Tem que ver em detalhes a origem dos dados. Se for um experimento planejado, não se pode brincar muito com o modelo e, claramente, as proporções foram pensadas não para refletir a população, sim para facilitar identificação ou não de algum fenômeno dado variáveis com níveis fixos. Em 11 de mai de 2017 5:29 PM, "Vinicius Brito Rocha" < viniciusbritor@gmail.com> escreveu:
Marcos,
Se me permite uma sugestão:
Quando vc diz:
"Tenho uma variável resposta binária. Como a frequência da resposta é alta (38,11%), teóricos da Estatística aplicada à Epidemiologia sugerem que não seja usada uma regressão logística"
Este problema é facilmente resolvido um processo de reamostragem para balancear as classes. vc pode então usar o um regressão logistica, ou qualquer outro método de classificação supervionada para resolver seu problema.
E como foi falado, usar uma matriz de confusão para checar sua taxa de acerto.
Abs
Vinicius
Em 9 de fevereiro de 2017 10:18, Leonard Mendonça de Assis via R-br < r-br@listas.c3sl.ufpr.br> escreveu:
Marcos,
Não vou discutir escolhas de Factor e etc pois não é o assunto. Sugiro que revise o assunto.
O erro no primeiro ajuste(binomial(link=log) é que o modelo não está conseguindo convergir.
O modelo Poisson, (Poisson, quase Poisson, binomial negativo, etc) não faz sentido em seus dados, vide o que expliquei nos e-mails anteriores.
O que você pode fazer?
Você tem dúzias de artigos comentando que o melhor seria binomial(link=log), mas você tem problemas de convergência neste caso. Como você já tem uma estimativa dos parâmetros com link logit, utilize estes coeficientes como chute inicial do modelo.
Não gosto destes testes gráficos de ajuste, prefiro olhar cross-validation, roc curve ou algo assim.
Leonard
*De:* R-br [mailto:r-br-bounces@listas.c3sl.ufpr.br] *Em nome de *Marcos Bissoli via R-br *Enviada em:* quinta-feira, 9 de fevereiro de 2017 10:35 *Para:* a lista Brasileira oficial de discussão do programa R. < r-br@listas.c3sl.ufpr.br> *Assunto:* [R-br] Fwd: Distribuição para regressão de resposta binária
---------- Mensagem encaminhada ---------- De: *Marcos Bissoli* <mbissoli@gmail.com> Data: 9 de fevereiro de 2017 09:38 Assunto: Re: [R-br] Distribuição para regressão de resposta binária Para: Leonard Mendonça de Assis <assis.leonard@gmail.com>
Bom dia,
Mais uma vez, muito obrigado pela oportunidade de diálogo.
Seguem códigos aplicados ao meu banco de dados. Modelei com diversas técnicas. Perceba que os gráficos de diagnóstico não diferem muito entre si, nestas que estou testando. E a dúvida, talvez, central, seja essa: esses gráficos são, de fato, tão relevantes? Pois, como eu disse, alguns testes de ajuste que fiz deram resultados satisfatórios. Até que ponto esse diagnóstico visual de ajuste é um problema? Percebam, também, que não há grandes diferenças inclusive com o gráfico da regressão logística. Meu problema com a logística, repito, é que ela me retorna odds ratios, e essa medida não tem sido bem aceita entre epidemiologistas. Por isso eu prefiro famílias com função de ligação "log", pois assim eu consigo facilmente as razões de prevalência.
Percebam, ainda, que a log binomial retorna erro e não gera um objeto. Há algum ajuste a mais que eu possa fazer no código para ela funcionar? Na literatura que consultei, quando isso ocorre, a sugestão é que se use a Poisson com variância robusta. Percebam, também, que os coeficientes significantes não mudam de modelo para modelo, à exceção da Quasi-Poisson que é mais "sensível" (estou usando um termo epidemiológico aqui) para detectar fatores potencialmente causais.
Tabagismo é a variável binária de resposta: 1 para fumantes, 0 para não fumantes. As demais marcadas com "factor" são também binárias. As sem "factor" são contínuas ou discretas.
