Extrair P-value do resultado de uma imputação com MICE
Boa noite pessoal Estou testando o pacote mice para fazer imputação múltipla de dados missing, conforme exemplo: library(mice) imp <- mice(nhanes2) fit <- with(imp, lm(chl~age+bmi)) summary(fit) O resultado se resume em: ## summary of imputation 1 : Call: lm(formula = chl ~ age + bmi) Residuals: Min 1Q Median 3Q Max -46.37 -19.23 -11.24 12.66 83.69 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 32.134 53.202 0.604 0.55232 age2 49.058 18.153 2.702 0.01334 * age3 62.837 19.886 3.160 0.00472 ** bmi 4.907 1.795 2.733 0.01246 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 34.89 on 21 degrees of freedom Multiple R-squared: 0.3835, Adjusted R-squared: 0.2954 F-statistic: 4.354 on 3 and 21 DF, p-value: 0.01557 Eu gostaria de extrair o p-value: 0.01557 dessa estrutura, mas não consegui com os métodos convencionais, pois a estrutura parece diferente da estrutura gerada por um lm ou glm. Alguém poderia me ajudar -- *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"*
Bom dia Elias. Consegui extrair os valores pra depois consultar a distribuição F. Veja abaixo. imp <- mice(nhanes2) fit <- with(imp, lm(chl~age+bmi)) summary(fit) tam1 <- length(fit) tam2 <- length(fit[[4]]) s <- summary(fit[[tam1]][[tam2]]) p.value <- 1 - pf(q = s$fstatistic["value"], df1 = s$fstatistic["numdf"], df2 = s$fstatistic["dendf"]) p.value Abraços, Paulo 2017-04-20 20:30 GMT-03:00 Elias Carvalho via R-br <r-br@listas.c3sl.ufpr.br
:
Boa noite pessoal
Estou testando o pacote mice para fazer imputação múltipla de dados missing, conforme exemplo:
library(mice)
imp <- mice(nhanes2) fit <- with(imp, lm(chl~age+bmi))
summary(fit)
O resultado se resume em:
## summary of imputation 1 :
Call: lm(formula = chl ~ age + bmi)
Residuals: Min 1Q Median 3Q Max -46.37 -19.23 -11.24 12.66 83.69
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 32.134 53.202 0.604 0.55232 age2 49.058 18.153 2.702 0.01334 * age3 62.837 19.886 3.160 0.00472 ** bmi 4.907 1.795 2.733 0.01246 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 34.89 on 21 degrees of freedom Multiple R-squared: 0.3835, Adjusted R-squared: 0.2954 F-statistic: 4.354 on 3 and 21 DF, p-value: 0.01557
Eu gostaria de extrair o p-value: 0.01557 dessa estrutura, mas não consegui com os métodos convencionais, pois a estrutura parece diferente da estrutura gerada por um lm ou glm.
Alguém poderia me ajudar
--
*In Jesu et Maria* *Obrigado* *Prof. Elias Carvalho*
*"Felix, qui potuit rerum cognoscere causas" (Virgil 29 BC)"Blessed is he who has been able to understand the cause of things"*
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.
esqueci de substituir o valor 4 por tam1... segue abaixo: imp <- mice(nhanes2) fit <- with(imp, lm(chl~age+bmi)) summary(fit) tam1 <- length(fit) tam2 <- length(fit[[tam1]]) s <- summary(fit[[tam1]][[tam2]]) p.value <- 1 - pf(q = s$fstatistic["value"], df1 = s$fstatistic["numdf"], df2 = s$fstatistic["dendf"]) p.value Abraços, Paulo Em 21 de abril de 2017 09:50, Paulo Nogueira Starzynski <paulons@gmail.com> escreveu:
Bom dia Elias. Consegui extrair os valores pra depois consultar a distribuição F. Veja abaixo.
