Chadi Gamal

Data Analyst — Déterminants du sentiment de sécurité nocturne en France (R, ESS9, Régression linéaire multiple)

• Nettoyage et structuration de la base de données (ESS9) : Extraction du sous-échantillon France, traitement strict des valeurs manquantes (NA), recodage et harmonisation des variables qualitatives et ordinales sous R.
• Explorations descriptives univariées et bivariées: Réalisation de tris à plat, tests de significativité (Chi-deux, ANOVA) et calcul du V de Cramer pour mesurer l'intensité des relations brutes. Validation d'hypothèses complexes (tests d'effets de médiation genre/santé et contrôle de l'effet d'âge).
• Modélisation statistique et analyse multivariée : Spécification et estimation pas à pas de 7 modèles de régression linéaire multiple emboîtés. Suivi de la variance expliquée (R² ajusté) par bloc de variables (cadre de vie, bien-être, santé, valeurs) pour neutraliser les effets de confusion.
• Restitution, valorisation et reproductibilité : Production d'un rapport dynamique sous Quarto (HTML). Conception de dataviz (barplots, boxplots avec moyennes) et génération du tableau comparatif des 7 modèles via le package modelsummary (p-values et étoiles de significativité). Rédaction des interprétations théoriques (École de Chicago, contrôle social informel).

Data Analyst — Études quantitatives & typologies d’usagers (R, ACP, ACM, clustering)

• Nettoyage et structuration des bases de données d'enquêtes
• Analyses descriptives univariées et bivariées
• Analyses inférentielles
• Modélisation statistique (régressions)
• Analyse multivariée sur données qualitatives (ACM)
• Classification et segmentation (CAH / HCPC via R)
• Construction de typologies et profils d'usagers finement caractérisés
• Validation statistique des profils par indicateurs de significativité (V-test)
• Construction d’indicateurs synthétiques (scoring de qualité perçue)

• Analyses comparatives entre plusieurs bibliothèques et sites
• Présentation des résultats sous forme de tableaux clairs et lisibles
• Identification des points forts, axes d’amélioration et leviers d’action
• Appui à la prise de décision pour les équipes de gestion des services

• Production de rapports analytiques (R / Quarto / HTML / PDF)
• Visualisation de données et graphiques explicatifs
• Interprétation statistique des résultats
• Lecture sociologique des comportements et perceptions
• Formulation de recommandations opérationnelles

Data Analyst — Analyse statistique du harcèlement scolaire et des inégalités de réussite (DEPP, Jamovi, régressions linéaires)

• Construction d’un indice de harcèlement (scoring) à partir de plusieurs items d’enquête
• Mesure de l’intensité, de la fréquence et de l’exposition au harcèlement
• Création d’un indicateur synthétique robuste pour les analyses statistiques
• Test de différentes spécifications du score (pondéré / non pondéré) pour vérifier la robustesse

• Mise en place de 6 modèles de régression linéaire emboîtés via Jamovi
• Estimation de l’effet brut puis de l’effet net du harcèlement après ajout progressif de variables de contrôle
• Contrôle des facteurs : sexe, classe, type de collège (REP+, SEGPA, IPS), engagement scolaire, usage des réseaux sociaux, capital culturel (livres), capital social (amis)

• Analyse des coefficients, effets marginaux et R² ajustés
• Comparaison des modèles emboîtés pour évaluer la contribution des variables
• Identification des mécanismes explicatifs : effets de médiation, effets de suppression et effets d’interaction
• Mise en évidence de la robustesse de l’effet du harcèlement sur la perception du niveau scolaire
• Interprétation des résultats statistiques à la lumière des cadres théoriques existants afin de proposer une lecture sociologique des trajectoires scolaires.