Chargement des librairies
library(ggplot2)
library(plyr)
library(lessR)
##
## lessR 3.9.9 feedback: gerbing@pdx.edu web: lessRstats.com/new
## ---------------------------------------------------------------
## > d <- Read("") Read text, Excel, SPSS, SAS, or R data file
## d is default data frame, data= in analysis routines optional
##
## Many vignettes show by example how to use lessR. Topics are
## read, write, & manipulate data, graphics, means & models,
## factor analysis, & customization. Two ways to view.
## Enter: browseVignettes("lessR")
## Visit: https://CRAN.R-project.org/package=lessR
##
## Attaching package: 'lessR'
## The following object is masked from 'package:plyr':
##
## .
library(arm)
## Loading required package: MASS
## Loading required package: Matrix
## Loading required package: lme4
##
## arm (Version 1.12-2, built: 2021-10-15)
## Working directory is /Users/luca/Documents/Enjeux présidentielle
library(stringr)
library(PRROC)
Charger espace de travail et importer données
setwd("~/Documents/Enjeux présidentielle")
data = read.csv("grille_codage.csv",header=T,sep=",")
data = data[-579,] # Enlever ligne totaux
Recodage et création de nouvelles variables
# Basic stats
#head(data)
dim(data)
## [1] 578 42
# code NAs as 0
data[which(data$Tradition..conformité..Conservatisme == "°"),"Tradition..conformité..Conservatisme"] = 0
data$Tradition..conformité..Conservatisme = as.numeric(data$Tradition..conformité..Conservatisme)
# code NAs as 0
sum(is.na(data)) # 10301 valuers manquantes
## [1] 10487
data[is.na(data)] = 0
#recode
names(data)[names(data) == "Honnêteté.éthique..exemplarité"] = "Éthique"
names(data)[names(data) == "Protectionisme.Sécurité"] = "Sécurité"
names(data)[names(data) == "Inquiétude.peur"] = "Inquiétude"
names(data)[names(data) == "EthnocentrismeCommunutarisme"] = "Communautarisme"
names(data)[names(data) == "Tradition..conformité..Conservatisme"] = "Conservatisme"
names(data)[names(data) == "Individualisme.Autonomie"] = "Individualisme"
names(data)[names(data) == "Universalisme.Bienveillance"] = "Universalisme"
length(which(data$Éthique == 1))
## [1] 156
#156
length(which(data$Nostalgie == 1))
## [1] 36
#36
length(which(data$Sécurité == 1))
## [1] 144
#144
# Candidats principaux
data["fillon"] = ifelse(data["Vote2017"] == "Fillon", 1, 0)
data["melenchon"] = ifelse(data["Vote2017"] == "Mélenchon", 1, 0)
data["lepen"] = ifelse(data["Vote2017"] == "Le Pen", 1, 0)
data["macron"] = ifelse(data["Vote2017"] == "Macron", 1, 0)
data["hamon"] = ifelse(data["Vote2017"] == "Hamon", 1, 0)
data["abstention"] = ifelse(data["Vote2017"] == "Abst.", 1, 0)
# Bords politiques
data["droite"] = ifelse(data["Vote2017"] == "Fillon" | data["Vote2017"] == "Le Pen" | data["Vote2017"] == "Dupont-Aignan"| data["Vote2017"] == "Lassalle"| data["Vote2017"] == "Asselineau", 1, 0)
data["gauche"] = ifelse(data["Vote2017"] == "Mélenchon" | data["Vote2017"] == "Hamon" | data["Vote2017"] == "Poutou"| data["Vote2017"] == "Arthaud", 1, 0)
# Retraite
retraite = rep(1,dim(data)[1])
for(i in 1:dim(data)[1]){
retraite[i] = ifelse(str_detect(data$CSP[i], "Ancien") == T,1,0)
}
data = cbind(data,retraite)
# CSP cadre
data["cadre"] = ifelse(data["CSP"] == "Cadre supérieur", 1, 0)
