Análise - Escribo Panamá - Regressão Logística
1. Carregamento da base de dados
Aqui iniciamos a importação da base de dados onde foi necessário utilizar o pacote read_spss para realizar a importação no formato .sav do SPSS.
#importando a base de dados
dadosGeral <- read_spss("data/Mathematics - Final.sav")2. Pré-processamento dos dados
Realizamos um pré processamento: limitando apenas alunos em um intervalo de idade; apenas alunos do Panamá; alunos que jogaram os games de matemática (grupo experimental); Apenas características gerais, pré-pós-teste e interação com os jogos e por fim retiramos todos os alunos que deixaram de fazer um dos testes (pré ou pós)
#Pré-processamento
dados <- dadosGeral %>%
filter(age >= 4 & age <= 7) %>% #Alunos entre 4 à 7 anos.
filter(Math_Games == 1) %>% # Apenas grupo experimental.
mutate(Gain_Math = POS_Math_Score - PRE_Math_Score,
Gain_Math_Cat = case_when(Gain_Math <= 0~0, Gain_Math > 0~1)) #Criação da variável de ganho.
dadosYear4 <- dadosGeral %>%
filter(age == 4) %>% #Apenas alunos de 4 anos.
filter(Math_Games == 1) %>% # Apenas grupo experimental.
filter(child_school != "otro") %>%
filter(child_school_grade != "otro") %>%
mutate(Gain_Math = POS_Math_Score - PRE_Math_Score,
Gain_Math_Cat = case_when(Gain_Math <= 0~0, Gain_Math > 0~1)) #Criação da variável de ganho.
dadosYear5 <- dadosGeral %>%
filter(age == 5) %>% #Apenas alunos de 5 anos.
filter(Math_Games == 1) %>% # Apenas grupo experimental.
filter(child_school != "otro") %>%
filter(child_school_grade != "otro") %>%
filter(finances != "4000-5000") %>%
mutate(Gain_Math = POS_Math_Score - PRE_Math_Score,
Gain_Math_Cat = case_when(Gain_Math <= 0~0, Gain_Math > 0~1)) #Criação da variável de ganho.
dadosYear6 <- dadosGeral %>%
filter(age == 6) %>% #Apenas alunos de 6 anos.
filter(Math_Games == 1) %>% # Apenas grupo experimental.
filter(finances != "5000-7500") %>%
mutate(Gain_Math = POS_Math_Score - PRE_Math_Score,
Gain_Math_Cat = case_when(Gain_Math <= 0~0, Gain_Math > 0~1)) #Criação da variável de ganho.
dadosYear7 <- dadosGeral %>%
filter(age == 7) %>% #Apenas alunos de 7 anos.
filter(Math_Games == 1) %>% # Apenas grupo experimental.
filter(finances != "2500-3000") %>%
filter(finances != "4000-5000") %>%
mutate(Gain_Math = POS_Math_Score - PRE_Math_Score,
Gain_Math_Cat = case_when(Gain_Math <= 0~0, Gain_Math > 0~1)) #Criação da variável de ganho.3. Análise Descritiva
Nesta seção mostraremos as tabela de contingência para as variáveis qualitativas, bem como testes de relação entre as variáveis….
3.1 Base de dados
Aqui apresentamos a base de dados utilizada para as análises após o pré-processamento dos dados
#library(rmarkdown)
paged_table(dados)3.2 Tabela de contingência
Nesta tabela de contingência fizemos uma dupla entrada entre as variáveis qualitativas cruzando com uma única variável escolhida. É apresentado os valores de p-valor referente ao teste de relação de qui-quadrado.
