Projeto - Barbara Spenciere
Luis Anunciacao
11/22/2019
Método
Análise estatística de dados
As análises estatísticas foram realizadas sucessivamente. Inicialmente, a base foi investigada em busca de inconsistências ou erros. Um relatório anexo é inserido com o resultado detalhado. Em seguida, as características dos participantes foram sintetizadas por gráficos e tabelas. Variáveis contínuas foram apresentadas por suas médias e desvios-padrão, enquanto variáveis discretas e categóricas foram apresentadas por contagens e proporções. Dados ausentes foram analisados em busca de padrões e, na inexistência destes, tiveram seus valores imputados pela técnica de imputação múltipla Predictive Mean Matching (PMM) com 50 replicações. Essa é uma técnica robusta que toma como padrão os resultados de múltiplos “doadores” com médias previstas similares àqueles casos ausentes. Assim, pela utilização do PMM, é possível refinar as estimativas obtidas pelos estimadores (Morris, White, & Royston, 2014).
Para investigar as eventuais influências ou efeitos de variáveis sociodemográficas nas condições clínicas, optou-se por técnicas paramétricas lineares. Dessa maneira, ANOVAs/Modelos de regressão foram utilizados neste sentido. É importante atentar que a estrutura estatística da ANOVA é entendida como um caso particular de um modelo de regressão em que as variáveis independentes são categóricas (Judd, McClelland, & Ryan, 2009).
Para levantar aspectos relacionados à validade de critério acerca das estratégias de planejamento e organização do TDR, optou-se por modelar os dados com um teste Qui-quadrado, uma Regressão Logística Multinomial (RLM), técnicas de Aprendizagem de Máquina (Machine Learning) e Data Mining. O qui-quadrado foi ajustado quando as células de comparação tiveram 20% das observações inferiores a 5. A RLM utilizou técnicas iterativas com até 20 iterações de convergência, as técnicas de ML foram baseadas em modelos “Classification and regression trees” (CART). Esses modelos são importantes no auxílio a explorar a estrutura de uma base de dados e verificar os possíveis preditores com base em critérios de combinações possíveis (Gordon, Breiman, Friedman, Olshen, & Stone, 1984). Finalmente, para verificar intensamente a base de dados visando identificar padrões úteis, válidos e eficazes que permitam explorar os efeitos e relações entre as estratégias de planejamento e organização do TDR e as outras variáveis, modelos de inferência difusa foram utilizados no framework de Data Mining (A completar).
O nível de significância foi previamente eleito em 0.05 e o método de Bonferroni foi utilizado em caso de múltiplas comparações. As análises foram realizadas no R 3.6 (R core team, 2017)com os pacotes tidyverse (Wickham, 2016), caret , nnet, party e randomforest e no Python versão 3.6.9 (Anaconda), com a plataforma Orange 3.2.1.
Resultados iniciais
Por diferentes fontes acadêmicas, sabe-se hoje que a performance em baterias neuropsicológicas recebe efeito de variáveis demográficas, sociais e contextuais. Dessa maneira, sexo, idade, escolaridade e estado civil foram selecionadas para compor as análises, que também contou com como variáveis correlatas, tais como meem, lawtonpcte, fvanima, gds, pfeffer, mattistotal e soma_a1a5.
Dado que um objetivo principal do trabalho é verificar as estratégias utilizadas no TDR e sua relação com a condição clínica (diagnóstico), o nível mais básico destas estratégias também compuseram a base analítica (estr_seq_ger_categ, circnumcenpont, circnumpont, circcentronumpont, esg_atipico, esg_mista, estr_seq_num_cat, sequencial, quadrante, metade, esn_mista, esn_atipico)
Entre essas variáveis, apenas os resultados da Escala Pfeffer tiveram valores ausentes (23.44%), tal como apresentado no gráfico a seguir,
Entretanto, uma vez que a análise de seus padrões apontou que eles são MCAR, optou-se pelo processo de múltipla imputação para deixar as estimativas pontuais e intervalares mais acuradas.
