Caroline, Para obter a anova desse seu modelo você procede:

anova(m1)

De modo análogo ao usual com lm() ou aov(). Quanto a equação ajustada lembre-se que os glm envolvem uma função de ligação, que no caso canônico da binomial (default do erro é a "logit"). Assim os parâmetros para você construir sua equação ajustada vem desses coeficientes que aparecem do summary (intercept, altura, ...). Mas como eu disse você tem observar que como saem, essas estimativas devem passar pela função inversa da logit para você obter seus dados preditos! att, FH 2012/1/17 Caroline Figueiredo <cfigueiredo1002@gmail.com>

Olá pessoal,

Estou com uma dúvida, que na verdade deve ser bem ridícula, mas realmente não sei a resposta. A questão é a seguinte:

Tenho dados binários como variável resposta ( 1 – vivo; 0 - morto), e variáveis contínuas como explicativas, e vi no The R book do Crawley que poderia usar GLM para construir um modelo, tendo binomial como família. Usei o seguinte código (os valores são fictícios, pois li meus dados direto da tabela, pois são muitas linhas).

status<-c(0,1,0,1,1,1,1,1,0,1)

altura<-c(2.2,1.3,4.5,6.7,1.3,4.5,1.2,2.0,7.8,1.2)

newy<-c(5.5,1.2,7.8,1.4,1.3,2.3,3.2,1.3,6.7,1.4)

m1<-glm(status~altura+newy+altura*newy, binomial)

E o summary deu isso:

Call:

glm(formula = status ~ altura + newy + altura * newy, family = binomial)

Deviance Residuals:

Min 1Q Median 3Q Max

-3.3122 0.1586 0.1969 0.2486 0.6394

Coefficients:

Estimate Std. Error z value Pr(>|z|)

(Intercept) 0.24827 0.52797 0.470 0.63818

altura 0.80654 0.20006 4.032 5.54e-05 ***

newy 0.23918 0.05101 4.689 2.74e-06 ***

altura:newy -0.04578 0.01753 -2.611 0.00903 **

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 1705.0 on 7191 degrees of freedom

Residual deviance: 1610.4 on 7188 degrees of freedom

AIC: 1618.4

Number of Fisher Scoring iterations: 7

Minha dúvida é a seguinte: Qual é a equação ajustada para esse modelo? P. ex., se fosse uma regressão linear o modelo seria y~x, e a equação y=a + bx, mas e para esse modelo?

A outra dúvida é se poderia fazer uma anova para comparar esse modelo com o modelo nulo, e qual teste poderia usar, pois no exemplo do livro ele usa o test= chi, porém está comparando dois modelos diferentes, e queria saber se posso usar para comparar com o modelo nulo também. Bem é isso pessoal, espero que possam me ajudar.

Obrigada,

Carol Figueiredo

_______________________________________________ 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.

Carol sugiro uma revisao de modelos lineares geeneralizados em algum texto introdutorio que vai esclarecer muitas coisas (por exemlo o livro Extending Linear Models in R) Mas rapidamente: O modelo linear que voce menciona y = a+bx Pode ser reescrito como explicitando a distribuicao da resposta Y e definindo uma funcao de sua média (no caso identidade) como uma funcao linear de sua variavel explicativa Y ~ N(mu, sigma^2) E(Y) = mu = nu = a + bx O GLM geeneraliza isto entao de 2 maneiras: - a distribuição nao precisa ser normal - a relacao de mu e nu nao precisa ser identidade No seu caso: Y ~ N(n, p) E(Y) = p log(p/(1-p)) = nu = a + bx Quanto a comparar com modelo nulo é só ajustado e usar a funcao anova para comparar, semelahnte aos lm no R ex: mod0 <- glm(y ~ 1, family = binomial) mod1 <- glm(y ~ x, family = binomial) anova(mod0, mod1) On Tue, 17 Jan 2012, Caroline Figueiredo wrote:

Olá pessoal,

Estou com uma dúvida, que na verdade deve ser bem ridícula, mas realmente não sei a resposta. A questão é a seguinte:

Tenho dados binários como variável resposta ( 1 – vivo; 0 -  morto), e variáveis contínuas como  explicativas, e vi no The R book do Crawley que poderia usar GLM para construir um modelo, tendo binomial como família. Usei o seguinte código (os valores são fictícios, pois li meus dados direto da tabela, pois são muitas linhas).

status<-c(0,1,0,1,1,1,1,1,0,1)

altura<-c(2.2,1.3,4.5,6.7,1.3,4.5,1.2,2.0,7.8,1.2)

newy<-c(5.5,1.2,7.8,1.4,1.3,2.3,3.2,1.3,6.7,1.4)

m1<-glm(status~altura+newy+altura*newy, binomial)

E o summary deu isso:

Call:

glm(formula = status ~ altura + newy + altura * newy, family = binomial)

 

Deviance Residuals:

    Min       1Q   Median       3Q      Max 

-3.3122   0.1586   0.1969   0.2486   0.6394 

 

Coefficients:

            Estimate Std. Error z value Pr(>|z|)   

(Intercept)  0.24827    0.52797   0.470  0.63818   

altura       0.80654    0.20006   4.032 5.54e-05 ***

newy         0.23918    0.05101   4.689 2.74e-06 ***

altura:newy -0.04578    0.01753  -2.611  0.00903 **

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

 

(Dispersion parameter for binomial family taken to be 1)

 

    Null deviance: 1705.0  on 7191  degrees of freedom

Residual deviance: 1610.4  on 7188  degrees of freedom

AIC: 1618.4

 

Number of Fisher Scoring iterations: 7

 

Minha dúvida é a seguinte: Qual é a equação ajustada para esse modelo? P. ex., se fosse uma regressão linear o modelo seria y~x, e a equação y=a + bx, mas e para esse modelo?

A outra dúvida é se poderia fazer uma anova para comparar esse modelo com o modelo nulo, e qual teste poderia usar, pois no exemplo do livro ele usa o test= chi, porém está comparando dois modelos diferentes,  e queria saber se posso usar para comparar com o modelo nulo também. Bem é isso pessoal, espero que possam me ajudar.

Obrigada,

Carol Figueiredo