1-prevalencia de lesiones según consumo de tabaco ý género para muestra Int-Mont
load("~/Dropbox/odontologia/relevamiento/casnati/muestra_global/muestra_global.RData")
library(survey)
##
## Attaching package: 'survey'
##
## The following object(s) are masked from 'package:graphics':
##
## dotchart
tabla12 <- svyby(~Grupos.lesiones, ~sexo, disenio.post, svymean, na.rm = TRUE,
deff = TRUE)
round(tabla12[, 2:7] * 100, 1)
## Grupos.lesiones1-cancerizables Grupos.lesiones2-candidosis
## F 0.3 3.4
## M 0.8 3.1
## Grupos.lesiones3-traumatica Grupos.lesiones4-proliferativa-T. benigno
## F 3.2 3.1
## M 2.7 1.4
## Grupos.lesiones5-infecciosa-inmunitaria Grupos.lesiones6-Sin lesiones
## F 0.9 89.1
## M 0.5 91.4
tabla13 <- svyby(~Grupos.lesiones, ~tabaco, disenio.post, svymean, na.rm = TRUE,
deff = TRUE)
round(tabla13[, 2:7] * 100, 1)
## Grupos.lesiones1-cancerizables Grupos.lesiones2-candidosis
## 1 0.5 3.5
## 2 0.0 0.9
## 3 1.8 2.4
## 4 0.4 3.0
## Grupos.lesiones3-traumatica Grupos.lesiones4-proliferativa-T. benigno
## 1 3.2 2.3
## 2 1.9 0.0
## 3 3.0 3.8
## 4 2.0 1.7
## Grupos.lesiones5-infecciosa-inmunitaria Grupos.lesiones6-Sin lesiones
## 1 0.9 89.6
## 2 0.0 97.3
## 3 0.0 89.0
## 4 0.2 92.7
2- Prevalencia de lesiones según consumo de alcohol y género para muestra Int-Mont
tabla14 <- svyby(~Grupos.lesiones, ~sexo * alcohol, disenio.post, svymean, na.rm = TRUE,
deff = TRUE)
round(tabla14[, 3:8] * 100, 1)
## Grupos.lesiones1-cancerizables Grupos.lesiones2-candidosis
## F.1 0.3 4.9
## M.1 1.2 4.8
## F.2 0.3 2.4
## M.2 0.5 1.6
## F.3 0.0 2.0
## M.3 1.5 5.5
## F.4 0.0 1.7
## M.4 0.0 2.2
## Grupos.lesiones3-traumatica Grupos.lesiones4-proliferativa-T. benigno
## F.1 3.5 4.6
## M.1 3.2 2.7
## F.2 2.4 2.3
## M.2 2.7 1.9
## F.3 8.1 0.8
## M.3 1.8 0.0
## F.4 0.0 2.8
## M.4 4.8 0.0
## Grupos.lesiones5-infecciosa-inmunitaria Grupos.lesiones6-Sin lesiones
## F.1 0.5 86.1
## M.1 0.0 88.1
## F.2 0.4 92.3
## M.2 1.1 92.4
## F.3 5.8 83.2
## M.3 0.0 91.3
## F.4 0.0 95.5
## M.4 0.0 93.0
3- Prevalencia de lesiones según perfil de consumo de frutas y verduras para muestra Int Mont
tabla15 <- svyby(~frutas_verduras, ~Grupos.lesiones, disenio.post, svymean,
na.rm = TRUE, deff = TRUE)
round(tabla15[, 2:4] * 1, 1)
## frutas_verduras se DEff.frutas_verduras
## 1-cancerizables 2.3 0.3 1.1
## 2-candidosis 1.9 0.2 1.1
## 3-traumatica 2.6 0.4 1.6
## 4-proliferativa-T. benigno 3.0 0.3 1.8
## 5-infecciosa-inmunitaria 2.0 0.1 0.5
## 6-Sin lesiones 2.3 0.1 1.5
round(confint(tabla15), 1)
## 2.5 % 97.5 %
## 1-cancerizables 1.8 2.8
## 2-candidosis 1.6 2.2
## 3-traumatica 1.9 3.4
## 4-proliferativa-T. benigno 2.4 3.6
## 5-infecciosa-inmunitaria 1.7 2.2
## 6-Sin lesiones 2.2 2.4
plot(table(round(disenio.post$variables$frutas_verduras, 2)), ylab = "Frecuencia",
xlab = "Porciones diarias")
svyhist(~frutas_verduras, disenio.post, main = "Consumo de Fritas y verduras",
col = "yellow", cex.main = 1, xlab = "Porciones diarias", ylab = "Frecuencia")
