Resultados Generales
ValenRoz
2023-05-19
Objetivos
Recordamos los objetivos principales de la tesis
- Estratifiación de la sociedad según sus caracteristicas socioeconómicas para luego analizar el patrón de AF y CS en cada uno de ellos
- Probar la hipótesis de interacción entre clima y NSE.
Descriptiva
| Alto (N=14957) | Bajo (N=12901) | Total (N=27858) | |
|---|---|---|---|
| Rango etario | |||
| 18 a 24 | 2117 (64.8%) | 1150 (35.2%) | 3267 (100.0%) |
| 25 a 34 | 3342 (62.0%) | 2052 (38.0%) | 5394 (100.0%) |
| 35 a 49 | 4238 (54.9%) | 3483 (45.1%) | 7721 (100.0%) |
| 50 a 64 | 3084 (50.5%) | 3025 (49.5%) | 6109 (100.0%) |
| 65 o + | 2176 (40.5%) | 3191 (59.5%) | 5367 (100.0%) |
| Género | |||
| Varon | 6809 (56.7%) | 5203 (43.3%) | 12012 (100.0%) |
| Mujer | 8148 (51.4%) | 7698 (48.6%) | 15846 (100.0%) |
| nivel_instruccion | |||
| Hasta Primario Completo | 3328 (43.4%) | 4335 (56.6%) | 7663 (100.0%) |
| Hasta Secundario Completo | 6268 (54.5%) | 5240 (45.5%) | 11508 (100.0%) |
| Hasta Uni. Completo | 5361 (61.7%) | 3326 (38.3%) | 8687 (100.0%) |
| Quintil de Ingresos | |||
| Quintil 1 | 2839 (52.0%) | 2619 (48.0%) | 5458 (100.0%) |
| Quintil 2 | 2832 (50.1%) | 2819 (49.9%) | 5651 (100.0%) |
| Quintil 3 | 2803 (51.8%) | 2605 (48.2%) | 5408 (100.0%) |
| Quintil 4 | 3129 (54.9%) | 2573 (45.1%) | 5702 (100.0%) |
| Quintil 5 | 3354 (59.5%) | 2285 (40.5%) | 5639 (100.0%) |
| CMV | |||
| No tiene | 10332 (53.9%) | 8846 (46.1%) | 19178 (100.0%) |
| Si tiene | 4625 (53.3%) | 4055 (46.7%) | 8680 (100.0%) |
| No Sedentario (N=23480) | Sedentario (N=4378) | Total (N=27858) | |
|---|---|---|---|
| Rango etario | |||
| 18 a 24 | 2651 (81.1%) | 616 (18.9%) | 3267 (100.0%) |
| 25 a 34 | 4536 (84.1%) | 858 (15.9%) | 5394 (100.0%) |
| 35 a 49 | 6495 (84.1%) | 1226 (15.9%) | 7721 (100.0%) |
| 50 a 64 | 5306 (86.9%) | 803 (13.1%) | 6109 (100.0%) |
| 65 o + | 4492 (83.7%) | 875 (16.3%) | 5367 (100.0%) |
| Género | |||
| Varon | 9884 (82.3%) | 2128 (17.7%) | 12012 (100.0%) |
| Mujer | 13596 (85.8%) | 2250 (14.2%) | 15846 (100.0%) |
| nivel_instruccion | |||
| Hasta Primario Completo | 6672 (87.1%) | 991 (12.9%) | 7663 (100.0%) |
| Hasta Secundario Completo | 10017 (87.0%) | 1491 (13.0%) | 11508 (100.0%) |
| Hasta Uni. Completo | 6791 (78.2%) | 1896 (21.8%) | 8687 (100.0%) |
| Quintil de Ingresos | |||
| Quintil 1 | 4845 (88.8%) | 613 (11.2%) | 5458 (100.0%) |
| Quintil 2 | 4897 (86.7%) | 754 (13.3%) | 5651 (100.0%) |
| Quintil 3 | 4631 (85.6%) | 777 (14.4%) | 5408 (100.0%) |
| Quintil 4 | 4712 (82.6%) | 990 (17.4%) | 5702 (100.0%) |
| Quintil 5 | 4395 (77.9%) | 1244 (22.1%) | 5639 (100.0%) |
| CMV | |||
| No tiene | 15872 (82.8%) | 3306 (17.2%) | 19178 (100.0%) |
| Si tiene | 7608 (87.6%) | 1072 (12.4%) | 8680 (100.0%) |
Primer objetivo: estratificación de la sociedad
Para la estratificación de la sociedad se realiza un analisis de clases latentes. Este análisis va a tomar varias variables como input y va a devolver la manera más parsimoniosa y verosimil de estratificar a la sociedad. Es una manera de resumir mucha información en una sola variable para ser usada en futuros análisis.
En este caso, para el análisis de clases latentes, se utilizan las siguientes variables:
- Quintil de ingresos –> 1 al 5
- Nivel de instrucción –> hasta primario completo, hasta secundario completo, hasta universitario o más
- Rango etario –> 18 a 24, 25 a 34, 35 a 49, 50 a 64, 65 o más
- Carencias Materiales y de Vivienda –> Si tiene. No tiene
Para llevar a cabo el análisis es necesario fijar de antemano cuántas clases se desean. Luego, podemos comparar cada modelo en función de criterios de información para decidir el mejor número de clases.
Puede verse que conforme aumentamos el número de clases, los criterios de información siempre mejoran. Esto era de esperarse pues estamos dando más libertad al modelo de categorizar a las personas por lo que los criterios de informacion aumentan. Entonces, ¿cómo elegimos el mejor numero de clases? Para eso tenemos que ver dos cosas:
- Interpretabilidad: que el numero de clases sea algo que pueda interpretarse y sea facil de entender
- Grafico de AIC vs Nº de clases e identificar el “codo” (Sinha et al.)
Este grafico se ve así:
Se puede ver que el número de clases optimo está entre 3 o 4. Elegimos 4 para que sea más cómodo.