A tabela a seguir apresenta cada uma das variáveis e suas principais estatísticas descritivas.
| Name | Piped data |
| Number of rows | 64 |
| Number of columns | 32 |
| _______________________ | |
| Column type frequency: | |
| factor | 5 |
| numeric | 27 |
| ________________________ | |
| Group variables | None |
Variable type: factor
| skim_variable | n_missing | complete_rate | ordered | n_unique | top_counts |
|---|---|---|---|---|---|
| protocolo | 0 | 1 | FALSE | 64 | CCL: 1, CCL: 1, CCL: 1, CCL: 1 |
| estr_seq_ger_categ | 0 | 1 | FALSE | 5 | cir: 28, Ati: 13, Mis: 9, cir: 8 |
| estr_seq_num_cat | 0 | 1 | FALSE | 5 | Seq: 33, Qua: 19, Mis: 6, Met: 4 |
| diagmedico | 0 | 1 | FALSE | 3 | Sau: 28, CCL: 23, D: 13 |
| sexo_fct | 0 | 1 | FALSE | 2 | Mul: 50, Hom: 14 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| sexo | 0 | 1 | 0.22 | 0.42 | 0 | 0.00 | 0.0 | 0.00 | 1 | ▇▁▁▁▂ |
| idade | 0 | 1 | 73.69 | 7.32 | 60 | 68.00 | 73.5 | 80.00 | 87 | ▃▇▆▇▅ |
| escolaridade | 0 | 1 | 11.95 | 5.50 | 4 | 6.75 | 12.0 | 17.00 | 24 | ▇▇▃▆▂ |
| estcivil | 0 | 1 | 2.81 | 0.97 | 1 | 2.00 | 3.0 | 4.00 | 4 | ▁▇▁▅▇ |
| meem | 0 | 1 | 24.28 | 4.47 | 13 | 22.00 | 25.5 | 27.25 | 30 | ▂▂▅▇▇ |
| lawtonpcte | 0 | 1 | 19.48 | 2.45 | 9 | 19.00 | 20.0 | 21.00 | 21 | ▁▁▁▁▇ |
| fvanima | 0 | 1 | 16.16 | 6.27 | 1 | 12.00 | 17.0 | 21.25 | 29 | ▁▆▇▇▃ |
| gds | 0 | 1 | 3.19 | 2.38 | 0 | 1.00 | 3.0 | 4.25 | 9 | ▆▇▃▂▂ |
| pfeffer | 0 | 1 | 3.83 | 7.31 | 0 | 0.00 | 0.0 | 3.25 | 27 | ▇▁▁▁▁ |
| mattistotal | 0 | 1 | 125.84 | 19.47 | 62 | 115.75 | 133.5 | 140.00 | 144 | ▁▁▂▂▇ |
| soma_a1a5 | 0 | 1 | 37.48 | 14.05 | 7 | 26.75 | 37.5 | 47.25 | 65 | ▃▅▇▇▃ |
| tempo | 0 | 1 | 71.70 | 50.71 | 21 | 41.25 | 54.0 | 85.75 | 247 | ▇▃▁▁▁ |
| estrategia_sequencia_geral | 0 | 1 | 2.48 | 1.55 | 1 | 1.00 | 2.0 | 4.00 | 5 | ▇▂▂▃▂ |
| circnumcenpont | 0 | 1 | 0.44 | 0.50 | 0 | 0.00 | 0.0 | 1.00 | 1 | ▇▁▁▁▆ |
| circnumpont | 0 | 1 | 0.12 | 0.33 | 0 | 0.00 | 0.0 | 0.00 | 1 | ▇▁▁▁▁ |
| circcentronumpont | 0 | 1 | 0.09 | 0.29 | 0 | 0.00 | 0.0 | 0.00 | 1 | ▇▁▁▁▁ |
| esg_atipico | 0 | 1 | 0.20 | 0.41 | 0 | 0.00 | 0.0 | 0.00 | 1 | ▇▁▁▁▂ |
| esg_mista | 0 | 1 | 0.14 | 0.35 | 0 | 0.00 | 0.0 | 0.00 | 1 | ▇▁▁▁▁ |
| estrategia_sequencia_numerica | 0 | 1 | 1.83 | 1.11 | 1 | 1.00 | 1.0 | 2.00 | 5 | ▇▅▁▂▁ |
