroll_lack_documentation
- discrimination
Si l’enquête utilise des codes de réponse différents, ou si la liste
des problèmes de Protection a été contextualisée, les paramètres
barriers et protection_issues doivent être
ajustés.
Variables requises :
- edu_barrier
- edu_ind_age_schooling
edu_ind <- edu_ind |>
add_loop_edu_barrier_protection_d()Boucle : perturbation de l’éducation
Enfin, nous identifions les perturbations de l’éducation parmi les enfants d’âge scolaire. La fonction crée des indicateurs binaires pour les perturbations dues aux attaques, aux aléas, aux déplacements et à l’absence d’enseignants.
Points clés : Par défaut, les quatre variables de perturbation utilisent yes, no, dnk et pnta comme codes de réponse attendus. yes est codé 1, no 0, tandis que dnk et pnta sont traités comme manquants. La variable d’attaque peut être définie sur NULL si cette dimension n’est pas collectée dans l’enquête. La fonction génère des variables binaires se terminant par « _d », qui sont ensuite agrégées au niveau du ménage afin de calculer le composite sectoriel Éducation.
Variables requises :
- edu_disrupted_attack
- edu_disrupted_hazards
- edu_disrupted_displaced
- edu_disrupted_teacher
- edu_ind_age_schooling
edu_ind <- edu_ind |>
add_loop_edu_disrupted_d()Principal
Avec les nouvelles colonnes ajoutées à la boucle, nous pouvons maintenant résumer les informations vers le main.
Dans un premier temps, nous agrégeons le nombre d’enfants d’âge scolaire dans chaque ménage. La fonction additionne edu_ind_age_schooling pour les individus rattachés au même ménage et crée edu_schooling_age_n. Les ménages sans enfant d’âge scolaire se voient attribuer la valeur 0.
Points clés : id_col_main et
id_col_loop doivent contenir des identifiants de ménage
correspondants dans les jeux de données principal et de boucle. La
fonction utilise la variable individuelle edu_ind_age_schooling générée
dans la section précédente.
Variables requises :
- edu_ind_age_schooling
- id_col_main (default: uuid)
- id_col_loop (default: uuid)
main_edu <- main_health |>
add_loop_edu_ind_schooling_age_d_to_main(
loop = edu_ind, id_col_main = id_col_main, id_col_loop = id_col_loop
)Principal : accès à l’éducation et obstacles
Nous agrégeons ensuite les indicateurs d’accès à l’éducation au niveau du ménage. La fonction compte le nombre d’enfants ayant accès à l’éducation et le nombre d’enfants n’y ayant pas accès, générant edu_access_n et edu_no_access_n.
Points clés : Les deux indicateurs individuels sont
générés par add_loop_edu_access_d(). L’agrégation est
effectuée par ménage à l’aide des colonnes d’identifiant unique
spécifiées, assurez-vous donc qu’elles sont correctement spécifiées.
Variables requises :
- edu_ind_access_d
- edu_ind_no_access_d
- id_col_main (default: uuid)
- id_col_loop (default: uuid)
main_edu <- main_edu |>
add_loop_edu_access_d_to_main(
loop = edu_ind, id_col_main = id_col_main, id_col_loop = id_col_loop
)Ensuite, nous agrégeons le nombre d’enfants d’âge scolaire confrontés à des obstacles de protection de l’enfance au niveau du ménage. La fonction génère edu_barrier_protection_n, représentant le nombre d’enfants d’âge scolaire dans le ménage qui sont confrontés à un obstacle de protection à l’éducation.
Points clés : L’indicateur individuel de protection
doit d’abord être généré à l’aide de
add_loop_edu_barrier_protection_d().
Variables requises :
- edu_ind_barrier_protection_d
- id_col_main (default: uuid)
- id_col_loop (default: uuid)
main_edu <- main_edu |>
add_loop_edu_barrier_protection_d_to_main(
loop = edu_ind, id_col_main = id_col_main, id_col_loop = id_col_loop
)Principal : perturbation de l’éducation
Enfin, nous agrégeons les différents indicateurs de perturbation de l’éducation au niveau du ménage. La fonction compte le nombre d’enfants d’âge scolaire connaissant chaque type de perturbation et génère de nouvelles colonnes : edu_disrupted_attack_n, edu_disrupted_hazards_n, edu_disrupted_displaced_n et edu_disrupted_teacher_n.
Points clés : Les quatre indicateurs de perturbation
utilisés ici sont générés par add_loop_edu_disrupted_d().
La dimension attaque peut être omise en définissant
attack_d = NULL lorsque cet indicateur a été omis.