Si elegimos el modelo de 4 clases, estos son los resultados
## Conditional item response (column) probabilities,
## by outcome variable, for each class (row)
##
## $rango_edad
## 18 a 24 25 a 34 35 a 49 50 a 64 65 o +
## class 1: 0.0038 0.0233 0.1287 0.2966 0.5477
## class 2: 0.3024 0.3271 0.2879 0.0819 0.0008
## class 3: 0.0781 0.2174 0.3399 0.2374 0.1272
## class 4: 0.0729 0.1619 0.3271 0.2954 0.1427
##
## $quintil_ingreso
## Quintil 1 Quintil 2 Quintil 3 Quintil 4 Quintil 5
## class 1: 0.0525 0.2971 0.2859 0.2639 0.1006
## class 2: 0.3600 0.2882 0.2315 0.1190 0.0013
## class 3: 0.0248 0.0721 0.1469 0.2919 0.4643
## class 4: 0.6191 0.2583 0.1048 0.0163 0.0015
##
## $nivel_instruccion
## Hasta Primario Completo Hasta Secundario Completo Hasta Uni. Completo
## class 1: 0.7338 0.2569 0.0093
## class 2: 0.0000 0.7294 0.2706
## class 3: 0.0041 0.3726 0.6232
## class 4: 0.7950 0.1982 0.0068
##
## $CMT
## No tiene Si tiene
## class 1: 0.7764 0.2236
## class 2: 0.5451 0.4549
## class 3: 0.8646 0.1354
## class 4: 0.3051 0.6949
##
## Estimated class population shares
## 0.2267 0.2528 0.3857 0.1348
##
## Predicted class memberships (by modal posterior prob.)
## 0.2241 0.2954 0.3736 0.1069
##
## =========================================================
## Fit for 4 latent classes:
## =========================================================
## number of observations: 27858
## number of estimated parameters: 47
## residual degrees of freedom: 102
## maximum log-likelihood: -129768.8
##
## AIC(4): 259631.6
## BIC(4): 260018.6
## G^2(4): 621.1714 (Likelihood ratio/deviance statistic)
## X^2(4): 626.6296 (Chi-square goodness of fit)
##
## ALERT: iterations finished, MAXIMUM LIKELIHOOD NOT FOUND
## Respecto a cada clase, se puede observar lo siguiente:
Clase 1: este grupo se compone de personas de edad avanzada siendo su gran mayoria de 65 o más años (0.54), y tambien una considerable cantidad de adultos entre 50 a 64 años (0.29). Se concentran en los quintiles 2 a 5 haciendolos la representación de la clase media por excelencia. En cuanto a educación, son similares a la clase de 2 en donde hay una gran mayoría con primario completo (0.73) y unos cuantos con secundario completo (0.25). Sin embargo, esta clase no presenta carencias materiales de vivienda lo cual indica que viven en condiciones decentes. Esta clase, dada sus características, puede llamarse los ‘Clase Media Inactiva’, es decir, poseen todas las cualidades de la clase media en cuanto a ingresos y vivienda pero al estar formada mayoritariamente por jubilados, está económicamente inactiva.
Clase 2: formada por individuos jovenes de 18 a 34 años en su mayoría. Sus ingresos se concentran entre los quintiles 1 al 3 lo cual tiene sentido debido a su temprana edad. En su mayoría completaron el secundario con algunos que terminaron la universidad. Y se reparten equitativamente en cuanto a carencias materiales y de vivienda. Este grupo, por sus caracteristicas, se los llama “Surgentes” debido a que todavía están en proceso de formación con posibilidades a futuro.
Clase 3: está compuesta en su mayoría por jovenes y adultos de 25 a 64 años, es decir, personas económicamente activas. Respecto a sus ingresos capitales, estos se encuentran en los más altos quintiles con un 0.46 en quintil 5 unicamente. Tambien poseen una gran prevalencia en estudios universitarios completos y sin carencias materiales. Esta es la clase de los ‘Formados’ por su gran formación académica que se refleja en su nivel socioeconómico.
Clase 4: está compuesta por individuos más bien adultos de la muestra de 35 a 64 en su mayoría. Se concentran en los quintiles 1 y 2 lo cual los coloca en la clase baja. En cuanto a educación, la gran mayoria tienen hasta primario completo solamente lo cual estaría diciendo que son un grupo de personas que no cuenta con una gran formación académica. Por último, tienden a presentar carencias materiales y de vivienda. Este grupo dadas sus caracteristicas, se los puede llamar como ‘Vulnerados’ debido a sus condiciones de vivienda y su falta de formación académica que los vuelve indivuduos propensos a quedar fuera del sistema.
De forma comparativa, se realizan graficos de tipo radar para visualizar las diferencias de cada clase en cada variable:
Y ahora vamos a ver cómo se comportan las clases con AF y CS.
Estratos según Actividad Física
Puede verse que la prevalencia de AF baja es mas importante en Vulnerados y CM Inactiva, mientras que los más activos son los Formados.
Estratos según Comportamiento Sedentario
En este caso, puede verse que el CS es mas importante en los formados mientras que disminuye en el resto de las clases, sobre todo en los vulnerados que es el extremo opuesto del espectro. Esto indica que el CS podría estar involucrado principalmente en las personas más favorecidas por el sistema.
Modelos estadísticos
Se comienza con los modelos estadísticos de la AF y luego con comportamiento sedentario. Se explorará la relación con diferentes indicadores del NSE y luego se probará el modelo con interacción climática. El clima va a estar dado por la temperatura media y las precipitaciones medias, ambas varaibles anuales.
Actividad Física
Se analizan la relacion entre una varaible indicadora del NSE con las variables climáticas. Se comienza con quintil de ingresos y temperatura
Quintil de Ingresos con temperatura: se comienza con descriptiva de este indicador.
Puede verse cómo la AF baja es más prevalente en temperaturas más bien altas. Y esa variación se marca de manera diferente según el tipo de ingresos lo cual está adelantando que la interacción probablemente sea significativa.
El modelo es el siguiente:
\[ logit(\pi(AF_{Baja})) = \beta_{j0} + \beta_1Quintil + \beta_2T_{media} + \beta_3Genero + \beta_4Edad + \beta_5Quintil*T_{media} \]
Supuestos:
Como los supuestos parecerían estar bien, podemos ver el mdelo por dentro:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## quintil_ingreso 122.947 4 < 2.2e-16 ***
## temp_media 23.409 1 1.309e-06 ***
## rango_edad 739.387 4 < 2.2e-16 ***
## genero 54.033 1 1.972e-13 ***
## quintil_ingreso:temp_media 52.409 4 1.133e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## quintil_prov 45.5103 4 3.114e-09 ***
## temp_media 58.4658 1 2.069e-14 ***
## rango_edad 688.6381 4 < 2.2e-16 ***
## genero 57.3242 1 3.696e-14 ***
## quintil_prov:temp_media 7.1102 4 0.1302
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## quintil_ingreso temp_media.trend SE df z.ratio p.value
## Quintil 1 0.06034 0.00895 Inf 6.739 <.0001
## Quintil 2 0.04394 0.00866 Inf 5.075 <.0001
## Quintil 3 0.01458 0.00827 Inf 1.764 0.0778
## Quintil 4 -0.00621 0.00802 Inf -0.774 0.4387
## Quintil 5 -0.00732 0.00736 Inf -0.994 0.3201
##
## Results are averaged over the levels of: rango_edad, genero## quintil_prov temp_media.trend SE df z.ratio p.value
## Quintil 1 0.0377 0.00792 Inf 4.760 <.0001
## Quintil 2 0.0391 0.00795 Inf 4.921 <.0001
## Quintil 3 0.0232 0.00792 Inf 2.933 0.0034
## Quintil 4 0.0197 0.00793 Inf 2.484 0.0130
## Quintil 5 0.0160 0.00797 Inf 2.010 0.0445
##
## Results are averaged over the levels of: rango_edad, genero
Se puede ver que la interaccion es significativa, y además puede verse que el factor de riesgo (AF baja) disminuye conforme aumenta la temperatura. Esto corrobora lo observado en la descriptiva.