| sequencial | 0 | 1 | 0.52 | 0.50 | 0 | 0.00 | 1.0 | 1.00 | 1 | ▇▁▁▁▇ |
| quadrante | 0 | 1 | 0.30 | 0.46 | 0 | 0.00 | 0.0 | 1.00 | 1 | ▇▁▁▁▃ |
| metade | 0 | 1 | 0.06 | 0.24 | 0 | 0.00 | 0.0 | 0.00 | 1 | ▇▁▁▁▁ |
| esn_mista | 0 | 1 | 0.09 | 0.29 | 0 | 0.00 | 0.0 | 0.00 | 1 | ▇▁▁▁▁ |
| esn_atipico | 0 | 1 | 0.03 | 0.18 | 0 | 0.00 | 0.0 | 0.00 | 1 | ▇▁▁▁▁ |
| diagmedico_num | 0 | 1 | 0.77 | 0.77 | 0 | 0.00 | 1.0 | 1.00 | 2 | ▇▁▆▁▃ |
| cond_clinica | 0 | 1 | 0.56 | 0.50 | 0 | 0.00 | 1.0 | 1.00 | 1 | ▆▁▁▁▇ |
| id | 0 | 1 | 32.50 | 18.62 | 1 | 16.75 | 32.5 | 48.25 | 64 | ▇▇▇▇▇ |
Em relação ao sexo dos participantes, é possível verificar que cerca de 80% dos participantes tem sexo feminino (X2(1) = 20.25, p < 0.01)
A idade média dos participantes foi de 73.7 (DP = 7.32). No entanto, a média etária de homens foi significativamente maior do que a de mulheres (M = 78, t(62) = -2.3, p = 0.03, IC 95% [-9.17,-0.59]). O gráfico a seguir apresenta o resultado.
##
## Two Sample t-test
##
## data: idade by sexo_fct
## t = -2.3, df = 62, p-value = 0.03
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -9.1659 -0.5941
## sample estimates:
## mean in group Mulher mean in group Homem
## 72.62 77.50No que diz respeito à escolaridade, em média, os participantes estudaram por 12 anos (DP = 5.5). Não houve diferença em função do sexo (t(62) = -0.15, p = 0.9, IC 95% [-3.59,3.10])
##
## Two Sample t-test
##
## data: escolaridade by sexo_fct
## t = -0.15, df = 62, p-value = 0.9
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -3.591 3.105
## sample estimates:
## mean in group Mulher mean in group Homem
## 11.90 12.14Já em relação ao estado civil, a maioria dos participantes apresentou categoria2, seguida pela categoria 4, categoria 3 e, finalmentem categoria 1 (X2(3) = 16, p < 0.01).
Condições clínicas
Nesta pesquisa, a maioria dos participantes era saudável (n = 28, 43.8%), seguido por participantes com diagnóstico de CCL (n = 23, 35.9%) e com algum tipo de demência (n = 13, 20.3%). A proporção de participantes em cada categoria não foi significativamente distinta (X2(2) = 5.5, p = 0.06).
A distribuição dos resultados (pontuação) obtidos no MEEM, Fluência verbal (animais), Escala Mattis, Lawton e Pfeffer, a soma A1-A5 do RAVLT e o tempo gasto para realizar o TDR encontra-se apresentada a seguir.