Geral
dados %>%
select( #aqui ta selecionando todas as variáveis na tabela
special,
child_school,
child_school_grade,
age,
gender,
PRE_Math_Score,
POS_Math_Score) %>%
tbl_summary(statistic = list(all_continuous() ~ "{mean} ({sd})"))| Characteristic | N = 6981 |
|---|---|
| special | |
| no | 629 (90%) |
| not-informed | 50 (7.2%) |
| yes | 19 (2.7%) |
| child_school | |
| centro-educativo-particular | 135 (19%) |
| centro-educativo-publico | 550 (79%) |
| otro | 13 (1.9%) |
| child_school_grade | |
| kinder | 171 (24%) |
| otro | 44 (6.3%) |
| pre-kinder | 72 (10%) |
| primary-basica-general | 212 (30%) |
| secondary-basica-general | 199 (29%) |
| age | |
| 4 | 94 (13%) |
| 5 | 192 (28%) |
| 6 | 210 (30%) |
| 7 | 202 (29%) |
| gender | |
| f | 353 (51%) |
| m | 345 (49%) |
| PRE_Math_Score | 0.96 (0.07) |
| POS_Math_Score | 0.98 (0.05) |
|
1
n (%); Mean (SD)
|
|
Sexo
dados %>%
select( #aqui ta selecionando todas as variáveis na tabela
special,
child_school,
child_school_grade,
age,
gender,
PRE_Math_Score,
POS_Math_Score) %>%
tbl_summary(
by = gender,
statistic = list(all_continuous() ~ "{mean} ({sd})")) %>% #o by informa a varilavel do cruzamento
add_p() #adiciona os p-valores dos testes de qui-quadrado| Characteristic | f, N = 3531 | m, N = 3451 | p-value2 |
|---|---|---|---|
| special | 0.013 | ||
| no | 328 (93%) | 301 (87%) | |
| not-informed | 21 (5.9%) | 29 (8.4%) | |
| yes | 4 (1.1%) | 15 (4.3%) | |
| child_school | 0.5 | ||
| centro-educativo-particular | 64 (18%) | 71 (21%) | |
| centro-educativo-publico | 284 (80%) | 266 (77%) | |
| otro | 5 (1.4%) | 8 (2.3%) | |
| child_school_grade | 0.3 | ||
| kinder | 89 (25%) | 82 (24%) | |
| otro | 23 (6.5%) | 21 (6.1%) | |
| pre-kinder | 36 (10%) | 36 (10%) | |
| primary-basica-general | 95 (27%) | 117 (34%) | |
| secondary-basica-general | 110 (31%) | 89 (26%) | |
| age | 0.085 | ||
| 4 | 49 (14%) | 45 (13%) | |
| 5 | 93 (26%) | 99 (29%) | |
| 6 | 95 (27%) | 115 (33%) | |
| 7 | 116 (33%) | 86 (25%) | |
| PRE_Math_Score | 0.96 (0.08) | 0.96 (0.06) | 0.2 |
| POS_Math_Score | 0.97 (0.05) | 0.98 (0.05) | >0.9 |
|
1
n (%); Mean (SD)
2
Pearson's Chi-squared test; Wilcoxon rank sum test
|
|||
Especial
dados %>%
select( #aqui ta selecionando todas as variáveis na tabela
special,
child_school,
child_school_grade,
age,
gender,
PRE_Math_Score,
POS_Math_Score) %>%
tbl_summary(
by = special,
statistic = list(all_continuous() ~ "{mean} ({sd})")) %>% #o by informa a varilavel do cruzamento
add_p() #adiciona os p-valores dos testes de qui-quadrado| Characteristic | no, N = 6291 | not-informed, N = 501 | yes, N = 191 | p-value2 |
|---|---|---|---|---|
| child_school | 0.11 | |||
| centro-educativo-particular | 123 (20%) | 8 (16%) | 4 (21%) | |
| centro-educativo-publico | 497 (79%) | 39 (78%) | 14 (74%) | |
| otro | 9 (1.4%) | 3 (6.0%) | 1 (5.3%) | |
| child_school_grade | ||||
| kinder | 152 (24%) | 13 (26%) | 6 (32%) | |
| otro | 41 (6.5%) | 1 (2.0%) | 2 (11%) | |
| pre-kinder | 61 (9.7%) | 9 (18%) | 2 (11%) | |
| primary-basica-general | 193 (31%) | 16 (32%) | 3 (16%) | |
| secondary-basica-general | 182 (29%) | 11 (22%) | 6 (32%) | |
