Note de production de la table INDIVIDU_S de l’EDP-Santé #

Cette note présente les principaux choix méthodologiques retenus pour construire la table INDIVIDU_S, table centrale de l’EDP-Santé. Elle vise à permettre aux utilisateurs de comprendre ce que contient la table, comment elle a été assemblée à partir des sources, ce qui distingue les deux productions successives de l’EDP-Santé, et comment utiliser correctement ses pondérations. Elle est complétée par le dictionnaire des variables.

1. Qu’est-ce que la table INDIVIDU_S ? #

L’EDP-Santé résulte de l’appariement entre l’Échantillon Démographique Permanent (EDP) de l’Insee, qui suit environ 4 % de la population résidant en France, et le Système National des Données de Santé (SNDS). La table INDIVIDU_S rassemble en une seule table, pour chaque individu de l’échantillon, ses caractéristiques sociodémographiques et socio-économiques issues des différentes composantes de l’EDP.

Il s’agit d’une table individus × années : chaque individu y dispose d’une ligne par année d’observation, entre sa naissance et son décès, sur la période couverte par le millésime. Cette structure « longue » facilite les études longitudinales et les croisements avec les données de santé du SNDS, elles-mêmes annuelles.

Deux productions de l’EDP-Santé se sont succédé. La première, réalisée à partir du millésime EDP 2017, couvre les années 2008 à 2017. La seconde, réalisée à partir du millésime EDP 2020, étend la période couverte jusqu’en 2020 : la table porte sur les années 2008 à 2020, avec des données de recensement mobilisées depuis 2004 et des données fiscales depuis 2011. Les choix méthodologiques structurants — table individus × années, jointure roulante, calage des pondérations — sont identiques entre les deux productions ; la principale évolution concerne la nature des identifiants fournis par la Cnam et la manière dont la réécriture des identifiants a été réalisée (section 2).

Les variables sont organisées en blocs identifiés par leur préfixe, qui renvoie à la source d’origine :

Le suffixe _S signale les variables construites ou retraitées spécifiquement pour l’EDP-Santé (par exemple AGE_S, EAR_REG_S, POIDS_FIDELI_S), par opposition aux variables reprises telles quelles des sources.

Ce que la table ne couvre pas. INDIVIDU_S ne restitue que la période 2008 et suivantes : les recensements antérieurs présents dans l’EDP (recensements généraux de 1968 à 1999, recensement de Mayotte de 2012) et, plus généralement, les informations sociodémographiques antérieures à 2008 sont laissés de côté. Seule exception, les bulletins des enquêtes annuelles de recensement 2004 à 2007 peuvent servir de source d’extrapolation pour les premières années de la table (via la jointure roulante, section 4), sans que la table comporte de lignes avant 2008. Par ailleurs, les volets professionnels de l’EDP — le panel d’actifs (PANACT) et le panel des non-salariés (PANNOSAL) — ne sont pas mobilisés dans INDIVIDU_S. Les utilisateurs souhaitant exploiter ces sources doivent se tourner vers les tables correspondantes de l’EDP.

2. Identifiants et appariement : ce qui change entre les deux productions #

L’appariement entre l’EDP et le SNDS repose sur des identifiants pseudonymisés dérivés du NIR, qui ne doivent pas circuler dans les tables mobilisées par les utilisateurs (chercheurs extérieurs à la DREES via le CASD ou utilisateurs au sein de la DREES). Dans les deux productions, l’ensemble des tables de l’EDP et du SNDS est donc réécrit avec un identifiant d’étude unique, ID : un numéro aléatoire non signifiant qui remplace partout les identifiants d’origine et constitue la clé de jointure entre toutes les tables de l’EDP-Santé. La manière de construire la table de correspondance qui rend cette réécriture possible a en revanche profondément changé entre les deux productions.

