Caro César, obrigado pela didática resposta. Como se diz por ai, eu concordo em numéro, gênero e grau com você, no entanto busco por alternativas seria viável usar alguma técnica de oversampling para aumentar a amostra?
Em qua, 11 de jul de 2018 às 09:27, Cesar Rabak <[email protected]> escreveu: > 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. >> > > -- *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.