| age | 0.2 | |||
| 4 | 82 (13%) | 9 (18%) | 3 (16%) | |
| 5 | 167 (27%) | 16 (32%) | 9 (47%) | |
| 6 | 194 (31%) | 14 (28%) | 2 (11%) | |
| 7 | 186 (30%) | 11 (22%) | 5 (26%) | |
| gender | 0.013 | |||
| f | 328 (52%) | 21 (42%) | 4 (21%) | |
| m | 301 (48%) | 29 (58%) | 15 (79%) | |
| PRE_Math_Score | 0.96 (0.08) | 0.96 (0.06) | 0.95 (0.07) | 0.064 |
| POS_Math_Score | 0.97 (0.05) | 0.98 (0.03) | 0.98 (0.05) | >0.9 |
|
1
n (%); Mean (SD)
2
Fisher's exact test; Pearson's Chi-squared test; Kruskal-Wallis rank sum test
|
||||
Tipo Escola
dados %>%
select( #aqui ta selecionando todas as variáveis na tabela
special,
child_school,
child_school_grade,
age,
gender,
PRE_Math_Score,
POS_Math_Score) %>%
tbl_summary(
by = child_school,
statistic = list(all_continuous() ~ "{mean} ({sd})")) %>% #o by informa a varilavel do cruzamento
add_p() #adiciona os p-valores dos testes de qui-quadrado| Characteristic | centro-educativo-particular, N = 1351 | centro-educativo-publico, N = 5501 | otro, N = 131 | p-value2 |
|---|---|---|---|---|
| special | 0.11 | |||
| no | 123 (91%) | 497 (90%) | 9 (69%) | |
| not-informed | 8 (5.9%) | 39 (7.1%) | 3 (23%) | |
| yes | 4 (3.0%) | 14 (2.5%) | 1 (7.7%) | |
| child_school_grade | ||||
| kinder | 35 (26%) | 133 (24%) | 3 (23%) | |
| otro | 10 (7.4%) | 32 (5.8%) | 2 (15%) | |
| pre-kinder | 17 (13%) | 51 (9.3%) | 4 (31%) | |
| primary-basica-general | 39 (29%) | 171 (31%) | 2 (15%) | |
| secondary-basica-general | 34 (25%) | 163 (30%) | 2 (15%) | |
| age | ||||
| 4 | 24 (18%) | 64 (12%) | 6 (46%) | |
| 5 | 39 (29%) | 150 (27%) | 3 (23%) | |
| 6 | 34 (25%) | 174 (32%) | 2 (15%) | |
| 7 | 38 (28%) | 162 (29%) | 2 (15%) | |
| gender | 0.5 | |||
| f | 64 (47%) | 284 (52%) | 5 (38%) | |
| m | 71 (53%) | 266 (48%) | 8 (62%) | |
| PRE_Math_Score | 0.96 (0.06) | 0.96 (0.08) | 0.93 (0.06) | 0.019 |
| POS_Math_Score | 0.97 (0.05) | 0.98 (0.05) | 0.99 (0.02) | 0.4 |
|
1
n (%); Mean (SD)
2
Fisher's exact test; Pearson's Chi-squared test; Kruskal-Wallis rank sum test
|
||||
Série
dados %>%
select( #aqui ta selecionando todas as variáveis na tabela
special,
child_school,
child_school_grade,
age,
gender,
PRE_Math_Score,
POS_Math_Score) %>%
tbl_summary(
by = child_school_grade,
statistic = list(all_continuous() ~ "{mean} ({sd})")) %>% #o by informa a varilavel do cruzamento
add_p() #adiciona os p-valores dos testes de qui-quadrado| Characteristic | kinder, N = 1711 | otro, N = 441 | pre-kinder, N = 721 | primary-basica-general, N = 2121 | secondary-basica-general, N = 1991 | p-value2 |
|---|---|---|---|---|---|---|
| special | ||||||
| no | 152 (89%) | 41 (93%) | 61 (85%) | 193 (91%) | 182 (91%) | |
| not-informed | 13 (7.6%) | 1 (2.3%) | 9 (12%) | 16 (7.5%) | 11 (5.5%) | |
| yes | 6 (3.5%) | 2 (4.5%) | 2 (2.8%) | 3 (1.4%) | 6 (3.0%) | |
| child_school | ||||||
| centro-educativo-particular | 35 (20%) | 10 (23%) | 17 (24%) | 39 (18%) | 34 (17%) | |
| centro-educativo-publico | 133 (78%) | 32 (73%) | 51 (71%) | 171 (81%) | 163 (82%) | |
| otro | 3 (1.8%) | 2 (4.5%) | 4 (5.6%) | 2 (0.9%) | 2 (1.0%) | |
| age | <0.001 | |||||