Variables requises :
- edu_ind_age_schooling
- edu_disrupted_attack_d
- edu_disrupted_hazards_d
- edu_disrupted_displaced_d
- edu_disrupted_teacher_d
- id_col_main (default: uuid)
- id_col_loop (default: uuid)
main_edu <- main_edu |>
add_loop_edu_disrupted_d_to_main(
loop = edu_ind, id_col_main = id_col_main, id_col_loop = id_col_loop
)Composite sectoriel Éducation
Enfin, nous pouvons calculer le composite sectoriel Éducation à
l’aide des dénombrements au niveau du ménage générés ci-dessus.
add_comp_edu() calcule deux scores de composante fondés sur
les deux dimensions du cadre : un score d’éducation perturbée et un
score d’assiduité et d’obstacles. Le composite Éducation global est le
maximum de ces deux scores de composante.
Le score d’éducation perturbée va de 1 à 4. Un ménage sans enfant d’âge scolaire reçoit un score de 1 ; une perturbation due à une attaque donne un score de 4 ; une perturbation due à des aléas ou à un déplacement donne 3 ; et l’absence d’enseignant donne 2.
Le score d’assiduité et d’obstacles est de 1 lorsque tous les enfants d’âge scolaire ont accès, de 3 lorsqu’au moins un enfant d’âge scolaire n’a pas accès, et de 4 lorsqu’au moins un enfant n’a pas accès et est confronté à un obstacle de protection.
Points clés : Les sept variables requises doivent
être numériques. Le comp_edu_score global est calculé comme le maximum
des scores d’éducation perturbée et d’assiduité/obstacles. La fonction
génère ensuite comp_edu_in_need et comp_edu_in_severe_need à l’aide des
seuils de besoin standard de l’MSNI. Ces variables individuelles, puis
au niveau du ménage, doivent donc toutes être générées avant d’exécuter
add_comp_edu().
Variables requises :
- edu_schooling_age_n
- edu_no_access_n
- edu_barrier_protection_n
- edu_disrupted_attack_n
- edu_disrupted_hazards_n
- edu_disrupted_displaced_n
- edu_disrupted_teacher_n
main_edu <- main_edu |>
add_comp_edu()MSNI
Une fois tous les composites sectoriels calculés, nous pouvons
générer l’indice multisectoriel des besoins (MSNI) global à l’aide de
add_msni(). La fonction combine les scores des composites
sectoriels et calcule le score de sévérité MSNI global ainsi que les
indicateurs de besoin associés. Le jeu de données msni_output obtenu
peut ensuite être utilisé pour les analyses et rapports ultérieurs.
Points clés : Les six scores de composite sectoriel sont utilisés pour calculer le msni_score global, qui est le score composite sectoriel maximal. Les scores de composite sectoriel sont censés aller de 1 à 5. Les variables correspondantes « _in_need » et « _in_severe_need » sont utilisées pour calculer le nombre et le profil des besoins sectoriels.
Le secteur Santé est inclus dans le score MSNI global et dans le
calcul du nombre et du profil des besoins sectoriels, mais
comp_health_in_severe_need n’est pas une entrée de la fonction
add_msni() actuelle, car la sévérité maximale pour la Santé
est de 3. Par conséquent, la Santé n’est pas incluse dans
sector_in_severe_need_n ni dans sector_severe_needs_profile dans
l’implémentation actuelle.
La fonction peut prendre en charge des variables de composite sectoriel manquantes : si certains scores ou indicateurs sectoriels sont absents, elle émet un avertissement et calcule les sorties pertinentes à l’aide des secteurs disponibles. Veillez à le signaler dans toute sortie, car les dimensions et secteurs manquants entraîneront une sous-estimation des besoins, en raison de l’approche du maximum utilisée dans le calcul du MSNI global.
La fonction génère les sept principales colonnes de sortie suivantes qui caractérisent le profil de besoins de chaque ménage :
- msni_score.
- msni_in_need.
- msni_in_severe_need.
- sector_in_need_n.
- sector_in_severe_need_n.
- sector_needs_profile.
- sector_severe_needs_profile.
