Questão 2

Criando o data.frame no R:

# Criando o data frame no R
dados <- data.frame(
  FALTOU = factor(rep(c("NAO", "SIM"), each = 14)),
  SEXO = factor(rep(rep(c("M", "F"), each = 7), 2)),
  TURNO = factor(rep(c("MANHA", "MEIO DIA", "NOITE", "SAB/DOM", "Cortado", "Cort./SAB", "Cort./DOM"), 4)),
  CONTAGEM = c(5735, 2137, 3653, 1747, 1116, 1617, 2720,
               32, 55, 272, 294, 1158, 195, 413,
               545, 183, 347, 133, 1244, 129, 240,
               8, 25, 128, 26, 282, 5, 67)
)

# Convertendo os níveis para 0 e 1 conforme instruído
dados$FALTOU <- relevel(dados$FALTOU, ref = "NAO")  # NÃO=0, SIM=1
dados$SEXO <- relevel(dados$SEXO, ref = "M")        # M=0, F=1

Questão 3

Estimando um modelo logístico tendo como fator apenas a variável sexo

mod1 <- glm(FALTOU ~ SEXO, family = binomial(), contrasts = list(SEXO = contr.sum), data = dados, weights = CONTAGEM)
summary(mod1)
## 
## Call:
## glm(formula = FALTOU ~ SEXO, family = binomial(), data = dados, 
##     weights = CONTAGEM, contrasts = list(SEXO = contr.sum))
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -1.69523    0.02583 -65.619  < 2e-16 ***
## SEXO1       -0.19754    0.02583  -7.646 2.07e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 19597  on 27  degrees of freedom
## Residual deviance: 19541  on 26  degrees of freedom
## AIC: 19545
## 
## Number of Fisher Scoring iterations: 5

Questão 4

Estimando um modelo logístico tendo como fator apenas a variável turno

mod2 <- glm(FALTOU ~ TURNO, family = binomial(), contrasts = list(TURNO = contr.sum), data = dados, weights = CONTAGEM)
summary(mod2)
## 
## Call:
## glm(formula = FALTOU ~ TURNO, family = binomial(), data = dados, 
##     weights = CONTAGEM, contrasts = list(TURNO = contr.sum))
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -2.09854    0.02436 -86.156  < 2e-16 ***
## TURNO1      -0.22435    0.05611  -3.999 6.37e-05 ***
## TURNO2      -0.50580    0.07949  -6.363 1.97e-10 ***
## TURNO3       1.69965    0.03709  45.828  < 2e-16 ***
## TURNO4      -0.24600    0.04482  -5.489 4.05e-08 ***
## TURNO5      -0.25649    0.06598  -3.887 0.000101 ***
## TURNO6      -0.01326    0.04774  -0.278 0.781166    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 19597  on 27  degrees of freedom
## Residual deviance: 17483  on 21  degrees of freedom
## AIC: 17497
## 
## Number of Fisher Scoring iterations: 6

Questão 5

Estimando um modelo logístico tendo como fator as variáveis sexo e turno, sem interação

mod3 <- glm(FALTOU ~ SEXO + TURNO, family = binomial(), contrasts = list(SEXO = contr.sum, TURNO = contr.sum), data = dados, weights = CONTAGEM)
summary(mod3)
## 
## Call:
## glm(formula = FALTOU ~ SEXO + TURNO, family = binomial(), data = dados, 
##     weights = CONTAGEM, contrasts = list(SEXO = contr.sum, TURNO = contr.sum))
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -2.31956    0.03439 -67.451  < 2e-16 ***
## SEXO1        0.28485    0.03010   9.463  < 2e-16 ***
## TURNO1      -0.22331    0.05617  -3.976 7.02e-05 ***
## TURNO2      -0.52263    0.07956  -6.569 5.07e-11 ***
## TURNO3       1.84339    0.04024  45.810  < 2e-16 ***
## TURNO4      -0.30699    0.04519  -6.794 1.09e-11 ***
## TURNO5      -0.30518    0.06616  -4.613 3.98e-06 ***
## TURNO6      -0.03492    0.04784  -0.730    0.465    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 19597  on 27  degrees of freedom
## Residual deviance: 17389  on 20  degrees of freedom
## AIC: 17405
## 
## Number of Fisher Scoring iterations: 6

Questão 6

Estimando um modelo logístico tendo como fator as variáveis sexo e turno, com interação:

mod4 <- glm(FALTOU ~ SEXO + TURNO + SEXO:TURNO, family = binomial(), contrasts = list(SEXO = contr.sum, TURNO = contr.sum), data = dados, weights = CONTAGEM)
summary(mod4)
## 
## Call:
## glm(formula = FALTOU ~ SEXO + TURNO + SEXO:TURNO, family = binomial(), 
##     data = dados, weights = CONTAGEM, contrasts = list(SEXO = contr.sum, 
##         TURNO = contr.sum))
## 
## Coefficients:
##              Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  -1.91693    0.05193 -36.917  < 2e-16 ***
## SEXO1        -0.16710    0.05193  -3.218 0.001291 ** 
## TURNO1       -0.20632    0.08126  -2.539 0.011119 *  
## TURNO2       -1.17911    0.20204  -5.836 5.35e-09 ***
## TURNO3        1.26495    0.06154  20.555  < 2e-16 ***
## TURNO4        0.04701    0.17595   0.267 0.789338    
## TURNO5        0.29387    0.11893   2.471 0.013479 *  
## TURNO6        0.36306    0.07288   4.982 6.30e-07 ***
## SEXO1:TURNO1 -0.13740    0.08126  -1.691 0.090867 .  
## SEXO1:TURNO2  0.73462    0.20204   3.636 0.000277 ***
## SEXO1:TURNO3  0.92766    0.06154  15.074  < 2e-16 ***
## SEXO1:TURNO4 -0.31654    0.17595  -1.799 0.072009 .  
## SEXO1:TURNO5 -0.66751    0.11893  -5.612 1.99e-08 ***
## SEXO1:TURNO6 -0.63301    0.07288  -8.686  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 19597  on 27  degrees of freedom
## Residual deviance: 16838  on 14  degrees of freedom
## AIC: 16866
## 
## Number of Fisher Scoring iterations: 6