Elias, não consigo ver como você poderia usar qualquer técnica para obter mais informação a respeito do fenômeno em questão usando esses artifícios, como o que você citou e outro muito em voga o* bootstraping*, etc.
Nesses casos, o melhor a fazer é tentar identificar apenas via a estatística descritiva se o que se observa vale a pena investir em amostra maior... 2018-07-15 21:42 GMT-03:00 Elias Carvalho via R-br <[email protected] >: > 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 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.