Quintil de ingresos con precipitaciones: primero descriptiva
Nuevamente, el gradiente de precpitaciones según quintil de ingresos puede verse claramente. El model a correr es el sigueinte:
\[ logit(\pi(AF_{Baja})) = \beta_{j0} + \beta_1Quintil + \beta_2Prec + \beta_3Genero + \beta_4Edad + \beta_5Quintil*Prec \]
Ya superados los supuestos, podemos ver el modelo por dentro.
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## quintil_ingreso 150.5267 4 < 2.2e-16 ***
## prec_media 9.6744 1 0.001869 **
## rango_edad 730.1273 4 < 2.2e-16 ***
## genero 52.0450 1 5.424e-13 ***
## quintil_ingreso:prec_media 50.6283 4 2.669e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## quintil_ingreso prec_media.trend SE df z.ratio p.value
## Quintil 1 0.002785 0.000562 Inf 4.955 <.0001
## Quintil 2 0.002585 0.000554 Inf 4.666 <.0001
## Quintil 3 0.000956 0.000567 Inf 1.687 0.0917
## Quintil 4 -0.000811 0.000564 Inf -1.436 0.1509
## Quintil 5 -0.001706 0.000567 Inf -3.010 0.0026
##
## Results are averaged over the levels of: rango_edad, genero
La interacción da significativa y puede verse nuevamente como el gradiente de precipitaciones desaparece conforme aumentamos el quintil de ingresos. Esto habla de que las personas menos pudientes sufren mucho el clima. A más lluvia, menos AF lo cual los hacen más vulnerables.
Nivel de Instrucción con temperatura: el siguiente indicador del NSE es el nivel de instrucción. La descriptiva muestra lo siguiente:
En este caso lo que puede verse es que la AF baja se acumula en temperaturas mas bien altas. El gradiente según el indicador de NSE no parece ser muy claro en este caso por lo que se esperaría una interacción NS.
El modelo es el siguiente:
\[ logit(\pi(AF_{Baja})) = \beta_{j0} + \beta_1Instruccion + \beta_2T_{media} + \beta_3Genero + \beta_4Edad + \beta_5Instruccion*T_{media} \]
Supuestos:
Como los supuestos parecerían estar bien, podemos ver el mdelo por dentro:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## nivel_instruccion 263.0250 2 < 2.2e-16 ***
## temp_media 51.6235 1 6.723e-13 ***
## rango_edad 402.2700 4 < 2.2e-16 ***
## genero 85.4167 1 < 2.2e-16 ***
## nivel_instruccion:temp_media 3.6418 2 0.1619
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## nivel_instruccion temp_media.trend SE df z.ratio p.value
## Hasta Primario Completo 0.0154 0.00679 Inf 2.272 0.0231
## Hasta Secundario Completo 0.0319 0.00532 Inf 5.995 <.0001
## Hasta Uni. Completo 0.0257 0.00680 Inf 3.775 0.0002
##
## Results are averaged over the levels of: rango_edad, genero
En este caso la interaccion da S, en oposicion a lo que se esperaba segun descriptiva. Pueden verse dos cosas: la pendiente es cada vez menos pronunciada conforme nos hacemos más instruidos, y tambien la ordenada al origen es cada vez más baja lo cual indica que la prevalencia del factor de riesgo no solo dsiminuye su tasa de crecimiento, sino tambien su prevalencia basal.
Nivel de instrucción con precipitaciones: primero descriptiva
En este caso, el gradiente no está para nada claro. No creo que la interacción sea significativa. Aunque sí puede verse que la AF baja es un poco más alta en niveles de instrucción bajos. El modelo a probar es el siguiente:
\[ logit(\pi(AF_{Baja})) = \beta_{j0} + \beta_1Instruccion + \beta_2Prec + \beta_3Genero + \beta_4Edad + \beta_5Instruccion*Prec \]
Ya superados los supuestos, podemos ver el modelo por dentro.
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## nivel_instruccion 270.055 2 < 2.2e-16 ***
## prec_media 16.574 1 4.678e-05 ***
## rango_edad 394.313 4 < 2.2e-16 ***
## genero 84.552 1 < 2.2e-16 ***
## nivel_instruccion:prec_media 12.401 2 0.002029 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## nivel_instruccion prec_media.trend SE df z.ratio p.value
## Hasta Primario Completo 0.001766 0.000474 Inf 3.725 0.0002
## Hasta Secundario Completo 0.001484 0.000388 Inf 3.823 0.0001
## Hasta Uni. Completo -0.000314 0.000458 Inf -0.686 0.4924
##
## Results are averaged over the levels of: rango_edad, genero
Sorprendentemente, la interacción da S, y nos muestra que a medida que aumetan las precipitaciones, la AF baja sube lo cual es logico. Puede verse algo similar que en temperatura que es un cambio de pendiente y tambien de ordenada al origen siendo el nivel de instrucción más bajo el más desfavorecido.
Carencias Materiales y de Vivienda con temperatura: el siguiente indicador del NSE es el CMV. La descriptiva muestra lo siguiente:
En este caso lo que puede verse es que la AF baja se acumula en temperaturas mas bien altas, y el gradiente según CMV es claro habiendo una acumulación de AF baja en altas temperaturas cuando sí hay carencias, por lo tanto espero que la interacción de S
El modelo es el siguiente:
\[ logit(\pi(AF_{Baja})) = \beta_{j0} + \beta_1CMV + \beta_2T_{media} + \beta_3Genero + \beta_4Edad + \beta_5CMV*T_{media} \]
Supuestos:
Como los supuestos parecerían estar bien, podemos ver el mdelo por dentro:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## CMT 5.1746 1 0.02292 *
## temp_media 49.2769 1 2.223e-12 ***
## rango_edad 709.2615 4 < 2.2e-16 ***
## genero 64.4071 1 1.012e-15 ***
## CMT:temp_media 20.3464 1 6.461e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## CMT temp_media.trend SE df z.ratio p.value
## No tiene 0.0163 0.00414 Inf 3.946 0.0001
## Si tiene 0.0548 0.00745 Inf 7.353 <.0001
##
## Results are averaged over the levels of: rango_edad, genero
En este caso la interaccion da S, como era previsto. Puede verse un brutal cambio de pendiente cuando sí hay carencias materiales y de vivienda. Ese grupo aumenta mucho su AF baja con la temperatura. Lo que no puedo explicar es el cambio de ordenada al origen. Es como si tener CMV en temperaturas bajas te hace tener menor AF baja basal.
Carencias Materiales y de Vivienda con precipitaciones: primero descriptiva
En este caso, el gradiente está claro de nuevo. Puede verse que si las precipitaciones aumentan, tambien lo hace la AF baja cuando sí hay carencias por lo que espero que una interacción S. El modelo es el siguiente:
\[ logit(\pi(AF_{Baja})) = \beta_{j0} + \beta_1CMV + \beta_2Prec + \beta_3Genero + \beta_4Edad + \beta_5CMV*Prec \]
Ya superados los supuestos, podemos ver el modelo por dentro.
