trabalho

---

A Analise tem como objetivo Verificar uma possível relação da variável dependente(desfecho)com as demais variáveis independentes.

Estatística Descritiva

dados<- read.table("C:/Users/user/Downloads/dados.txt", header = T)

summary(dados [,-1])

##      Idade         Sexo       N_Presc       Med_Presc     
##  Min.   :24.00   afem:52   Min.   :1.00   Min.   :  5.00  
##  1st Qu.:52.50   masc:48   1st Qu.:3.00   1st Qu.: 33.50  
##  Median :71.50             Median :5.00   Median : 62.50  
##  Mean   :66.53             Mean   :4.29   Mean   : 61.19  
##  3rd Qu.:81.00             3rd Qu.:6.00   3rd Qu.: 86.50  
##  Max.   :94.00             Max.   :6.00   Max.   :143.00  
##  NA's   :2

Gráfico

plot(dados$Sexo)

BoxPlot

boxplot(dados$Idade, boxwex = 0.35, col="RED",main = "IDADE")

boxplot(dados$Med_Presc, boxwex = 0.35, col="BLUE",main = "Med_Presc")

Os boxplot’s acima mostram o comportamentos das variaveis idade e Med_presc

Regressão Logistica binária Desfecho vs todas as variáveis

G1<- glm (Desfecho~Sexo+N_Presc+Med_Presc+Idade, family=binomial(link="logit"), data=dados)
summary(G1)

## 
## Call:
## glm(formula = Desfecho ~ Sexo + N_Presc + Med_Presc + Idade, 
##     family = binomial(link = "logit"), data = dados)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.6266  -1.1358  -0.8517   1.1809   1.4923  
## 
## Coefficients:
##              Estimate Std. Error z value Pr(>|z|)
## (Intercept)  0.307819   0.916240   0.336    0.737
## Sexomasc    -0.278029   0.412229  -0.674    0.500
## N_Presc     -0.256992   0.238488  -1.078    0.281
## Med_Presc    0.019249   0.013414   1.435    0.151
## Idade       -0.004237   0.011624  -0.365    0.715
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 135.82  on 97  degrees of freedom
## Residual deviance: 132.77  on 93  degrees of freedom
##   (2 observations deleted due to missingness)
## AIC: 142.77
## 
## Number of Fisher Scoring iterations: 4

anova(G1, test="Chisq")

## Analysis of Deviance Table
## 
## Model: binomial, link: logit
## 
## Response: Desfecho
## 
## Terms added sequentially (first to last)
## 
## 
##           Df Deviance Resid. Df Resid. Dev Pr(>Chi)
## NULL                         97     135.82         
## Sexo       1  0.66868        96     135.15   0.4135
## N_Presc    1  0.12084        95     135.03   0.7281
## Med_Presc  1  2.12000        94     132.91   0.1454
## Idade      1  0.13318        93     132.77   0.7152

Realizando a regressão logistica em todas as variaveis independentes acima, Analisa-se que a variável desfecho não tem relação com as demais variáveis, pois não teve significância em nenhuma das variáveis.

Regressão Logistica binária Desfecho vs Sexo

G2<- glm (Desfecho~Sexo, family=binomial(link="logit"), data=dados)
G2

## 
## Call:  glm(formula = Desfecho ~ Sexo, family = binomial(link = "logit"), 
##     data = dados)
## 
## Coefficients:
## (Intercept)     Sexomasc  
##     0.07696     -0.32828  
## 
## Degrees of Freedom: 99 Total (i.e. Null);  98 Residual
## Null Deviance:       138.5 
## Residual Deviance: 137.8     AIC: 141.8

anova(G2, test="Chisq")

## Analysis of Deviance Table
## 
## Model: binomial, link: logit
## 
## Response: Desfecho
## 
## Terms added sequentially (first to last)
## 
## 
##      Df Deviance Resid. Df Resid. Dev Pr(>Chi)
## NULL                    99     138.47         
## Sexo  1  0.66886        98     137.80   0.4134

Realizando a regressão logistica na variavel independente Sexo, Analisa-se que a variável desfecho não tem relação com a mesma, pois não teve significância.