Neste sentido, a tabela abaixo detalha os resultados
## Descriptive Statistics
## base_uso2
## Group: diagmedico = CCL
## N: 23
##
## fvanima gds lawtonpcte mattistotal meem pfeffer soma_a1a5 tempo
## ----------------- --------- -------- ------------ ------------- -------- --------- ----------- --------
## Mean 15.57 3.09 20.09 125.35 24.87 1.00 35.09 57.09
## Std.Dev 5.78 2.66 1.16 12.46 2.49 1.41 9.79 20.77
## Min 7.00 0.00 17.00 98.00 22.00 0.00 15.00 30.00
## Q1 11.00 1.00 20.00 115.00 22.00 0.00 27.00 42.00
## Median 15.00 2.00 20.00 127.00 25.00 0.00 35.00 51.00
## Q3 20.00 5.00 21.00 137.00 27.00 1.00 43.00 71.00
## Max 26.00 9.00 21.00 143.00 29.00 5.00 55.00 114.00
## MAD 5.93 1.48 1.48 14.83 2.97 0.00 11.86 17.79
## IQR 8.00 3.50 1.00 20.50 4.50 1.00 15.50 26.50
## CV 0.37 0.86 0.06 0.10 0.10 1.41 0.28 0.36
## Skewness 0.25 0.80 -1.15 -0.44 0.21 1.29 0.05 0.94
## SE.Skewness 0.48 0.48 0.48 0.48 0.48 0.48 0.48 0.48
## Kurtosis -1.17 -0.52 0.29 -0.86 -1.52 0.61 -0.75 0.38
## N.Valid 23.00 23.00 23.00 23.00 23.00 23.00 23.00 23.00
## Pct.Valid 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00
##
## Group: diagmedico = D
## N: 13
##
## fvanima gds lawtonpcte mattistotal meem pfeffer soma_a1a5 tempo
## ----------------- --------- -------- ------------ ------------- -------- --------- ----------- --------
## Mean 10.08 3.77 16.08 98.31 18.23 16.23 20.08 116.85
## Std.Dev 5.75 1.92 3.50 21.03 4.85 7.95 7.39 70.74
## Min 1.00 2.00 9.00 62.00 13.00 4.00 7.00 37.00
## Q1 7.00 2.00 14.00 82.00 14.00 9.00 15.00 68.00
## Median 10.00 3.00 16.00 100.00 18.00 17.00 21.00 90.00
## Q3 12.00 5.00 19.00 109.00 21.00 23.00 24.00 179.00
## Max 22.00 7.00 21.00 131.00 26.00 27.00 33.00 247.00
## MAD 4.45 1.48 4.45 26.69 5.93 10.38 8.90 60.79
## IQR 5.00 3.00 5.00 27.00 7.00 14.00 9.00 111.00
## CV 0.57 0.51 0.22 0.21 0.27 0.49 0.37 0.61
## Skewness 0.40 0.56 -0.39 -0.10 0.38 -0.23 0.14 0.60
## SE.Skewness 0.62 0.62 0.62 0.62 0.62 0.62 0.62 0.62
## Kurtosis -0.61 -1.34 -1.00 -1.24 -1.42 -1.59 -1.03 -1.29
## N.Valid 13.00 13.00 13.00 13.00 13.00 13.00 13.00 13.00
## Pct.Valid 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00
##
## Group: diagmedico = Saudável
## N: 28
##
## fvanima gds lawtonpcte mattistotal meem pfeffer soma_a1a5 tempo
## ----------------- --------- -------- ------------ ------------- -------- --------- ----------- --------
## Mean 19.46 3.00 20.57 139.04 26.61 0.39 47.54 62.75
## Std.Dev 4.53 2.36 0.57 3.97 2.74 1.31 10.12 46.67
## Min 11.00 0.00 19.00 133.00 20.00 0.00 28.00 21.00
## Q1 16.50 1.00 20.00 135.50 25.50 0.00 39.50 33.50
## Median 19.50 3.00 21.00 139.50 26.50 0.00 47.50 46.00
## Q3 