Variables requises :
- comp_edu_score
- comp_foodsec_score
- comp_health_score
- comp_prot_score
- comp_snfi_score
- comp_wash_score
- comp_foodsec_in_need
- comp_snfi_in_need
- comp_wash_in_need
- comp_prot_in_need
- comp_health_in_need
- comp_edu_in_need
- comp_foodsec_in_severe_need
- comp_snfi_in_severe_need
- comp_wash_in_severe_need
- comp_prot_in_severe_need
- comp_edu_in_severe_need
msni_output <- add_msni(main_edu)
msni_output |> head()
#> _uuid start fsl_fcs_cereal fsl_fcs_legumes fsl_fcs_veg fsl_fcs_fruit
#> 1 hh_00001 2026-06-01 NA NA NA NA
#> 2 hh_00002 2026-06-01 5 3 2 6
#> 3 hh_00003 2026-06-01 3 3 3 3
#> 4 hh_00004 2026-06-01 5 3 0 5
#> 5 hh_00005 2026-06-01 5 7 5 4
#> 6 hh_00006 2026-06-01 5 3 0 0
#> fsl_fcs_meat fsl_fcs_dairy fsl_fcs_sugar fsl_fcs_oil fsl_hhs_nofoodhh
#> 1 NA NA NA NA <NA>
#> 2 5 4 3 3 yes
#> 3 3 3 3 3 no
#> 4 5 7 7 5 yes
#> 5 7 7 7 7 no
#> 6 5 7 7 5 yes
#> fsl_hhs_nofoodhh_freq fsl_hhs_sleephungry fsl_hhs_sleephungry_freq
#> 1 <NA> <NA> <NA>
#> 2 sometimes yes sometimes
#> 3 <NA> no <NA>
#> 4 rarely yes sometimes
#> 5 <NA> no <NA>
#> 6 rarely yes sometimes
#> fsl_hhs_alldaynight fsl_hhs_alldaynight_freq fsl_rcsi_lessquality
#> 1 <NA> <NA> NA
#> 2 yes rarely 2
#> 3 no <NA> 3
#> 4 no <NA> 3
#> 5 no <NA> 0
#> 6 no <NA> 3
#> fsl_rcsi_borrow fsl_rcsi_mealsize fsl_rcsi_mealadult fsl_rcsi_mealnb
#> 1 NA NA NA NA
#> 2 5 2 1 1
#> 3 3 3 3 3
#> 4 2 1 0 0
#> 5 0 0 0 0
#> 6 2 1 0 0
#> fsl_lcsi_stress1_host fsl_lcsi_stress1_camp fsl_lcsi_stress2_host
#> 1 <NA> <NA> <NA>
#> 2 <NA> no_exhausted <NA>
#> 3 yes <NA> yes
#> 4 no_exhausted <NA> no_exhausted
#> 5 no_exhausted <NA> no_exhausted
#> 6 no_exhausted <NA> no_exhausted
#> fsl_lcsi_stress2_camp fsl_lcsi_stress3 fsl_lcsi_stress4 fsl_lcsi_crisis1
#> 1 <NA> <NA> <NA> <NA>
#> 2 yes no_had_no_need no_had_no_need no_had_no_need
#> 3 <NA> no_had_no_need no_exhausted no_exhausted
#> 4 <NA> yes no_exhausted no_exhausted
#> 5 <NA> no_exhausted no_had_no_need no_exhausted
#> 6 <NA> yes no_exhausted no_had_no_need
#> fsl_lcsi_crisis2 fsl_lcsi_crisis3 fsl_lcsi_emergency1
#> 1 <NA> <NA> <NA>
#> 2 no_had_no_need no_had_no_need yes
#> 3 no_exhausted no_exhausted no_exhausted
#> 4 no_exhausted yes not_applicable
#> 5 no_had_no_need no_had_no_need no_had_no_need
#> 6 no_exhausted yes yes
#> fsl_lcsi_emergency2_host fsl_lcsi_emergency2_camp fsl_lcsi_emergency3_host
#> 1 <NA> <NA> <NA>
#> 2 <NA> no_had_no_need <NA>
#> 3 no_exhausted <NA> no_exhausted
#> 4 no_exhausted <NA> no_had_no_need
#> 5 no_had_no_need <NA> no_had_no_need
#> 6 not_applicable <NA> no_had_no_need
#> fsl_lcsi_emergency3_camp wash_hwise_drink wash_hwise_hands wash_hwise_plans
#> 1 <NA> <NA> <NA> <NA>
#> 2 no_had_no_need sometimes sometimes rarely
#> 3 <NA> sometimes sometimes sometimes
#> 4 <NA> rarely sometimes sometimes
#> 5 <NA> never never never
#> 6 <NA> often sometimes sometimes
#> wash_hwise_worry hwise4_score comp_wash_score_water_quantity
#> 1 <NA> NA NA
#> 2 often 8 3
#> 3 sometimes 8 3
#> 4 sometimes 7 3
#> 5 never 0 1
#> 6 sometimes 9 4
#> wash_drinking_water_source wash_drinking_water_time_yn
#> 1 <NA> <NA>
