resultados_generales_con_GAM
ValenRoz
2023-07-03
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
Los modelos estadisticos se van a particionar en temperaturas por un lado y precipitaciones por otro. Para cada caso, se analizará la relación con AF y CS, y se evaluarán interacciones con el NSE.
Temperatura
Se comienza con AF Se utilizarán diferentes variables indicadoras del NSE.
Clases como indicador de NSE: se intenta correr una regresión logística con AF como VR y el modelo es el siguiente:
\[ logit(\pi(AF_{Baja})) = \beta_{j0} + \beta_1Clase + \beta_2T_{media} + \beta_3Genero + \beta_4Quintil*T_{media} \]
Se puede ver que el supuesto de linealidad entre el PL y el logit(AF) está comprometida para la temperatura. Esto es sumamente lógico porque la bibliografía dice que la AF baja en temperaturas altas y bajas, y como Argentina tiene ambos climas es esperable un comportamiento no lineal. Es por este motivo que las regresiones logísticas no cumplen con el supuestos de linealidad para temperatura por lo que se corre un modelo GAM.
## df AIC
## m1_gam_AF_k4 16.777459 37162.29
## m1_gam_AF_k5 18.799362 37157.54
## m1_gam_AF_k6 19.858305 37161.22
## m1_gam_AF_k4_sinby 7.975649 37162.85
## m1_gam_AF_k5_sinby 8.663662 37161.89
## m1_gam_AF_k6_sinby 9.154258 37165.11## df BIC
## m1_gam_AF_k4 16.777459 37300.27
## m1_gam_AF_k5 18.799362 37312.15
## m1_gam_AF_k6 19.858305 37324.53
## m1_gam_AF_k4_sinby 7.975649 37228.44
## m1_gam_AF_k5_sinby 8.663662 37233.14
## m1_gam_AF_k6_sinby 9.154258 37240.39
##
## Method: UBRE Optimizer: outer newton
## full convergence after 5 iterations.
## Gradient range [3.396192e-12,1.277494e-06]
## (score 0.3483652 & scale 1).
## Hessian positive definite, eigenvalue range [2.542973e-06,6.105877e-06].
## Model rank = 17 / 17
##
## Basis dimension (k) checking results. Low p-value (k-index<1) may
## indicate that k is too low, especially if edf is close to k'.
##
## k' edf k-index p-value
## s(temp_media):claseCM Inactiva 3.00 2.96 0.99 0.22
## s(temp_media):claseSurgentes 3.00 2.94 0.99 0.20
## s(temp_media):claseFormados 3.00 2.93 0.99 0.17
## s(temp_media):claseVulnerados 3.00 2.94 0.99 0.20## 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 8.000000 to 23.000000.
Al analizar por AIC y BIC vemos que el mejor modelo es aquel que no asume una interaccion NSE y clima. Decido que esto gana por parsimonia (penalizar por complejidad). Y al graficar lo que se ve es que los grupos desfavorecidos son la CM inactiva y los Vulnerados.
A partir de ahora y a modo de validación, se realizan los mismos modelos pero con los diferentes indicadores usados para construir las clases:
Quintil de ingresos como indicador de NSE: se corre directamente el GAM y da lo siguiente:
## df AIC
## m2_gam_AF_k4 24.63132 36908.09
## m2_gam_AF_k5 26.20414 36908.62
## m2_gam_AF_k6 28.28824 36911.62
## m2_gam_AF_k4_sinby 12.97712 36909.48
## m2_gam_AF_k5_sinby 13.63043 36908.37
## m2_gam_AF_k6_sinby 14.07986 36911.75## df BIC
## m2_gam_AF_k4 24.63132 37110.66
## m2_gam_AF_k5 26.20414 37124.13
## m2_gam_AF_k6 28.28824 37144.26
## m2_gam_AF_k4_sinby 12.97712 37016.21
## m2_gam_AF_k5_sinby 13.63043 37020.47
## m2_gam_AF_k6_sinby 14.07986 37027.54
##
## Method: UBRE Optimizer: outer newton
## full convergence after 4 iterations.
## Gradient range [1.129172e-06,1.129172e-06]
## (score 0.3391924 & scale 1).
## Hessian positive definite, eigenvalue range [3.779971e-06,3.779971e-06].
## Model rank = 13 / 13
##
## Basis dimension (k) checking results. Low p-value (k-index<1) may
## indicate that k is too low, especially if edf is close to k'.
##
## k' edf k-index p-value
## s(temp_media) 3.00 2.98 0.96 0.005 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## 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 8.000000 to 23.000000.
El patron que puede observarse es similar a las clases. Los quintiles bajos son los que más AF baja presentan.