22.00 4.00 21.00 143.00 29.00 0.00 54.50 71.00
## Max 29.00 8.00 21.00 144.00 30.00 5.00 65.00 213.00
## MAD 3.71 2.97 0.00 5.19 3.71 0.00 11.12 22.98
## IQR 5.25 3.00 1.00 7.25 3.25 0.00 14.50 35.75
## CV 0.23 0.79 0.03 0.03 0.10 3.35 0.21 0.74
## Skewness 0.01 0.62 -0.84 -0.26 -0.67 3.05 -0.01 1.84
## SE.Skewness 0.44 0.44 0.44 0.44 0.44 0.44 0.44 0.44
## Kurtosis -0.79 -0.58 -0.43 -1.46 -0.34 7.78 -1.10 2.83
## N.Valid 28.00 28.00 28.00 28.00 28.00 28.00 28.00 28.00
## Pct.Valid 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00Finalmente, a hipótese de iguldade de resultados entre os grupos foi testada por uma ANOVA, em testes realizados de forma independente para cada variável. os resultados estão dispostos na tabela a seguir.
##
## --------Summary descriptives table by 'diagmedico'---------
##
## _________________________________________________________
## CCL D Saudável p.overall
## N=23 N=13 N=28
## ¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯
## meem 24.9 (2.49) 18.2 (4.85) 26.6 (2.74) <0.001
## fvanima 15.6 (5.78) 10.1 (5.75) 19.5 (4.53) <0.001
## gds 3.09 (2.66) 3.77 (1.92) 3.00 (2.36) 0.615
## mattistotal 125 (12.5) 98.3 (21.0) 139 (3.97) <0.001
## lawtonpcte 20.1 (1.16) 16.1 (3.50) 20.6 (0.57) <0.001
## pfeffer 1.00 (1.41) 16.2 (7.95) 0.39 (1.31) <0.001
## soma_a1a5 35.1 (9.79) 20.1 (7.39) 47.5 (10.1) <0.001
## tempo 57.1 (20.8) 117 (70.7) 62.8 (46.7) 0.001
## ¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯Entre as diferentes interpretações que os resultados significativos em uma avaliação neuropsicológica podem ter, quando eles são aplicados ao delineamento de uma pesquisa, eles indicam que o processo diagnóstico foi adequado e, consequentemente, as comparações possíveis entre os grupos apresentam validade empírica.
Validade de critério
Classificamente, a noção de validade de critério se refere a quanto os resultados de uma determinada avaliação estão de acordo com os resultados de outra que utiliza os mesmos critérios (ref). Nesse sentido, quão maior a validade de critério de uma forma de avaliação, maior o grau de eficácia dela em predizer o desempenho de um sujeito e, consequentemente, maior o poder preditivo para utilização dos resultados obtidos decorrentes da avaliação realizada para predizer outros desfechos (ref).
Muitas estratégias analíticas podem ser utilizadas para verificar se um determinado tipo de avaliação é preditora de outro. Inicialmente, optou-se por verificar a associação entre ambas as variáveis a partir de um teste Qui-quadrado, que mostrou-se não significativo (X2(8) = 15, p = 0.06). A tabela de contingência a seguir apresenta tal relacionamento.