#> 2 piped_compound <NA>
#> 3 tap number_minutes
#> 4 piped_dwelling <NA>
#> 5 piped_compound <NA>
#> 6 piped_dwelling <NA>
#> wash_drinking_water_time_int wash_drinking_water_time_sl
#> 1 NA <NA>
#> 2 NA <NA>
#> 3 3 <NA>
#> 4 NA <NA>
#> 5 NA <NA>
#> 6 NA <NA>
#> wash_sanitation_facility wash_sanitation_facility_sharing_yn
#> 1 <NA> <NA>
#> 2 flush_pit_latrine yes
#> 3 flush_pit_latrine dnk
#> 4 bucket no
#> 5 flush_septic_tank no
#> 6 flush_open_drain yes
#> wash_sanitation_facility_sharing_n hh_size setting
#> 1 NA NA <NA>
#> 2 12 6 camp_formal
#> 3 NA 3 rural
#> 4 NA 4 rural
#> 5 NA 7 rural
#> 6 2 4 rural
#> wash_handwashing_facility wash_handwashing_facility_observed_water_yn
#> 1 <NA> <NA>
#> 2 available_mobile water_not_available
#> 3 available_mobile water_not_available
#> 4 none <NA>
#> 5 available_fixed_in_plot water_available
#> 6 no_permission <NA>
#> wash_handwashing_facility_reported
#> 1 <NA>
#> 2 <NA>
#> 3 <NA>
#> 4 <NA>
#> 5 <NA>
#> 6 fixed_yard
#> wash_handwashing_facility_water_reported_yn wash_soap_observed_yn
#> 1 <NA> <NA>
#> 2 <NA> soap_available
#> 3 <NA> soap_not_available
#> 4 <NA> <NA>
#> 5 <NA> soap_available
#> 6 no <NA>
#> wash_soap_observed_type wash_soap_reported_yn wash_soap_reported_type
#> 1 <NA> <NA> <NA>
#> 2 detergent <NA> <NA>
#> 3 <NA> <NA> <NA>
#> 4 <NA> <NA> <NA>
#> 5 detergent <NA> <NA>
#> 6 <NA> no <NA>
#> snfi_shelter_type snfi_shelter_type_individual snfi_shelter_issue
#> 1 <NA> <NA> <NA>
#> 2 individual_shelter apartment lack_privacy lack_space
#> 3 individual_shelter unfinished_building lack_privacy
#> 4 individual_shelter house lack_space
#> 5 individual_shelter apartment none
#> 6 individual_shelter makeshift lack_space temperature
#> snfi_shelter_issue/none snfi_shelter_issue/lack_privacy
#> 1 NA NA
#> 2 0 1
#> 3 0 1
#> 4 0 0
#> 5 1 0
#> 6 0 0
#> snfi_shelter_issue/lack_space snfi_shelter_issue/temperature
#> 1 NA NA
#> 2 1 0
#> 3 0 0
#> 4 1 0
#> 5 0 0
#> 6 1 1
#> snfi_shelter_issue/ventilation snfi_shelter_issue/vectors
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> snfi_shelter_issue/no_natural_light snfi_shelter_issue/leak
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> snfi_shelter_issue/lock snfi_shelter_issue/lack_lighting
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> snfi_shelter_issue/difficulty_move snfi_shelter_issue/lack_space_laundry
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> snfi_shelter_issue/other snfi_shelter_issue/dnk snfi_shelter_issue/pnta
#> 1 NA NA NA
#> 2 0 0 0
#> 3 0 0 0
#> 4 0 0 0
#> 5 0 0 0
#> 6 0 0 0
#> snfi_shelter_damage/none snfi_shelter_damage/minor_roof
#> 1 NA NA
#> 2 0 1
#> 3 0 0
#> 4 1 0
#> 5 1 0
#> 6 0 1
#> snfi_shelter_damage/major_roof snfi_shelter_damage/windows_doors
#> 1 NA NA
#> 2 1 0
#> 3 1 0
#> 4 0 0
#> 5 0 0
#> 6 1 0
#> snfi_shelter_damage/floors snfi_shelter_damage/walls
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 1 0
#> snfi_shelter_damage/total_collapse snfi_shelter_damage/other
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> snfi_shelter_damage/dnk snfi_shelter_damage/pnta snfi_fds_cooking
#> 1 NA NA <NA>
#> 2 0 0 yes