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## CMT 13.119 1 0.0002923 ***
## prec_media 14.590 1 0.0001336 ***
## rango_edad 703.648 4 < 2.2e-16 ***
## genero 64.355 1 1.039e-15 ***
## CMT:prec_media 35.788 1 2.200e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## CMT prec_media.trend SE df z.ratio p.value
## No tiene 4.36e-05 0.000293 Inf 0.149 0.8818
## Si tiene 3.41e-03 0.000481 Inf 7.096 <.0001
##
## Results are averaged over the levels of: rango_edad, genero
La interacción da S como era previsto. Se repite el patrón hallado que pare temperatura: a mayor precipitaciones, mayor es la tasa de aumento del factor de riesgo para cuando sí hay carencias.
Clases con temperatura: el ultimo indicador del NSE son las clases, que serían como un resumen de todas las varaibles anteriores. La descriptiva muestra lo siguiente:
Puede verse cierto gradiente de temperaturas sobre todo en surgentes y vulnerados. Pero ese gradiente no está presente en formados que son la clase más favorecida. Esto habla de una posible interaccion significativa.
El modelo es el siguiente:
\[ logit(\pi(AF_{Baja})) = \beta_{j0} + \beta_1Clase + \beta_2T_{media} + \beta_3Genero + \beta_4Clase*T_{media} \]
Se saca el rango etario porque ya está incluido dentro de las clases.
Supuestos:
Como los supuestos parecerían estar bien, podemos ver el mdelo por dentro:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## temp_media 45.211 1 1.769e-11 ***
## clase 576.279 3 < 2.2e-16 ***
## genero 82.547 1 < 2.2e-16 ***
## temp_media:clase 21.993 3 6.544e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## [1] "#########################################################"## [1] "Emtrends"## clase temp_media.trend SE df z.ratio p.value
## CM Inactiva 0.0133 0.00764 Inf 1.737 0.0825
## Surgentes 0.0464 0.00689 Inf 6.728 <.0001
## Formados 0.0106 0.00562 Inf 1.877 0.0605
## Vulnerados 0.0475 0.01211 Inf 3.925 0.0001
##
## Results are averaged over the levels of: genero## Family: binomial ( logit )
## Formula: nivel_actividad_fisica ~ temp_media * clase + genero
## Data: df_strata
##
## AIC BIC logLik deviance df.resid
## 37754.1 37828.3 -18868.1 37736.1 27849
##
##
## Conditional model:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 0.001090 0.129481 0.008 0.993284
## temp_media 0.013264 0.007638 1.737 0.082462 .
## claseSurgentes -1.260685 0.178183 -7.075 1.49e-12 ***
## claseFormados -0.667771 0.159180 -4.195 2.73e-05 ***
## claseVulnerados -0.950001 0.257711 -3.686 0.000228 ***
## generoMujer 0.223804 0.024633 9.086 < 2e-16 ***
## temp_media:claseSurgentes 0.033097 0.010288 3.217 0.001295 **
## temp_media:claseFormados -0.002711 0.009484 -0.286 0.774979
## temp_media:claseVulnerados 0.034257 0.014317 2.393 0.016721 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Nuevamente, la interaccion NSE y clima es significativa. Se pueden ver varias cosas: en primer lugar puede verse un muy gran cambio de ordenada al origen entre CM inactiva y formados. Si bien ambos aumentan su baja AF a una tasa similar, su AF baja basal es muy diferente. Luego los vulnerados son los de mayor tasa de cambio indicando que son los mas afectados por el clima. Finalmente los formados casi que ni se enteran del cambio climático.
En este punto queda claro que los vulnerados son los mas afectados por el clima para mal. Entonces podemos usar el modelo para predecir qué tanto va aumentar la pb de baja AF si se aumenta un grado. Usando el modelo para predecir se puede ver que:
En otras palabras, el aumento de un 1ºC generaría un aumento del 1.59% en la baja AF en los vulnerados, 0.7% en la CM Inactiva, 1.46% en los surgentes y 0.17% en los formados.
Clases con precipitaciones: primero descriptiva
Se puede ver un gradiente similar que con temperatura. los formados y CM inactiva paracerian ser los menos afectados mientras que los vulnerados sí junto con los surgentes pero en menor medida. El modelo es el siguiente:
\[ logit(\pi(AF_{Baja})) = \beta_{j0} + \beta_1Clase + \beta_2Prec + \beta_3Genero + \beta_4Edad + \beta_5Clase*Prec \]
Ya superados los supuestos, podemos ver el modelo por dentro.
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## clase 575.659 3 < 2.2e-16 ***
## prec_media 15.756 1 7.207e-05 ***
## genero 81.306 1 < 2.2e-16 ***
## clase:prec_media 40.248 3 9.441e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## clase prec_media.trend SE df z.ratio p.value
## CM Inactiva 0.000778 0.000536 Inf 1.451 0.1467
## Surgentes 0.002449 0.000456 Inf 5.365 <.0001
## Formados -0.000786 0.000409 Inf -1.922 0.0546
## Vulnerados 0.003496 0.000755 Inf 4.628 <.0001
##
## Results are averaged over the levels of: genero## clase temp_media.trend SE df z.ratio p.value
## CM Inactiva 0.0133 0.00764 Inf 1.737 0.0825
## Surgentes 0.0464 0.00689 Inf 6.728 <.0001
## Formados 0.0106 0.00562 Inf 1.877 0.0605
## Vulnerados 0.0475 0.01211 Inf 3.925 0.0001
##
## Results are averaged over the levels of: genero
La interacción da S como era previsto. El patron hallado es similar que el de temperatura. Los surgentes y vulnerados sufren mucho el clima. CM inactiva en menor medida. Sin embargo, los formados parecerían estar revirtiendo el efecto, como si a mas lluvia, más AF. Eso en principio no sería lógico. Quizas es un artefacto del análisis.
Ya probados los supuestos, se puede ver el modelo por dentro
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## quintil_ingreso 123.0914 4 < 2.2e-16 ***
## temp_media 23.4142 1 1.306e-06 ***
## genero 53.9528 1 2.054e-13 ***
## rango_edad 739.3579 4 < 2.2e-16 ***
## quintil_ingreso:temp_media 52.0589 4 1.341e-10 ***
## quintil_ingreso:genero 7.8067 4 0.09892 .
## temp_media:genero 0.3984 1 0.52793
## quintil_ingreso:temp_media:genero 2.9024 4 0.57429
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Se puede ver que la interacción triple dio NS junto con otras dos dobles por lo que la interacción triple puede descartarse. Lo que sí puede verse es que los rangos etarios mas envejecidos son los de AF más baja y adenás el gradiente de temperaturas se hace presente en cuanto la AF baja aumenta con la temperatura. La interacción quintil-temperatura es significativa por lo que está bien hablar del cambio de pendiente. Los quintiles más bajos se vuelven muy inactivos fisicamente con la temperatura.
