Votre jeu de données « national » est-il en réalité régional ? Un test de cinq minutes

Nos données de prénoms pour le Royaume-Uni ont été construites à partir de sources britanniques, étiquetées comme britanniques, validées comme britanniques et livrées comme britanniques. Elles étaient écossaises.

Pas partiellement écossaises, pas vaguement teintées d'écossais : chaque compteur qu'elles contenaient provenait de naissances enregistrées en Écosse, un pays qui représente environ 8 % de la population du Royaume-Uni. Le fichier avait passé tous les validateurs dont nous disposions. Il a échoué au premier test arithmétique que quiconque ait pris la peine de lui appliquer, et ce test a demandé moins de temps que la lecture de ce paragraphe.

Cet article, c'est ce test — plus les trois qui l'étayent, plus la raison pour laquelle l'erreur est bien plus courante qu'il n'y paraît. Un jeu de données « national » est plus souvent régional qu'il n'est faux de n'importe quelle autre manière, parce que les registres régionaux publient plus volontiers que les registres nationaux, et que le fichier le plus facile à obtenir est celui qui finit par être utilisé.

Test 1 : tout additionner

Tout jeu de données de fréquence construit à partir de décomptes revendique une population. Additionnez les compteurs et comparez le total au chiffre officiel de ce que le fichier prétend décrire. Voilà tout le test.

Notre fichier était organisé en décennies de naissance, des années 1940 aux années 2000. Une fois additionné :

Maintenant la comparaison. L'Écosse enregistre environ 4,5 millions de naissances sur ces décennies. Le Royaume-Uni en enregistre environ douze fois plus.

Nous pouvons appuyer ce multiplicateur sur un chiffre mesuré plutôt que supposé. Pour les années 2001–2010, les décomptes de naissances par prénom sont publiés par les trois services d'état civil du Royaume-Uni, si bien que le rapport n'est pas une estimation :

L'Écosse représente 7,98 % des garçons du Royaume-Uni et 8,19 % de ses filles — soit un facteur de 12,5 et de 12,2 respectivement. Un fichier réellement à l'échelle du Royaume-Uni couvrant les mêmes décennies contiendrait donc quelque part entre 25 et 30 millions de naissances de garçons, et non 2,4 millions.

Voilà tout le constat. Un écart d'un ordre de grandeur n'est pas une barre d'erreur. Des données peuvent être obsolètes, tronquées, mal analysées ou échantillonnées et rester malgré tout dans un facteur deux. Tomber dans un facteur douze d'un sous-territoire précis, et très loin du pays inscrit sur l'étiquette, signifie que le fichier porte sur ce sous-territoire.

Notez ce que ce test n'exige pas : aucune connaissance des prénoms britanniques, aucune liste de prénoms écossais, aucune idée de ce qu'est Eilidh. Deux sommes et une division.

Test 1b : la somme rapprochée au chiffre près

Le test de l'ordre de grandeur vous dit que quelque chose ne va pas. L'étape suivante vous dit exactement quoi, et elle vaut la peine d'être faite parce qu'elle transforme un soupçon en preuve.

Prenez les regroupements internes du fichier — décennies, régions, années, ce qu'il possède — et comparez chacun séparément à la source candidate. Les nôtres :

Cinq colonnes sur sept reproduisent les enregistrements de naissances d'un seul pays à l'unité près, et les deux autres s'en écartent d'un nom chacune. La moitié filles du fichier se comporte à l'identique, y compris les deux mêmes anomalies de fenêtre aux mêmes valeurs (206 683 pour 1946–1950 et 213 582 pour 2001–2008).

Une coïncidence à cette précision-là n'existe pas. Ce n'est pas un fichier qui penche vers l'Écosse ; ce sont des enregistrements de naissances écossais avec une étiquette britannique sur le dossier.

Et le test a livré deux défauts en prime, tous deux invisibles pour tout autre contrôle :

• La colonne étiquetée 1941 contient en réalité 1946–1950 — une demi-décennie, et précisément la moitié qui exclut les années de guerre.
• La colonne étiquetée 2001 contient en réalité 2001–2008 — huit années sur dix, si bien que cette décennie était 21 % trop légère par rapport à ses voisines.

Aucune de ces deux erreurs n'est décelable en regardant les prénoms. Toutes deux découlent de la comparaison d'un sous-total avec la source censée l'avoir produit.

Test 2 : des entrées individuelles disproportionnées

Le test de la somme prouve que le fichier est régional. Celui-ci le prouve à un lecteur qui n'a pas envie de faire de l'arithmétique, et il fonctionne même lorsque vous ne pouvez pas obtenir un total national propre.