Nivel de instrucción como indicador de NSE: se corre directamente el GAM con esta variable
## df AIC
## m3_gam_AF_k4 16.85123 36778.41
## m3_gam_AF_k5 18.40077 36774.60
## m3_gam_AF_k6 19.21107 36777.92
## m3_gam_AF_k4_sinby 10.98018 36781.00
## m3_gam_AF_k5_sinby 11.61850 36779.33
## m3_gam_AF_k6_sinby 12.04881 36782.50## df BIC
## m3_gam_AF_k4 16.85123 36917.00
## m3_gam_AF_k5 18.40077 36925.93
## m3_gam_AF_k6 19.21107 36935.92
## m3_gam_AF_k4_sinby 10.98018 36871.30
## m3_gam_AF_k5_sinby 11.61850 36874.88
## m3_gam_AF_k6_sinby 12.04881 36881.59
##
## Method: UBRE Optimizer: outer newton
## full convergence after 4 iterations.
## Gradient range [6.105095e-07,6.105095e-07]
## (score 0.3345306 & scale 1).
## Hessian positive definite, eigenvalue range [2.574618e-06,2.574618e-06].
## Model rank = 11 / 11
##
## Basis dimension (k) checking results. Low p-value (k-index<1) may
## indicate that k is too low, especially if edf is close to k'.
##
## k' edf k-index p-value
## s(temp_media) 3.00 2.98 0.96 0.005 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## Summary:
## * nivel_instruccion : factor; set to the value(s): Hasta Primario Completo, Hasta Secundario Completo, Hasta Uni. Completo.
## * 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 8.000000 to 23.000000.
Los patrones son similares, todo en orden.
CMV como indicador de NSE: Se corre directament el GAM con CMV
## df AIC
## m4_gam_AF_k4 12.899793 37004.92
## m4_gam_AF_k5 14.180602 37000.23
## m4_gam_AF_k6 15.704003 36997.48
## m4_gam_AF_k4_sinby 9.976546 37003.14
## m4_gam_AF_k5_sinby 10.629968 36997.99
## m4_gam_AF_k6_sinby 11.026194 37002.26## df BIC
## m4_gam_AF_k4 12.899793 37111.01
## m4_gam_AF_k5 14.180602 37116.85
## m4_gam_AF_k6 15.704003 37126.63
## m4_gam_AF_k4_sinby 9.976546 37085.19
## m4_gam_AF_k5_sinby 10.629968 37085.42
## m4_gam_AF_k6_sinby 11.026194 37092.94
##
## Method: UBRE Optimizer: outer newton
## full convergence after 4 iterations.
## Gradient range [1.425846e-06,1.425846e-06]
## (score 0.3425906 & scale 1).
## Hessian positive definite, eigenvalue range [4.390689e-06,4.390689e-06].
## Model rank = 10 / 10
##
## Basis dimension (k) checking results. Low p-value (k-index<1) may
## indicate that k is too low, especially if edf is close to k'.
##
## k' edf k-index p-value
## s(temp_media) 3.00 2.98 0.96 0.005 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## Summary:
## * CMT : factor; set to the value(s): No tiene, Si tiene.
## * 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 8.000000 to 23.000000.
Los patrones son iguales a los ya vistos.
En esta parte se continua con CS. Se utilizan las mismas variables como indicadoras de NSE.
Clases como indicaodras de NSE: el modelo GAM muestra lo siguiente
## df AIC
## m5_gam_AF_k4 15.758543 23490.00
## m5_gam_AF_k5 17.533607 23486.18
## m5_gam_AF_k6 18.063037 23487.62
## m5_gam_AF_k4_sinby 7.932827 23502.13
## m5_gam_AF_k5_sinby 8.336217 23499.85
## m5_gam_AF_k6_sinby 8.701956 23500.18## df BIC
## m5_gam_AF_k4 15.758543 23619.60
## m5_gam_AF_k5 17.533607 23630.38
## m5_gam_AF_k6 18.063037 23636.17
## m5_gam_AF_k4_sinby 7.932827 23567.37
## m5_gam_AF_k5_sinby 8.336217 23568.41
## m5_gam_AF_k6_sinby 8.701956 23571.75
##
## Method: UBRE Optimizer: outer newton
## full convergence after 5 iterations.
## Gradient range [1.211237e-06,1.211237e-06]
## (score -0.1472687 & scale 1).
## Hessian positive definite, eigenvalue range [6.508113e-06,6.508113e-06].
## Model rank = 8 / 8
##
## Basis dimension (k) checking results. Low p-value (k-index<1) may
## indicate that k is too low, especially if edf is close to k'.
##
## k' edf k-index p-value
## s(temp_media) 3.00 2.93 0.97 0.78## 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 8.000000 to 23.000000.
Al analizar por AIC y BIC vemos que el mejor modelo es aquel que no asume una interaccion NSE y clima. Decido que esto gana por parsimonia (penalizar por complejidad). Y al graficar lo que se ve es que los grupos mas sedentarios con los formados.
