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"*
_______________________________________________
R-br mailing list
[email protected]
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 forne�a c�digo
m�nimo reproduz�vel.