imp <- mice(nhanes2) fit <- with(imp, lm(chl~age+bmi)) summary(fit)
tam1 <- length(fit) tam2 <- length(fit[[4]]) s <- summary(fit[[tam1]][[tam2]]) p.value <- 1 - pf(q = s$fstatistic["value"], df1 = s$fstatistic["numdf"], df2 = s$fstatistic["dendf"]) p.value
Abraços, Paulo
2017-04-20 20:30 GMT-03:00 Elias Carvalho via R-br < r-br@listas.c3sl.ufpr.br>:
Boa noite pessoal
Estou testando o pacote mice para fazer imputação múltipla de dados missing, conforme exemplo:
library(mice)
imp <- mice(nhanes2) fit <- with(imp, lm(chl~age+bmi))
summary(fit)
O resultado se resume em:
## summary of imputation 1 :
Call: lm(formula = chl ~ age + bmi)
Residuals: Min 1Q Median 3Q Max -46.37 -19.23 -11.24 12.66 83.69
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 32.134 53.202 0.604 0.55232 age2 49.058 18.153 2.702 0.01334 * age3 62.837 19.886 3.160 0.00472 ** bmi 4.907 1.795 2.733 0.01246 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 34.89 on 21 degrees of freedom Multiple R-squared: 0.3835, Adjusted R-squared: 0.2954 F-statistic: 4.354 on 3 and 21 DF, p-value: 0.01557
Eu gostaria de extrair o p-value: 0.01557 dessa estrutura, mas não consegui com os métodos convencionais, pois a estrutura parece diferente da estrutura gerada por um lm ou glm.
Alguém poderia me ajudar
--
*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"*
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.
Excelente trabalho Paulo, muitíssimo obrigado, me ajudou muito. Eu gostaria de conhecer melhor essa estrutura para entender como você chegou ai, ontem eu fiquei horas tentando e nada. Tenho trabalhado com o R a algum tempo, não sou estatístico, sou da computação. Alguma dica de onde estudar isso, ou somente na prática mesmo ? 2017-04-20 20:30 GMT-03:00 Elias Carvalho <ecacarva@gmail.com>:
Boa noite pessoal
Estou testando o pacote mice para fazer imputação múltipla de dados missing, conforme exemplo:
library(mice)
imp <- mice(nhanes2) fit <- with(imp, lm(chl~age+bmi))
summary(fit)
O resultado se resume em:
## summary of imputation 1 :
Call: lm(formula = chl ~ age + bmi)
Residuals: Min 1Q Median 3Q Max -46.37 -19.23 -11.24 12.66 83.69
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 32.134 53.202 0.604 0.55232 age2 49.058 18.153 2.702 0.01334 * age3 62.837 19.886 3.160 0.00472 ** bmi 4.907 1.795 2.733 0.01246 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 34.89 on 21 degrees of freedom Multiple R-squared: 0.3835, Adjusted R-squared: 0.2954 F-statistic: 4.354 on 3 and 21 DF, p-value: 0.01557
Eu gostaria de extrair o p-value: 0.01557 dessa estrutura, mas não consegui com os métodos convencionais, pois a estrutura parece diferente da estrutura gerada por um lm ou glm.
Alguém poderia me ajudar
--
*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"*
-- *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"*
Elias, as vezes algumas estruturas são realmente menos intuitivas do que outras. Essa por exemplo eu não matei de cara, tive que invetigar um pouco. O lance foi perceber que a saída da função summary(fit) era na verdade uma lista com 5 "coisas", e você queria o p-valor da última delas. imp <- mice(nhanes2) fit <- with(imp, lm(chl~age+bmi)) summary(fit) class(fit) #objeto do tipo *mira* (em geral quando eles são de tipos estranhos na verdade eles são listas) is.list(fit) #TRUE length(fit) # 4 objetos na lista names(fit) # os nomes deles # avaliando cada um deles fit$call # não tem o que precisamos nesse caso fit$call1 # não tem o que precisamos nesse caso fit$nmis # não tem o que precisamos nesse caso fit$analyses # é uma lista, contendo 5 modelos. o último deles nos interessa Ou seja, temos uma lista dentro de uma lista, mas acessar é fácil: summary(fit[[4]][[5]]) # agora sim é um summary comum summary(fit[[analyses]][[5]]) # dá no mesmo... é o mesmo acesso Embora esse summary não tenha o p-valor que você procura, ele possui as informações para consultar a distribuição F e obtê-lo. Somente essa parte final está relacionada à estatística propriamente dita, o resto vem simplesmente de fuçar os objetos do R. Como dica, se acostume a usar e abusar de funções como str(), class(), names() e length(). Facilita a entender como os objetos estão estruturados. Abraços, Paulo Em 21 de abril de 2017 10:38, Elias Carvalho via R-br < r-br@listas.c3sl.ufpr.br> escreveu:
Excelente trabalho Paulo, muitíssimo obrigado, me ajudou muito.
