Elias, Há vários possíveis comentários a fazer, embora, de antemão aviso-o, que pelo fato de você ter dezessete casos apenas, não há muito a melhorar.
1. Calcular os coeficientes de associação quando a hipótese de independência não pode ser descartada tende a ser um exercício equivalente a tentar ler folhas de chá numa xícara após a merenda; 2. Ao você fazer múltiplas comparações *nos mesmos dados* você ainda teria que fazer uma correção para assegurar que seu Erro Tipo I não seria inflacionado; 3. A alternativa de fazer um *omnibus test*, por exemplo via uma regressão logística com G como desfecho e as outras como VI, esbarra no fato de que se precisaria muito mais casos¹. Então no seu caso a única coisa que a Estatística o autorizaria é dizer que as hipóteses de independências não podem ser descartadas e que devido ao tamanho da amostra mais nada pode ser dito (do ponto de vista de inferência). Com o conhecimento do domínio do problema e a Descritiva você pode especular mais um pouco, mas irremediavelmente teria que propor um estudo com maior potências estatística se quiser alguma constatação do fenômeno que está estudando. HTH -- Cesar Rabak [1] A discussão sobre assunto é vasta com concordância apenas que é "um problema complexo", mas para colocar a bola em campo, Peduzzi et al. 1996, costuma ser citado como melhor referência. A fórmula seria N = 10∙k / p; N :: mínimo tamanho da amostra, k :: número de covariáveis; p :: mínimo da proporção casos ou não casos. Peduzzi P, Concato J, Kemper E, Holford TR, Feinstein AR (1996) A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology 49:1373-1379. On Tue, Jul 10, 2018 at 8:38 PM, Elias Carvalho via R-br < [email protected]> wrote: > 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 forneça > código mínimo reproduzível. >
_______________________________________________ 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.