Choisissez des entrées que vous vous attendez à voir marquées géographiquement, calculez leur part à l'intérieur du fichier, puis calculez la même part dans la distribution nationale. Le rapport est le signe révélateur. Mesuré sur les naissances 2001–2010 pour les trois services d'état civil du Royaume-Uni :

Chaque ligne prise isolément pourrait être expliquée autrement. Onze lignes qui pointent dans la même direction, avec des amplitudes ordonnées exactement comme la spécificité régionale les ordonnerait, ne peuvent pas l'être.

Mais la moitié importante de ce test, c'est l'autre direction, et c'est celle que l'on saute. Un fichier régional n'ajoute pas seulement de la couleur locale. Il efface les prénoms de la majorité :

Oliver et Harry comptaient parmi les prénoms de garçons les plus courants du pays au cours de cette décennie, et le fichier leur attribuait environ un tiers de leur poids réel. Mohammed était sous-évalué d'un facteur quatre, parce que le sous-territoire dont les données provenaient réellement a une population sud-asiatique bien plus faible que le pays dans son ensemble.

C'est là le dommage qui compte. Surreprésenter Eilidh rend un jeu de données pittoresque. Sous-représenter d'un facteur 3 la véritable tête de la distribution le rend faux sur le cas ordinaire — et c'est le cas sur lequel il sera interrogé la plupart du temps.

Test 3 : chevauchement des rangs — et pourquoi vous devez l'appliquer à chaque tranche

La version brutale du test 2. Prenez le top 20 du fichier et le top 20 de la distribution nationale, puis comptez l'intersection.

Douze des vingt prénoms de garçons les plus courants du fichier ne figuraient pas du tout dans le top vingt du pays : Cameron, Liam, Jamie, Kyle, Adam, Dylan, Ben, Connor, Andrew, Aaron, Logan, Alexander. Inversement, Thomas, Oliver, Harry, William, Samuel, Joseph, Charlie, Benjamin, Ethan, George, Alfie et Luke figuraient tous dans le top vingt national, et aucun d'eux ne figurait dans celui du fichier.

Regardez maintenant l'asymétrie entre les deux lignes, car c'est là le point méthodologique. 8/20 chez les garçons est un échec criant. 13/20 chez les filles est le genre de chiffre devant lequel on hausse les épaules. Même fichier, même défaut, même source — et une tranche aurait passé un examen superficiel.

Si vos données sont découpées en tranches — par sexe, par année, par région, par catégorie —, appliquez chaque contrôle à chaque tranche. Un défaut uniforme dans les données ne l'est pas dans sa visibilité.

Pourquoi cela arrive si souvent

La raison n'est pas la négligence. C'est que la disponibilité des données est inversement corrélée à la taille du territoire, et que personne ne le remarque parce que la disponibilité a l'air d'une propriété du monde plutôt que d'un biais dans l'échantillon.

Voici la forme concrète que cela prend pour un pays. Trois services d'état civil publient des décomptes de naissances par prénom pour le Royaume-Uni :

Le plus petit des trois territoires publie l'historique le plus long, dans un seul fichier plat, sans aucune suppression. Si vous voulez des données par prénom pour le Royaume-Uni avant 1996, l'Écosse n'est pas l'option commode — c'est la seule option. Quiconque a eu un jour besoin de prénoms britanniques du milieu du siècle s'est heurté à ce mur, et le geste tentant consiste à prendre le fichier écossais, à le multiplier par 12 et à l'appeler Grande-Bretagne.

Nous nous en sommes très délibérément abstenus lors de la reconstruction, et la raison en est cet article : mettre un fichier régional à l'échelle des totaux nationaux corrige l'ampleur et préserve la composition. Vous obtenez un fichier qui passe le test 1 et qui échoue au test 2 plus durement qu'auparavant, parce que Blair se voit désormais attribuer des chiffres de taille nationale.

Le même piège, sous la même forme, ailleurs dans nos propres données : les seuls fichiers de naissances par prénom que nous ayons pu obtenir pour l'Australie et le Canada couvrent la Nouvelle-Galles du Sud et la Colombie-Britannique — un État et une province, représentant chacun environ un quart à un tiers de son pays. Les deux sont publiés proprement, les deux sont étiquetés par leur région dans la source, et les deux se trouveraient dans un dossier portant le nom d'un pays si personne n'avait vérifié.

Ce que nous avons fait, et ce que nous n'avons pas pu faire

Une seule décennie a pu être reconstruite honnêtement. La fenêtre 2001–2010 est la seule où les trois services d'état civil publient, si bien que cette décennie agrège désormais les trois. Le résultat de la fusion mérite d'être montré, car il sert en même temps à contrôler que la fusion elle-même n'est pas biaisée :

Additionner les décomptes bruts sur des années identiques donne automatiquement à chaque territoire son poids réel ; aucune pondération manuelle n'est appliquée, et l'écart résiduel avec les parts de population est d'au plus 0,6 point. Si vous devez pondérer la fusion à la main pour qu'elle ait l'air juste, c'est que vos années ne coïncident pas.

