Du fait du secret statistiques certaines communes possèdent des valeurs manquantes parmis leurs variables. Cette partie de code va nous permettre de combler les valeurs manquantes par la moyenne de la variable.

library(Hmisc)
table_pourc <- read.csv2("Tables/table_pourc.csv",row.names = 1)

test <- table_pourc[,-1]

# Fonction qui nous permet de combler les NA
test1 <- impute(test, fun=mean)
table_pourc[,-1] = test1

Ci-dessous nous allons selectionner ces variables par la méthode backward pour arriver à un modèle final.

back <- pourc_abs
mod_back <- summary(lm(tx_abstention ~ . -1, data = back))$coef[,4]

# Méthode de sélection backward avec les variables les plus significatives
while(dim(back)[2] > 60 & any(mod_back > 0.05) == T){
  if(any(mod_back > 0.05) == T){
    back <- back[,-which.max(mod_back)]
  }
  mod_back <- summary(lm(tx_abstention ~ . -1, data = back))$coef[,4]
}
write.csv2(back,'final_lm.csv')