Prezados(as)

Ajustei o seguinte modelo de GEE para dados binários, longitudinais:

load(https://dl.dropboxusercontent.com/u/73337918/d6.rda)

attach(d6)

d6$REF_P <- as.factor(d6$REF_P)

d6$TCM_PRE <- as.factor(d6$TCM_PRE)

d6$TCM_REL <- as.factor(d6$TCM_REL)

d6$MAN_CON <- as.factor(d6$MAN_CON)

d6$MAN_PER <- as.factor(d6$MAN_PER)

d6$EST_CIV <- as.factor(d6$EST_CIV)

d6$GR_ESC <- as.factor(d6$GR_ESC)

d6$GR_OCUP <- as.factor(d6$GR_OCUP)

d6$GR_ESCP <- as.factor(d6$GR_ESCP)

d6$INT_PGOV <- as.factor(d6$INT_PGOV)

d6$INT_PPRE <- as.factor(d6$INT_PPRE)

d6$INT_PART <- as.factor(d6$INT_PART)

d6$GR_DCAP <- as.factor(d6$GR_DCAP)

d6$RESC_ANT <- as.factor(d6$RESC_ANT)

#

d6$GR_ESC <- relevel(d6$GR_ESC, ref="LE_FI")

d6$REG_MES <- relevel(d6$REG_MES, ref="Ms_Mt")

library(geepack)

mod6c <- geeglm(RES_CONT ~ GR_ESC+GR_OCUP+SEXO+MAN_PER+REF_P+                  TCM_PRE+TCM_REL+INT_PGOV+INT_PPRE+REG_MES+GR_DCAP+IDHM_PNUD+RESC_ANT,id = MUNIC,  data = d6, family = binomial(link=logit), corstr = "ar1")

summary(mod6c)

Coefficients:

              Estimate  Std.err    Wald Pr(>|W|)    

(Intercept)    1.54944  0.58054   7.123  0.00761 ** 

GR_ESCFC_MI    0.05587  0.15362   0.132  0.71610    

GR_ESCMC_SI    0.25302  0.12323   4.215  0.04006 *  

GR_ESCSC_PG    0.47851  0.15347   9.722  0.00182 ** 

GR_OCUP2      -0.01318  0.19240   0.005  0.94540    

GR_OCUP3      -0.49723  0.20344   5.974  0.01452 *  

GR_OCUP4       0.20693  0.18915   1.197  0.27397    

GR_OCUP5       0.05465  0.13705   0.159  0.69005    

GR_OCUP6      -0.16555  0.20084   0.679  0.40979    

GR_OCUP7       0.25329  0.22578   1.259  0.26192    

GR_OCUP8      -0.56514  0.20535   7.574  0.00592 ** 

GR_OCUP9       0.11389  0.23092   0.243  0.62187    

GR_OCUP10     -0.32457  0.16519   3.860  0.04944 *  

SEXOM         -0.38449  0.15291   6.322  0.01192 *  

MAN_PER2      -0.02760  0.08483   0.106  0.74493    

MAN_PER3       0.89274  0.22867  15.241 9.46e-05 ***

REF_P2        -0.90280  0.16081  31.516 1.98e-08 ***

TCM_PRE2       0.32531  0.17539   3.440  0.06362 .  

TCM_PRE3       1.10453  0.38724   8.136  0.00434 ** 

TCM_PRE4       0.07393  0.16962   0.190  0.66292    

TCM_PRE5       0.45656  0.17748   6.618  0.01010 *  

TCM_PRE6      -1.07012  0.43169   6.145  0.01318 *  

TCM_REL2      -0.88695  0.22036  16.202 5.69e-05 ***

TCM_REL3      -0.51005  0.23513   4.706  0.03006 *  

TCM_REL4      -0.20505  0.21699   0.893  0.34466    

TCM_REL5       0.05124  0.26072   0.039  0.84418    

TCM_REL6      -0.53652  0.27731   3.743  0.05303 .  

TCM_REL7      -0.49148  0.21464   5.243  0.02204 *  

TCM_REL8       0.21678  0.21973   0.973  0.32385    

TCM_REL9       0.32581  0.31959   1.039  0.30799    

TCM_REL10      0.59204  0.25881   5.233  0.02216 *  

TCM_REL11     -0.06144  0.22802   0.073  0.78759    

TCM_REL12     -0.51748  0.28703   3.250  0.07140 .  

INT_PGOV1     -0.86442  0.37774   5.237  0.02211 *  

INT_PGOV2     -0.62852  0.39466   2.536  0.11126    

INT_PPRE1      1.07552  0.37019   8.441  0.00367 ** 

INT_PPRE2      0.94990  0.43197   4.836  0.02788 *  

REG_MESMs_CN  -0.29830  0.19545   2.329  0.12696    

REG_MESMs_CS  -0.25052  0.22930   1.194  0.27460    

REG_MESMs_EO   0.01757  0.31662   0.003  0.95575    

REG_MESMs_Nd  -0.41248  0.20274   4.139  0.04190 *  

REG_MESMs_S   -1.09423  0.22003  24.732 6.59e-07 ***

REG_MESMs_VSF -0.68058  0.26449   6.621  0.01008 *  

GR_DCAP2       0.05559  0.15406   0.130  0.71821    

GR_DCAP3      -0.02412  0.18018   0.018  0.89351    

GR_DCAP4       0.21081  0.21921   0.925  0.33622    

GR_DCAP5       0.62488  0.22953   7.412  0.00648 ** 

GR_DCAP6       0.60297  0.74007   0.664  0.41522    

IDHM_PNUD     -2.48469  0.77384  10.310  0.00132 ** 

RESC_ANT1      1.60297  0.08113 390.413  < 2e-16 ***

Não consegui entender os resultados seguintes:

INT_PGOV1     -0.86442  0.37774   5.237  0.02211 * 

INT_PGOV2     -0.62852  0.39466   2.536  0.11126

..............................................

> tapply(fitted(mod6c), INT_PGOV, mean)

     0      1      2 

0.6868 0.7403 0.7717 

> tapply(predict(mod6c), INT_PGOV, mean)

     0      1      2 

0.9619 1.2828 1.4899 

A variável categórica INT_PGOV tem três níveis: 0, 1, e 2. O R coloca o 0 como baseline. Se o preditor linear e o valor ajustado da resposta são maiores nos níveis 1 e 2 de INT_PGOV, as estimativas dos parâmetros correspondentes a (INT_PGOV1:-0.86442) e (INT_PGOV2: -0.62852) não deviam ser positivas ????.

Alguém tem alguma ideia? Desde já agradeço qualquer comentário.

Att.