abline(v = svymean(~frutas_verduras, disenio.post, na.rm = TRUE), col = 2)
abline(v = 5, col = 4)
svyboxplot(frutas_verduras ~ Grupos.lesiones, disenio.post, all.outliers = TRUE,
horizontal = TRUE, main = "Consumo de Fritas y verduras", col = "yellow",
cex.main = 1, xlab = "Porciones diarias", ylab = "Lesiones")
confint(tabla15)
## 2.5 % 97.5 %
## 1-cancerizables 1.766 2.816
## 2-candidosis 1.572 2.197
## 3-traumatica 1.858 3.414
## 4-proliferativa-T. benigno 2.402 3.637
## 5-infecciosa-inmunitaria 1.722 2.199
## 6-Sin lesiones 2.166 2.375
tabla15a <- svyby(~Prev.lesio, ~frutas_verduras.rec1 * muestra, disenio.post,
svymean, na.rm = TRUE, deff = TRUE)
round(tabla15a[, 3:5] * 100, 1)
## Prev.lesiono Prev.lesiosi se.Prev.lesiono
## >=5.Int 93.2 6.8 3.2
## <5.Int 87.9 12.1 1.7
## >=5.Mon 89.6 10.4 5.4
## <5.Mon 92.1 7.9 1.4
tabla15b <- svyby(~Prev.lesio, ~frutas_verduras.rec1, disenio.post, svymean,
na.rm = TRUE, deff = TRUE)
round(tabla15b[, 2:4] * 100, 1)
## Prev.lesiono Prev.lesiosi se.Prev.lesiono
## >=5 91.1 8.9 3.4
## <5 90.1 9.9 1.1
confint(tabla15a) * 100
## 2.5 % 97.5 %
## >=5.Int:Prev.lesiono 86.8226 99.53
## <5.Int:Prev.lesiono 84.5960 91.16
## >=5.Mon:Prev.lesiono 79.0369 100.11
## <5.Mon:Prev.lesiono 89.3573 94.88
## >=5.Int:Prev.lesiosi 0.4717 13.18
## <5.Int:Prev.lesiosi 8.8428 15.40
## >=5.Mon:Prev.lesiosi -0.1112 20.96
## <5.Mon:Prev.lesiosi 5.1245 10.64
confint(tabla15b) * 100
## 2.5 % 97.5 %
## >=5:Prev.lesiono 84.469 97.76
## <5:Prev.lesiono 88.010 92.26
## >=5:Prev.lesiosi 2.244 15.53
## <5:Prev.lesiosi 7.740 11.99
svychisq(~Prev.lesio + frutas_verduras.rec1, disenio.post, statistic = "Wald")
##
## Design-based Wald test of association
##
## data: svychisq(~Prev.lesio + frutas_verduras.rec1, disenio.post, statistic = "Wald")
## F = 0.0757, ndf = 1, ddf = 1475, p-value = 0.7833
4- Prevalencia de lesiones según INSE para muestra Int-Mont
tabla16 <- svyby(~Grupos.lesiones, ~INSE1, disenio.post, svymean, na.rm = TRUE,
deff = TRUE)
round(tabla16[, 3:8] * 100, 1)
## Grupos.lesiones2-candidosis Grupos.lesiones3-traumatica
## 1-BAJO 4.8 3.5
## 2-MEDIO 2.2 2.7
## 3-ALTO 0.0 0.5
## Grupos.lesiones4-proliferativa-T. benigno
## 1-BAJO 2.9
## 2-MEDIO 1.9
## 3-ALTO 0.0
## Grupos.lesiones5-infecciosa-inmunitaria
## 1-BAJO 1.3
## 2-MEDIO 0.3
## 3-ALTO 0.0
## Grupos.lesiones6-Sin lesiones se.Grupos.lesiones1-cancerizables
## 1-BAJO 87.0 0.3
## 2-MEDIO 92.4 0.2
## 3-ALTO 99.5 0.0
round(confint(tabla16) * 100, 1)
## 2.5 % 97.5 %
## 1-BAJO:Grupos.lesiones1-cancerizables -0.1 1.3
## 2-MEDIO:Grupos.lesiones1-cancerizables 0.1 1.0
## 3-ALTO:Grupos.lesiones1-cancerizables 0.0 0.0
## 1-BAJO:Grupos.lesiones2-candidosis 2.6 6.9
## 2-MEDIO:Grupos.lesiones2-candidosis 0.9 3.5
## 3-ALTO:Grupos.lesiones2-candidosis 0.0 0.0
## 1-BAJO:Grupos.lesiones3-traumatica 1.6 5.4
## 2-MEDIO:Grupos.lesiones3-traumatica 1.3 4.1
## 3-ALTO:Grupos.lesiones3-traumatica -0.5 1.6
## 1-BAJO:Grupos.lesiones4-proliferativa-T. benigno 1.0 4.8