Vistos los supuestos, podemos ver el modelo
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## quintil_ingreso 150.4324 4 < 2.2e-16 ***
## prec_media 9.8343 1 0.001713 **
## genero 51.9410 1 5.719e-13 ***
## rango_edad 729.3186 4 < 2.2e-16 ***
## quintil_ingreso:prec_media 51.9017 4 1.446e-10 ***
## quintil_ingreso:genero 8.0973 4 0.088079 .
## prec_media:genero 3.3615 1 0.066737 .
## quintil_ingreso:prec_media:genero 1.7425 4 0.782977
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
En este caso, se observan patrones similares a los observados con temperatura. La interacción triple y dos dobles fueron NS pero la de quintil-precipitaciones es significativa por lo que podemos interpretar el cambio de pendiente.
Vistos los supuestos podemos ver el modelo
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## quintil_ingreso 121.4796 4 < 2.2e-16 ***
## temp_media 22.8498 1 1.752e-06 ***
## rango_edad 734.2059 4 < 2.2e-16 ***
## genero 53.5797 1 2.483e-13 ***
## quintil_ingreso:temp_media 47.7114 4 1.084e-09 ***
## quintil_ingreso:rango_edad 26.4028 16 0.04862 *
## temp_media:rango_edad 9.7555 4 0.04475 *
## quintil_ingreso:temp_media:rango_edad 15.4130 16 0.49462
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Esto es raro y no sé interpretarlo.
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## quintil_ingreso 152.6693 4 < 2.2e-16 ***
## prec_media 8.5086 1 0.003535 **
## rango_edad 651.4313 4 < 2.2e-16 ***
## genero 45.2763 1 1.711e-11 ***
## quintil_ingreso:prec_media 48.1859 4 8.632e-10 ***
## quintil_ingreso:rango_edad 26.4962 16 0.047434 *
## prec_media:rango_edad 12.2874 4 0.015337 *
## quintil_ingreso:prec_media:rango_edad 8.3701 16 0.937079
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
En este caso, si bien la interacción triple dio NS, las tres dobles sí dieron S lo cual la triple es interpretable. Lo que puede observarse es que las precipitaciones aumentan la probaiblidad de AF baja sobre todo para quintiles bajos y para rangos etarios altos.
Comportamiento Sedentario
Ahora se proceden a probar los mismos modelos pero con comportamiento sedentario
Quintil de Ingresos con temperatura: se comienza con descriptiva de este indicador.
Puede verse que el comportamiento sedentario es mas preponderante en quintiles mas altos lo cual indicaría una posible interacción significativa.
El modelo es el siguiente:
\[ logit(\pi(CS)) = \beta_{j0} +\beta_1Quintil + \beta_2T_{media} + \beta_3Genero + \beta_4Edad + \beta_5Quintil*T_{media} \]
Supuestos:
Como los supuestos parecerían estar bien, podemos ver el mdelo por dentro:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## quintil_ingreso 301.0559 4 < 2.2e-16 ***
## temp_media 0.1906 1 0.66239
## rango_edad 93.8187 4 < 2.2e-16 ***
## genero 47.7348 1 4.879e-12 ***
## quintil_ingreso:temp_media 9.1159 4 0.05827 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## quintil_ingreso temp_media.trend SE df z.ratio p.value
## Quintil 1 -0.03166 0.01327 Inf -2.386 0.0170
## Quintil 2 -0.00235 0.01243 Inf -0.189 0.8501
## Quintil 3 0.00700 0.01164 Inf 0.601 0.5478
## Quintil 4 0.00343 0.01042 Inf 0.330 0.7417
## Quintil 5 0.01546 0.00877 Inf 1.763 0.0780
##
## Results are averaged over the levels of: rango_edad, genero
Se puede ver que la interacción es NS y además, el efecto marginal de la temperatura también es NS. Esto podría estar indicando que la probabilidad de ser o no sedentario no depende de estos aspectos sino más bien de las otras variables (Quintil, genero y rango etario).
Quintil de ingresos con precipitaciones: primero descriptiva
En este caso, lo que se puede ver es que a mayor precipitaciones, el quintil 1 parece ser menos sedentario que los quintiles más altos. Sin embargo, la interacción no se ve claramente en esta descriptiva por lo que sospecho que va a dar NS. El modelo es el siguiente:
\[ logit(\pi(CS)) = \beta_{j0} + \beta_1Quintil + \beta_2Prec + \beta_3Genero + \beta_4Edad + \beta_5Quintil*Prec \]
Ya superados los supuestos, podemos ver el modelo por dentro.
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## quintil_ingreso 320.9635 4 < 2.2e-16 ***
## prec_media 17.4276 1 2.985e-05 ***
## rango_edad 93.6160 4 < 2.2e-16 ***
## genero 46.9719 1 7.201e-12 ***
## quintil_ingreso:prec_media 1.3305 4 0.8562
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## quintil_ingreso prec_media.trend SE df z.ratio p.value
## Quintil 1 0.001180 0.000871 Inf 1.354 0.1756
## Quintil 2 0.001997 0.000796 Inf 2.510 0.0121
## Quintil 3 0.000988 0.000793 Inf 1.246 0.2128
## Quintil 4 0.001096 0.000731 Inf 1.499 0.1337
## Quintil 5 0.001744 0.000667 Inf 2.614 0.0090
##
## Results are averaged over the levels of: rango_edad, genero
La interacción da NS como era esperado. Sin mebargo, el efecto de las precipitaciones sí da S a diferencia de la temperatura. Lo que puede verse es que el CS aumenta conforme aumentan las precipitaciones y es cada vez mas grande en quintiles altos. Estos son los más sedentarios y puede deberse a que el trabajo de los quintiles bajos requieren que salgan a pesar de la lluvia.
Nivel de Instrucción con temperatura: el siguiente indicador del NSE es el nivel de instrucción. La descriptiva muestra lo siguiente:
En este caso puede verse que los niveles de instruccion bajo son poco sedentarios mientras que los niveles altos de instruccion sí lo son. En este caso, la interacción parece clara. Sospecho que va a dar S. El modelo es el siguiente:
El modelo es el siguiente:
\[ logit(\pi(CS)) = \beta_{j0} + \beta_1Instruccion + \beta_2T_{media} + \beta_3Genero + \beta_4Edad + \beta_5Instruccion*T_{media} \]
Supuestos:
Como los supuestos parecerían estar bien, podemos ver el mdelo por dentro:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## nivel_instruccion 376.137 2 < 2.2e-16 ***
## temp_media 13.542 1 0.0002333 ***
## rango_edad 58.761 4 5.281e-12 ***
## genero 91.335 1 < 2.2e-16 ***
## nivel_instruccion:temp_media 7.056 2 0.0293629 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## nivel_instruccion temp_media.trend SE df z.ratio p.value
## Hasta Primario Completo -0.0298 0.00981 Inf -3.042 0.0023
## Hasta Secundario Completo -0.0254 0.00756 Inf -3.366 0.0008
## Hasta Uni. Completo -0.0010 0.00790 Inf -0.127 0.8991
##
## Results are averaged over the levels of: rango_edad, genero
En este caso la interaccion da S, como era esperado según la descriptiva. Puede verse que en niveles de instruccion bajos y medios, el comportamiento sedentario baja con temperatura, pero sube abruptamente en niveles altos. Esto puede deberse a lo mismo que antes. Trabajos de cuerpo requieren que salgan a pesar de la temperatura mientras que el trabajo de personas bien formadas, pueden no necesitar salir del hogar. Además, tambien hay un cambio en la ordenada al origen: los niveles de formacion altos, son mas sedentarios de entrada.