Production 2017. La livraison de la Cnam ne comportait pas de table de correspondance dédiée couvrant l’ensemble de l’appariement. Le lien entre l’identifiant EDP et les identifiants pseudonymisés du SNDS était reconstitué à partir du référentiel des bénéficiaires (IR_BEN_R), qui portait l’identifiant EDP. Cette voie présentait deux limites. D’une part, le référentiel des bénéficiaires n’est pas exhaustif au regard du reste du SNDS : certains bénéficiaires apparaissent dans les tables de consommation ou dans d’autres référentiels sans disposer d’une ligne dans IR_BEN_R, et échappaient donc à la table de correspondance. D’autre part, les identifiants des jumeaux nés le même jour, livrés juxtaposés au sein d’un même champ, ne pouvaient pas toujours être séparés : environ trois cents individus jumeaux avaient dû être écartés de l’appariement.

Production 2020. La Cnam fournit désormais une table de correspondance dédiée, couvrant l’ensemble de la livraison, qui associe à chaque identifiant pseudonymisé du SNDS un identifiant de projet (ID_PROJ). C’est cette table, et non plus le référentiel des bénéficiaires, qui sert de socle à la réécriture, ce qui garantit une couverture exhaustive de la livraison — y compris pour les bénéficiaires présents dans le SNDS sans ligne au référentiel. La table de correspondance présente en outre un intérêt méthodologique : la liste de ses identifiants de projet délimite le champ théorique de l’EDP (l’ensemble des personnes nées un jour EDP identifiées au RNIPP, soit environ 4,9 millions de personnes), ce qui permet de mesurer précisément le recouvrement entre ce champ théorique, les personnes effectivement présentes dans les bases sources de l’EDP (environ 3,9 millions) et celles retrouvées dans le SNDS, et donc d’objectiver la qualité de l’appariement.

La réécriture proprement dite s’opère en trois temps. Les identifiants juxtaposés des jumeaux sont d’abord déjuxtaposés à l’aide d’une table complémentaire fournie par la Cnam à la demande de l’équipe : la quasi-totalité des jumeaux est désormais correctement individualisée, seule une dizaine d’individus restant inséparables (contre environ trois cents dans la production précédente). Le rang gémellaire, nécessaire pour distinguer dans le SNDS deux jumeaux partageant le même identifiant pseudonymisé, est ensuite rapatrié depuis le référentiel des bénéficiaires, puis complété en parcourant les autres référentiels et tables du SNDS, avec des règles prudentes excluant tout risque de confusion entre jumeaux. Enfin, un identifiant d’étude ID aléatoire non signifiant est produit à partir de l’union des identifiants issus de la table de correspondance et de la table individu de l’EDP, puis substitué aux identifiants d’origine dans l’ensemble des tables de l’EDP et du SNDS : aucune table diffusée ne conserve d’identifiant issu des systèmes sources.

3. Des sources qui n’observent pas les individus chaque année #

Aucune des sources sociodémographiques mobilisées ne couvre l’ensemble des individus toutes les années. Le recensement repose depuis 2004 sur des enquêtes annuelles par sondage tournant : un individu donné n’est recensé, en moyenne, qu’environ une année sur cinq. Les données fiscales exploitables dans l’EDP couvrent quant à elles les années fiscales 2011 à 2020. Une jointure classique sur l’identifiant et l’année aurait donc produit une table très lacunaire, où la plupart des lignes n’auraient porté aucune caractéristique sociodémographique.

Or l’essentiel des variables concernées — diplôme, catégorie sociale, commune de résidence, structure du ménage, niveau de vie — évolue lentement à l’échelle individuelle. Le parti retenu consiste à compléter chaque année sans observation par l’observation disponible la plus proche dans le temps pour le même individu, tout en conservant systématiquement la trace de l’année d’origine de l’information. C’est le principe de la jointure roulante.

4. La jointure roulante #

4.1 Principe #

La jointure roulante (rolling join, réalisée avec l’option roll = "nearest" du package R data.table) est appliquée séparément aux données de recensement et aux données fiscales, avant leur assemblage. Pour chaque individu et chaque année de la période, si aucune observation n’existe pour ce couple (individu, année), les caractéristiques de l’observation la plus proche dans le temps du même individu sont recopiées. En cas d’équidistance entre une observation antérieure et une observation postérieure, l’observation antérieure est retenue.