Les décennies des années 1940 aux années 1990 restent écossaises, parce qu'il n'existe aucune source qui en ferait autre chose. Cela est désormais écrit à côté des données, au lieu d'être découvert par la personne suivante. Une limite que vous avez mesurée et étiquetée est un fait au sujet de votre jeu de données. La même limite non documentée est un défaut qui se régénère : nous avons vu la même tâche fantôme être rouverte deux fois parce qu'une note consignait une correction sans consigner sa portée.

La liste de contrôle

1. Additionnez les compteurs et comparez à un total officiel. Aucune connaissance du domaine n'est requise. Tout écart supérieur à environ un facteur 2 exige une explication avant que vous n'utilisiez le fichier pour quoi que ce soit ; un ordre de grandeur signifie que vous avez entre les mains une autre population.
2. Comparez chaque sous-total séparément, et pas seulement le total général. Retrouver une source candidate à l'unité près sur une tranche transforme un soupçon en preuve, et les tranches mal alignées se révèlent en prime — la nôtre était étiquetée comme couvrant une décennie et en couvrait cinq.
3. Vérifiez la fenêtre temporelle par rapport à l'étiquette. Non pas « couvre-t-elle 1941–2010 » mais « chaque période contient-elle les années qu'elle revendique ». Deux de nos sept périodes ne le faisaient pas, et le déficit atteignait 21 % sur l'une d'elles.
4. Testez les marqueurs géographiques dans les deux directions. La surreprésentation identifie la région ; la sous-représentation mesure le dommage. Notre fichier régional gonflait un prénom local d'un facteur 12 et ramenait deux des prénoms les plus courants du pays au tiers de leur valeur.
5. Comptez les unités administratives. Un fichier national devrait contenir approximativement le nombre de régions, de provinces ou de districts que compte le pays. L'équivalent d'une seule région, ou un sous-ensemble d'une rondeur suspecte, c'est le même défaut vu sous un autre angle.
6. Appliquez chaque contrôle à chaque tranche. Le nôtre échouait à 8/20 sur une moitié et à 13/20 sur l'autre. Contrôler une moitié, c'est ne rien contrôler.
7. Demandez qui publie avant de demander ce qui est publié. Si un sous-territoire dispose d'un organisme statistique inhabituellement généreux, l'offre mondiale de données sur ce pays est discrètement biaisée en sa faveur — et votre jeu de données hérite du biais, que quelqu'un l'ait choisi ou non.

Données arrêtées au 2026-07-21

Tous les chiffres ont été recalculés le 21 juillet 2026 directement à partir des fichiers publiés par les services d'état civil listés ci-dessous, et non à partir de nos propres notes. « Part en Écosse » et « part au Royaume-Uni » sont des parts des naissances enregistrées en 2001–2010, la seule décennie couverte par les trois services d'état civil ; les rapports sont le quotient de ces deux parts. L'estimation de 25 à 30 millions de naissances de garçons au Royaume-Uni sur 1946–2008 est dérivée par mise à l'échelle, et non tirée d'une publication ; elle ne sert que de comparaison en ordre de grandeur.

⚠ Les enregistrements de naissances ne sont pas des porteurs vivants. Chaque chiffre présenté ici décrit des personnes nées au cours d'une période, ce qui constitue la base la plus solide disponible pour les prénoms britanniques — aucun recensement du Royaume-Uni ne publie de décomptes de prénoms.

Sources :

• National Records of Scotland (NRS) — listes complètes de prénoms avec décomptes, par année : tableaux du top 100 pour 1935–1973 et listes complètes pour 1974–2020. NRS publie les décomptes jusqu'à une seule naissance. <nrscotland.gov.uk/statistics-and-data/st…;
• Office for National Statistics (ONS) — Baby names in England and Wales, décomptes par prénom 1996–2025 ; les décomptes de 2 ou moins sont supprimés. <ons.gov.uk/peoplepopulationandcom…;
• Northern Ireland Statistics and Research Agency (NISRA) — statistiques des prénoms de bébés, décomptes par prénom 1997–2025 ; les décomptes inférieurs à 3 sont supprimés. À partir de 2008, les tableaux sont ventilés par district administratif local, avec une ligne résiduelle non affectée qui doit être ajoutée et non traitée comme un total. <nisra.gov.uk/statistics/births-deat…;
• Parts de la population du Royaume-Uni par nation constitutive, 2020, utilisées uniquement comme contrôle de vraisemblance de la fusion.

Un article compagnon sur le même mode de défaillance pris par l'autre bout — des jeux de données honnêtes quant à leur portée mais fusionnés malgré tout — est Couches migratoires dans les cohortes de naissance. Pour la taxonomie générale des pièges des données de fréquence, voir Comment auditer un jeu de données de fréquence des noms.