Regressão romântica

Nessa análise buscamos entender que fatores nos dados têm efeito relevante na chance do casal ter um match.

conf

confE

Assim, temos a seguinte fórmula para o cálculo de quantas vezes a probabilidade de dec ter valor sim é maior que a probabilidade de dec ter valor não:

\(\frac{p(dec = yes)}{p(dec = no)} = 0.036*1.69^{fun}*1.06^{reading}*0.94^{music}*0.96^{museums}\)

glance(mod1) 

pR2(mod1)

fitting null model for pseudo-r2
          llh       llhNull            G2      McFadden          r2ML          r2CU 
-2752.2976031 -3198.3205623   892.0459183     0.1394554     0.1731406     0.2326574 

Com o nosso modelo conseguimos explicar 14% da probalidade da variável dec.

visMod = dados %>% 
  data_grid(reading = median(reading), 
            music, 
            museums, 
            fun = median(fun)
            )

mod1 %>% 
  augment(newdata = visMod, type.predict = "response")  %>% 
  ggplot(aes(x = music, colour = factor(museums))) + 
  geom_line(aes(y = .fitted)) +
  labs(
    colour = "museums"
  )

A partir do que foi observado, temos que, por multiplicar por 0.94, cada valor de music a mais o odds da decisão dar sim diminui 6%. Ao analisar o intervalo de confiança criado a partir dessa amostra a influência da variável music pode variar de 0.90 a 0.97, o que quer dizer que o odds pode diminuir entre 10% e 3%. Assim, music vai influenciar na diminuição do odds.

Já com museums, por a multiplicação ser por 0.96, cada 1 valor de amb o odds diminui 4%. A influência dessa variável, ao observamos o IC, pode variar entre 0.93 e 0.99, ou seja, ela pode diminuir o odds da variável dec ser sim em 7% a 1%.

visMod2 = dados %>% 
  data_grid(reading, 
            music = median(music), 
            museums = median(museums), 
            fun
            )

mod1 %>% 
  augment(newdata = visMod2, type.predict = "response")  %>% 
  ggplot(aes(x = fun, colour = factor(reading))) + 
  geom_line(aes(y = .fitted)) +
  labs(
    colour = "reading"
  )

Ao observarmos a variável fun, temos que cada 1 valor a mais da variável fun o odds de dec ser sim aumenta em 69%, pois o multiplica por 1.69. Analisando seu intervalo de confiança verificamos que essa influencia de fun pode variar de 1.63 a 1.76, podendo aumentar o odds em 63% a 76%. Diante disso, observamos que valores altos de fun aumentam o odds da decisão ser sim.

A variável reading também tem uma influência positiva no odds de decisão sim, pois a cada 1 valor a mais o odds da decisão ser sim aumenta em 6%. O IC mostra que a influência dessa variável sobre o odds pode variar entre 1.02 a 1.09, ou seja, pode diminuir o odds entre 3% e 9%.

confE %>% 
  filter(term != "(Intercept)") %>% 
  ggplot(aes(x = reorder(term, conf.low), y = estimate, ymin = conf.low, ymax = conf.high)) +
  geom_linerange() + 
  geom_point(color = "turquoise3", size = 2.5) +
  coord_flip()  +
  labs(
    y = "Estimativa",
    x = "Variáveis com o coeficiente aplicado"
  )