## 2-MEDIO:Grupos.lesiones4-proliferativa-T. benigno 0.4 3.3
## 3-ALTO:Grupos.lesiones4-proliferativa-T. benigno 0.0 0.0
## 1-BAJO:Grupos.lesiones5-infecciosa-inmunitaria -0.2 2.8
## 2-MEDIO:Grupos.lesiones5-infecciosa-inmunitaria 0.0 0.6
## 3-ALTO:Grupos.lesiones5-infecciosa-inmunitaria 0.0 0.0
## 1-BAJO:Grupos.lesiones6-Sin lesiones 83.4 90.5
## 2-MEDIO:Grupos.lesiones6-Sin lesiones 90.0 94.7
## 3-ALTO:Grupos.lesiones6-Sin lesiones 98.4 100.5
5- La prevalencia de las lesiones según la topografía
tabla11 <- svyby(~muestra, ~Topografia.rec, disenio.post, svytotal, na.rm = TRUE,
deff = TRUE)
round(tabla11[, 2:3] * 1, 0)
## muestraInt muestraMon
## Bordes 10895 0
## Labios 10472 10098
## Lengua 1686 947
## Mucosa 4090 6858
## Paladar 16975 8250
## Rebordes 3116 11519
## Sin trastornos 356998 435338
round(confint(tabla11) * 1, 1)
## 2.5 % 97.5 %
## Bordes:muestraInt 4604.1 17185
## Labios:muestraInt 1910.1 19035
## Lengua:muestraInt 2.8 3370
## Mucosa:muestraInt 1027.5 7153
## Paladar:muestraInt 10496.7 23453
## Rebordes:muestraInt -149.4 6382
## Sin trastornos:muestraInt 344582.3 369414
## Bordes:muestraMon 0.0 0
## Labios:muestraMon 4093.8 16102
## Lengua:muestraMon -910.9 2805
## Mucosa:muestraMon 1179.3 12536
## Paladar:muestraMon 2275.5 14224
## Rebordes:muestraMon 3926.0 19112
## Sin trastornos:muestraMon 422853.3 447823
tabla16 <- svyby(~muestra, ~Trastornos.rec, disenio.post, svytotal, na.rm = TRUE,
deff = FALSE)
round(ftable(tabla16), 0)
## muestraInt muestraMon
## Trastornos.rec
## absceso svytotal 743 4070
## SE 442 2880
## candidosis svytotal 20558 7747
## SE 4242 2942
## hiperplasia fibrom svytotal 2800 4211
## SE 1277 2003
## hiperplasia parapr svytotal 6340 297
## SE 3157 297
## leucoplasia svytotal 2834 1654
## SE 1108 1234
## otras svytotal 6158 3249
## SE 3105 2049
## queratosis fricc svytotal 960 3836
## SE 732 1996
## Sin trastornos svytotal 356998 435338
## SE 6335 6370
## ulcera svytotal 6842 12606
## SE 2146 3510
tabla16a <- svytotal(~Trastornos.rec, disenio.post, na.rm = TRUE, deff = FALSE)
tabla16a
## total SE
## Trastornos.recabsceso 4813 2914
## Trastornos.reccandidosis 28305 5162
## Trastornos.rechiperplasia fibrom 7011 2375
## Trastornos.rechiperplasia parapr 6636 3171
## Trastornos.recleucoplasia 4488 1658
## Trastornos.recotras 9408 3720
## Trastornos.recqueratosis fricc 4796 2126
## Trastornos.recSin trastornos 792336 8984
## Trastornos.reculcera 19449 4114
round(confint(tabla16a), 1)
## 2.5 % 97.5 %
## Trastornos.recabsceso -898.8 10524
## Trastornos.reccandidosis 18188.1 38422
## Trastornos.rechiperplasia fibrom 2355.9 11666
## Trastornos.rechiperplasia parapr 422.0 12851
## Trastornos.recleucoplasia 1237.7 7739
## Trastornos.recotras 2116.2 16699
## Trastornos.recqueratosis fricc 628.4 8964
## Trastornos.recSin trastornos 774728.8 809944
## Trastornos.reculcera 11385.3 27512
addmargins(table(disenio.post$variables$Trastornos.rec, disenio.post$variables$muestra))
