<p class="MsoNormal">Olá pessoal, </p>
<p class="MsoNormal">Estou com uma dúvida, que na verdade deve ser bem ridícula,
mas realmente não sei a resposta. A questão é a seguinte:</p>
<p class="MsoNormal">Tenho dados binários como variável resposta ( 1 – vivo; 0
- morto), e variáveis contínuas
como explicativas, e vi no The R book do
Crawley que poderia usar GLM para construir um modelo, tendo binomial como
família. Usei o seguinte código (os valores são fictícios, pois li meus dados
direto da tabela, pois são muitas linhas).</p>
<p class="MsoNormal">status<-c(0,1,0,1,1,1,1,1,0,1)</p>
<p class="MsoNormal">altura<-c(2.2,1.3,4.5,6.7,1.3,4.5,1.2,2.0,7.8,1.2)</p>
<p class="MsoNormal">newy<-c(5.5,1.2,7.8,1.4,1.3,2.3,3.2,1.3,6.7,1.4)</p>
<p class="MsoNormal">m1<-glm(status~altura+newy+altura*newy, binomial)</p>
<p class="MsoNormal">E o summary deu isso:</p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span style="font-size:10pt;font-family:'DejaVu Sans Mono'"><br>
<br>
</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">Call:</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">glm(formula = status ~ altura + newy + altura * newy, family = binomial)</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'"> </span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">Deviance Residuals: </span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'"> Min 1Q
Median 3Q Max
</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span style="font-size:10pt;font-family:'DejaVu Sans Mono'">-3.3122 0.1586
0.1969 0.2486 0.6394
</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span style="font-size:10pt;font-family:'DejaVu Sans Mono'"> </span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">Coefficients:</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'"> Estimate Std. Error z
value Pr(>|z|) </span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span style="font-size:10pt;font-family:'DejaVu Sans Mono'">(Intercept) 0.24827
0.52797 0.470 0.63818
</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span style="font-size:10pt;font-family:'DejaVu Sans Mono'">altura 0.80654 0.20006
4.032 5.54e-05 ***</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span style="font-size:10pt;font-family:'DejaVu Sans Mono'">newy 0.23918 0.05101
4.689 2.74e-06 ***</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">altura:newy -0.04578
0.01753 -2.611 0.00903 ** </span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">---</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">Signif. codes: 0 ‘***’ 0.001 ‘**’
0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 </span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'"> </span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">(Dispersion parameter for binomial family taken to be 1)</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'"> </span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'"> Null deviance: 1705.0 on 7191
degrees of freedom</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">Residual deviance: 1610.4 on
7188 degrees of freedom</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">AIC: 1618.4</span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'"> </span></p>
<p class="MsoNormal" style="margin-bottom:0.0001pt"><span lang="EN-US" style="font-size:10pt;font-family:'DejaVu Sans Mono'">Number of Fisher Scoring iterations: 7</span></p>
<p class="MsoNormal"><span lang="EN-US"> </span></p>
<p class="MsoNormal">Minha dúvida é a seguinte: Qual é a equação ajustada para
esse modelo? P. ex., se fosse uma regressão linear o modelo seria y~x, e a
equação y=a + bx, mas e para esse modelo?</p>
<p class="MsoNormal">A outra dúvida é se poderia fazer uma anova para comparar
esse modelo com o modelo nulo, e qual teste poderia usar, pois no exemplo do
livro ele usa o test= chi, porém está comparando dois modelos diferentes, e queria saber se posso usar para comparar
com o modelo nulo também. Bem é isso pessoal, espero que possam me ajudar.</p>
<p class="MsoNormal">Obrigada, </p>
<p class="MsoNormal">Carol Figueiredo</p>