TabModelagem <- data.frame(Tabagismo,factor(SexoDic),factor(Branca),factor(Negra),factor(Parda),
+ factor(Amarela),factor(SemReligiao),factor(Catolica),
+ factor(Espirita),factor(Evangelica),factor(AfroBrasileira),
+ factor(Turno),factor(Aposentado),factor(OcupaEstDiApenasDesemp),
+ factor(ComFamilia),factor(ComOutParentes),factor(Republica),
+ factor(Sozinho),factor(Pensao),factor(OutroMoradia),factor(RU),
+ factor(praec4),IdadeA,escola,RendaPC,Dist,PraecSoma)
ModeloLogBinomial <- glm(Tabagismo~.,data = TabModelagem,family = binomial(link = log))
Erro: nenhum jogo válido de coeficientes tem sido encontrado: por favor, fornece valores iniciais
ModeloLogistico <- glm(Tabagismo~.,data = TabModelagem,family = binomial(link = logit))
summary(ModeloLogistico)
Call:
glm(formula = Tabagismo ~ ., family = binomial(link = logit),
data = TabModelagem)
Deviance Residuals:
Min 1Q Median 3Q Max
-2.0034 -0.8824 -0.5459 1.0052 2.3721
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.215e+01 8.827e+02 0.014 0.989021
factor.SexoDic.1 1.042e+00 1.430e-01 7.281 3.31e-13 ***
factor.Branca.1 -1.481e+01 8.827e+02 -0.017 0.986618
factor.Negra.1 -1.474e+01 8.827e+02 -0.017 0.986677
factor.Parda.1 -1.487e+01 8.827e+02 -0.017 0.986563
factor.Amarela.1 -1.545e+01 8.827e+02 -0.018 0.986037
factor.SemReligiao.1 -1.956e-01 4.151e-01 -0.471 0.637543
factor.Catolica.1 -1.009e+00 4.026e-01 -2.506 0.012225 *
factor.Espirita.1 -3.190e-01 4.624e-01 -0.690 0.490209
factor.Evangelica.1 -1.759e+00 4.694e-01 -3.747 0.000179 ***
factor.AfroBrasileira.1 1.438e+01 4.219e+02 0.034 0.972808
factor.Turno.1 3.093e-02 1.920e-01 0.161 0.872056
factor.Aposentado.1 -9.971e-02 1.901e-01 -0.524 0.600027
factor.OcupaEstDiApenasDesemp.1 1.799e-01 2.670e-01 0.674 0.500536
factor.ComFamilia.1 -6.624e-01 4.098e-01 -1.616 0.106055
factor.ComOutParentes.1 -7.401e-01 5.805e-01 -1.275 0.202332
factor.Republica.1 6.300e-02 3.837e-01 0.164 0.869588
factor.Sozinho.1 -5.343e-01 4.299e-01 -1.243 0.213914
factor.Pensao.1 -1.324e+00 6.812e-01 -1.944 0.051938 .
factor.OutroMoradia.1 -9.557e-01 5.861e-01 -1.631 0.102934
factor.RU.1 -3.592e-01 1.911e-01 -1.880 0.060152 .
factor.praec4.1 -2.845e-01 4.985e-01 -0.571 0.568191
IdadeA 7.917e-02 2.043e-02 3.875 0.000107 ***
escola 1.200e-01 6.289e-02 1.909 0.056297 .
