[R-br] Análise de amostra pequena

Cesar Rabak cesar.rabak em gmail.com
Terça Julho 17 18:07:58 -03 2018 

Elias, não consigo ver como você poderia usar qualquer técnica para obter
mais informação a respeito do fenômeno em questão usando esses artifícios,
como o que você citou e outro muito em voga o* bootstraping*, etc.

Nesses casos, o melhor a fazer é tentar identificar apenas via a
estatística descritiva se o que se observa vale a pena investir em amostra
maior...


2018-07-15 21:42 GMT-03:00 Elias Carvalho via R-br <r-br em listas.c3sl.ufpr.br
>:

> Caro César, obrigado pela didática resposta.
>
> Como se diz por ai, eu concordo em numéro, gênero e grau com você, no
> entanto busco por alternativas seria viável usar alguma técnica de
> oversampling para aumentar a amostra?
>
>
>
>
> Em qua, 11 de jul de 2018 às 09:27, Cesar Rabak <cesar.rabak em gmail.com>
> escreveu:
>
>> Elias,
>>
>> Há vários possíveis comentários a fazer, embora, de antemão aviso-o, que
>> pelo fato de você ter dezessete casos apenas, não há muito a melhorar.
>>
>>
>>    1. Calcular os coeficientes de associação quando a hipótese de
>>    independência não pode ser descartada tende a ser um exercício equivalente
>>    a tentar ler folhas de chá numa xícara após a merenda;
>>    2. Ao você fazer múltiplas comparações *nos mesmos dados* você ainda
>>    teria que fazer uma correção para assegurar que seu Erro Tipo I não seria
>>    inflacionado;
>>    3. A alternativa de fazer um *omnibus test*, por exemplo via uma
>>    regressão logística com G como desfecho e as outras como VI, esbarra no
>>    fato de que se precisaria muito mais casos¹.
>>
>> Então no seu caso a única coisa que a Estatística o autorizaria é dizer
>> que as hipóteses de independências não podem ser descartadas e que devido
>> ao tamanho da amostra mais nada pode ser dito (do ponto de vista de
>> inferência).
>>
>> Com o conhecimento do domínio do problema e a Descritiva você pode
>> especular mais um pouco, mas irremediavelmente teria que propor um estudo
>> com maior potências estatística se quiser alguma constatação do fenômeno
>> que está estudando.
>>
>>
>> HTH
>> --
>> Cesar Rabak
>>
>>
>> [1] A discussão sobre assunto é vasta com concordância apenas que é "um
>> problema complexo", mas para colocar a bola em campo, Peduzzi et al. 1996,
>> costuma ser citado como melhor referência. A fórmula seria N = 10∙k / p; N
>> :: mínimo tamanho da amostra, k :: número de covariáveis; p :: mínimo da
>> proporção casos ou não casos.
>>
>>
>> Peduzzi P, Concato J, Kemper E, Holford TR, Feinstein AR (1996) A
>> simulation study of the number of events per variable in logistic
>> regression analysis. Journal of Clinical Epidemiology 49:1373-1379.
>>
>> On Tue, Jul 10, 2018 at 8:38 PM, Elias Carvalho via R-br <
>> r-br em listas.c3sl.ufpr.br> wrote:
>>
>>> Prezados
>>>
>>> Tenho uma amostra pequena com apenas 17 registros, e 7 variáveis
>>> dicotômicas, cujo resumo é:
>>>
>>>  A      B      C      D      E      F      G
>>>  0: 7   0:10   0: 6   0:11   0: 2   0: 1   0:15
>>>  1:10   1: 7   1:11   1: 6   1:15   1:16   1: 2
>>>
>>>
>>> A variável G seria meu desfecho e o resto possíveis preditores
>>>
>>>
>>> Para veficiar a associação entre o desfecho e as outras variáveisexecutei o teste exato de fisher por ser uma amostra pequena, mas o resutados mostraram que o desfecho não depende de nenhuma variável:
>>>
>>>
>>> > fisher.test(data.to.work$G, data.to.work$A)
>>> 	Fisher's Exact Test for Count Data
>>>
>>> data:  data.to.work$G and data.to.work$A
>>> p-value = 0.4853
