> library(dplyr)

> library(haven)

haven : pour lire les codes de la CES

> df_raw <- readRDS("ces2025.rds")

ces2025.rds, sauvegardé à la séance 2

> nrow(df_raw)

[1] 20180

vous devriez voir 20 180

> df_clean <- data.frame(id = 1:nrow(df_raw))

df_raw ne change jamais

> table(as_factor(df_raw$pes25_dem_sat))

                   1. Very satisfied                  2. Fairly satisfied 
                                2671                                 6847 
               3. Not very satisfied              4. Not satisfied at all 
                                2619                                 1454 
5. Don't know / Prefer not to answer 
                                 484 

pes25 : le sondage après l’élection, aux mêmes personnes

> df_clean$apres <- case_when(
  df_raw$pes25_dem_sat == 1 ~ 1,      # très satisfait
  df_raw$pes25_dem_sat == 2 ~ 0.67,   # plutôt satisfait
  df_raw$pes25_dem_sat == 3 ~ 0.33,   # peu satisfait
  df_raw$pes25_dem_sat == 4 ~ 0       # pas du tout satisfait
)

la recette de la séance 4

> table(df_clean$apres, useNA = "ifany")

   0 0.33 0.67    1 <NA> 
1454 2619 6847 2671 6589 

NA : pas de réponse après l’élection, ou « ne sait pas »

> table(as_factor(df_raw$pes25_votechoice2025))

                    1. Liberal Party                2. Conservative Party 
                                5773                                 4006 
                              3. NDP                    4. Bloc Québécois 
                                 960                                  907 
                      5. Green Party                    6. People's Party 
                                 218                                  101 
          7. Another party (specify)                 8. I spoiled my vote 
                                  43                                   39 
9. Don't know / Prefer not to answer 
                                 519 

les libéraux ont formé le gouvernement

> df_clean$gagnant <- case_when(
  df_raw$pes25_votechoice2025 == 1 ~ 1,          # les libéraux ont gagné
  df_raw$pes25_votechoice2025 %in% 2:7 ~ 0       # un autre parti
  # 8 (vote annulé), 9 (ne sait pas) : aucune ligne, donc NA
)

> table(df_clean$gagnant, useNA = "ifany")

   0    1 <NA> 
6235 5773 8172 

NA : n’a pas voté, vote annulé, ne sait pas

> df_clean$avant <- case_when(
  df_raw$cps25_demsat == 1 ~ 1,
  df_raw$cps25_demsat == 2 ~ 0.67,
  df_raw$cps25_demsat == 3 ~ 0.33,
  df_raw$cps25_demsat == 4 ~ 0
)

cps25 : la même question, pendant la campagne

> table(df_clean$avant, useNA = "ifany")

    0  0.33  0.67     1  <NA> 
 1594  4313 10576  2971   726 

> df_clean |>
  filter(!is.na(gagnant), !is.na(apres), !is.na(avant)) |>
  group_by(gagnant) |>
  summarise(avant = mean(avant), apres = mean(apres), n = n())

# A tibble: 2 × 4
  gagnant avant apres     n
    <dbl> <dbl> <dbl> <int>
1       0 0.513 0.481  5998
2       1 0.709 0.746  5634

le tableau 1 de l’article, en 2025

> modele1 <- lm(apres ~ gagnant, data = df_clean)

> modele2 <- lm(apres ~ gagnant + avant, data = df_clean)

à satisfaction égale avant l’élection

> nobs(modele1)

[1] 11796

vous devriez voir 11 796

> nobs(modele2)

[1] 11632

> table(as_factor(df_raw$cps25_vote_2021))

                   1. Liberal Party               2. Conservative Party 
                               6144                                4247 
                             3. NDP                   4. Bloc Québécois 
                               2408                                1317 
                     5. Green Party   6. Another party (please specify) 
                                519                                 268 
7. Don't know/ Prefer not to answer 
                               1000 

cps25 : demandé pendant la campagne, avant le résultat de 2025. Les libéraux avaient aussi gagné en 2021

> df_clean$gagnant_2021 <- case_when(
  df_raw$cps25_vote_2021 == 1 ~ 1,          # les libéraux avaient gagné en 2021
  df_raw$cps25_vote_2021 %in% 2:6 ~ 0       # un autre parti
  # 7 (ne sait pas) ou pas voté en 2021 : NA
)

> table(df_clean$gagnant_2021, useNA = "ifany")

   0    1 <NA> 
8759 6144 5277 

NA : n’a pas voté en 2021, n’avait pas l’âge, ne sait pas

> modele3 <- lm(apres ~ gagnant + avant + gagnant_2021, data = df_clean)

une seule variable de plus

> nobs(modele3)

[1] 10046

vous devriez voir 10 046 : moins de monde

> table(as_factor(df_raw$cps25_votechoice))

                   1. Liberal Party               2. Conservative Party 
                               6528                                4644 
                             3. NDP                   4. Bloc Québécois 
                               1258                                1011 
                     5. Green Party   6. Another party (please specify) 
                                317                                  82 
7. Don't know/ Prefer not to answer                   8. People's Party 
                               1887                                 182 

cps25 : pendant la campagne. Attention, d’autres codes : 7 = ne sait pas, 8 = PPC

> df_clean$gagnant_campagne <- case_when(
  df_raw$cps25_votechoice == 1 ~ 1,             # pensait voter libéral
  df_raw$cps25_votechoice %in% c(2:6, 8) ~ 0    # un autre parti (8 : le PPC)
  # 7 (ne sait pas) : NA
)

> modele4 <- lm(apres ~ gagnant_campagne + avant, data = df_clean)

à la place de gagnant : une seule chose change

> round(coef(modele4), 3)

     (Intercept) gagnant_campagne            avant 
           0,167            0,137            0,618 

gagnant_campagne : presque la même chose que gagnant