RendaPC 1.699e-04 4.093e-05 4.151 3.31e-05 ***
Dist 1.634e-04 2.525e-04 0.647 0.517573
PraecSoma 5.281e-02 5.452e-02 0.969 0.332692
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 1516.6 on 1135 degrees of freedom
Residual deviance: 1279.3 on 1109 degrees of freedom
(587 observations deleted due to missingness)
AIC: 1333.3
Number of Fisher Scoring iterations: 13
ModeloPoisson <- glm(Tabagismo~.,data = TabModelagem,family = poisson(link = log))
summary(ModeloPoisson)
Call:
glm(formula = Tabagismo ~ ., family = poisson(link = log), data = TabModelagem)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.4867 -0.7821 -0.5889 0.5349 1.6624
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.245e+00 1.125e+00 -1.107 0.26845
factor.SexoDic.1 5.800e-01 1.065e-01 5.447 5.11e-08 ***
factor.Branca.1 -8.332e-01 1.009e+00 -0.826 0.40870
factor.Negra.1 -8.210e-01 1.028e+00 -0.799 0.42446
factor.Parda.1 -9.009e-01 1.012e+00 -0.890 0.37337
factor.Amarela.1 -1.089e+00 1.092e+00 -0.998 0.31852
factor.SemReligiao.1 -9.670e-02 2.430e-01 -0.398 0.69062
factor.Catolica.1 -4.813e-01 2.396e-01 -2.009 0.04459 *
factor.Espirita.1 -1.235e-01 2.806e-01 -0.440 0.65987
factor.Evangelica.1 -9.177e-01 3.126e-01 -2.936 0.00332 **
factor.AfroBrasileira.1 6.068e-01 5.538e-01 1.096 0.27325
factor.Turno.1 1.534e-03 1.331e-01 0.012 0.99081
factor.Aposentado.1 -4.516e-02 1.357e-01 -0.333 0.73937
factor.OcupaEstDiApenasDesemp.1 7.249e-02 1.816e-01 0.399 0.68972
factor.ComFamilia.1 -4.323e-01 2.739e-01 -1.578 0.11447
factor.ComOutParentes.1 -5.029e-01 4.527e-01 -1.111 0.26655
factor.Republica.1 8.985e-03 2.522e-01 0.036 0.97157
factor.Sozinho.1 -2.475e-01 2.878e-01 -0.860 0.38987
factor.Pensao.1 -8.439e-01 5.148e-01 -1.639 0.10117
factor.OutroMoradia.1 -5.262e-01 4.316e-01 -1.219 0.22275
factor.RU.1 -1.937e-01 1.363e-01 -1.421 0.15517
factor.praec4.1 -1.583e-01 3.432e-01 -0.461 0.64469
IdadeA 3.787e-02 1.207e-02 3.136 0.00171 **
escola 8.576e-02 4.429e-02 1.936 0.05281 .
RendaPC 4.045e-05 1.690e-05 2.393 0.01670 *
Dist 2.605e-05 1.668e-04 0.156 0.87586
PraecSoma 2.419e-02 3.972e-02 0.609 0.54262
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance: 834.67 on 1135 degrees of freedom
Residual deviance: 706.16 on 1109 degrees of freedom
(587 observations deleted due to missingness)
AIC: 1640.2
Number of Fisher Scoring iterations: 5
ModeloQuasiPoisson <- glm(Tabagismo~.,data = TabModelagem,family = quasipoisson(link = log))
summary(ModeloQuasiPoisson)
Call:
glm(formula = Tabagismo ~ ., family = quasipoisson(link = log),
data = TabModelagem)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.4867 -0.7821 -0.5889 0.5349 1.6624
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.245e+00 8.738e-01 -1.424 0.154644
factor.SexoDic.1 5.800e-01 8.273e-02 7.011 4.11e-12 ***
factor.Branca.1 -8.332e-01 7.836e-01 -1.063 0.287863
factor.Negra.1 -8.210e-01 7.987e-01 -1.028 0.304185
factor.Parda.1 -9.009e-01 7.863e-01 -1.146 0.252163
factor.Amarela.1 -1.089e+00 8.481e-01 -1.284 0.199466
factor.SemReligiao.1 -9.670e-02 1.888e-01 -0.512 0.608566
factor.Catolica.1 -4.813e-01 1.862e-01 -2.585 0.009863 **
factor.Espirita.1 -1.235e-01 2.181e-01 -0.566 0.571230
factor.Evangelica.1 -9.177e-01 2.429e-01 -3.779 0.000166 ***
factor.AfroBrasileira.1 6.068e-01 4.303e-01 1.410 0.158794
factor.Turno.1 1.534e-03 1.034e-01 0.015 0.988169
factor.Aposentado.1 -4.516e-02 1.055e-01 -0.428 0.668597
factor.OcupaEstDiApenasDesemp.1 7.249e-02 1.411e-01 0.514 0.607474
factor.ComFamilia.1 -4.323e-01 2.128e-01 -2.031 0.042444 *
factor.ComOutParentes.1 -5.029e-01 3.517e-01 -1.430 0.153011
factor.Republica.1 8.985e-03 1.959e-01 0.046 0.963429
factor.Sozinho.1 -2.475e-01 2.236e-01 -1.107 0.268673
factor.Pensao.1 -8.439e-01 4.000e-01 -2.110 0.035106 *
factor.OutroMoradia.1 -5.262e-01 3.353e-01 -1.569 0.116880
factor.RU.1 -1.937e-01 1.059e-01 -1.830 0.067589 .