| estr_seq_ger_categ | CCL | D | Saudável | Total |
|---|---|---|---|---|
| Atipico | 9% (2) | 54% (7) | 14% (4) | 20% (13) |
| circulo-centro-numero-ponteiro | 13% (3) | 0% (0) | 11% (3) | 9% (6) |
| circulo-numero-centro-ponteiro | 43% (10) | 31% (4) | 50% (14) | 44% (28) |
| circulo-numero-ponteiro | 22% (5) | 0% (0) | 11% (3) | 13% (8) |
| Mista | 13% (3) | 15% (2) | 14% (4) | 14% (9) |
| Total | 100% (23) | 100% (13) | 100% (28) | 100% (64) |
##
## Pearson's Chi-squared test
##
## data: base_uso2$estr_seq_ger_categ and base_uso2$diagmedico
## X-squared = 15, df = 8, p-value = 0.06| estr_seq_num_cat | CCL | D | Saudável | Total |
|---|---|---|---|---|
| Atipico | 0% (0) | 15% (2) | 0% (0) | 3% (2) |
| Metade | 4% (1) | 15% (2) | 4% (1) | 6% (4) |
| Mista | 9% (2) | 8% (1) | 11% (3) | 9% (6) |
| Quadrante | 30% (7) | 8% (1) | 39% (11) | 30% (19) |
| Sequencial | 57% (13) | 54% (7) | 46% (13) | 52% (33) |
| Total | 100% (23) | 100% (13) | 100% (28) | 100% (64) |
##
## Pearson's Chi-squared test with simulated p-value (based on 2000
## replicates)
##
## data: base_uso2$estr_seq_num_cat and base_uso2$diagmedico
## X-squared = 13, df = NA, p-value = 0.08
No entanto, uma vez que o qui-quadrado não modela o efeito de uma variável em outra, a regressão logística multinomial foi realizada para investigar o relacionamento entre os tipos de estratégias (geral e numérica) nos desfechos clínicos. Tomou-se como valor de referência participantes saudáveis no que diz respeito ao diagnóstico e participantes que tinha executado a estratégia atípica durante a avaliação.
## # weights: 18 (10 variable)
## initial value 70.311186
## iter 10 value 59.706122
## iter 20 value 59.574903
## final value 59.574583
## converged## # weights: 18 (10 variable)
## initial value 70.311186
## iter 10 value 61.565233
## iter 20 value 61.248494
## final value 61.248215
## converged##
## =============================================================================
## Dependent variable:
## ----------------------------
## CCL D
## (1) (2)
## -----------------------------------------------------------------------------
## estr_seq_ger_categMista 0.404 -1.253
## p = 0.727 p = 0.242
##
## estr_seq_ger_categcirculo-centro-numero-ponteiro 0.692 -12.040
## p = 0.562 p = 0.947
##
## estr_seq_ger_categcirculo-numero-centro-ponteiro 0.356 -1.813**
## p = 0.712 p = 0.032
##
## estr_seq_ger_categcirculo-numero-ponteiro 1.203 -11.460
## p = 0.289 p = 0.932
##
## Constant -0.692 0.560
## p = 0.425 p = 0.372
##
## -----------------------------------------------------------------------------
## Akaike Inf. Crit. 139.100 139.100
## =============================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01##
## =======================================================
## Dependent variable:
## ----------------------------
## CCL D
## (1) (2)
## -------------------------------------------------------
## estr_seq_num_catMetade 3.946* -9.366
## p = 0.095 p = 0.931
##
## estr_seq_num_catMista 3.543 -11.150
## p = 0.109 p = 0.917
##
## estr_seq_num_catQuadrante 3.496 -12.460
## p = 0.101 p = 0.908
##
## estr_seq_num_catSequencial 3.948* -10.680
## p = 0.063 p = 0.921
##
## Constant -3.948* 10.060
## p = 0.060 p = 0.926
##
## -------------------------------------------------------
## Akaike Inf. Crit. 142.500 142.500
## =======================================================
## Note: *p<0.1; **p<0.05; ***p<0.01Machine Learning
Com os resultados obtidos até o momento, tecnicas de aprendizagem de máquina foram implemenadas. Inicialmente, investigou-se a capacidade de predição de cada estratégia utilizada nos quadros clínicos por uma árvore de probabilidade condicional. Este método utiliza critérios estatísticos para eleger as variáveis da árvore, bem como para dividi-las.