#> 3 0 0 no_no_need
#> 4 0 0 no
#> 5 0 0 no
#> 6 0 0 no
#> snfi_fds_sleeping snfi_fds_storing energy_lighting_source hlp_occupancy
#> 1 <NA> <NA> <NA> <NA>
#> 2 yes yes rechargeable_flashlight hosted_free
#> 3 undefined no rechargeable_flashlight rented
#> 4 no no electricity ownership
#> 5 yes yes electricity ownership
#> 6 no no none ownership
#> hlp_risk_eviction prot_needs_3_movement/no_changes_feel_unsafe
#> 1 <NA> NA
#> 2 no 0
#> 3 no 0
#> 4 no 1
#> 5 no 0
#> 6 yes 0
#> prot_needs_3_movement/no_safety_concerns
#> 1 NA
#> 2 0
#> 3 0
#> 4 0
#> 5 1
#> 6 1
#> prot_needs_3_movement/women_girls_avoid_places
#> 1 NA
#> 2 1
#> 3 1
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_3_movement/men_avoid_places
#> 1 NA
#> 2 0
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_3_movement/boys_avoid_places
#> 1 NA
#> 2 1
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_3_movement/women_girls_avoid_night
#> 1 NA
#> 2 1
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_3_movement/men_avoid_night prot_needs_3_movement/boys_avoid_night
#> 1 NA NA
#> 2 0 1
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> prot_needs_3_movement/girls_boys_avoid_school
#> 1 NA
#> 2 0
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_3_movement/different_routes prot_needs_3_movement/avoid_markets
#> 1 NA NA
#> 2 1 1
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> prot_needs_3_movement/avoid_public_offices prot_needs_3_movement/avoid_fields
#> 1 NA NA
#> 2 1 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> prot_needs_3_movement/women_girls_boys_avoid_firewood
#> 1 NA
#> 2 1
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_3_movement/women_girls_boys_avoid_places
#> 1 NA
#> 2 0
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_3_movement/other_safety_measures prot_needs_3_movement/dnk
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> prot_needs_3_movement/pnta comp_prot_score_prot_needs_3
#> 1 NA 0
#> 2 0 15
#> 3 0 2
#> 4 0 1
#> 5 0 0
#> 6 0 0
#> comp_prot_score_movement prot_needs_2_activities/yes_work
#> 1 1 NA
#> 2 4 1
#> 3 3 0
#> 4 2 1
#> 5 1 0
#> 6 1 0
#> prot_needs_2_activities/yes_livelihood prot_needs_2_activities/yes_safety
#> 1 NA NA
#> 2 1 0
#> 3 1 0
#> 4 1 1
#> 5 0 0
#> 6 0 0
#> prot_needs_2_activities/yes_farm prot_needs_2_activities/yes_water
#> 1 NA NA
#> 2 1 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 1 0
#> prot_needs_2_activities/yes_other_activities
#> 1 NA
#> 2 0
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_2_activities/yes_free_choices prot_needs_2_activities/no
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 1
#> 6 0 0
#> prot_needs_2_activities/dnk prot_needs_2_activities/pnta
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> prot_needs_2_social/yes_visiting_family
#> 1 NA
#> 2 1
#> 3 0
#> 4 1
#> 5 0
#> 6 0
#> prot_needs_2_social/yes_visiting_friends
#> 1 NA
#> 2 0
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_2_social/yes_community_events
#> 1 NA
#> 2 1
#> 3 1
#> 4 1
#> 5 0
#> 6 0
#> prot_needs_2_social/yes_joining_groups prot_needs_2_social/yes_other_social