factor.praec4.1 -1.583e-01 2.666e-01 -0.594 0.552951
IdadeA 3.787e-02 9.381e-03 4.037 5.79e-05 ***
escola 8.576e-02 3.441e-02 2.492 0.012836 *
RendaPC 4.045e-05 1.313e-05 3.080 0.002119 **
Dist 2.605e-05 1.296e-04 0.201 0.840689
PraecSoma 2.419e-02 3.086e-02 0.784 0.433427
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for quasipoisson family taken to be 0.6036898)
Null deviance: 834.67 on 1135 degrees of freedom
Residual deviance: 706.16 on 1109 degrees of freedom
(587 observations deleted due to missingness)
AIC: NA
Number of Fisher Scoring iterations: 5
library(MASS)
ModeloBinomialNegativa <- glm.nb(Tabagismo~.,data = TabModelagem,link = log)
Warning messages:
1: In theta.ml(Y, mu, sum(w), w, limit = control$maxit, trace = control$trace > :
iteration limit reached
2: In theta.ml(Y, mu, sum(w), w, limit = control$maxit, trace = control$trace > :
iteration limit reached
summary(ModeloBinomialNegativa)
Call:
glm.nb(formula = Tabagismo ~ ., data = TabModelagem, link = log,
init.theta = 9955.862378)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.4866 -0.7821 -0.5889 0.5349 1.6624
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.245e+00 1.125e+00 -1.107 0.26847
factor.SexoDic.1 5.800e-01 1.065e-01 5.447 5.12e-08 ***
factor.Branca.1 -8.332e-01 1.009e+00 -0.826 0.40872
factor.Negra.1 -8.210e-01 1.028e+00 -0.799 0.42448
factor.Parda.1 -9.009e-01 1.012e+00 -0.890 0.37339
factor.Amarela.1 -1.089e+00 1.092e+00 -0.997 0.31853
factor.SemReligiao.1 -9.670e-02 2.430e-01 -0.398 0.69063
factor.Catolica.1 -4.813e-01 2.396e-01 -2.008 0.04459 *
factor.Espirita.1 -1.235e-01 2.807e-01 -0.440 0.65989
factor.Evangelica.1 -9.177e-01 3.126e-01 -2.936 0.00333 **
factor.AfroBrasileira.1 6.068e-01 5.539e-01 1.096 0.27327
factor.Turno.1 1.530e-03 1.331e-01 0.011 0.99083
factor.Aposentado.1 -4.516e-02 1.358e-01 -0.333 0.73937
factor.OcupaEstDiApenasDesemp.1 7.249e-02 1.816e-01 0.399 0.68973
factor.ComFamilia.1 -4.323e-01 2.739e-01 -1.578 0.11449
factor.ComOutParentes.1 -5.029e-01 4.527e-01 -1.111 0.26658
factor.Republica.1 8.986e-03 2.522e-01 0.036 0.97157
factor.Sozinho.1 -2.475e-01 2.878e-01 -0.860 0.38988
factor.Pensao.1 -8.439e-01 5.149e-01 -1.639 0.10120
factor.OutroMoradia.1 -5.262e-01 4.316e-01 -1.219 0.22277
factor.RU.1 -1.937e-01 1.363e-01 -1.421 0.15519
factor.praec4.1 -1.583e-01 3.432e-01 -0.461 0.64469
IdadeA 3.787e-02 1.207e-02 3.136 0.00171 **
escola 8.576e-02 4.429e-02 1.936 0.05282 .
