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"*