Modelo binomial con función de enlace logit aplicado al estado de Burnout dado la covariable ingreso adicional como unica incidente.
##
## Call:
## glm(formula = B_1 ~ otro_ing, family = binomial(link = "logit"),
## data = D2024)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -3.761 1.012 -3.718 0.000201 ***
## otro_ing 2.663 1.211 2.198 0.027962 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 28.820 on 55 degrees of freedom
## Residual deviance: 23.042 on 54 degrees of freedom
## AIC: 27.042
##
## Number of Fisher Scoring iterations: 6Modelo binomial con función de enlace probit aplicado al estado de Burnout dado las covariables influyentes ingreso adicional y escala númerica de despersonalización.
##
## Call:
## glm(formula = B_1 ~ otro_ing + ESC_D, family = binomial(link = "probit"),
## data = D2024)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -3.02631 0.84148 -3.596 0.000323 ***
## otro_ing 1.43766 0.70731 2.033 0.042095 *
## ESC_D 0.17786 0.09042 1.967 0.049171 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 28.82 on 55 degrees of freedom
## Residual deviance: 17.88 on 53 degrees of freedom
## AIC: 23.88
##
## Number of Fisher Scoring iterations: 8Modelo binomial con función de enlace cloglog aplicado al estado de Burnout dado las covariables influyentes ingreso adicional y escala númerica del cansacio emocional.
##
## Call:
## glm(formula = B_1 ~ otro_ing + ESC_C, family = binomial(link = "cloglog"),
## data = D2024)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -6.83791 2.25911 -3.027 0.00247 **
## otro_ing 2.34573 1.19202 1.968 0.04908 *
## ESC_C 0.14409 0.06674 2.159 0.03085 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 28.820 on 55 degrees of freedom
## Residual deviance: 14.616 on 53 degrees of freedom
## AIC: 20.616
##
## Number of Fisher Scoring iterations: 8El Criterio de información de Akaike (AIC) con menor valor fue el modelo binomial cloglog con 20.61589, con el cual se presenta mejor ajuste del modelo.
## [,1]
## [1,] 27.04152
## [2,] 23.87978
## [3,] 20.61589El modelo cloglog también presenta el menor valor para desviance con 14.61589, indicando mejor ajuste del modelo.
## [,1]
## [1,] 23.04152
## [2,] 17.87978
## [3,] 14.61589Persiste la tendencia del modelo cloglog en el críterio de información Bayesiano (BIC) con 26.69195, indicando el mejor equilibrio entre la bonda de ajuste y la penalización por la complejidad del modelo. Esto es consistente con los resultados del AIC y la deviance que también favorecen al modelo cloglog.
## [,1]
## [1,] 31.09222
## [2,] 29.95583
## [3,] 26.69195Así que modelo escogido fue el Cloglog.
##
## Call:
## glm(formula = B_1 ~ otro_ing + ESC_C, family = binomial(link = "cloglog"),
## data = D2024)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -6.83791 2.25911 -3.027 0.00247 **
## otro_ing 2.34573 1.19202 1.968 0.04908 *
## ESC_C 0.14409 0.06674 2.159 0.03085 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 28.820 on 55 degrees of freedom
## Residual deviance: 14.616 on 53 degrees of freedom
## AIC: 20.616
##
## Number of Fisher Scoring iterations: 8## Tolerance Limit: 1e-08
## Maximum number of iterations: 25
##
## Iteration Deviance Tolerance (Intercept) otro_ing ESC_C
## 1 23.350 NA -2.8587 0.93695 0.05451
## 2 16.994 2.7104e-01 -4.2298 1.47733 0.08144
## 3 15.045 1.1406e-01 -5.5522 1.97653 0.11264
## 4 14.644 2.6431e-02 -6.4804 2.26525 0.13516
## 5 14.616 1.9124e-03 -6.8088 2.34251 0.14336
## 6 14.616 1.5460e-05 -6.8377 2.34595 0.14408
## 7 14.616 1.5758e-08 -6.8379 2.34573 0.14409
## 8 14.616 1.6830e-11 -6.8379 2.34573 0.14409##
## (Intercept) -1.420437e-06
## otro_ing -9.787122e-07
## ESC_C -4.954328e-05Anova del modelo Cloglog
## Analysis of Deviance Table
##
## Model: binomial, link: cloglog
##
## Response: B_1
##
## Terms added sequentially (first to last)
##
##
## Df Deviance Resid. Df Resid. Dev
## NULL 55 28.820
## otro_ing 1 5.7782 54 23.041
## ESC_C 1 8.4256 53 14.616## [1] 5.023886Anova de test de razón de verosimilitudes (LRT)
## Analysis of Deviance Table
##
## Model: binomial, link: cloglog
##
## Response: B_1
##
## Terms added sequentially (first to last)
##
##
## Df Deviance Resid. Df Resid. Dev Pr(>Chi)
## NULL 55 28.820
## otro_ing 1 5.7782 54 23.041 0.01623 *
## ESC_C 1 8.4256 53 14.616 0.00370 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Anova de variación de razón de verosimilitud (lr)
##
## Likelihood-ratio test
##
## Model 1 : B_1 ~ 1
## Model 2 : B_1 ~ otro_ing
## Model 3 : B_1 ~ otro_ing + ESC_C
##
## Chi df Pr(Chisq>)
## 1 vs 2 5.7782 1 0.01623 *
## 2 vs 3 8.4256 1 0.00370 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Anova de Wald
##
## Wald test
##
## Model 1 : B_1 ~ 1
## Model 2 : B_1 ~ otro_ing
## Model 3 : B_1 ~ otro_ing + ESC_C
##
## Chi df Pr(Chisq>)
## 1 vs 2 4.7809 1 0.02878 *
## 2 vs 3 4.6615 1 0.03085 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Normalidad
##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: residual
## D = 0.44704, p-value = 3.805e-10
## alternative hypothesis: two-sidedHomoscedasticidad
##
## studentized Breusch-Pagan test
##
## data: fit3
## BP = 19.05, df = 2, p-value = 7.3e-05Distancias de Cook para el modelo Cloglog
## 1 2 3 4 5 6
## 1.599405e-05 1.952218e-04 3.639898e-02 2.161551e-03 5.183286e-03 3.964504e-05
## 7 8 9 10 11 12
## 6.229402e-05 3.964504e-05 6.229402e-05 1.977856e-06 5.055119e-06 7.155980e-03
## 13 14 15 16 17 18
## 1.977856e-06 1.864429e-04 2.520903e-05 1.011656e-05 3.970981e-01 4.969542e-05
## 19 20 21 22 23 24
## 3.639898e-02 4.003817e-06 5.055119e-06 3.964504e-05 1.059792e-02 7.321421e-04
## 25 26 27 28 29 30
## 4.003817e-06 1.489833e-03 4.817849e-01 4.969542e-05 1.599405e-05 7.827408e-02
## 31 32 33 34 35 36
## 1.599405e-05 4.003817e-06 3.964504e-05 7.321421e-04 2.008654e-05 4.969542e-05
## 37 38 39 40 41 42
## 2.504404e-06 6.330603e-02 3.266442e-03 3.168097e-06 8.035315e-06 3.168097e-06
## 43 44 45 46 47 48
## 3.162005e-05 1.489833e-03 1.977856e-06 1.977856e-06 5.055119e-06 5.912850e-03
## 49 50 51 52 53 54
## 4.003817e-06 1.864429e-04 1.599405e-05 1.977856e-06 8.365599e-02 3.964504e-05
## 55 56
## 1.599405e-05 4.003817e-06