Em relação à estrategia geral vista em conjunto, não foi possível verificar sua relação preditiva com os desfechos clínicos. O diagrama a seguir apresenta o resultado.
Entretanto, divindindo por cada estratégia possível de maneira individualizada, aqueles participantes cuja estratégia foi considerada atipica tiveram uma maior probabiidade de se filiarem no grupo dos participantes com algum tipo de Demência. Por sua vez, aqueles participantes que não realizaram o TDR com uma estratégeia atípica podem se filiar, virutalmente com a mesma probabilidade, como portadores de CCL ou saudáveis.
##
## Conditional inference tree with 2 terminal nodes
##
## Response: diagmedico
## Inputs: circnumcenpont, circnumpont, circcentronumpont, esg_atipico, esg_mista
## Number of observations: 64
##
## 1) esg_atipico == {1}; criterion = 0.983, statistic = 11.396
## 2)* weights = 13
## 1) esg_atipico == {0}
## 3)* weights = 51Em relação às estratégias de sequência numérica, nem o compilado delas, nem suas estratégias individuais foram relacionadas com os grupos clínicos.
Finalmente, para visualizar todas as possíveis variáveis que se associam (linearmente ou não) ao diagnóstico clínico, investigou-se a base completa.
É possível verificar que a pontuação na escala Pfeffer e na Mattis são as únicas variáveis relacionadas aos quadrados clínicos.
Data Mining
Utilizando o Sampling type “Stratified 10-fold Cross validation” e permitindo que o Target class fosse a média entre todas as classes.
O CA significa “Classification accuracy”.
O cross validation vai melhora a analise preditiva usando o metdo de arvore ? A acurácia que ele encntrou usando o cv é de 0.78 em média. Nesse caso, a CV não está melhorando a acurácia do modelo
Separando o grupo em duas partes (80% para treinar o modelo e 20% para testar o modelo).
O random forest roda o modelo e o explainer vai explicar o black-box (a caixa preta do modelo).
##
## Call:
## randomForest(formula = diagmedico ~ ., data = df, localImp = TRUE)
## Type of random forest: classification
## Number of trees: 500
## No. of variables tried at each split: 4
##
## OOB estimate of error rate: 18.75%
## Confusion matrix:
## CCL D Saudável class.error
## CCL 16 1 6 0.30435
## D 3 10 0 0.23077
## Saudável 2 0 26 0.07143Nessa matriz de confusão, havia 23 CCL e ele acertou 16.
Agora ele vai calcular, para este modelo, a importância de cada variável. Nesta tabela, há as variáveis (nome de cada variável), o mean_min_depth (profundidade da árvore), no_of_nodes (número de galhos da árvore), accuracy_decrease. O plot é uma média da floresta. Quanto mais vezes aquela variável apareceu na floresta, mais importante ela é pra detectar o diagnóstico.
No entanto, se eu quiser saber quantas vezes uma variável precisa aparecer para ele ter sua importancia no modelo, pode-se usar o min_depth_frame. Quanto menos árvores ele precisa para falar que uma variável é importante, isso é o iedal. Por exemplo, no eSN_atipico. Para sexo, ele precisou de 300 arvores. No caso, sexo não é uma variável tão imporatante para explicar o diagnóstico.
Para checar o modelo
Variable interactions
Conditional minimal depth After selecting a set of most important variables we can investigate interactions with respect to them, i.e. splits appearing in maximal subtrees with respect to one of the variables selected. To extract the names of 5 most important variables according to both the mean minimal depth and number of trees in which a variable appeared, we pass our importance_frame to the function important_variables as follows:
We pass the result together with or forest to the min_depth_interactions function to obtain a data frame containing information on mean conditional minimal depth of variables with respect to each element of vars (missing values are filled analogously as for unconditional minimal depth, in one of three ways specified by mean_sample). If we would not specify the vars argument then the vector of conditioning variables would be by default obtained using important_variables(measure_importance(forest)).