>>> alternative hypothesis: true odds ratio is not equal to 1
>>> 95 percent confidence interval:
>>>  0.1311443       Inf
>>> sample estimates:
>>> odds ratio
>>>        Inf
>>> > fisher.test(data.to.work$G, data.to.work$B)
>>> 	Fisher's Exact Test for Count Data
>>>
>>> data:  data.to.work$G and data.to.work$B
>>> p-value = 0.4853
>>> alternative hypothesis: true odds ratio is not equal to 1
>>> 95 percent confidence interval:
>>>  0.000000 7.625189
>>> sample estimates:
>>> odds ratio
>>>          0
>>> > fisher.test(data.to.work$G, data.to.work$C)
>>> 	Fisher's Exact Test for Count Data
>>>
>>> data:  data.to.work$G and data.to.work$C
>>> p-value = 0.5147
>>> alternative hypothesis: true odds ratio is not equal to 1
>>> 95 percent confidence interval:
>>>  0.1003871       Inf
>>> sample estimates:
>>> odds ratio
>>>        Inf
>>> > fisher.test(data.to.work$G, data.to.work$D)
>>> 	Fisher's Exact Test for Count Data
>>>
>>> data:  data.to.work$G and data.to.work$D
>>> p-value = 0.5147
>>> alternative hypothesis: true odds ratio is not equal to 1
>>> 95 percent confidence interval:
>>>  0.00000 9.96144
>>> sample estimates:
>>> odds ratio
>>>          0
>>> > fisher.test(data.to.work$G, data.to.work$E)
>>> 	Fisher's Exact Test for Count Data
>>>
>>> data:  data.to.work$G and data.to.work$E
>>> p-value = 1
>>> alternative hypothesis: true odds ratio is not equal to 1
>>> 95 percent confidence interval:
>>>  0.01971228        Inf
>>> sample estimates:
>>> odds ratio
>>>        Inf
>>> > fisher.test(data.to.work$G, data.to.work$F)
>>> 	Fisher's Exact Test for Count Data
>>>
>>> data:  data.to.work$G and data.to.work$F
>>> p-value = 1
>>> alternative hypothesis: true odds ratio is not equal to 1
>>> 95 percent confidence interval:
>>>  0.003434375         Inf
>>> sample estimates:
>>> odds ratio
>>>
>>>        Inf
>>>
>>>
>>> Em seguida calculei o V de Cramer, Coeficiente de Contingência e phi e todos mostram independência e associação fraca.
>>>
>>>
>>> summary(assocstats(tab_cont_G_A)) # Resultado: # X^2 df P(> X^2) #
>>> Likelihood Ratio 2.3071 1 0.12878 # P-Valor > 0.05 - independentes #
>>> Pearson 1.5867 1 0.20780 # P-Valor > 0.05 - independentes # #
>>> Phi-Coefficient : 0.306 # Coef de Phi - Associação fraca # Contingency
>>> Coeff.: 0.292 # Coef de Cont - Associação fraca # Cramer's V : 0.306 # V de
>>> Crammer - Associação fraca
>>>
>>>  Pelo que pesquisei este seriam os métodos mais adequados para este tipo de análise
>>>
>>>
>>> Há um método melhor para avaliar esse tipo de dado?
>>>
>>>
>>>
>>>
>>> --
>>>
>>>
>>> *In Jesu et Maria*
>>> *Obrigado*
>>> *Prof. Elias Carvalho*
>>>
>>> *"Felix, qui potuit rerum cognoscere causas" (Virgil 29 BC)"Blessed is
>>> he who has been able to understand the cause of things"*
>>>
>>> _______________________________________________
>>> R-br mailing list
>>> R-br em listas.c3sl.ufpr.br
>>> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
>>> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça
>>> código mínimo reproduzível.
>>>
>>
>>
>
> --
>
>
> *In Jesu et Maria*
> *Obrigado*
> *Prof. Elias Carvalho*
>
> *"Felix, qui potuit rerum cognoscere causas" (Virgil 29 BC)"Blessed is he
> who has been able to understand the cause of things"*
>
> _______________________________________________
> R-br mailing list
> R-br em listas.c3sl.ufpr.br
> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça
> código mínimo reproduzível.
>
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20180717/1051af32/attachment.html>

Mais detalhes sobre a lista de discussão R-br