Regressão Logistica binária Desfecho vs N_Presc

G3<- glm (Desfecho~N_Presc, family=binomial(link="logit"), data=dados)
summary(G3)

## 
## Call:
## glm(formula = Desfecho ~ N_Presc, family = binomial(link = "logit"), 
##     data = dados)
## 
## Deviance Residuals: 
##    Min      1Q  Median      3Q     Max  
## -1.172  -1.143  -1.107   1.183   1.267  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.24656    0.52256  -0.472    0.637
## N_Presc      0.03879    0.11235   0.345    0.730
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 138.47  on 99  degrees of freedom
## Residual deviance: 138.35  on 98  degrees of freedom
## AIC: 142.35
## 
## Number of Fisher Scoring iterations: 3

anova(G1, test="Chisq")

## Analysis of Deviance Table
## 
## Model: binomial, link: logit
## 
## Response: Desfecho
## 
## Terms added sequentially (first to last)
## 
## 
##           Df Deviance Resid. Df Resid. Dev Pr(>Chi)
## NULL                         97     135.82         
## Sexo       1  0.66868        96     135.15   0.4135
## N_Presc    1  0.12084        95     135.03   0.7281
## Med_Presc  1  2.12000        94     132.91   0.1454
## Idade      1  0.13318        93     132.77   0.7152

Realizando a regressão logistica na variavel independente N_Presc, Analisa-se que a variável desfecho não tem relação com a mesma, pois não teve significância.

Regressão Logistica binária Desfecho vs Med_Presc

G4<- glm (Desfecho~Med_Presc, family=binomial(link="logit"), data=dados)
summary(G4)

## 
## Call:
## glm(formula = Desfecho ~ Med_Presc, family = binomial(link = "logit"), 
##     data = dados)
## 
## Deviance Residuals: 
##    Min      1Q  Median      3Q     Max  
## -1.281  -1.146  -1.036   1.187   1.350  
## 
## Coefficients:
##              Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.425994   0.432303  -0.985    0.324
## Med_Presc    0.005644   0.006234   0.905    0.365
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 138.47  on 99  degrees of freedom
## Residual deviance: 137.64  on 98  degrees of freedom
## AIC: 141.64
## 
## Number of Fisher Scoring iterations: 3

anova(G4, test="Chisq")

## Analysis of Deviance Table
## 
## Model: binomial, link: logit
## 
## Response: Desfecho
## 
## Terms added sequentially (first to last)
## 
## 
##           Df Deviance Resid. Df Resid. Dev Pr(>Chi)
## NULL                         99     138.47         
## Med_Presc  1  0.82662        98     137.64   0.3633

Realizando a regressão logistica na variavel independente Med_Presc, Analisa-se que a variável desfecho não tem relação com a mesma, pois não teve significância.

Regressão Logistica binária Desfecho vs Idade

G5<- glm (Desfecho~Idade, family=binomial(link="logit"), data=dados)
summary(G5)

## 
## Call:
## glm(formula = Desfecho ~ Idade, family = binomial(link = "logit"), 
##     data = dados)
## 
## Deviance Residuals: 
##    Min      1Q  Median      3Q     Max  
## -1.205  -1.155  -1.127   1.201   1.229  
## 
## Coefficients:
##              Estimate Std. Error z value Pr(>|z|)
## (Intercept)  0.150853   0.780162   0.193    0.847
## Idade       -0.002881   0.011328  -0.254    0.799
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 135.82  on 97  degrees of freedom
## Residual deviance: 135.75  on 96  degrees of freedom
##   (2 observations deleted due to missingness)
## AIC: 139.75
## 
## Number of Fisher Scoring iterations: 3

anova(G5, test="Chisq")

## Analysis of Deviance Table
## 
## Model: binomial, link: logit
## 
## Response: Desfecho
## 
## Terms added sequentially (first to last)
## 
## 
##       Df Deviance Resid. Df Resid. Dev Pr(>Chi)
## NULL                     97     135.82         
## Idade  1 0.064732        96     135.75   0.7992

Realizando a regressão logistica na variavel independente Idade, Analisa-se que a variável desfecho não tem relação com a mesma, pois não teve significância.