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> prot_needs_2_social/yes_child_recreation
#> 1 NA
#> 2 0
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_2_social/yes_decision_making prot_needs_2_social/no
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 1
#> 6 0 1
#> prot_needs_2_social/dnk prot_needs_2_social/pnta
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> comp_prot_score_prot_needs_2_activities comp_prot_score_prot_needs_2_social
#> 1 0 0
#> 2 3 2
#> 3 1 1
#> 4 3 2
#> 5 0 0
#> 6 1 0
#> comp_prot_score_practices prot_needs_1_services/yes_healthcare
#> 1 1 NA
#> 2 4 1
#> 3 3 0
#> 4 4 1
#> 5 1 0
#> 6 2 0
#> prot_needs_1_services/yes_schools
#> 1 NA
#> 2 1
#> 3 1
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_1_services/yes_therapeutic_services
#> 1 NA
#> 2 1
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_1_services/yes_edu_facilities
#> 1 NA
#> 2 1
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_1_services/yes_social_services
#> 1 NA
#> 2 1
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_1_services/yes_gov_services
#> 1 NA
#> 2 1
#> 3 0
#> 4 0
#> 5 0
#> 6 1
#> prot_needs_1_services/yes_other_services prot_needs_1_services/none
#> 1 NA NA
#> 2 1 0
#> 3 0 0
#> 4 0 0
#> 5 0 1
#> 6 0 0
#> prot_needs_1_services/dnk prot_needs_1_services/pnta
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> prot_needs_1_justice/yes_identity_documents
#> 1 NA
#> 2 1
#> 3 0
#> 4 1
#> 5 0
#> 6 0
#> prot_needs_1_justice/yes_counselling_legal
#> 1 NA
#> 2 0
#> 3 1
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_1_justice/yes_property_docs prot_needs_1_justice/yes_gov_services
#> 1 NA NA
#> 2 1 0
#> 3 0 0
#> 4 0 1
#> 5 0 0
#> 6 0 0
#> prot_needs_1_justice/yes_birth_certificates
#> 1 NA
#> 2 1
#> 3 0
#> 4 0
#> 5 0
#> 6 0
#> prot_needs_1_justice/yes_other_services prot_needs_1_justice/no
#> 1 NA NA
#> 2 1 0
#> 3 0 0
#> 4 0 0
#> 5 0 1
#> 6 0 0
#> prot_needs_1_justice/dnk prot_needs_1_justice/pnta
#> 1 NA NA
#> 2 0 0
#> 3 0 0
#> 4 0 0
#> 5 0 0
#> 6 0 0
#> comp_prot_score_prot_needs_1_services comp_prot_score_prot_needs_1_justice
#> 1 0 0
#> 2 9 4
#> 3 2 1
#> 4 2 3
#> 5 0 0
#> 6 1 0
#> comp_prot_score_rights admin1 fsl_lcsi_stress1 fsl_lcsi_stress2
#> 1 1 zone_02 <NA> <NA>
#> 2 4 zone_05 no_exhausted yes
#> 3 3 zone_01 yes yes
#> 4 4 zone_02 no_exhausted no_exhausted
#> 5 1 zone_02 no_exhausted no_exhausted
#> 6 2 zone_02 no_exhausted no_exhausted
#> fsl_lcsi_emergency2 fsl_lcsi_emergency3 fsl_lcsi_stress_yes
#> 1 <NA> <NA> <NA>
#> 2 no_had_no_need no_had_no_need 1
#> 3 no_exhausted no_exhausted 1
#> 4 no_exhausted no_had_no_need 1
#> 5 no_had_no_need no_had_no_need 0
#> 6 not_applicable no_had_no_need 1
#> fsl_lcsi_stress_exhaust fsl_lcsi_stress fsl_lcsi_crisis_yes
#> 1 <NA> <NA> <NA>
#> 2 1 1 0
#> 3 1 1 0
#> 4 1 1 1
#> 5 1 1 0
#> 6 1 1 1
#> fsl_lcsi_crisis_exhaust fsl_lcsi_crisis fsl_lcsi_emergency_yes
#> 1 <NA> <NA> <NA>
#> 2 0 0 1
#> 3 1 1 0
#> 4 1 1 0
#> 5 1 1 0
#> 6 1 1 1
#> fsl_lcsi_emergency_exhaust fsl_lcsi_emergency fsl_lcsi_cat_yes
#> 1 <NA> <NA> <NA>
#> 2 0 1 Emergency
#> 3 1 1 Stress
#> 4 1 1 Crisis
#> 5 0 0 None
