omnibus test

 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?