Escolhendo o melhor modelo

dev <- c(G1$deviance, G2$deviance,  G3$deviance,  G4$deviance,  G5$deviance) # Deviance

aic <- c(G1$aic,G2$aic,  G3$aic,  G4$aic,  G5$aic) # AIC

criterios <- cbind(dev, aic)

colnames(criterios) <- c("Deviance", "AIC")

rownames(criterios) <- c("Desfecho", "Idade",  "Sexo", "N_Presc", "Med_Presc")

criterios

##           Deviance      AIC
## Desfecho  132.7733 142.7733
## Idade     137.8005 141.8005
## Sexo      138.3500 142.3500
## N_Presc   137.6428 141.6428
## Med_Presc 135.7513 139.7513

Qualidade do ajuste (McFadden R^2)

library(pscl)

## Warning: package 'pscl' was built under R version 3.5.3

## Classes and Methods for R developed in the
## Political Science Computational Laboratory
## Department of Political Science
## Stanford University
## Simon Jackman
## hurdle and zeroinfl functions by Achim Zeileis

pR2(G1)

##          llh      llhNull           G2     McFadden         r2ML 
## -66.38666605 -69.23469671   5.69606132   0.04113589   0.05646618 
##         r2CU 
##   0.07463380

pR2(G2)

##           llh       llhNull            G2      McFadden          r2ML 
## -68.900264312 -69.234696709   0.668864795   0.004830416   0.006666329 
##          r2CU 
##   0.008893186

pR2(G3)

##           llh       llhNull            G2      McFadden          r2ML 
## -6.917500e+01 -6.923470e+01  1.193987e-01  8.622748e-04  1.193274e-03 
##          r2CU 
##  1.591882e-03

pR2(G4)

##           llh       llhNull            G2      McFadden          r2ML 
## -68.821385248 -69.234696709   0.826622921   0.005969716   0.008232158 
##          r2CU 
##   0.010982074

pR2(G5)

##          llh      llhNull           G2     McFadden         r2ML 
## -67.87564824 -69.23469671   2.71809694   0.01962959   0.02735458 
##         r2CU 
##   0.03615573

Medidas de associação (razões de chance)

require(epiDisplay)

## Loading required package: epiDisplay

## Warning: package 'epiDisplay' was built under R version 3.5.3

## Loading required package: foreign

## Loading required package: survival

## Warning: package 'survival' was built under R version 3.5.3

## Loading required package: MASS

## Warning: package 'MASS' was built under R version 3.5.3

## Loading required package: nnet

logistic.display(G1, crude= T)

## 
## Logistic regression predicting Desfecho 
##  
##                        crude OR(95%CI)         adj. OR(95%CI)         
## Sexo: masc vs afem     0.72 (0.32,1.59)        0.76 (0.34,1.7)        
##                                                                       
## N_Presc (cont. var.)   1.04 (0.84,1.3)         0.77 (0.48,1.23)       
##                                                                       
## Med_Presc (cont. var.) 1.01 (0.99,1.02)        1.02 (0.99,1.05)       
##                                                                       
## Idade (cont. var.)     0.9971 (0.9752,1.0195)  0.9958 (0.9733,1.0187) 
##                                                                       
##                        P(Wald's test) P(LR-test)
## Sexo: masc vs afem     0.5            0.5       
##                                                 
## N_Presc (cont. var.)   0.281          0.275     
##                                                 
## Med_Presc (cont. var.) 0.151          0.142     
##                                                 
## Idade (cont. var.)     0.715          0.715     
##                                                 
## Log-likelihood = -66.3867
## No. of observations = 98
## AIC value = 142.7733