#> 6 0 1 Emergency
#> fsl_lcsi_cat_exhaust fsl_lcsi_cat fcs_weight_cereal1 fcs_weight_legume2
#> 1 <NA> <NA> NA NA
#> 2 Stress Emergency 10 9
#> 3 Emergency Emergency 6 9
#> 4 Emergency Emergency 10 9
#> 5 Crisis Crisis 10 21
#> 6 Crisis Emergency 10 9
#> fcs_weight_dairy3 fcs_weight_meat4 fcs_weight_veg5 fcs_weight_fruit6
#> 1 NA NA NA NA
#> 2 16 20 2 6
#> 3 12 12 3 3
#> 4 28 20 0 5
#> 5 28 28 5 4
#> 6 28 20 0 0
#> fcs_weight_oil7 fcs_weight_sugar8 fsl_fcs_score fsl_fcs_cat
#> 1 NA NA NA <NA>
#> 2 1.5 1.5 66 Acceptable
#> 3 1.5 1.5 48 Acceptable
#> 4 2.5 3.5 78 Acceptable
#> 5 3.5 3.5 103 Acceptable
#> 6 2.5 3.5 73 Acceptable
#> fsl_hhs_nofoodhh_recoded fsl_hhs_nofoodhh_freq_recoded
#> 1 NA NA
#> 2 1 1
#> 3 0 0
#> 4 1 1
#> 5 0 0
#> 6 1 1
#> fsl_hhs_sleephungry_recoded fsl_hhs_sleephungry_freq_recoded
#> 1 NA NA
#> 2 1 1
#> 3 0 0
#> 4 1 1
#> 5 0 0
#> 6 1 1
#> fsl_hhs_alldaynight_recoded fsl_hhs_alldaynight_freq_recoded fsl_hhs_comp1
#> 1 NA NA NA
#> 2 1 1 1
#> 3 0 0 0
#> 4 0 0 1
#> 5 0 0 0
#> 6 0 0 1
#> fsl_hhs_comp2 fsl_hhs_comp3 fsl_hhs_score fsl_hhs_cat_ipc fsl_hhs_cat
#> 1 NA NA NA <NA> <NA>
#> 2 1 1 3 Moderate Moderate
#> 3 0 0 0 None Little to No
#> 4 1 0 2 Moderate Moderate
#> 5 0 0 0 None Little to No
#> 6 1 0 2 Moderate Moderate
#> rcsi_lessquality_weighted rcsi_borrow_weighted rcsi_mealsize_weighted
#> 1 NA NA NA
#> 2 2 10 2
#> 3 3 6 3
#> 4 3 4 1
#> 5 0 0 0
#> 6 3 4 1
#> rcsi_mealadult_weighted rcsi_mealnb_weighted fsl_rcsi_score fsl_rcsi_cat
#> 1 NA NA NA <NA>
#> 2 3 1 18 Medium
#> 3 9 3 24 High
#> 4 0 0 8 Medium
#> 5 0 0 0 No to Low
#> 6 0 0 8 Medium
#> fsl_fc_cell fsl_fc_phase fclcm_phase comp_foodsec_score comp_foodsec_in_need
#> 1 NA <NA> <NA> NA NA
#> 2 18 Phase 2 FC Phase 3 FCLC 3 1
#> 3 31 Phase 2 FC Phase 3 FCLC 3 1
#> 4 18 Phase 2 FC Phase 3 FCLC 3 1
#> 5 1 Phase 1 FC Phase 2 FCLC 2 0
#> 6 18 Phase 2 FC Phase 3 FCLC 3 1
#> comp_foodsec_in_severe_need wash_drinking_water_source_cat
#> 1 NA <NA>
#> 2 0 improved
#> 3 0 improved
#> 4 0 improved
#> 5 0 improved
#> 6 0 improved
#> wash_drinking_water_time_cat wash_drinking_water_time_30min_cat
#> 1 <NA> <NA>
#> 2 <NA> <NA>
#> 3 under_30_min under_30min
#> 4 premises premises
#> 5 <NA> <NA>
#> 6 premises premises
#> wash_drinking_water_quality_jmp_cat wash_sanitation_facility_cat
#> 1 <NA> <NA>
#> 2 <NA> improved
#> 3 basic improved
#> 4 basic unimproved
#> 5 <NA> improved
#> 6 basic unimproved
#> wash_sharing_sanitation_facility_cat weight
#> 1 <NA> 1
#> 2 shared 1
#> 3 undefined 1
#> 4 not_shared 1
#> 5 not_shared 1
#> 6 shared 1
#> wash_sanitation_facility_sharing_n_calc
#> 1 NA
#> 2 67.798964
#> 3 NA
#> 4 NA
#> 5 NA
#> 6 9.618088
#> wash_sharing_sanitation_facility_n_ind wash_sanitation_facility_jmp_cat
#> 1 <NA> <NA>
#> 2 50_and_above limited
#> 3 <NA> undefined
#> 4 <NA> unimproved
#> 5 <NA> basic
#> 6 19_and_below unimproved
#> survey_modality wash_handwashing_facility_jmp_cat
#> 1 in_person <NA>
#> 2 in_person limited
#> 3 in_person limited
#> 4 in_person no_facility
#> 5 in_person basic
#> 6 in_person limited
#> comp_wash_score_water_quality comp_wash_score_sanitation
#> 1 NA NA
#> 2 NA 4
