[R-br] Duvida de estatistica - GLM binomial

[Augusto Ribas]

Ola pessoal.
Eu estava olhando aqui uns dados com um amigo e me surgiu uma duvida.

O problema é o seguinte:
Os dados são referentes a ocorrência de uma doença em passarinhos. Pegamos
muitos passarinhos em redes em um lugar e testamos se ele esta doente ou
não.
Durante a captura, registramos varias caracteristicas dos passarinhos,
entre elas o sexo e a idade.
Ai gostaríamos de perguntar se essas variáveis influenciam na chance do
passarinho estar doente ou não.

O problema começa no seguinte, a idade é fácil de determinar, são 3
classes, jovem, sub-adulto e adulto e isso é feito sem muito erro,
Agora o sexo, era pra ser macho ou femea, mas quando o passarinho é muito
novo, é impossível saber o sexo dele, então a gente tava colocando
indeterminado, pq visualmente não da pra saber o sexo do passarinho, e não
tem outro jeito.

Então eu tenho 2 variáveis, de 3 níveis cada uma e fiz um glm binomial.

So que qd eu faço a analise o sexo da significativo (a classe
indeterminado), sendo que os indeterminados tem menor chance de estar
doente.
Mas na verdade eu acho que o que interessa é a idade (Que faz sentido
biológico ser significativo).
Se vc olha o gráfico, vc ve o padrão é o mesmo no sexo e na idade.
E a inabilidade de identificar o sexo nos passarinhos vem exatamente dele
ser jovem demais, não desenvolveu ainda. Ai uma coisa confunde com a outra.
Será que alguem tem aluma sugestão de o que fazer?
Tem como representar o sexo como "Não sei", é um dos 2 níveis mas pra esse
passarinho eu não sei? Eu não sei como fazer isso. É possível fazer isso
pro sexo no glm no meu caso?

Segue um exemplo para ilustrar mais ou menos o que eu to vendo:

#Gerando dados de exemplo
set.seed(666)
n<-90

#eu acredito que a idade tem um efeito significativo
#ja que por exemplo, o cara muito jovem vai ter tempo de exposição menor
#a indivíduos doentes
idade<-sample(c("Adulto","Sub-Adulto","Jovem"),n,replace=T)
idade
efeito<-ifelse(idade=="Jovem",1,0)
efeito
diagnostico<-rbinom(n,1,0.75+efeito*(-0.25))

#E o sexo do passarinho não tem efeito, mas os jovens sempre são
inderterminados
sexo<-NA
for(i in 1:length(idade)) {
 if(idade[i]=="Jovem") {
  sexo[i]<-c("Indeterminado")
  } else{
  sexo[i]<-sample(c("Macho","Femea"),1)
  }
 }

dados<-data.frame(sexo,idade,diagnostico)

#so completando os casos
dados<-rbind(dados,c("Femea","Jovem",0))
dados<-rbind(dados,c("Indeterminado","Adulto",0))
dados<-rbind(dados,c("Macho","Jovem",0))
dados<-rbind(dados,c("Indeterminado","Sub-Adulto",0))

#amostras
table(dados$sexo,dados$idade)
head(dados)



#Grafico
#no final o que eu vejo é mais ou menos isso:
par(mfrow=c(1,2),cex=0.6)
barplot(table(diagnostico,sexo),ylim=c(0,40),legend.text
=c("Parasitado","Não Parasitado"))
barplot(table(diagnostico,idade),ylim=c(0,40),legend.text
=c("Parasitado","Não Parasitado"))

#O indeterminado e Jovem é mais meio a meio no numero de parasitados que as
outras classes

#mas eu vejo um resultado significativo pro sexo, ou jovem se mudar a ordem
#isso esta errado
modelo01<-glm(diagnostico~factor(idade)+factor(sexo),family="binomial")
summary(modelo01)
plogis(coef(modelo01)[1:2])
#eu acredito que cai naquele problema do aov, de experimento não balanceado
e tal

#se olhar individualmente tudo ok, mas não consigo olhar as 2 variaveis
juntas.
modelo02<-glm(diagnostico~factor(idade),family="binomial")
summary(modelo02)
plogis(coef(modelo02)[1:2])

modelo03<-glm(diagnostico~factor(sexo),family="binomial")
summary(modelo03)
plogis(coef(modelo03)[1:2])


Se alguem puder dar uma olhada e dar alguma sugestão, fiz um exemplo, mas
os dados deixam um grafico exatamente como aquele, se alguem quiser olhar
os dados originais eu posso mandar.

-- 
Grato
Augusto C. A. Ribas

Site Pessoal: http://augustoribas.heliohost.org
Lattes: http://lattes.cnpq.br/7355685961127056
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20120831/1fa1b5e7/attachment.html>