##
## Int Mon Sum
## absceso 3 2 5
## candidosis 40 11 51
## hiperplasia fibrom 6 5 11
## hiperplasia parapr 12 1 13
## leucoplasia 8 2 10
## otras 13 3 16
## queratosis fricc 2 5 7
## Sin trastornos 820 520 1340
## ulcera 18 14 32
## Sum 922 563 1485
Enfermedad peri
library(car)
## Loading required package: MASS
## Loading required package: nnet
disenio.post$variables$perio.rec <- recode(disenio.post$variables$perio, " '1-sano'= '1-sano';'2-leve'= '2-leve-moderada';'3-moderada'='2-leve-moderada';'4-grave'='3-grave';'5-desdentada'=\n '4-desdentada'")
tabla17 <- svyby(~Prev.lesio, ~perio.rec, disenio.post, svymean, na.rm = TRUE,
deff = FALSE)
round(ftable(tabla17) * 100, 1)
## Prev.lesiono Prev.lesiosi
## perio.rec
## 1-sano svymean 94.0 6.0
## SE 1.1 1.1
## 2-leve-moderada svymean 93.5 6.5
## SE 2.2 2.2
## 3-grave svymean 95.0 5.0
## SE 2.5 2.5
## 4-desdentada svymean 76.0 24.0
## SE 3.2 3.2
svychisq(~Prev.lesio + perio, disenio.post, statistic = "Wald")
##
## Design-based Wald test of association
##
## data: svychisq(~Prev.lesio + perio, disenio.post, statistic = "Wald")
## F = 8.42, ndf = 4, ddf = 1475, p-value = 1.025e-06
library(car)
disenio.post$variables$Prev.lesio.rec <- recode(as.numeric(disenio.post$variables$Prev.lesio),
"1=0;2=1")
table(disenio.post$variables$Prev.lesio, disenio.post$variables$Prev.lesio.rec)
##
## 0 1
## no 1340 0
## si 0 145
#Genero, Edad,INSE,Tabaco,mate,alcohol, frutasyverduras,protesis
svychisq(~Prev.lesio.rec + sexo, disenio.post, statistic = "Wald")
##
## Design-based Wald test of association
##
## data: svychisq(~Prev.lesio.rec + sexo, disenio.post, statistic = "Wald")
## F = 1.285, ndf = 1, ddf = 1475, p-value = 0.2571
modelo.bin1 <- svyglm(factor(Prev.lesio.rec) ~ sexo, design = disenio.post,
family = quasibinomial())
summary(modelo.bin1)
##
## Call:
## svyglm(formula = factor(Prev.lesio.rec) ~ sexo, design = disenio.post,
## family = quasibinomial())
##
## Survey design:
## postStratify(disenio, ~mue_eta_sex, tabla.pob)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.104 0.145 -14.47 <2e-16 ***
## sexoM -0.265 0.239 -1.11 0.27
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for quasibinomial family taken to be 1.001)
##
## Number of Fisher Scoring iterations: 4
confint(modelo.bin1)
## 2.5 % 97.5 %
## (Intercept) -2.3890 -1.8192
## sexoM -0.7334 0.2026
exp(modelo.bin1$coefficients)
## (Intercept) sexoM
## 0.1220 0.7669
reporte <- data.frame(modelo.bin1$coefficients, exp(modelo.bin1$coefficients))
colnames(reporte) <- c("coef", "exp_coef")
reporte
## coef exp_coef
## (Intercept) -2.1041 0.1220
## sexoM -0.2654 0.7669
svychisq(~Prev.lesio.rec + tramo_eta, disenio.post, statistic = "Wald")
##
## Design-based Wald test of association
##
## data: svychisq(~Prev.lesio.rec + tramo_eta, disenio.post, statistic = "Wald")
## F = 15.1, ndf = 2, ddf = 1475, p-value = 3.211e-07
modelo.bin2 <- svyglm(factor(Prev.lesio.rec) ~ tramo_eta, design = disenio.post,
family = quasibinomial())