#> 3 1 NA
#> 4 1 2
#> 5 NA 1
#> 6 1 2
#> comp_wash_score_hygiene comp_wash_score comp_wash_in_need
#> 1 NA NA NA
#> 2 2 4 1
#> 3 2 3 1
#> 4 2 3 1
#> 5 1 1 0
#> 6 2 4 1
#> comp_wash_in_severe_need snfi_shelter_type_cat snfi_shelter_issue_n
#> 1 NA <NA> 0
#> 2 1 adequate 2
#> 3 0 inadequate 1
#> 4 0 adequate 1
#> 5 0 adequate 0
#> 6 1 inadequate 2
#> snfi_shelter_issue_cat snfi_shelter_damage_cat snfi_fds_cooking_d
#> 1 none <NA> NA
#> 2 1_to_3 part 0
#> 3 1_to_3 part 0
#> 4 1_to_3 none 1
#> 5 none none 1
#> 6 1_to_3 part 1
#> snfi_fds_sleeping_d snfi_fds_storing_d energy_lighting_source_d
#> 1 NA NA NA
#> 2 0 0 0
#> 3 NA 1 0
#> 4 1 1 0
#> 5 0 0 0
#> 6 1 1 1
#> snfi_fds_cannot_n snfi_fds_cannot_cat hlp_occupancy_cat hlp_eviction_cat
#> 1 NA <NA> <NA> <NA>
#> 2 0 none medium_risk low_risk
#> 3 NA <NA> medium_risk low_risk
#> 4 3 2_to_3_tasks low_risk low_risk
#> 5 1 1_task low_risk low_risk
#> 6 4 4_tasks low_risk high_risk
#> hlp_tenure_security comp_snfi_score_shelter_type_cat
#> 1 <NA> NA
#> 2 medium_risk 1
#> 3 medium_risk 3
#> 4 low_risk 1
#> 5 low_risk 1
#> 6 high_risk 3
#> comp_snfi_score_shelter_issue_cat comp_snfi_score_tenure_security_cat
#> 1 1 NA
#> 2 2 2
#> 3 2 2
#> 4 2 1
#> 5 1 1
#> 6 2 3
#> comp_snfi_score_fds_cannot_cat comp_snfi_score_shelter_damage_cat
#> 1 NA NA
#> 2 1 4
#> 3 NA 4
#> 4 3 1
#> 5 2 1
#> 6 4 4
#> comp_snfi_score comp_snfi_in_need comp_snfi_in_severe_need comp_prot_score
#> 1 1 0 0 1
#> 2 4 1 1 4
#> 3 4 1 1 3
#> 4 3 1 0 4
#> 5 2 0 0 1
#> 6 4 1 1 2
#> comp_prot_in_need comp_prot_in_severe_need health_ind_healthcare_needed_no_n
#> 1 0 0 NA
#> 2 1 1 1
#> 3 1 0 2
#> 4 1 1 0
#> 5 0 0 5
#> 6 0 0 2
#> health_ind_healthcare_needed_yes_unmet_n
#> 1 NA
#> 2 0
#> 3 0
#> 4 1
#> 5 0
#> 6 2
#> health_ind_healthcare_needed_yes_met_n comp_health_score comp_health_in_need
#> 1 NA NA NA
#> 2 4 2 0
#> 3 0 1 0
#> 4 3 3 1
#> 5 1 2 0
#> 6 0 3 1
#> comp_health_in_severe_need edu_schooling_age_n edu_access_n edu_no_access_n
#> 1 NA 0 NA NA
#> 2 0 2 2 0
#> 3 0 0 NA NA
#> 4 0 0 NA NA
#> 5 0 2 2 0
#> 6 0 1 1 0
#> edu_barrier_protection_n edu_disrupted_hazards_n edu_disrupted_displaced_n
#> 1 NA NA NA
#> 2 0 2 1
#> 3 NA NA NA
#> 4 NA NA NA
#> 5 0 0 0
#> 6 0 1 1
#> edu_disrupted_teacher_n edu_disrupted_attack_n comp_edu_score_disrupted
#> 1 NA NA 1
#> 2 2 0 3
#> 3 NA NA 1
#> 4 NA NA 1
#> 5 0 0 1
#> 6 1 0 3
#> comp_edu_score_attendance comp_edu_score comp_edu_in_need
#> 1 1 1 0
#> 2 1 3 1
#> 3 1 1 0
#> 4 1 1 0
#> 5 1 1 0
#> 6 1 3 1
#> comp_edu_in_severe_need msni_score msni_in_need msni_in_severe_need
#> 1 0 1 0 0
#> 2 0 4 1 1
#> 3 0 4 1 1
#> 4 0 4 1 1
#> 5 0 2 0 0
#> 6 0 4 1 1
#> sector_in_need_n sector_in_severe_need_n
#> 1 NA NA
#> 2 5 3
#> 3 4 1
#> 4 5 1
#> 5 NA NA
#> 6 5 2
#> sector_needs_profile
#> 1 <NA>
#> 2 Food security - SNFI - WASH - Protection - Education
#> 3 Food security - SNFI - WASH - Protection
#> 4 Food security - SNFI - WASH - Protection - Health
#> 5 <NA>
#> 6 Food security - SNFI - WASH - Health - Education
#> sector_severe_needs_profile
#> 1 <NA>
#> 2 SNFI - WASH - Protection
#> 3 SNFI
#> 4 Protection
#> 5 <NA>
#> 6 SNFI - WASH