Regressão Logística e Aplicação em Software Estatísticos

Apresentação em tema: "Regressão Logística e Aplicação em Software Estatísticos"— Transcrição da apresentação:

1 Regressão Logística e Aplicação em Software Estatísticos
Orientando : Alexandro Vieira Lopes Orientadora : Profª. Drª.Vilma Mayumi Tachibana 1/ 26

2 INTRODUÇÃO Razão de Chances
Aplicação e Comparação dos Software Estatísticos Aplicação Conjunto Dados Cardíacos 2/ 26

3 RAZÃO DE CHANCES O que os Coeficientes estimados do modelo informam num estudo Variável Independente Dicotômica Variável Independente Politômica Variável Independente Contínua 3/ 26

4 RAZÃO DE CHANCES Variável Independente Dicotômica
A RAZÃO DE CHANCES é uma medida de associação que aproxima o mais (menos) provável do resultado estar presente entre aqueles com X = 1 do que entre aqueles com X = 0. 4/ 26

5 RAZÃO DE CHANCES A razão de chances é:
A chance da ocorrência de Problema Cardíaco é 8 vezes maior em pessoas com idade maior que 55 anos do que em uma pessoa com idade inferior a 55 anos. 5/ 26

6 APLICAÇÃO DADOS CARDÍACOS
Hospital Pró-Cardíaco- RJ ; N = 599 Pacientes 6/ 26

7 APLICAÇÃO DADOS CARDÍACOS
Idade Sexo = 0 =1 Hipertensão Arterial: Ausência = 0 , Presença = 1 Ausência = 0 , Presença = 1 Histórico Familiar: Não = 0 , Sim = 1 7/ 26

8 APLICAÇÃO DADOS CARDÍACOS
Infarto Prévio: Não = 0 , Sim = 1 Não Fumante = 0 , Fumante = 1 Killip de entrada (intensidade):1,2,3,4. Localização Parede: anterior,inferior, lateral, onda Q: Não = 0 , Sim = 1 Óbito Hospitalar = 0 = 1 8/ 26

9 RESULTADOS MODELO COMPLETO
Logito: g(x) = -5, ,02653*idade – ,0693*sexo – 0,3607*has ,8363*iamp+ +0,3984*diab ,5155*fumo – 0,4053*hfam + 0,4707*parea + 0,4052*parei *parel + 1,5733*kient. 9/ 26

10 RESULTADOS MODELO COMPLETO 10/ 26

11 RESULTADOS MODELO REDUZIDO
Seleção de Variáveis STEPWISE p-valor entrada = 0,15 p-valor remoção = 0,20. Termos de Interação. Logito: g(x) = -6, ,0383*idade –0,9826*sexo + +1,8411*iamp + 1,8265*kient –0,6943*iamp*kient. 11/ 26

12 RESULTADOS SOFTWARE STATA
12/ 26

13 RESULTADOS MODELO REDUZIDO 13/ 26

14 RESULTADOS COMPARAÇÃO DE MODELOS
Gnovo = G(modelo completo) – G (modelo reduzido) Gnovo = , – , = 4,983. Modelo completo p = 11 covariáveis Modelo reduzido k = 5 covariáveis. = = 12,59 Como Gnovo = 4,983 < = 12,59. Coeficientes das variáveis que NÃO estão no modelo reduzido são iguais a zero ( i = 0 ). Variáveis NÃO têm signficância estatística Modelo reduzido sintetiza as variáveis mais importantes. 14/ 26

15 RESULTADOS  0,37 RAZÃO DE CHANCES A razão de chances é:
A chance de óbito hospitalar é vezes maior entre as mulheres comparado com os homens. ou  0,37 15/ 26

16 RESULTADOS PONTO DE CORTE Ponto de Corte = 0,11.
Gráfico de Sensitividade x Especificidade, valores são obtidos a partir de diferentes pontos de corte. Ponto de Corte = 0,11. Se a probabilidade de um paciente for maior que 0,11 ele é classificado como tendo óbito hospitalar. 16/ 26

17 COMPARAÇÃO SOFTWARE 17/ 26

18 CONSIDERAÇÕES FINAIS Regressão Logística: Estudos de Coorte, Caso-Controle ; Escolha do Tamanho da Amostra ; Dados são Correlacionados. Manual dos Software. Noções do Diagnóstico em Regressão Logística , & Regressão Logística Multinomial e Ordinal. 18/ 26

19 CONSIDERAÇÕES FINAIS Dificuldade de lidar com observações perdidas e colinearidade. Aplicar técnicas: Árvores de Classificação, Redes Neurais ou Análise Discriminante. Comparação dos modelos. O modelo de Regressão Logística é uma excelente opção para dados da variável resposta binários: facilidade de interpretação dos parâmetros, simplicidade,popularidade e disponibilidade nos software estatísticos. 19/ 26

