L4P2 - Regressão Romântica

Primeiramente consumimos os dados a serem utilizados para a análise

data = read_csv("speed-dating/speed-dating2.csv")

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   field = col_character(),
##   from = col_character(),
##   career = col_character(),
##   attr3_s = col_logical(),
##   sinc3_s = col_logical(),
##   intel3_s = col_logical(),
##   fun3_s = col_logical(),
##   amb3_s = col_logical(),
##   dec = col_character()
## )

## See spec(...) for full column specifications.

## Warning: 10220 parsing failures.
##  row      col           expected actual                             file
## 1847 attr3_s  1/0/T/F/TRUE/FALSE  8.00  'speed-dating/speed-dating2.csv'
## 1847 sinc3_s  1/0/T/F/TRUE/FALSE  10.00 'speed-dating/speed-dating2.csv'
## 1847 intel3_s 1/0/T/F/TRUE/FALSE  9.00  'speed-dating/speed-dating2.csv'
## 1847 fun3_s   1/0/T/F/TRUE/FALSE  10    'speed-dating/speed-dating2.csv'
## 1847 amb3_s   1/0/T/F/TRUE/FALSE  10    'speed-dating/speed-dating2.csv'
## .... ........ .................. ...... ................................
## See problems(...) for more details.

data = data %>% mutate(match = ifelse(dec == "yes", 1, 0))

EDA

skimr::skim(data)

As seguintes variáveis irão ser utilizadas na regressão:

• prob: Representa a probabilidade de que uma pessoa p1 acha que outra pessoa p2 irá querer lhe encontrar novamente.
• attr: Representa o quanto uma pessoa p1 achou outra pessoa p2 atraente.
• like: Representa o quanto uma pessoa p1 gostou de outra pessoa p2.
• int_corr: Representa a correlação de interesses entre duas pessoas p1 e p2.
• intel: Representa o quanto uma pessoa p1 achou outra pessoa p2 inteligente.

mod <- glm(match ~ prob+attr+like+int_corr+intel,
      data = data,  
      family = "binomial")

tidy(mod, conf.int = TRUE, exponentiate = TRUE)

glance(mod)

pR2(mod)

##           llh       llhNull            G2      McFadden          r2ML 
## -2208.2932637 -3338.8632511  2261.1399748     0.3386093     0.3858553 
##          r2CU 
##     0.5056940

Abaixo teremos um gráfico que mostra o coeficiente esperado para cada umas das variáveis escolhidas para fazer parte do modelo.

tidy(mod, conf.int = TRUE, conf.level = 0.95, exponentiate = TRUE) %>%
  filter(term != "(Intercept)") %>%
  ggplot(aes(term, estimate, ymin = conf.low, ymax = conf.high)) +
  geom_bar(stat = "identity") + 
  geom_hline(yintercept = 1, colour = "darkred") +
  labs(x = "Variáveis Analisadas",
       title = "Regressão Logística (Intervalo)",
       y = expression("Coeficientes"))

Pergunta a ser respondida: Que fatores nos dados têm efeito relevante na chance do casal ter um match? Descreva se os efeitos são positivos ou negativos e sua magnitude.

Ao ser utilizado a regressão múltipla logística usando as variáveis

• prob
• attr
• like
• int_corr
• intel

chegamos ao seguinte modelo:

• p(y)/1-p(y) = 0,0014 + 1,199**prob + 1,531**attr + 1,918**like + 1,038**int_corr + 0,815**intel

Tal modelo explica 33.86% da variância da variável resposta segundo McFadden.

Ao analisarmos o modelo podemos concluir que as seguintes variáveis possuem efeito relevante na chance de um casal dar “match” (IC 95%):

• prob: Possuindo uma relação positiva e relevante com o erro b = [1,152; 1,247];
• like: Possuindo uma relação positiva e bastante relevante com o erro b = [1,787; 2,061];
• attr: Possuindo uma relação positiva e relevante com o erro b = [1,450; 1,618];

As demais variáveis (menos relevantes) são descritas a seguir (IC 95%):

• int_corr:: erro b = [0,818; 1.316];
• intel: erro b = [0,768; 0,865].