summary(modelo.bin2)
##
## Call:
## svyglm(formula = factor(Prev.lesio.rec) ~ tramo_eta, design = disenio.post,
## family = quasibinomial())
##
## Survey design:
## postStratify(disenio, ~mue_eta_sex, tabla.pob)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.007 0.232 -12.97 < 2e-16 ***
## tramo_etaE2 1.032 0.324 3.19 0.0015 **
## tramo_etaE3 1.347 0.273 4.94 8.7e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for quasibinomial family taken to be 1.001)
##
## Number of Fisher Scoring iterations: 5
confint(modelo.bin2)
## 2.5 % 97.5 %
## (Intercept) -3.4615 -2.553
## tramo_etaE2 0.3976 1.667
## tramo_etaE3 0.8127 1.881
exp(modelo.bin2$coefficients)
## (Intercept) tramo_etaE2 tramo_etaE3
## 0.04943 2.80773 3.84616
reporte <- data.frame(modelo.bin2$coefficients, exp(modelo.bin2$coefficients))
colnames(reporte) <- c("coef", "exp_coef")
reporte
## coef exp_coef
## (Intercept) -3.007 0.04943
## tramo_etaE2 1.032 2.80773
## tramo_etaE3 1.347 3.84616
svychisq(~Prev.lesio.rec + INSE1, disenio.post, statistic = "Wald")
##
## Design-based Wald test of association
##
## data: svychisq(~Prev.lesio.rec + INSE1, disenio.post, statistic = "Wald")
## F = 13.75, ndf = 2, ddf = 1475, p-value = 1.21e-06
modelo.bin3 <- svyglm(factor(Prev.lesio.rec) ~ INSE1, design = disenio.post,
family = quasibinomial())
summary(modelo.bin3)
##
## Call:
## svyglm(formula = factor(Prev.lesio.rec) ~ INSE1, design = disenio.post,
## family = quasibinomial())
##
## Survey design:
## postStratify(disenio, ~mue_eta_sex, tabla.pob)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.897 0.160 -11.89 <2e-16 ***
## INSE12-MEDIO -0.599 0.234 -2.56 0.0106 *
## INSE13-ALTO -3.344 1.027 -3.26 0.0012 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for quasibinomial family taken to be 1.001)
##
## Number of Fisher Scoring iterations: 7
confint(modelo.bin3)
## 2.5 % 97.5 %
## (Intercept) -2.210 -1.584
## INSE12-MEDIO -1.057 -0.140
## INSE13-ALTO -5.357 -1.331
exp(modelo.bin3$coefficients)
## (Intercept) INSE12-MEDIO INSE13-ALTO
## 0.1500 0.5495 0.0353
reporte <- data.frame(modelo.bin3$coefficients, exp(modelo.bin3$coefficients))
colnames(reporte) <- c("coef", "exp_coef")
reporte
## coef exp_coef
## (Intercept) -1.8972 0.1500
## INSE12-MEDIO -0.5987 0.5495
## INSE13-ALTO -3.3440 0.0353
svychisq(~Prev.lesio.rec + tabaco, disenio.post, statistic = "Wald")
##
## Design-based Wald test of association
##
## data: svychisq(~Prev.lesio.rec + tabaco, disenio.post, statistic = "Wald")
## F = 2.689, ndf = 3, ddf = 1475, p-value = 0.04501
modelo.bin4 <- svyglm(factor(Prev.lesio.rec) ~ factor(tabaco), design = disenio.post,
family = quasibinomial())
summary(modelo.bin4)
##
## Call:
## svyglm(formula = factor(Prev.lesio.rec) ~ factor(tabaco), design = disenio.post,
## family = quasibinomial())
##
## Survey design:
## postStratify(disenio, ~mue_eta_sex, tabla.pob)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.1511 0.1306 -16.47 <2e-16 ***
