Nous voulons construire une base de données représentative de la population française au niveau le plus micro qui soit en utilisant uniquement les statistiques agrégées disponibles librement.
Cette démarche permettra à chacun d'utiliser la base et de l'enrichir sans pour autant avoir accès à des données personnelles ou couvertes par un secret légal.
Nous ferons le plus possible en sorte que le code soit réutilisable pour simuler des populations d'autres pays ou d'autres types (entreprises, clients, etc.) mais dans un premier temps, nous concentrerons sur la reproductionn de la population française.
## Calage
Usuellement, on cherche à produire des statistiques à partir d'un échantillon représentatif de la population. Pour que l'échantillon corresponde au mieux à la population, on recale les pondérations.
Une première idée est de simuler assez grossièrement un éventail de situations et par simple jeu de calage arriver assez proche de la population mère.
On peut aussi, comme ici, choisir une approche très différente. Comme l'on a dès le début toutes les informations nécessaires au niveau agrégé et que nous n'en avons pas d'autres contenues dans un échantillon qu'il s'agirait d'étendre, on peut essayer de générer tout de suite des individus ayant des caractéristiques tirées de distributions statistiques cohérentes.
Quelle que soit la méthode retenue, nous avons besoin de savoir si l'échantillon réel ou généré est compatible avec les distributions que nous connaissons.
Si l'on considère que la population ne respecte pas telle ou telle caractéristiques, il faut normalement simplement ajouter cette caractéristique dans la liste des choses à respecter lors de la génération. Grâce à ce procédé itératif, nous aurons normalement une base de plus en plus proche de la réalité.
git clone https://github.com/edarin/population_simulator.git
puis pip install --editable .