A partir de ahora y a modo de validación, se realizan los mismos modelos pero con los diferentes indicadores usados para construir las clases:
Quintil de ingresos como indicador de NSE: se corre directamente el GAM y da lo siguiente:
## df AIC
## m6_gam_AF_k4 23.16050 23458.60
## m6_gam_AF_k5 25.48931 23450.30
## m6_gam_AF_k6 27.00184 23452.64
## m6_gam_AF_k4_sinby 12.92886 23449.55
## m6_gam_AF_k5_sinby 13.29163 23448.29
## m6_gam_AF_k6_sinby 13.58937 23448.97## df BIC
## m6_gam_AF_k4 23.16050 23649.07
## m6_gam_AF_k5 25.48931 23659.92
## m6_gam_AF_k6 27.00184 23674.70
## m6_gam_AF_k4_sinby 12.92886 23555.88
## m6_gam_AF_k5_sinby 13.29163 23557.61
## m6_gam_AF_k6_sinby 13.58937 23560.73
##
## Method: UBRE Optimizer: outer newton
## full convergence after 5 iterations.
## Gradient range [1.153787e-06,1.153787e-06]
## (score -0.1491764 & scale 1).
## Hessian positive definite, eigenvalue range [6.615237e-06,6.615237e-06].
## Model rank = 13 / 13
##
## Basis dimension (k) checking results. Low p-value (k-index<1) may
## indicate that k is too low, especially if edf is close to k'.
##
## k' edf k-index p-value
## s(temp_media) 3.00 2.93 0.97 0.84## 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 8.000000 to 23.000000.
El patron que puede observarse es similar a las clases. Los quintiles altos son los que más CS presentan.
Nivel de instrucción como indicador de NSE: se corre directamente el GAM con esta variable
## df AIC
## m7_gam_AF_k4 16.46591 23354.62
## m7_gam_AF_k5 17.50920 23350.75
## m7_gam_AF_k6 18.41417 23350.31
## m7_gam_AF_k4_sinby 10.93141 23370.49
## m7_gam_AF_k5_sinby 11.46738 23366.12
## m7_gam_AF_k6_sinby 11.70016 23366.54## df BIC
## m7_gam_AF_k4 16.46591 23490.04
## m7_gam_AF_k5 17.50920 23494.75
## m7_gam_AF_k6 18.41417 23501.75
## m7_gam_AF_k4_sinby 10.93141 23460.39
## m7_gam_AF_k5_sinby 11.46738 23460.43
## m7_gam_AF_k6_sinby 11.70016 23462.76
##
## Method: UBRE Optimizer: outer newton
## full convergence after 5 iterations.
## Gradient range [1.174861e-06,1.174861e-06]
## (score -0.1520448 & scale 1).
## Hessian positive definite, eigenvalue range [6.51714e-06,6.51714e-06].
## Model rank = 11 / 11
##
## Basis dimension (k) checking results. Low p-value (k-index<1) may
## indicate that k is too low, especially if edf is close to k'.
##
## k' edf k-index p-value
## s(temp_media) 3.00 2.93 0.97 0.78## Summary:
## * nivel_instruccion : factor; set to the value(s): Hasta Primario Completo, Hasta Secundario Completo, Hasta Uni. Completo.
## * 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 8.000000 to 23.000000.
Los patrones son similares, todo en orden.
CMV como indicador de NSE: Se corre directament el GAM con CMV
## df AIC
## m8_gam_AF_k4 12.691166 23601.95
## m8_gam_AF_k5 13.822686 23595.09
## m8_gam_AF_k6 14.041025 23595.38
## m8_gam_AF_k4_sinby 9.945658 23601.52
## m8_gam_AF_k5_sinby 10.656734 23593.56
## m8_gam_AF_k6_sinby 10.893549 23593.88## df BIC
## m8_gam_AF_k4 12.691166 23706.33
## m8_gam_AF_k5 13.822686 23708.77
## m8_gam_AF_k6 14.041025 23710.86
## m8_gam_AF_k4_sinby 9.945658 23683.32
## m8_gam_AF_k5_sinby 10.656734 23681.20
## m8_gam_AF_k6_sinby 10.893549 23683.47
##
## Method: UBRE Optimizer: outer newton
## full convergence after 4 iterations.
## Gradient range [8.190349e-07,8.190349e-07]
## (score -0.1439514 & scale 1).
## Hessian positive definite, eigenvalue range [1.61299e-05,1.61299e-05].
## Model rank = 11 / 11
##
## Basis dimension (k) checking results. Low p-value (k-index<1) may
## indicate that k is too low, especially if edf is close to k'.
##
## k' edf k-index p-value
## s(temp_media) 4.00 3.66 0.97 0.81## Summary:
## * CMT : factor; set to the value(s): No tiene, Si tiene.
## * 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 8.000000 to 23.000000.
Mismos patrones. No tener CMV genera más CS.