## factor(tabaco)2 -1.4262 0.7852 -1.82 0.07 .
## factor(tabaco)3 0.0595 0.4524 0.13 0.90
## factor(tabaco)4 -0.3864 0.3757 -1.03 0.30
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for quasibinomial family taken to be 0.9934)
##
## Number of Fisher Scoring iterations: 6
confint(modelo.bin4)
## 2.5 % 97.5 %
## (Intercept) -2.4071 -1.8952
## factor(tabaco)2 -2.9651 0.1127
## factor(tabaco)3 -0.8272 0.9462
## factor(tabaco)4 -1.1228 0.3499
regTermTest(modelo.bin4, "factor(tabaco)")
## Wald test for factor(tabaco)
## in svyglm(formula = factor(Prev.lesio.rec) ~ factor(tabaco), design = disenio.post,
## family = quasibinomial())
## F = 1.422 on 3 and 1463 df: p= 0.23
exp(modelo.bin4$coefficients)
## (Intercept) factor(tabaco)2 factor(tabaco)3 factor(tabaco)4
## 0.1164 0.2402 1.0613 0.6795
reporte <- data.frame(modelo.bin4$coefficients, exp(modelo.bin4$coefficients))
colnames(reporte) <- c("coef", "exp_coef")
reporte
## coef exp_coef
## (Intercept) -2.15114 0.1164
## factor(tabaco)2 -1.42623 0.2402
## factor(tabaco)3 0.05952 1.0613
## factor(tabaco)4 -0.38645 0.6795
svychisq(~Prev.lesio.rec + n5consumem, disenio.post, statistic = "Wald")
##
## Design-based Wald test of association
##
## data: svychisq(~Prev.lesio.rec + n5consumem, disenio.post, statistic = "Wald")
## F = 3.167, ndf = 1, ddf = 1475, p-value = 0.07532
modelo.bin5 <- svyglm(factor(Prev.lesio.rec) ~ n5consumem, design = disenio.post,
family = quasibinomial())
summary(modelo.bin5)
##
## Call:
## svyglm(formula = factor(Prev.lesio.rec) ~ n5consumem, design = disenio.post,
## family = quasibinomial())
##
## Survey design:
## postStratify(disenio, ~mue_eta_sex, tabla.pob)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.133 0.133 -16.06 <2e-16 ***
## n5consumem2-No toma mate -0.456 0.277 -1.65 0.1
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for quasibinomial family taken to be 0.9977)
##
## Number of Fisher Scoring iterations: 5
confint(modelo.bin5)
## 2.5 % 97.5 %
## (Intercept) -2.3933 -1.8728
## n5consumem2-No toma mate -0.9984 0.0871
exp(modelo.bin5$coefficients)
## (Intercept) n5consumem2-No toma mate
## 0.1185 0.6340
reporte <- data.frame(modelo.bin5$coefficients, exp(modelo.bin5$coefficients))
colnames(reporte) <- c("coef", "exp_coef")
reporte
## coef exp_coef
## (Intercept) -2.1330 0.1185
## n5consumem2-No toma mate -0.4556 0.6340
svychisq(~Prev.lesio.rec + alcohol, disenio.post, statistic = "Wald")
##
## Design-based Wald test of association
##
## data: svychisq(~Prev.lesio.rec + alcohol, disenio.post, statistic = "Wald")
## F = 1.975, ndf = 3, ddf = 1475, p-value = 0.1158
modelo.bin6 <- svyglm(factor(Prev.lesio.rec) ~ alcohol, design = disenio.post,
family = quasibinomial())
summary(modelo.bin6)
##
## Call:
## svyglm(formula = factor(Prev.lesio.rec) ~ alcohol, design = disenio.post,
## family = quasibinomial())
##
## Survey design:
## postStratify(disenio, ~mue_eta_sex, tabla.pob)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.879 0.188 -9.97 <2e-16 ***
## alcohol2 -0.606 0.260 -2.33 0.02 *
## alcohol3 -0.239 0.370 -0.65 0.52
## alcohol4 -0.782 0.482 -1.62 0.11
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for quasibinomial family taken to be 0.9952)
##
## Number of Fisher Scoring iterations: 5
confint(modelo.bin6)