Nivel de instrucción con precipitaciones: primero descriptiva
En cuanto a precipitaciones, no parecería verse un patron claro de interaccion. Sospecho que va a dar NS.
\[ logit(\pi(CS)) = \beta_{j0} + \beta_1Instruccion + \beta_2Prec + \beta_3Genero + \beta_4Edad + \beta_5Instruccion*Prec \]
Ya superados los supuestos, podemos ver el modelo por dentro.
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## nivel_instruccion 373.2418 2 < 2.2e-16 ***
## prec_media 6.0078 1 0.0142427 *
## rango_edad 57.6724 4 8.94e-12 ***
## genero 89.8290 1 < 2.2e-16 ***
## nivel_instruccion:prec_media 16.5461 2 0.0002553 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## nivel_instruccion prec_media.trend SE df z.ratio p.value
## Hasta Primario Completo -0.000458 0.000696 Inf -0.657 0.5111
## Hasta Secundario Completo -0.000189 0.000570 Inf -0.331 0.7405
## Hasta Uni. Completo 0.002527 0.000539 Inf 4.692 <.0001
##
## Results are averaged over the levels of: rango_edad, genero
Sorprendentemente, la interacción da S, y nos muestra que a medida que aumetan las precipitaciones, tambien lo hace el CS para los niveles de instrucción más altos lo cual es logico. Las varaiciones en niveles de instruccion medios no parecerían ser claras. Esto puede deberse a lo ya discutido con la naturaleza de sus trabajos.
Carencias Materiales y de Vivienda con temperatura: el siguiente indicador del NSE es el CMV. La descriptiva muestra lo siguiente:
En este caso lo que puede verse es que el CS está mas presente en temperaturas altas para cuando no hay carencias. Sin embargo, el patron no está del todo claro. Puede ser que la interaccion de NS. El modelo es el siguiente:
El modelo es el siguiente:
\[ logit(\pi(CS)) = \beta_{j0} + \beta_1CMV + \beta_2T_{media} + \beta_3Genero + \beta_4Edad + \beta_5CMV*T_{media} \]
Supuestos:
Como los supuestos parecerían estar bien, podemos ver el mdelo por dentro:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## CMT 106.4390 1 < 2.2e-16 ***
## temp_media 2.6692 1 0.1023065
## rango_edad 65.9269 4 1.641e-13 ***
## genero 65.0776 1 7.201e-16 ***
## CMT:temp_media 12.5756 1 0.0003908 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## CMT temp_media.trend SE df z.ratio p.value
## No tiene 0.000812 0.00538 Inf 0.151 0.8801
## Si tiene -0.041304 0.01059 Inf -3.902 0.0001
##
## Results are averaged over the levels of: rango_edad, genero
En este caso la interaccion da S, y puede verse que a mayor temperatura, mayor CS cuando no hay carencias. Por otro lado, cuandi sí hay carencias, la pb de comportamiento sedentario se desploma.
Carencias Materiales y de Vivienda con precipitaciones: primero descriptiva
En cuanto a precipitaciones, puede verse que cuando sí hay carencias parecería haber menor CS, lo cual es consistente con la temperatura. Espero que la interaccion de S. El modelo es el siguiente:
\[ logit(\pi(CS)) = \beta_{j0} + \beta_1CMV + \beta_2Prec + \beta_3Genero + \beta_4Edad + \beta_5CMV*Prec \]
Ya superados los supuestos, podemos ver el modelo por dentro.
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## CMT 118.1340 1 < 2.2e-16 ***
## prec_media 10.1465 1 0.001446 **
## rango_edad 64.7165 4 2.953e-13 ***
## genero 64.6140 1 9.111e-16 ***
## CMT:prec_media 5.6083 1 0.017876 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## CMT prec_media.trend SE df z.ratio p.value
## No tiene 0.00150 0.000381 Inf 3.925 0.0001
## Si tiene -0.00042 0.000714 Inf -0.589 0.5559
##
## Results are averaged over the levels of: rango_edad, genero
La interacción da S como era previsto. Se repite el patrón hallado que pare temperatura: a mayor precipitaciones, mayor es la tasa de aumento del factor de riesgo para cuando no hay carencias.
Clases con temperatura: el ultimo indicador del NSE son las clases, que serían como un resumen de todas las varaibles anteriores. La descriptiva muestra lo siguiente:
Lo que se puede ver es que tanto los surgentes como vulnerados como CM inactiva son mas bien poco sedentarios mientras que los formados son los que mayor sedentarismo tienen. Espero una interaccion S.
El modelo es el siguiente:
\[ logit(\pi(CS)) = \beta_{j0} + \beta_1Clase + \beta_2T_{media} + \beta_3Genero + \beta_4Clase*T_{media} \]
Se saca el rango etario porque ya está incluido dentro de las clases.
Supuestos:
Como los supuestos parecerían estar bien, podemos ver el mdelo por dentro:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## clase 261.6634 3 < 2.2e-16 ***
## temp_media 0.6418 1 0.42305
## genero 64.5994 1 9.178e-16 ***
## est_temp 5.2054 1 0.02252 *
## clase:temp_media 10.5393 3 0.01450 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## GVIF Df GVIF^(1/(2*Df))
## clase 21474.237098 3 5.272132
## temp_media 5.468988 1 2.338587
## genero 1.000757 1 1.000378
## est_temp 1.396492 1 1.181733
## clase:temp_media 24902.081242 3 5.403883## clase temp_media.trend SE df z.ratio p.value
## CM Inactiva 0.016690 0.01130 Inf 1.477 0.1396
## Surgentes 0.000832 0.01052 Inf 0.079 0.9370
## Formados 0.007213 0.00728 Inf 0.991 0.3215
## Vulnerados -0.056177 0.02062 Inf -2.724 0.0065
##
## Results are averaged over the levels of: genero
Se verifica una interacción significativa en donde tanto los formados como surgentes aumentan su factor de riesgo con la temperatura. Sin embargo, los formados tienen más factor de riesgo desde el vamos (una mayor ordenada al origen).