| 4 | 27 (16%) | 2 (4.5%) | 65 (90%) | 0 (0%) | 0 (0%) | |
| 5 | 144 (84%) | 4 (9.1%) | 6 (8.3%) | 38 (18%) | 0 (0%) | |
| 6 | 0 (0%) | 0 (0%) | 1 (1.4%) | 170 (80%) | 39 (20%) | |
| 7 | 0 (0%) | 38 (86%) | 0 (0%) | 4 (1.9%) | 160 (80%) | |
| gender | 0.3 | |||||
| f | 89 (52%) | 23 (52%) | 36 (50%) | 95 (45%) | 110 (55%) | |
| m | 82 (48%) | 21 (48%) | 36 (50%) | 117 (55%) | 89 (45%) | |
| PRE_Math_Score | 0.94 (0.11) | 0.97 (0.04) | 0.94 (0.07) | 0.97 (0.06) | 0.97 (0.06) | 0.002 |
| POS_Math_Score | 0.97 (0.06) | 0.97 (0.06) | 0.98 (0.04) | 0.98 (0.04) | 0.98 (0.05) | 0.4 |
|
1
n (%); Mean (SD)
2
Pearson's Chi-squared test; Kruskal-Wallis rank sum test
|
||||||
Idade
dados %>%
select( #aqui ta selecionando todas as variáveis na tabela
special,
child_school,
child_school_grade,
age,
gender,
PRE_Math_Score,
POS_Math_Score) %>%
tbl_summary(
by = age,
statistic = list(all_continuous() ~ "{mean} ({sd})")) %>% #o by informa a varilavel do cruzamento
add_p() #adiciona os p-valores dos testes de qui-quadrado| Characteristic | 4, N = 941 | 5, N = 1921 | 6, N = 2101 | 7, N = 2021 | p-value2 |
|---|---|---|---|---|---|
| special | 0.2 | ||||
| no | 82 (87%) | 167 (87%) | 194 (92%) | 186 (92%) | |
| not-informed | 9 (9.6%) | 16 (8.3%) | 14 (6.7%) | 11 (5.4%) | |
| yes | 3 (3.2%) | 9 (4.7%) | 2 (1.0%) | 5 (2.5%) | |
| child_school | |||||
| centro-educativo-particular | 24 (26%) | 39 (20%) | 34 (16%) | 38 (19%) | |
| centro-educativo-publico | 64 (68%) | 150 (78%) | 174 (83%) | 162 (80%) | |
| otro | 6 (6.4%) | 3 (1.6%) | 2 (1.0%) | 2 (1.0%) | |
| child_school_grade | <0.001 | ||||
| kinder | 27 (29%) | 144 (75%) | 0 (0%) | 0 (0%) | |
| otro | 2 (2.1%) | 4 (2.1%) | 0 (0%) | 38 (19%) | |
| pre-kinder | 65 (69%) | 6 (3.1%) | 1 (0.5%) | 0 (0%) | |
| primary-basica-general | 0 (0%) | 38 (20%) | 170 (81%) | 4 (2.0%) | |
| secondary-basica-general | 0 (0%) | 0 (0%) | 39 (19%) | 160 (79%) | |
| gender | 0.085 | ||||
| f | 49 (52%) | 93 (48%) | 95 (45%) | 116 (57%) | |
| m | 45 (48%) | 99 (52%) | 115 (55%) | 86 (43%) | |
| PRE_Math_Score | 0.94 (0.10) | 0.95 (0.09) | 0.97 (0.06) | 0.97 (0.06) | <0.001 |
| POS_Math_Score | 0.97 (0.05) | 0.97 (0.06) | 0.98 (0.04) | 0.97 (0.05) | 0.3 |
|
1
n (%); Mean (SD)
2
Fisher's exact test; Pearson's Chi-squared test; Kruskal-Wallis rank sum test
|
|||||
3.3 Análise de Densidade do Pré e Pós teste
Análise gráfica utilizando gráficos de densidade para verificar a diferença entre o pré e pós teste de acordo com as características: geral, idade, sexo, escola e série.
Geral
Plotando a densidade para os scores de pré e pós teste.
#gráfico de densidade
dados %>%
gather(PRE_Math_Score,
POS_Math_Score,
key = test, value = scores) %>%
ggplot(aes(scores, fill = test)) +
geom_density(alpha=0.5) +
xlim(0.75,1)
Idade
Plotando a densidade para os scores de pré e pós teste de acordo com a idade do estudante
dados %>%
gather(PRE_Math_Score,
POS_Math_Score,
key = test, value = scores) %>%
ggplot(aes(scores, fill = test)) +
geom_density(alpha=0.5) +
xlim(0.75,1) +
facet_wrap(~age,1)
Sexo
Plotando a densidade para os scores de pré e pós teste em relação ao sexo.