Deux variables conservent la trace de l’origine réelle des données : ANNEE_EAR, l’année du bulletin de recensement dont sont issues les variables EAR_ de la ligne, et ANNEE_FISC, l’année fiscale dont sont issues les variables FISC_. L’exemple ci-dessous illustre le mécanisme pour un individu recensé en 2007 et 2013, disposant de données fiscales en 2013, 2014 et 2016 :

L’utilisateur peut ainsi toujours distinguer une information observée (ANNEE == ANNEE_EAR, respectivement ANNEE == ANNEE_FISC) d’une information extrapolée depuis une autre année, et restreindre son champ d’analyse en conséquence lorsque la fraîcheur de l’information est déterminante.

4.2 Corrections associées à l’extrapolation #

Recopier une observation d’une autre année appelle plusieurs traitements complémentaires, appliqués systématiquement.

Valeurs monétaires et inflation. Recopier tel quel un niveau de vie d’une année sur une autre introduirait un biais lié à l’inflation. Le niveau de vie est donc d’abord converti en euros constants (base 2015, à l’aide de l’indice des prix à la consommation hors tabac), grandeur invariante à la recopie ; sur les lignes extrapolées, le niveau de vie en euros courants est ensuite recalculé en réappliquant l’indice des prix de l’année de la ligne. La table restitue les deux versions (FISC_NIVVIEM_S en euros courants, FISC_NIVVIEM_E2015_S en euros constants 2015).

Variables non disponibles sur toute la période. Certaines variables fiscales n’existent qu’à partir de 2015 (indicatrice de quartier prioritaire FISC_I_QPV_S, logement social). L’extrapolation ne doit pas leur donner l’apparence d’exister plus tôt : elles sont remises à valeur manquante avant 2015. À partir de 2015, l’indicatrice QPV distingue explicitement « hors QPV » (0) de « information indisponible » (manquant).

Bornes d’existence. L’extrapolation ne crée jamais de ligne avant la naissance ni après le décès : les lignes correspondantes sont supprimées. Dans de rares cas d’incohérence entre sources (par exemple une déclaration fiscale enregistrée l’année suivant un décès selon l’état civil), la date d’état civil fait foi et la ligne est écartée ; ce choix peut induire de légers écarts entre les totaux pondérés de la table et ceux des sources brutes.

Pondérations. Point essentiel : les poids ne sont jamais extrapolés. Un poids recopié sur une année où la personne n’a pas été observée conduirait à la compter plusieurs fois à partir d’une seule observation et ruinerait la représentativité. Sur les lignes extrapolées, tous les poids sont donc à valeur manquante : la jointure roulante propage les caractéristiques, pas les pondérations.

4.3 Conventions temporelles #

L’année fiscale ANNEE_FISC correspond à l’année de la déclaration, qui porte sur les revenus de l’année précédente ; c’est cette année de déclaration qui sert d’année de rattachement dans la table. Cette convention assure la cohérence entre les revenus, la composition du ménage fiscal et la pondération fiscale, qui partagent la même année de référence, et un traitement correct des personnes décédées (voir section 5).

L’âge AGE_S est défini en années révolues au 1er janvier de l’année (ANNEE − année de naissance − 1). Cette définition est alignée sur la date de référence des estimations de population utilisées pour le calage des poids, ainsi que sur la situation fiscale, établie au 31 décembre de l’année précédente.

5. Les pondérations #

5.1 Poids issus des sources #

La table restitue d’abord les pondérations produites par l’Insee dans les sources d’origine : POIDS_EA_CALE pour une année d’enquête annuelle de recensement, POIDS_PANEL_5 et POIDS_PANEL_10 pour l’empilement de cinq ou dix années d’EAR (qui tiennent compte de la probabilité d’être réinterrogé), et POIDS_FIDELI pour les données fiscales. Lorsqu’un individu dispose de plusieurs bulletins individuels une même année de recensement (environ 0,3 % des cas, par exemple des enfants recensés chez chacun de leurs deux parents), un seul bulletin est conservé, celui de plus fort poids, conformément à la règle utilisée dans la documentation de l’EDP.