Clases con precipitaciones: primero descriptiva
Para precipitaciones, la unica variacion grande se ve en vulnerados en donde el no sedentarismo parecería ser preponderante. Por otro lado, la media de sedentarismo en formados es mas alta que no sedentario. Todo esto habla de uan posible interacción S. El modelo es el siguiente:
\[ logit(\pi(CS)) = \beta_{j0} + \beta_1Clase + \beta_2Prec + \beta_3Genero + \beta_4Edad + \beta_5Clase*Prec \]
Ya superados los supuestos, podemos ver el modelo por dentro.
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## clase 251.4127 3 < 2.2e-16 ***
## prec_media 2.8315 1 0.09243 .
## genero 63.8698 1 1.329e-15 ***
## est_prec 18.3459 1 1.842e-05 ***
## clase:prec_media 4.5241 3 0.21015
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## GVIF Df GVIF^(1/(2*Df))
## clase 105.054735 3 2.172214
## prec_media 4.894187 1 2.212281
## genero 1.000742 1 1.000371
## est_prec 1.245124 1 1.115851
## clase:prec_media 191.899320 3 2.401664## clase prec_media.trend SE df z.ratio p.value
## CM Inactiva 2.63e-05 0.000745 Inf 0.035 0.9718
## Surgentes 9.65e-04 0.000679 Inf 1.421 0.1553
## Formados 1.00e-03 0.000516 Inf 1.944 0.0519
## Vulnerados -1.65e-03 0.001330 Inf -1.244 0.2135
##
## Results are averaged over the levels of: genero
La interacción da NS en oposición a lo que se esperaba por descriptiva. Sin embargo, lo que sí puede verse es que los más afectados son los formados y la CM inactiva que a mayor precipitacion, mayor sedentarismo. Es lógico en estos dos grupos.
## clase prec_media.trend SE df z.ratio p.value
## CM Inactiva 2.63e-05 0.000745 Inf 0.035 0.9718
## Surgentes 9.65e-04 0.000679 Inf 1.421 0.1553
## Formados 1.00e-03 0.000516 Inf 1.944 0.0519
## Vulnerados -1.65e-03 0.001330 Inf -1.244 0.2135
##
## Results are averaged over the levels of: genero## clase temp_media.trend SE df z.ratio p.value
## CM Inactiva 0.016690 0.01130 Inf 1.477 0.1396
## Surgentes 0.000832 0.01052 Inf 0.079 0.9370
## Formados 0.007213 0.00728 Inf 0.991 0.3215
## Vulnerados -0.056177 0.02062 Inf -2.724 0.0065
##
## Results are averaged over the levels of: genero
Ya probados los supuestos, se puede ver el modelo por dentro
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## quintil_ingreso 300.8134 4 < 2.2e-16 ***
## temp_media 0.1489 1 0.69956
## genero 47.8149 1 4.684e-12 ***
## rango_edad 92.4371 4 < 2.2e-16 ***
## quintil_ingreso:temp_media 9.6609 4 0.04654 *
## quintil_ingreso:genero 10.0543 4 0.03952 *
## temp_media:genero 0.0309 1 0.86055
## quintil_ingreso:temp_media:genero 3.5221 4 0.47452
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
En este caso, tanto la interaccion triple como dos dobles dieron NS por lo que la triple no se salva. Lo que se puede ver en el gráfico de predichos es que el CS comienza aumentar en el quintil dos para mujeres pero en quintil 3 para varones. Sin embargo el patron es consistente: aumenta con el quintil de ingresos.
Vistos los supuestos, podemos ver el modelo
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## quintil_ingreso 320.5945 4 < 2.2e-16 ***
## prec_media 17.3715 1 3.074e-05 ***
## genero 47.0022 1 7.091e-12 ***
## rango_edad 92.3056 4 < 2.2e-16 ***
## quintil_ingreso:prec_media 1.3833 4 0.84710
## quintil_ingreso:genero 9.8909 4 0.04231 *
## prec_media:genero 0.8316 1 0.36180
## quintil_ingreso:prec_media:genero 4.1721 4 0.38322
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Con precipitaciones se observa algo similar que con temperaturas. Los varones ya aumentan su CS en el quintil 1 pero las mujeres lo hacen a partir del quintil 2. Nuevamente, la interacción triple no es interpretable.
Vistos los supuestos podemos ver el modelo
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## quintil_ingreso 289.5998 4 < 2.2e-16 ***
## temp_media 0.3474 1 0.55557
## rango_edad 95.2717 4 < 2.2e-16 ***
## genero 45.6244 1 1.432e-11 ***
## quintil_ingreso:temp_media 9.4125 4 0.05158 .
## quintil_ingreso:rango_edad 102.6548 16 1.099e-14 ***
## temp_media:rango_edad 1.4881 4 0.82876
## quintil_ingreso:temp_media:rango_edad 13.4007 16 0.64326
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
En este caso, la interacción triple no es interpretable porque dos dobles dieron NS tambien. Pero lo que sí puede verse es que en quintiles de 3 a 5, el CS se dispara mucho en jovenes de 18 a 24 años. Ya en quintles 4 y 5 tambien se dispara para 25 a 34. En quintiles bajos el CS no es grave, y aumenta su ordenada al origen de manera consistente con la temperatura.
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## quintil_ingreso 293.8444 4 < 2.2e-16 ***
## prec_media 11.9011 1 0.000561 ***
## rango_edad 90.3967 4 < 2.2e-16 ***
## genero 49.2690 1 2.232e-12 ***
## quintil_ingreso:prec_media 5.8677 4 0.209251
## quintil_ingreso:rango_edad 91.9662 16 1.085e-12 ***
## prec_media:rango_edad 13.3290 4 0.009775 **
## quintil_ingreso:prec_media:rango_edad 10.7239 16 0.826198
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Nuevamente, lo que puede verse es un consistente aumento de la ordeanda al origen. Sin embargo, el CS se dispara en jovenes a partir del quintil 2, y recien en el quintil 4 aparecen los rangos de 25 a 34 y de 35 a 49. Los quintiles altos parecen bajar su CS con los quintiles y las precipitaciones.
Tabla Final
A manera de resumen, se hace una tabla final incluyendo todos los resultados de los análisis.
Donde los códigos de significancia son 0 ‘***’ 0.001 ‘**’ 0.01 ’*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Provincias Frías vs Calientes
Provincias Frías
Si la tendencia observada en bibliografía es correcta, se espera que las provincias frías bajen su AF baja (o sea aumentan la AF) con la temperatura.
Para AF vemos lo siguiente:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## clase 92.7234 3 < 2.2e-16 ***
## temp_media 3.3030 1 0.0691524 .
## genero 14.5120 1 0.0001393 ***
## clase:temp_media 8.0271 3 0.0454557 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
La interacción y la temperatura dieron NS. Sin embargo, sí se puede observar que la tendencia es que la AF baja disminuye que es lo mismo a que la AF aumente tal y como era esperado que pase en provincias frias.