#gráfico de densidade em relação ao sexo
dados %>%
gather(PRE_Math_Score,
POS_Math_Score,
key = test, value = scores) %>%
ggplot(aes(scores, fill = test)) +
geom_density(alpha=0.5) +
xlim(0.75,1) +
facet_wrap(~gender,1)
Escola
Plotando a densidade para os scores de pré e pós teste em relação ao tipo de escola.
#gráfico de densidade em relação a escola
dados %>%
gather(PRE_Math_Score,
POS_Math_Score,
key = test, value = scores) %>%
ggplot(aes(scores, fill = test)) +
geom_density(alpha=0.5) +
xlim(0.75,1) +
facet_wrap(~child_school,1)
Série
Plotando a densidade para os scores de pré e pós teste em relação a série do estudante.
#gráfico de densidade em relação a escola
dados %>%
gather(PRE_Math_Score,
POS_Math_Score,
key = test, value = scores) %>%
ggplot(aes(scores, fill = test)) +
geom_density(alpha=0.5) +
xlim(0.75,1) +
facet_wrap(~child_school_grade,1)
3.4 Análise com BoxPlot do Pré e Pós teste
Análise gráfica utilizando gráficos de boxplot para verificar a diferença entre o pré e pós teste de acordo com as características: geral, idade, sexo, escola e série.
Geral
Plotando a densidade para os scores de pré e pós teste.
#gráfico de boxplot geral
dados %>%
gather(PRE_Math_Score,
POS_Math_Score,
key = test, value = scores) %>%
ggplot(aes(scores, fill = test)) +
geom_boxplot(alpha=0.5) +
coord_flip() +
xlim(0.75,1)
Idade
Plotando o boxplot para os scores de pré e pós teste de acordo com a idade do estudante
#gráfico de boxplot em relação a idade
dados %>%
gather(PRE_Math_Score,
POS_Math_Score,
key = test, value = scores) %>%
ggplot(aes(scores, fill = test)) +
geom_boxplot(alpha=0.5) +
xlim(0.75,1) +
coord_flip() +
facet_wrap(~age, 1)
Sexo
Plotando o boxplot para os scores de pré e pós teste em relação ao sexo.
#gráfico de boxplot em relação ao sexo
dados %>%
gather(PRE_Math_Score,
POS_Math_Score,
key = test, value = scores) %>%
ggplot(aes(scores, fill = test)) +
geom_boxplot(alpha=0.5) +
xlim(0.75,1) +
coord_flip() +
facet_wrap(~gender,1)
Escola
Plotando o boxplot para os scores de pré e pós teste em relação ao tipo de escola.
#gráfico de boxplot em relação a escola
dados %>%
gather(PRE_Math_Score,
POS_Math_Score,
key = test, value = scores) %>%
ggplot(aes(scores, fill = test)) +
geom_boxplot(alpha=0.5) +
xlim(0.75,1) +
coord_flip() +
facet_wrap(~child_school,1)
Série
Plotando o boxplot para os scores de pré e pós teste em relação a série do estudante.
#gráfico de boxplot em relação a escola
dados %>%
gather(PRE_Math_Score,
POS_Math_Score,
key = test, value = scores) %>%
ggplot(aes(scores, fill = test)) +
geom_boxplot(alpha=0.5) +
xlim(0.75,1) +
coord_flip() +
facet_wrap(~child_school_grade,1)
4. Análise de Regressão Logística
4.1 Construção do Modelo
m1Year4 <- glm(Gain_Math_Cat ~ gender + child_school + child_school_grade + finances, data = dadosYear4, family = binomial(link = "logit"))m1Year5 <- glm(Gain_Math_Cat ~ gender + child_school + child_school_grade + finances, data = dadosYear5, family = binomial(link = "logit"))m1Year6 <- glm(Gain_Math_Cat ~ gender + child_school + finances, data = dadosYear6, family = binomial(link = "logit"))m1Year7 <- glm(Gain_Math_Cat ~ gender + child_school + child_school_grade + finances, data = dadosYear7, family = binomial(link = "logit"))4.2 Tabela de Significância