Eu gostaria de conhecer melhor essa estrutura para entender como você chegou ai, ontem eu fiquei horas tentando e nada.
Tenho trabalhado com o R a algum tempo, não sou estatístico, sou da computação.
Alguma dica de onde estudar isso, ou somente na prática mesmo ?
2017-04-20 20:30 GMT-03:00 Elias Carvalho <ecacarva@gmail.com>:
Boa noite pessoal
Estou testando o pacote mice para fazer imputação múltipla de dados missing, conforme exemplo:
library(mice)
imp <- mice(nhanes2) fit <- with(imp, lm(chl~age+bmi))
summary(fit)
O resultado se resume em:
## summary of imputation 1 :
Call: lm(formula = chl ~ age + bmi)
Residuals: Min 1Q Median 3Q Max -46.37 -19.23 -11.24 12.66 83.69
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 32.134 53.202 0.604 0.55232 age2 49.058 18.153 2.702 0.01334 * age3 62.837 19.886 3.160 0.00472 ** bmi 4.907 1.795 2.733 0.01246 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 34.89 on 21 degrees of freedom Multiple R-squared: 0.3835, Adjusted R-squared: 0.2954 F-statistic: 4.354 on 3 and 21 DF, p-value: 0.01557
Eu gostaria de extrair o p-value: 0.01557 dessa estrutura, mas não consegui com os métodos convencionais, pois a estrutura parece diferente da estrutura gerada por um lm ou glm.
Alguém poderia me ajudar
--
*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"*
--
*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"*
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.
Muito obrigado Paulo, me ajudou muito. Em 21 de abril de 2017 10:38, Elias Carvalho <ecacarva@gmail.com> escreveu:
Excelente trabalho Paulo, muitíssimo obrigado, me ajudou muito.
Eu gostaria de conhecer melhor essa estrutura para entender como você chegou ai, ontem eu fiquei horas tentando e nada.
Tenho trabalhado com o R a algum tempo, não sou estatístico, sou da computação.
Alguma dica de onde estudar isso, ou somente na prática mesmo ?
2017-04-20 20:30 GMT-03:00 Elias Carvalho <ecacarva@gmail.com>:
Boa noite pessoal
Estou testando o pacote mice para fazer imputação múltipla de dados missing, conforme exemplo:
library(mice)
imp <- mice(nhanes2) fit <- with(imp, lm(chl~age+bmi))
summary(fit)
O resultado se resume em:
## summary of imputation 1 :
Call: lm(formula = chl ~ age + bmi)
Residuals: Min 1Q Median 3Q Max -46.37 -19.23 -11.24 12.66 83.69
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 32.134 53.202 0.604 0.55232 age2 49.058 18.153 2.702 0.01334 * age3 62.837 19.886 3.160 0.00472 ** bmi 4.907 1.795 2.733 0.01246 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 34.89 on 21 degrees of freedom Multiple R-squared: 0.3835, Adjusted R-squared: 0.2954 F-statistic: 4.354 on 3 and 21 DF, p-value: 0.01557
Eu gostaria de extrair o p-value: 0.01557 dessa estrutura, mas não consegui com os métodos convencionais, pois a estrutura parece diferente da estrutura gerada por um lm ou glm.
Alguém poderia me ajudar
--
*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"*
--
*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"*
-- *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"*
participantes (2)
-
Elias Carvalho -
Paulo Nogueira Starzynski