RendaPC 4.045e-05 1.690e-05 2.393 0.01670 *
Dist 2.605e-05 1.668e-04 0.156 0.87585
PraecSoma 2.419e-02 3.972e-02 0.609 0.54264
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for Negative Binomial(9955.862) family taken to be 1)
Null deviance: 834.65 on 1135 degrees of freedom
Residual deviance: 706.13 on 1109 degrees of freedom
(587 observations deleted due to missingness)
AIC: 1642.2
Number of Fisher Scoring iterations: 1
Theta: 9956
Std. Err.: 36769
Warning while fitting theta: iteration limit reached
2 x log-likelihood: -1586.177
par(mfrow=c(2,2))
qqnorm(resid(ModeloLogistico, type = "deviance"),
+ pch = 20, main = "Logística", las = 1)
qqline(resid(ModeloLogistico, type = "deviance"))
qqnorm(resid(ModeloPoisson, type = "deviance"),
+ pch = 20, main = "Poisson", las = 1)
qqline(resid(ModeloPoisson, type = "deviance"))
qqnorm(resid(ModeloQuasiPoisson, type = "deviance"),
+ pch = 20, main = "Quasi-Poisson", las = 1)
qqline(resid(ModeloQuasiPoisson, type = "deviance"))
qqnorm(resid(ModeloBinomialNegativa, type = "deviance"),
+ pch = 20, main = "Binomial Negativa", las = 1)
qqline(resid(ModeloBinomialNegativa, type = "deviance"))
[image: Imagem inline 1]
Em 8 de fevereiro de 2017 20:35, Leonard Mendonça de Assis < assis.leonard@gmail.com> escreveu:
Exato,
Existem várias funções de ligação pre definidas para cada família. Não tenho certeza se ‘log’ é um link válido para binomial, nunca o usei com binomial.
Caso este link não exista, você terá que cria-lo antes, veja um exemplo neste local: https://stat.ethz.ch/pipermail/r-help/2013-November/362787. html
Neste exemplo, é criado o link ‘clog’, muito próximo ao que você precisa.
Mas o que você chama de ‘não consigo criar o modelo’? Eu já ajustei modelo logístico com mais de 200 variáveis (Contínuas, discretas, fatores ...) sem problemas, a não ser problemas de algumas variáveis serem linearmente dependentes e, com isto, me gerou problemas de estimação. Outro problema que tive (não o tenho a mais de ano) foi estourar memória do computador.
Mande pra mim o erro especifico que está dando ao executar o comando. Só assim posso ser mais preciso em te ajudar
*De:* Marcos Bissoli [mailto:mbissoli@gmail.com] *Enviada em:* quarta-feira, 8 de fevereiro de 2017 19:35 *Para:* Leonard Mendonça de Assis <assis.leonard@gmail.com>
*Assunto:* Re: [R-br] Distribuição para regressão de resposta binária
Prezado Leonard e amigos,
Agradeço muito pelo debate. Venho tentando cada vez mais dialogar com estatísticos, pois respeito muito o trabalho de vocês, embora admita ainda ser "um menino" na arte.
Em relação à função de ligação para logística, talvez eu não tenha sido claro. Eu tentei uma função "ln(y)" que, ao menos no material que venho consultando, seria uma regressão log-binomial. Este seria um modelo ideal, e foi minha primeira tentativa. Ou seja, usei um código semelhante a:
Modelo -> glm(y~., data = Dados, family = binomial(link = "log"))
O problema é que o R não consegue criar tal modelo. Tenho muitas variáveis explicativas (isso é bastante comum em estudos epidemiológicos descritivos), incluindo cinco contínuas, se é que esse seja o motivo. O fato é que em uma das referências que citei em e-mail anterior, os autores tratam deste problema. Veja os resultados apresentados no resumo de Coutinho et al:
"*RESULTADOS:* As estimativas por ponto e por intervalo [das razões de prevalência] obtidas pelas regressões de Cox e Poisson foram semelhantes à obtida pela estratificação de Mantel-Haenszel [considerada 'prova-ouro' para a Epidemiologia], independentemente da prevalência do desfecho [variável resposta] e das covariáveis [variáveis explicativas, pode-se dizer; talvez, para que tem uma formação mais voltada para análises experimentais, poderíamos dizer que covariáveis referem-se mais a 'blocos'] do modelo. *O modelo log-binomial apresentou dificuldade de convergência* quando o desfecho tinha prevalência alta e havia covariável contínua no modelo. A regressão logística [valendo-se de logito como função de ligação] produziu estimativas por ponto e por intervalo maiores do que as obtidas pelos outros métodos, principalmente para os desfechos com maiores prevalências iniciais. *Se interpretados como estimativas de RP, os OR superestimariam as associações* para os desfechos com prevalência inicial baixa, intermediária e alta em 13%, quase 100% e quatro vezes mais, respectivamente."