# Ville > 20k hab.
data["grande_ville"] = ifelse(data["Population"] >= 20000, 1, 0)
Graphiques
Valeurs
# Valeurs
valeurs = c("Tolérance.Respect","Communautarisme","Individualisme",
"Sécurité", "Autoritarisme", "Liberté..Libéralisme",
"Universalisme", "Éthique",
"Solidarité.Justice","Conservatisme")
tot_valeurs = tot[valeurs,]
tot_valeurs
## rows count
## Tolérance.Respect Tolérance.Respect 220
## Communautarisme Communautarisme 60
## Individualisme Individualisme 116
## Sécurité Sécurité 144
## Autoritarisme Autoritarisme 33
## Liberté..Libéralisme Liberté..Libéralisme 102
## Universalisme Universalisme 199
## Éthique Éthique 156
## Solidarité.Justice Solidarité.Justice 264
## Conservatisme Conservatisme 0
par(mar=c(7,4,4,4))
bar_valeurs <- barplot(tot_valeurs$count, border=F , names.arg=tot_valeurs$rows ,
las=2 ,
col= c("olivedrab", "lightskyblue", "lightsalmon","khaki3","plum"),
cex.names=0.8,
ylim=c(0,300) ,
main="Valeurs")
Humeurs
humeurs = c("Colère","Espoir","Nostalgie",
"Inquiétude", "Bonheur", "Optimisme",
"Fierté", "Dégoût",
"Haine","Pessimisme")
tot_humeurs = tot[humeurs,]
tot_humeurs
## rows count
## Colère Colère 86
## Espoir Espoir 219
## Nostalgie Nostalgie 36
## Inquiétude Inquiétude 80
## Bonheur Bonheur 53
## Optimisme Optimisme 109
## Fierté Fierté 44
## Dégoût Dégoût 55
## Haine Haine 36
## Pessimisme Pessimisme 40
bar_humeurs <- barplot(tot_humeurs$count,
border=F ,
names.arg=tot_humeurs$rows ,
cex.names=0.8,
las=2 ,
col= c("olivedrab", "lightskyblue", "lightsalmon","khaki3","plum") ,
ylim=c(0,250) ,
main="Humeurs")
Modèles de régression logistique
Éthique
# définition du modèle
lr_Éthique = glm(Éthique ~ melenchon + macron + Dégoût, family = binomial(link = "logit"), data)
summary(lr_Éthique)
##
## Call:
## glm(formula = Éthique ~ melenchon + macron + Dégoût, family = binomial(link = "logit"),
## data = data)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.2621 -0.8678 -0.6792 1.3558 1.7776
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.3493 0.1374 -9.820 < 0.0000000000000002
## melenchon 0.5666 0.2741 2.067 0.03874
## macron 0.6072 0.2188 2.775 0.00552
## Dégoût 0.9391 0.2955 3.178 0.00148
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 674.13 on 577 degrees of freedom
## Residual deviance: 656.83 on 574 degrees of freedom
## AIC: 664.83
##
## Number of Fisher Scoring iterations: 4
# Trouver la séparation optimale
library(InformationValue)
pred.Éthique = as.numeric(lr_Éthique$fitted.values)
optCutOff_Éthique = optimalCutoff(data$Éthique, pred.Éthique, optimiseFor = "Ones")[1]
optCutOff_Éthique
## [1] 0.309079
#0.309079
# Analyse ROC
PRROC_Éthique = roc.curve(scores.class0 = pred.Éthique, weights.class0=data$Éthique,
curve=TRUE)
plot(PRROC_Éthique)
# Tableau récapitulatif - pouvoir de prédiction du modèle
confusionMatrix(data$Éthique,pred.Éthique, threshold = optCutOff_Éthique)
## 0 1
## 0 245 64
## 1 177 92
Nostalgie
# modèle nostalgie
lr_nostalgie = glm(Nostalgie ~ Méfiance + Fierté, family = binomial(link = "logit"), data)
summary(lr_nostalgie)
##
## Call:
## glm(formula = Nostalgie ~ Méfiance + Fierté, family = binomial(link = "logit"),
## data = data)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.1387 -0.2567 -0.2567 -0.2567 2.6189
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -3.3965 0.2515 -13.507 < 0.0000000000000002
## Méfiance 1.2292 0.3794 3.240 0.0012
## Fierté 2.0757 0.4058 5.115 0.000000314
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 269.59 on 577 degrees of freedom
## Residual deviance: 233.46 on 575 degrees of freedom
## AIC: 239.46
##
## Number of Fisher Scoring iterations: 6
# find optimal cutoff value
pred.nostalgie = as.numeric(lr_nostalgie$fitted.values)
optCutOff_nostalgie = optimalCutoff(data$Nostalgie, pred.nostalgie, optimiseFor = "Ones")[1]
optCutOff_nostalgie
## [1] 0.09710565
#0.092652
PRROC_nostalgie = roc.curve(scores.class0 = pred.nostalgie, weights.class0=data$Nostalgie,
curve=TRUE)
plot(PRROC_nostalgie)
confusionMatrix(data$Nostalgie,pred.nostalgie, threshold = optCutOff_nostalgie)
## 0 1
## 0 437 16
## 1 105 20
Sécurité
# modèle sécurité
lr_Sécurité = glm(Sécurité ~ droite + Inquiétude + Autoritarisme, family = binomial(link = "logit"), data)
summary(lr_Sécurité)
##
## Call:
## glm(formula = Sécurité ~ droite + Inquiétude + Autoritarisme,
## family = binomial(link = "logit"), data = data)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -2.4380 -0.7258 -0.5325 -0.5325 2.0117
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.8818 0.1585 -11.873 < 0.0000000000000002
## droite 0.6822 0.2170 3.143 0.00167
## Inquiétude 1.7823 0.2782 6.407 0.000000000148
## Autoritarisme 2.3366 0.4931 4.739 0.000002151654
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 648.96 on 577 degrees of freedom
## Residual deviance: 540.19 on 574 degrees of freedom
## AIC: 548.19
##
## Number of Fisher Scoring iterations: 4
# find optimal cutoff value
pred.Sécurité = as.numeric(lr_Sécurité$fitted.values)
optCutOff_Sécurité = optimalCutoff(data$Sécurité, pred.Sécurité, optimiseFor = "Ones")[1]
optCutOff_Sécurité
## [1] 0.2287946
# 0.229963
# ROC curve
PRROC_Sécurité = roc.curve(scores.class0 = pred.Sécurité, weights.class0=data$Sécurité,curve=TRUE)
plot(PRROC_Sécurité)
# Confusion matrix
confusionMatrix(data$Sécurité,pred.Sécurité, threshold = optCutOff_Sécurité)
## 0 1
## 0 268 41
## 1 166 103