4 Anos
tab_model(m1Year4)| Gain Math Cat | |||
|---|---|---|---|
| Predictors | Odds Ratios | CI | p |
| (Intercept) | 1.84 | 0.39 – 9.67 | 0.448 |
| gender [m] | 1.28 | 0.45 – 3.81 | 0.646 |
|
child school [centro-educativo-publico] |
1.01 | 0.29 – 3.24 | 0.981 |
|
child school grade [pre-kinder] |
0.70 | 0.22 – 2.09 | 0.539 |
| finances1000-1500 | 1.11 | 0.21 – 6.73 | 0.900 |
| finances1500-2500 | 2.69 | 0.29 – 61.19 | 0.429 |
| finances2500-3000 | 0.84 | 0.10 – 8.44 | 0.872 |
| finances3000-3500 | 0.77 | 0.02 – 24.94 | 0.871 |
| finances500-1000 | 2.48 | 0.65 – 10.92 | 0.199 |
| finances [not-informed] | 2.19 | 0.60 – 8.66 | 0.243 |
| Observations | 87 | ||
| R2 Tjur | 0.045 | ||
5 Anos
tab_model(m1Year5)| Gain Math Cat | |||
|---|---|---|---|
| Predictors | Odds Ratios | CI | p |
| (Intercept) | 4.41 | 1.53 – 13.56 | 0.007 |
| gender [m] | 0.86 | 0.46 – 1.63 | 0.649 |
|
child school [centro-educativo-publico] |
0.45 | 0.18 – 1.05 | 0.075 |
|
child school grade [pre-kinder] |
3.76 | 0.51 – 78.69 | 0.259 |
|
child school grade [primary-basica-general] |
1.33 | 0.61 – 3.02 | 0.478 |
| finances1000-1500 | 0.59 | 0.17 – 2.12 | 0.403 |
| finances1500-2500 | 0.28 | 0.06 – 1.13 | 0.076 |
| finances2500-3000 | 0.18 | 0.01 – 5.49 | 0.271 |
| finances3000-3500 | 0.34 | 0.01 – 9.43 | 0.468 |
| finances500-1000 | 0.58 | 0.23 – 1.48 | 0.255 |
| finances [not-informed] | 0.76 | 0.35 – 1.66 | 0.498 |
| Observations | 185 | ||
| R2 Tjur | 0.041 | ||
6 anos
tab_model(m1Year6)| Gain Math Cat | |||
|---|---|---|---|
| Predictors | Odds Ratios | CI | p |
| (Intercept) | 1.26 | 0.46 – 3.48 | 0.651 |
| gender [m] | 1.01 | 0.57 – 1.78 | 0.971 |
|
child school [centro-educativo-publico] |
0.93 | 0.40 – 2.10 | 0.857 |
| child school [otro] | 0.63 | 0.02 – 17.63 | 0.759 |
| finances1000-1500 | 1.64 | 0.51 – 5.63 | 0.413 |
| finances1500-2500 | 1.38 | 0.30 – 7.46 | 0.689 |
| finances2500-3000 | 0.82 | 0.09 – 7.47 | 0.851 |
| finances4000-5000 | 0.82 | 0.03 – 21.90 | 0.889 |
| finances500-1000 | 0.88 | 0.39 – 2.00 | 0.766 |
| finances [not-informed] | 1.25 | 0.61 – 2.58 | 0.539 |
| Observations | 209 | ||
| R2 Tjur | 0.010 | ||
7 anos
tab_model(m1Year7)| Gain Math Cat | |||
|---|---|---|---|
| Predictors | Odds Ratios | CI | p |
| (Intercept) | 0.83 | 0.26 – 2.59 | 0.748 |
| gender [m] | 1.41 | 0.77 – 2.58 | 0.266 |
|
child school [centro-educativo-publico] |
1.56 | 0.70 – 3.52 | 0.281 |
| child school [otro] | 0.79 | 0.02 – 26.23 | 0.889 |
|
child school grade [primary-basica-general] |
3.87 | 0.36 – 112.05 | 0.311 |
|
child school grade [secondary-basica-general] |
1.59 | 0.76 – 3.38 | 0.220 |
| finances1000-1500 | 0.73 | 0.23 – 2.41 | 0.605 |
| finances1500-2500 | 0.93 | 0.21 – 4.98 | 0.927 |
| finances3000-3500 | 0.51 | 0.02 – 14.35 | 0.652 |
| finances500-1000 | 0.59 | 0.24 – 1.43 | 0.249 |
| finances [not-informed] | 0.52 | 0.23 – 1.11 | 0.094 |
| Observations | 200 | ||
| R2 Tjur | 0.049 | ||
4.3 Gráfico de Odd Ratio
4 Anos
plot_model(m1Year4, show.values = TRUE, value.offset = .3)
5 Anos
plot_model(m1Year5, show.values = TRUE, value.offset = .3)
6 anos
plot_model(m1Year6, show.values = TRUE, value.offset = .3)
7 anos
plot_model(m1Year7, show.values = TRUE, value.offset = .3)