[notas minhas] [grifos meus]
Portanto, os autores indicam (e vi isso em outros artigos) regressão de Poisson, mesmo admitindo a variável resposta como sendo binária, variando de 0 a 1, que representa a probabilidade de ocorrência do desfecho (doença). Quase todos são unânimes em recomendar apenas que se use ajuste de variância robusta para sanar problemas nos intervalos de confiança dos coeficientes. Em Epidemiologia, mais importante que os valores p são esses intervalos de confiança, pois há muitos desdobramentos inferenciais que são feitos a partir deles. Portanto, creio que a justificativa para adoção de Poisson seja esta: a não convergência da log-binomial.
Talvez uma outra função de ligação em família binomial possa ser uma solução, então? Como disse, tentei "log" e o próprio "logit". "Log" não deu convergência e o modelo nem foi gerado. O "logit" eu também tentei, e o gráfico de resíduos do modelo foi praticamente idêntico a este de quasi-poisson que postei na primeira mensagem. Seria grato caso pudesse me indicar algum referencial sobre outras funções de ligação, preferencialmente com aplicações. Mas acho que isso se tornará um problema, pois os coeficientes gerados certamente me resultarão indicadores não reconhecidos na área da Epidemiologia. Não sei até que ponto eu posso "converter" coeficientes livremente aplicando pura e simplesmente aritméticas a estes coeficientes. Como acho que já expliquei acima: "logit" me devolve razão de chances (odds ratio, OR) e "log" me retorna a tão desejada razão de prevalência (razão de riscos, RR). Se eu não tiver como converter meus coeficientes em uma dessas razões (e preferencialmente a RR) eu vou apanhar tanto da banca que vou sair dali roxo e sem título. :D
(Um parênteses: essas questões, como a brincadeira acima, tem me motivado muito a ingressar em um doutorado em Estatística assim que eu concluir esse. Creio que há muito há se propor de novo para a Epidemiologia, a partir de um conhecimento mais profundo em Estatística. A Epidemiologia é, de fato, bastante limitada naquilo que ela "aceita" como técnica válida para suas análises inferenciais)
Quando o senhor diz:
"Uma segunda forma de analisar, seria termos uma resposta composta de número de ocorrências do evento em um total possível",
eu posso interpretar que isso também seria adaptável a uma probabilidade? Valeria a pena eu tentar ajuste com Gamma ou Beta? A binomial negativa eu até tentei, mais por curiosidade, pois tenho seguido o material do curso que fiz com o Walmes em Varginha e ele preconizou que ela seria recomendada para casos de superdispersão, e minha variável resposta aparenta subdispersão. Mas a binomial negativa também gerou o mesmo gráfico de resíduos. Eu posso usar uma variável binária como resposta num modelo Gamma ou Beta? Ou teria que dar algum "tratamento" na variável antes de aplicar estes modelos. Confesso que estes ainda não tentei com essa resposta com a qual estou enfrentando o problema. Em outras variáveis eu experimentei modelos Gamma, mas eles não apresentaram melhor ajuste que o gaussiano, a ponto de justificar eu enfrentar tamanha novidade com a banca de epidemiologistas. :D
Agradeço, já, e muito, o diálogo estabelecido.
Abraços fraternos,
Marcos
Em 8 de fevereiro de 2017 17:28, Leonard Mendonça de Assis < assis.leonard@gmail.com> escreveu:
Marcos,
Não tenho acesso aos artigos, mas ... baseado em 27 anos de experiência ajustando regressão logística, vamos aos meus pitacos:
1. Quando eu tenho os Y em forma binária (Presente/ausente), isto, estatisticamente falando, é uma distribuição de Bernoulli 2. Esta distribuição de bernoulli tem como parâmetro, a proporção. Esta proporção varia de 0 a 1. 3. Uma forma de ajustar este tipo de dados é a regressão logística, esta pode assumir vários tipos de ligação. Aqui, de cabeça, eu lembro uns 5, mas deve ter muito mais. 4. Estas funções de ligação se ajustam melhor a determinados tipos de dados e algumas áreas de conhecimento às vezes preferem um em detrimento de outros.
Baseado neste cenário acima, acho “estranho” utilizar outro tipo de modelo (com dados na característica acima), sem uma justificativa bastante forte.
Uma segunda forma de analisar, seria termos uma resposta composta de número de ocorrências do evento em um total possível. Neste caso, teríamos uma variedade de distribuições que provavelmente se encaixariam nos documentos que você apresentou. Neste caso, o modelo seria ou binomial negativa, ou Gama, ou Beta, ou qualquer outra similar.
