load("bout.Rdata")
### funcion para hacer univariantes de ###
univ= function(DF,y,x) {tab_model(glm(sprintf("%s ~  %s", y, x)   , family =binomial("logit"), DF), show.intercept = FALSE)}

# - Edad
# - genhom
# - Convivencia
# - Pareja estable
# - Sx COVID19
# - Dx COVID19
# - Convivencia COVID19
# - Año residencia
# - jornada <45h
# - Nº guardias especialidad
# - Horas estudio
# - Psiquiatría primera opción MIR
# - Tiempo investigación
# - Región
# - Supervisión
# - Recurso asistencial

univ(bbooi, "PrevalenciaBout", "Edad")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
Edad 0.96 0.80 – 1.16 0.621
Observations 139
R2 Tjur 0.002 
univ(bbooi, "PrevalenciaBout", "genhom")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
genhomTRUE 1.87 0.70 – 5.93 0.244
Observations 137
R2 Tjur 0.010 
univ(bbooi, "PrevalenciaBout", "Convivencia")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
Convivencia2 1.18 0.38 – 3.80 0.773
Convivencia3 1.29 0.47 – 3.48 0.616
Convivencia5 1.08 0.20 – 8.29 0.932
Convivencia6 1.44 0.29 – 10.74 0.679
Convivencia7 0.36 0.01 – 9.74 0.486
Observations 139
R2 Tjur 0.008 
univ(bbooi, "PrevalenciaBout", "Parejaestable")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
Parejaestable1 0.85 0.33 – 2.03 0.724
Observations 139
R2 Tjur 0.001 
univ(bbooi, "PrevalenciaBout", "SxCOVID")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
SxCOVID1 2.11 0.80 – 6.67 0.161
Observations 139
R2 Tjur 0.015 
univ(bbooi, "PrevalenciaBout", "DxCOVID19")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
DxCOVID191 0.81 0.32 – 2.27 0.673
Observations 139
R2 Tjur 0.001 
univ(bbooi, "PrevalenciaBout", "ConvivenciaCOVID19")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
ConvivenciaCOVID191 2.01 0.70 – 7.28 0.232
Observations 139
R2 Tjur 0.011 
univ(bbooi, "PrevalenciaBout", "ares")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
ares3º 1.32 0.55 – 3.32 0.543
ares4º 2.24 0.79 – 7.39 0.150
Observations 139
R2 Tjur 0.016 
univ(bbooi, "PrevalenciaBout", "gt45horas")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
gt45horas1 0.23 0.09 – 0.60 0.003
Observations 139
R2 Tjur 0.072 
univ(bbooi, "PrevalenciaBout", "Guardiasdeespecialidad")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
Guardias de especialidad 1.18 0.76 – 1.82 0.457
Observations 139
R2 Tjur 0.004 
univ(bbooi, "PrevalenciaBout", "Horasestudio")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
Horas estudio 1.00 0.85 – 1.18 0.984
Observations 139
R2 Tjur 0.000 
univ(bbooi, "PrevalenciaBout", "Primeraopción")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
Primeraopción1 1.01 0.33 – 3.81 0.983
Observations 139
R2 Tjur 0.000 
univ(bbooi, "PrevalenciaBout", "Tiempoinvest")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
TiempoinvestSí 0.72 0.32 – 1.68 0.441
Observations 139
R2 Tjur 0.004 
univ(bbooi, "PrevalenciaBout", "ca5")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
ca5 [ara cat] 1.49 0.37 – 5.84 0.565
ca5 [norte] 1.12 0.28 – 4.23 0.865
ca5 [cast-mad] 1.49 0.37 – 5.84 0.565
ca5 [este] 0.79 0.21 – 2.83 0.725
Observations 139
R2 Tjur 0.011 
univ(bbooi, "PrevalenciaBout", "supervsino")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
supervsinoTRUE 0.29 0.12 – 0.65 0.003
Observations 139
R2 Tjur 0.066 
# "Planta de hospitalización","Servicio de urgencias"= re2TRUE
univ(bbooi, "PrevalenciaBout", "re2")
  Prevanlencia Burnout
Predictors Odds Ratios CI p
re2TRUE 1.39 0.63 – 3.06 0.414
Observations 139
R2 Tjur 0.005 
 dd = datadist(bbo)
## Warning in datadist(bbo): DASTR is constant
 options(datadist="dd")

 
   
    # lmod=  lrm(PrevalenciaBout ~  Horasestudio+ SxCOVID +ConvivenciaCOVID19 +DxCOVID19 +  supervsino + gt45horas, data =data.frame(bbo),x=T,y=T)
 
    
        lmod=  lrm(PrevalenciaBout ~  supervsino + gt45horas, data =data.frame(bbo),x=T,y=T)
 
    lmod
## Logistic Regression Model
##  
##  lrm(formula = PrevalenciaBout ~ supervsino + gt45horas, data = data.frame(bbo), 
##      x = T, y = T)
##  
##                        Model Likelihood    Discrimination    Rank Discrim.    
##                              Ratio Test           Indexes          Indexes    
##  Obs           139    LR chi2     16.13    R2       0.165    C       0.689    
##   0             33    d.f.            2    g        0.829    Dxy     0.378    
##   1            106    Pr(> chi2) 0.0003    gr       2.290    gamma   0.539    
##  max |deriv| 4e-09                         gp       0.148    tau-a   0.138    
##                                            Brier    0.157                     
##  
##              Coef    S.E.   Wald Z Pr(>|Z|)
##  Intercept    2.0340 0.3505  5.80  <0.0001 
##  supervsino  -1.1485 0.4328 -2.65  0.0080  
##  gt45horas=1 -1.3497 0.5055 -2.67  0.0076  
## 
plot_model(lmod)

tab_model(lmod)
  Prevanlencia Burnout
Predictors Odds Ratios CI p
Intercept 7.64 3.85 – 15.19 <0.001
supervsino 0.32 0.14 – 0.74 0.008
gt45horas=1 0.26 0.10 – 0.70 0.008
Observations 139
R2 0.165 
plot(anova(lmod), what='proportion chisq') # relative importance ####

plot(Predict(lmod)) # predicted values