5.2 Une limite documentée du poids fiscal pour les personnes décédées #

L’expertise de la table a mis en évidence une limite importante de POIDS_FIDELI pour l’étude de la mortalité : environ la moitié des personnes décédées ont un poids fiscal nul l’année de leur décès, le traitement des déclarations des personnes décédées n’étant pas homogène dans la source. Cette sous-pondération n’est pas neutre : elle touche davantage les femmes, les personnes très âgées, les personnes seules ou en famille monoparentale et les ménages modestes, et conduit à sous-estimer fortement le nombre annuel de décès (d’un facteur deux à trois selon les années, avec une rupture de série entre 2015 et 2016). Même lorsqu’un poids positif subsiste l’année du décès, il est en moyenne inférieur d’environ 18 % à celui de l’année précédente.

Cette limite rendait la pondération fiscale d’origine inadaptée à un usage central de l’EDP-Santé, l’étude conjointe des trajectoires de soins et de la mortalité. Elle a motivé le calcul de pondérations propres à l’EDP-Santé.

5.3 Les poids EDP-Santé : un calage sur les estimations de population #

Deux nouveaux poids, POIDS_FIDELI_S et POIDS_EA_CALE_S, ont été construits par calage sur marges (package R icarus), sur un jeu unique de marges externes : les estimations annuelles de population, déclinées par département × sexe × âge (âge en années révolues au 1er janvier, de 0 à 99 ans, la dernière modalité regroupant les 99 ans ou plus). Caler les deux pondérations sur les mêmes marges garantit leur cohérence : quelle que soit la pondération utilisée, les totaux par département, sexe et âge reproduisent la population résidente. La même procédure est appliquée dans les deux productions, chaque nouvelle année du millésime 2020 étant calée sur les estimations de population correspondantes.

Le calage est effectué année par année, sur un champ précisément défini pour chaque poids :

Trois méthodes de calage ont été comparées : linéaire, raking ratio et exponentielle. La méthode linéaire a été retenue : sur ces données, elle ne produit aucun poids négatif (seul risque théorique de cette méthode, vérifié année par année), aboutit à la variance des poids la plus faible, et son coût de calcul est nettement inférieur, la méthode exponentielle s’étant révélée impraticable à cette échelle. La validité du calage a été contrôlée en comparant, pour chaque année et chaque variable de calage, les totaux pondérés aux marges des estimations de population : les écarts sont inférieurs à un individu.

Avec trois variables de calage, la distribution des nouveaux poids est plus resserrée que celle des poids d’origine, qui mobilisent davantage de marges ; c’est la contrepartie d’un calage volontairement simple, homogène entre les deux pondérations et sur toute la période.

5.4 Fractiles de niveau de vie pondérés #

Une fois les poids établis, des fractiles de niveau de vie pondérés par POIDS_FIDELI_S sont calculés par année et mis à disposition : quartiles, quintiles, déciles et vingtiles (FISC_NIVVIEM_S_4, _5, _10, _20). Les seuils sont estimés sur les seules lignes observées, puis appliqués à toutes les lignes, y compris extrapolées, dont le niveau de vie a été préalablement corrigé de l’inflation. Il s’agit de fractiles calculés sur l’échantillon EDP, et non sur une source exhaustive.

6. Recommandations d’usage #

Pour les estimations en population générale, il est recommandé d’utiliser les poids EDP-Santé : POIDS_EA_CALE_S pour les analyses fondées sur les caractéristiques du recensement, POIDS_FIDELI_S pour celles fondées sur les données fiscales. Ces poids ne sont renseignés que sur les lignes observées de leur source : une estimation pondérée porte donc, par construction, sur les seules années d’observation effective. Les poids d’origine des sources restent disponibles dans la table à des fins de comparaison ; la prudence s’impose avec POIDS_FIDELI pour toute analyse touchant à la mortalité, pour les raisons exposées en section 5.2.

Pour les analyses non pondérées mobilisant les caractéristiques extrapolées, il convient de garder à l’esprit que l’information sociodémographique d’une ligne peut provenir d’une année différente : les variables ANNEE_EAR et ANNEE_FISC permettent de mesurer cet écart et, le cas échéant, de restreindre l’analyse aux observations suffisamment proches. Les indicatrices I_EAR_S et I_FISC_S signalent par ailleurs les individus présents au moins une fois dans chaque source sur la période.

Enfin, le dictionnaire des variables décrit l’ensemble des variables diffusées : source, type, modalités, libellé et remarques de construction.