Ajustados os conceitos, vamos agora à minha opinião sobre seu problema.
1. Pelo que consegui entender de seu texto inicial e seu código fornecido, você está ajustando algo que é 0 ou 1 como sendo uma quase-poisson (esta é uma das opções de ajuste para o que expliquei acima, onde existe uma determinada quantidade. 2. Como seus dados são 0/1 (suposição esta que faço baseado em sua explicação), o ajuste estar deficiente é algo bem esperado
Seria bom se você informasse do que se trata a variável tabagismo, se ela é 0/1 ou se é uma quantidade. Se for 0/1, certamente o problema dos dados é esperado, por serem oriundos de uma distribuição diversa da que você está ajustando.
No aguardo
Leonard
*De:* Marcos Bissoli [mailto:mbissoli@gmail.com] *Enviada em:* quarta-feira, 8 de fevereiro de 2017 14:57 *Para:* Leonard Assis <assis.leonard@gmail.com>; a lista Brasileira oficial de discussão do programa R. <r-br@listas.c3sl.ufpr.br> *Assunto:* Re: [R-br] Distribuição para regressão de resposta binária
Olá Leonard,
Muito obrigado pelo interesse no debate.
Minha afirmação baseada em epidemiologistas é, na verdade, baseada numa série de artigos que venho estudando recentemente. Seguem algumas referências, dentre outras várias, sobre as quais venho me fundamentando.
ZOU, G. A Modified Poisson Regression Approach to Prospective Studies with Binary Data. *American Journal of Epidemiology*, v. 159, n. 7, p. 702–706, 1 abr. 2004.
COUTINHO, L. M. S.; SCAZUFCA, M.; MENEZES, P. R. Métodos para estimar razão de prevalência em estudos de corte transversal. *Revista de Saúde Pública*, v. 42, n. 6, p. 992–998, dez. 2008.
BARROS, A. J.; HIRAKATA, V. N. Alternatives for logistic regression in cross-sectional studies: an empirical comparison of models that directly estimate the prevalence ratio. *BMC Medical Research Methodology*, v. 3, n. 1, p. 21, 20 dez. 2003.
FRANCISCO, P. M. S. B. et al. Medidas de associação em estudo transversal com delineamento complexo: razão de chances e razão de prevalência. *Revista Brasileira de Epidemiologia*, v. 11, n. 3, p. 347–355, set. 2008.
WILLIAMSON, T.; ELIASZIW, M.; FICK, G. H. Log-binomial models: exploring failed convergence. *Emerging themes in epidemiology*, v. 10, n. 1, p. 14, 13 dez. 2013.
Abraços fraternos,
Marcos
Em 7 de fevereiro de 2017 22:22, Leonard Assis via R-br < r-br@listas.c3sl.ufpr.br> escreveu:
Tem ruído aí nesta explicação. Na verdade, o que o "epidemiologista" alegou, não me convenceu.
Em 7 de fev de 2017 9:14 PM, "Marcos Bissoli via R-br" < r-br@listas.c3sl.ufpr.br> escreveu:
Prezados,
De antemão peço desculpas se desvio o tópico da lista. Mas creio que o tema da mensagem é minimamente transversal aos aqui tratados.
Tenho uma variável resposta binária. Como a frequência da resposta é alta (38,11%), teóricos da Estatística aplicada à Epidemiologia sugerem que não seja usada uma regressão logística. Neste caso (de alta prevalência do desfecho), a primeira opção deveria ser uma log-binomial. Mas (e isso não é raro de ocorrer), minha log-binomial não apresentou convergência.
Quando não há convergência, os teóricos sugerem uma regressão de Poisson com variância robusta. Entretanto, como meus dados sugerem subdispersão, optei por um modelo de quasi-poisson. Isso já deu certo em outras análises que fiz para terceiros. Inclusive, tenho conseguido adaptar a variância robusta ao modelo de quasi-poisson. Mas justamente agora, com os dados de minha tese...
O diagnóstico visual está, ao meu ver, péssimo, para ajuste. A imagem anexa é do modelo de quasi-poisson. Mas experimentei todos os acima citados (logística e Poisson) e o gráfico não diferiu muito.