## 2.5 % 97.5 %
## (Intercept) -2.248 -1.50969
## alcohol2 -1.116 -0.09611
## alcohol3 -0.965 0.48632
## alcohol4 -1.728 0.16330
exp(modelo.bin6$coefficients)
## (Intercept) alcohol2 alcohol3 alcohol4
## 0.1528 0.5454 0.7872 0.4573
reporte <- data.frame(modelo.bin6$coefficients, exp(modelo.bin6$coefficients))
colnames(reporte) <- c("coef", "exp_coef")
reporte
## coef exp_coef
## (Intercept) -1.8789 0.1528
## alcohol2 -0.6062 0.5454
## alcohol3 -0.2393 0.7872
## alcohol4 -0.7824 0.4573
svychisq(~Prev.lesio.rec + frutas_verduras.rec1, disenio.post, statistic = "Wald")
##
## Design-based Wald test of association
##
## data: svychisq(~Prev.lesio.rec + frutas_verduras.rec1, disenio.post, statistic = "Wald")
## F = 0.0757, ndf = 1, ddf = 1475, p-value = 0.7833
modelo.bin7 <- svyglm(factor(Prev.lesio.rec) ~ frutas_verduras, design = disenio.post,
family = quasibinomial())
summary(modelo.bin7)
##
## Call:
## svyglm(formula = factor(Prev.lesio.rec) ~ frutas_verduras, design = disenio.post,
## family = quasibinomial())
##
## Survey design:
## postStratify(disenio, ~mue_eta_sex, tabla.pob)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.3443 0.1890 -12.40 <2e-16 ***
## frutas_verduras 0.0527 0.0678 0.78 0.44
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for quasibinomial family taken to be 0.9892)
##
## Number of Fisher Scoring iterations: 4
confint(modelo.bin7)
## 2.5 % 97.5 %
## (Intercept) -2.71478 -1.9738
## frutas_verduras -0.08028 0.1856
exp(modelo.bin7$coefficients)
## (Intercept) frutas_verduras
## 0.09592 1.05409
reporte <- data.frame(modelo.bin7$coefficients, exp(modelo.bin7$coefficients))
colnames(reporte) <- c("coef", "exp_coef")
reporte
## coef exp_coef
## (Intercept) -2.34428 0.09592
## frutas_verduras 0.05268 1.05409
svychisq(~Prev.lesio.rec + Sit_protesis, disenio.post, statistic = "Wald")
##
## Design-based Wald test of association
##
## data: svychisq(~Prev.lesio.rec + Sit_protesis, disenio.post, statistic = "Wald")
## F = 13.03, ndf = 3, ddf = 1475, p-value = 2.128e-08
modelo.bin8 <- svyglm(factor(Prev.lesio.rec) ~ Sit_protesis, design = disenio.post,
family = quasibinomial())
summary(modelo.bin8)
##
## Call:
## svyglm(formula = factor(Prev.lesio.rec) ~ Sit_protesis, design = disenio.post,
## family = quasibinomial())
##
## Survey design:
## postStratify(disenio, ~mue_eta_sex, tabla.pob)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.291 0.183 -7.07 2.4e-12 ***
## Sit_protesisPPR 0.199 0.312 0.64 0.523
## Sit_protesisResto -1.103 0.582 -1.89 0.058 .
## Sit_protesisSin_prote -1.676 0.271 -6.20 7.5e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for quasibinomial family taken to be 0.9928)
##
## Number of Fisher Scoring iterations: 5
confint(modelo.bin8)
## 2.5 % 97.5 %
## (Intercept) -1.6494 -0.9333
## Sit_protesisPPR -0.4115 0.8102
## Sit_protesisResto -2.2437 0.0381
## Sit_protesisSin_prote -2.2062 -1.1458
exp(modelo.bin8$coefficients)
## (Intercept) Sit_protesisPPR Sit_protesisResto
## 0.2749 1.2206 0.3319
## Sit_protesisSin_prote
## 0.1871
reporte <- data.frame(modelo.bin8$coefficients, exp(modelo.bin8$coefficients))
colnames(reporte) <- c("coef", "exp_coef")
reporte
## coef exp_coef
## (Intercept) -1.2914 0.2749
## Sit_protesisPPR 0.1994 1.2206
## Sit_protesisResto -1.1028 0.3319
## Sit_protesisSin_prote -1.6760 0.1871