Y para CS vemos lo siguiente:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## clase 18.8258 3 0.000297 ***
## temp_media 3.1925 1 0.073977 .
## genero 0.4972 1 0.480735
## clase:temp_media 0.5907 3 0.898557
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
En cuanto al CS, clase es la unica variable significativa. Se nota ademas la falta de datos.
Provincias calientes
Para AF se observa lo siguiente:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: nivel_actividad_fisica
## Chisq Df Pr(>Chisq)
## clase 498.137 3 < 2.2e-16 ***
## temp_media 101.823 1 < 2.2e-16 ***
## genero 70.192 1 < 2.2e-16 ***
## clase:temp_media 14.123 3 0.002742 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## clase temp_media.trend SE df z.ratio p.value
## CM Inactiva 0.0392 0.00930 Inf 4.214 <.0001
## Surgentes 0.0688 0.00846 Inf 8.127 <.0001
## Formados 0.0287 0.00703 Inf 4.087 <.0001
## Vulnerados 0.0546 0.01389 Inf 3.930 0.0001
##
## Results are averaged over the levels of: genero
Y para CS se observa lo siguiente:
## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: CS
## Chisq Df Pr(>Chisq)
## clase 243.2024 3 < 2.2e-16 ***
## temp_media 7.7818 1 0.005277 **
## genero 68.2690 1 < 2.2e-16 ***
## clase:temp_media 15.3728 3 0.001524 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## clase temp_media.trend SE df z.ratio p.value
## CM Inactiva -0.00536 0.01274 Inf -0.421 0.6738
## Surgentes -0.01120 0.01169 Inf -0.958 0.3379
## Formados -0.01170 0.00835 Inf -1.401 0.1611
## Vulnerados -0.10116 0.02257 Inf -4.483 <.0001
##
## Results are averaged over the levels of: genero
Utilizando las provincias calientes se observan los resultado que ya vimos en todo el trabajo.
Lo interesante es que cuando combinamos todos los datos, prevalece el patrón observado para provincias calientes. Eso se debe a que solo 4 provincias son frias en argentina (Neuquen, Rio negro, Santa Cruz y Tierra del fuego). Por otro lado, las provincias calientes son 20 las provincias calientes por lo que el efecto se enmascara.
Modelos GAM
Se usan para relaciones no lineales entre la VR y las VE
## Summary:
## * clase : factor; set to the value(s): Formados.
## * genero : factor; set to the value(s): Mujer.
## * temp_media : numeric predictor; with 30 values ranging from 8.153822 to 22.681422.
## Summary:
## * clase : factor; set to the value(s): CM Inactiva, Formados, Surgentes, Vulnerados.
## * genero : factor; set to the value(s): Mujer.
## * temp_media : numeric predictor; with 30 values ranging from 8.153822 to 22.681422.
## df AIC
## m1_gam5 26.20414 36908.62
## m1_gam5_sin_by 13.63043 36908.37## df AIC
## m1_gam5_p 26.42320 36966.28
## m1_gam5_p_sin_by 13.63324 36958.67## df AIC
## m1_gam4 20.71622 37656.06
## m1_gam5 26.20414 36908.62
## m1_gam6 23.70157 37729.66
## m1_gam4_c 38.53489 37666.31
## m1_gam5_c 42.50163 37664.65
## m1_gam6_c 45.62498 37667.28##
## Family: binomial
## Link function: logit
##
## Formula:
## nivel_actividad_fisica ~ clase + genero + s(temp_media, bs = "cr",
## by = clase, k = 4)
##
## Parametric coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 0.23020 0.02973 7.742 9.76e-15 ***
## claseSurgentes -0.71154 0.03494 -20.362 < 2e-16 ***
## claseFormados -0.69940 0.03344 -20.915 < 2e-16 ***
## claseVulnerados -0.37704 0.04765 -7.913 2.51e-15 ***
## generoMujer 0.22774 0.02486 9.161 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Approximate significance of smooth terms:
## edf Ref.df Chi.sq p-value
## s(temp_media):claseCM Inactiva 2.962 2.999 46.08 <2e-16 ***
## s(temp_media):claseSurgentes 2.943 2.997 111.10 <2e-16 ***
## s(temp_media):claseFormados 2.935 2.996 63.59 <2e-16 ***
## s(temp_media):claseVulnerados 2.938 2.997 38.71 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## R-sq.(adj) = 0.0332 Deviance explained = 2.46%
## UBRE = 0.34837 Scale est. = 1 n = 27561## Summary:
## * clase : factor; set to the value(s): Formados.
## * genero : factor; set to the value(s): Mujer.
## * temp_media : numeric predictor; with 30 values ranging from 8.153822 to 22.681422.
## Summary:
## * quintil_ingreso : factor; set to the value(s): Quintil 1, Quintil 2, Quintil 3, Quintil 4, Quintil 5.
## * genero : factor; set to the value(s): Mujer.
## * rango_edad : factor; set to the value(s): 35 a 49.
## * temp_media : numeric predictor; with 30 values ranging from 8.153822 to 22.681422.
## Summary:
## * quintil_ingreso : factor; set to the value(s): Quintil 1, Quintil 2, Quintil 3, Quintil 4, Quintil 5.
## * genero : factor; set to the value(s): Mujer.
## * rango_edad : factor; set to the value(s): 35 a 49.
## * temp_media : numeric predictor; with 30 values ranging from 8.153822 to 22.681422.
## Summary:
## * quintil_prov : factor; set to the value(s): Quintil 1, Quintil 2, Quintil 3, Quintil 4, Quintil 5.
## * genero : factor; set to the value(s): Mujer.
## * rango_edad : factor; set to the value(s): 35 a 49.
## * temp_media : numeric predictor; with 30 values ranging from 8.153822 to 22.681422.
## Summary:
## * quintil_prov : factor; set to the value(s): Quintil 1, Quintil 2, Quintil 3, Quintil 4, Quintil 5.
## * genero : factor; set to the value(s): Mujer.
## * rango_edad : factor; set to the value(s): 35 a 49.
## * temp_media : numeric predictor; with 30 values ranging from 8.153822 to 22.681422.
## Summary:
## * quintil_genero : factor; set to the value(s): Quintil 1 Mujer, Quintil 1 Varon, Quintil 2 Mujer, Quintil 2 Varon, Quintil 3 Mujer, Quintil 3 Varon, Quintil 4 Mujer, Quintil 4 Varon, Quintil 5 Mujer, Quintil 5 Varon.
## * temp_media : numeric predictor; with 30 values ranging from 8.153822 to 22.681422.
## df AIC
## m1_gam4_cl 16.77746 37162.29
## m1_gam5_cl 18.79936 37157.54
## m1_gam6_cl 18.80147 37243.53## Summary:
## * clase : factor; set to the value(s): CM Inactiva, Formados, Surgentes, Vulnerados.
## * genero : factor; set to the value(s): Mujer.
## * temp_media : numeric predictor; with 30 values ranging from 8.153822 to 22.681422.