[image: Imagem inline 1]
A dúvida é... Há alguma outra alternativa de técnica de regressão que eu poderia tentar? Minhas variáveis explicativas são diversas, em quantidade e tipo (há contínuas, ordinais e binárias). Ou será (embora eu ache pouco provável) que este gráfico não significa um grande incômodo?
Fiz o teste de qui-quadrado da deviance residual e estranhamente o valor p está resultando em 1, tanto para Poisson quanto para quasi-Poisson. Um outro fato estranho é o pseudo R² de Nagelkerke ter acusado 20%: todas as outras minhas variáveis resposta não passaram de 12%. Não sei se é correto (consultei bibliografia que sugeria isso para a regressão logística), mas apliquei um teste de Hosmer e Lemeshow e ele acusou um bom ajuste do modelo, também (p = 0,2718). Até uma curva de ROC eu fiz e a área está grande no gráfico (mais uma técnica que não sei se deve ser aplicada além da regressão logística,).
Seguem alguns resultados, caso possa ajudar em algo.
Desde já agradeço qualquer comentário. E reforço minhas desculpas caso eu tenha desviado do tópico além do esperado, e desde já acato qualquer negativa em prosseguir o debate. Nesse caso, se possível, aceitaria sugestões de boas listas para debates nesse nível onde eu pudesse me inscrever.
Há braços,
Marcos Bissoli
Faculdade de Nutrição
Unifal-MG
Mod1 <- glm(Tabagismo~.,data = TabModelagem,family = quasipoisson)
summary(Mod1)
Call:
glm(formula = Tabagismo ~ ., family = quasipoisson, data = TabModelagem)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.4867 -0.7821 -0.5889 0.5349 1.6624
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.245e+00 8.738e-01 -1.424 0.154644
factor.SexoDic.1 5.800e-01 8.273e-02 7.011 4.11e-12 ***
factor.Branca.1 -8.332e-01 7.836e-01 -1.063 0.287863
factor.Negra.1 -8.210e-01 7.987e-01 -1.028 0.304185
factor.Parda.1 -9.009e-01 7.863e-01 -1.146 0.252163
factor.Amarela.1 -1.089e+00 8.481e-01 -1.284 0.199466
factor.SemReligiao.1 -9.670e-02 1.888e-01 -0.512 0.608566
factor.Catolica.1 -4.813e-01 1.862e-01 -2.585 0.009863 **
factor.Espirita.1 -1.235e-01 2.181e-01 -0.566 0.571230
factor.Evangelica.1 -9.177e-01 2.429e-01 -3.779 0.000166 ***
factor.AfroBrasileira.1 6.068e-01 4.303e-01 1.410 0.158794
factor.Turno.1 1.534e-03 1.034e-01 0.015 0.988169
factor.Aposentado.1 -4.516e-02 1.055e-01 -0.428 0.668597
factor.OcupaEstDiApenasDesemp.1 7.249e-02 1.411e-01 0.514 0.607474
factor.ComFamilia.1 -4.323e-01 2.128e-01 -2.031 0.042444 *
factor.ComOutParentes.1 -5.029e-01 3.517e-01 -1.430 0.153011
factor.Republica.1 8.985e-03 1.959e-01 0.046 0.963429
factor.Sozinho.1 -2.475e-01 2.236e-01 -1.107 0.268673
factor.Pensao.1 -8.439e-01 4.000e-01 -2.110 0.035106 *
factor.OutroMoradia.1 -5.262e-01 3.353e-01 -1.569 0.116880
factor.RU.1 -1.937e-01 1.059e-01 -1.830 0.067589 .
factor.praec4.1 -1.583e-01 2.666e-01 -0.594 0.552951
IdadeA 3.787e-02 9.381e-03 4.037 5.79e-05 ***
escola 8.576e-02 3.441e-02 2.492 0.012836 *
RendaPC 4.045e-05 1.313e-05 3.080 0.002119 **
Dist 2.605e-05 1.296e-04 0.201 0.840689
PraecSoma 2.419e-02 3.086e-02 0.784 0.433427
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for quasipoisson family taken to be 0.6036898)
Null deviance: 834.67 on 1135 degrees of freedom
Residual deviance: 706.16 on 1109 degrees of freedom
AIC: NA
Number of Fisher Scoring iterations: 5
...