20 REFERÊNCIAS BARROS, C. S. et al. Infarto agudo do miocárdio: um estudo bibliográfico sob a visão da enfermagem. Recife, Disponível em: < Acesso em: 10 set BASSANEZI, R. C. Ensino-aprendizagem com modelagem matemática. São Paulo: Contexto, p. BUSSAB, W. de O.; MORETIN, P. A. Estatística básica. 5. ed. São Paulo: Saraiva, p. COLLETT, D. Modelling binary data. London: Chapman & Hall, p. FARHAT, C. A. V. Análise de diagnóstico em regressão logística f. Dissertação (Mestrado em Estatística) – Instituto de Matemática e Estatística, Universidade de São Paulo, São Paulo. 20/ 26

21 REFERÊNCIAS HOSMER, D. W.; LEMESHOW, S. Applied logistic regression. 2nd ed. New York: Wiley, p. ISHIKAWA, N. I. Uso de transformações em modelos de regressão logística f. Dissertação (Mestrado em Ciências) – Instituto de Matemática e Estatística, Universidade de São Paulo, São Paulo. KRISHNAMOORTHY, K. Handbook of statistical distributions with applications. Boca Raton: Chapman & Hall/CRC, p. KUBRUSLY, R. S. O tamanho do infinito. Projeto novas tecnologias de ensino. Rio de Janeiro, Disponível em: < Acesso em: 1 jan MONTGOMERY, D. C. et al. Introduction to linear regression analysis. 2nd ed. New York: Wiley, p. 21/ 26

22 REFERÊNCIAS SOUZA, A. D. P. Métodos aproximados em modelos hierárquicos dinâmicos bayesianos f. Tese (Doutorado em Ciências em Engenharia de Produção) – COPPE, Universidade Federal do Rio de Janeiro, Rio de Janeiro. SOUZA, E. C. Análise de influência local no modelo de regressão logística f. Dissertação (Mestrado em Agronomia) – Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba. Disponível em: < Acesso em: 19 mar TACHIBANA, V. M. Métodos aproximados em modelos bayesianos de resposta aleatorizada e regressão logística f. Tese (Doutorado em Ciências em Engenharia de Produção) – COPPE, Universidade Federal do Rio de Janeiro, Rio de Janeiro. 22/ 26

23 BIBLIOGRAFIA ANDRADE, A.O. Aplicação do modelo logístico multinomial no estudo da decisão do voto f. Dissertação (Mestrado em Estudos Populacionais e Pesquisas Sociais) – Escola Nacional de Ciências Estatísticas, IBGE, Rio de Janeiro. Disponível em: < Acesso em: 08 mar BUSSAB, W. de O. Análise de variância e de regressão. São Paulo: Atual, p. HAIR Jr, J. F. et al. Análise multivariada de dados. Tradução de Adonai Schlup Sant’ana, Anselmo Chaves Neto. Bookman, p. JOHNSON, R. A.; WICHERN, D.W. Applied multivariate statistical analysis. 6th ed. New Jersey: Prentice Hall, p. KLEINBAUM, D.G. Logistic Regression. A self-learning text. New York: Springer-Verlag, p. 23/ 26

24 BIBLIOGRAFIA MIGON, H. S. et al. Modelos hierárquicos e aplicações. São Paulo: ABE, p. MOOD, A. M. et al. Introduction to the theory of statistics. 3rd ed. New York: McGraw-Hill, p. MYERS, R. H. et al. Generalized linear models with applications in engineering and the sciences. New York: Wiley, p. OHTOSHI, C. Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito f. Dissertação (Mestrado em Estatística) – Instituto de Matemática e Estatística, Universidade de São Paulo, São Paulo. SANTOS, M.A. Regressão logística sob enfoque bayesiano f. Trabalho de Conclusão de Curso (Graduação em Estatística) – Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente, 2007. 24/ 26

25 AGRADECIMENTOS Obrigado a Deus e a nossa Senhora por tudo.
Agradeço a minha orientadora professora Vilma Mayumi Tachibana, que foi como uma mãe para mim. Sou muito grato a todos os colegas da turma da estatística e especialmente a Bruno Pierre Lopes Vasconcelos, Cláudio Sá Rodrigues de Lima, Meire Midori Hori Pereira e Roberta Santos Ferreira por toda ajuda durante esta graduação. Muito obrigado a Marta Bengüela, Genir Pulitti, Alessandra Kellen e Ermelinda Magosso, por dar me a oportunidade de morar tão perto da faculdade e por toda a caridade. Agradecimento, a minha mãe Maria do Socorro Vieira Lopes, João Bosco Lopes, Alan Vieira Lopes que são a motivação de todo empenho e dedicação. 25/ 26

26 Regressão Logística e Aplicação em Software Estatísticos
ALEXANDRO VIEIRA LOPES Contato: Site : 4º ANO ESTATÍSTICA PRESIDENTE PRUDENTE 2008 26/ 26