> modindepen<-glm(counts~race+believe,family=poisson,data=creencia ) > summary(modindepen)

Transcripción

1 Estos son datos acerca de sí las personas creen o no en una vida después de la muerte. race no yes ather black white Ajusto un modelo de INDEPENDENCIA > modindepen<-glm(counts~race+,family=poisson,data=creencia ) > summary(modindepen) glm(formula = counts ~ race +, family = poisson, data = creencia) (Intercept) <2e-16 *** raceblack <2e-16 *** racewhite <2e-16 *** yes <2e-16 *** Null deviance: on 5 degrees of freedom Residual deviance: on 2 degrees of freedom AIC: Number of Fisher Scoring iterations: 3 > Después de ver el valor de la deviance decimos que el modelo se ajusta muy bien, así que hay independencia entre creer en el más allá y la raza de la persona. Como la variable creer tiene sólo dos categorías podemos interpretar con momios. Entonces el momio de creer en la vida después de la muerte es > exp(modindepen$coefficients[4]) yes

2 Es el mismo para todas las razas, no depende de las razas. La probabilidad de creer es más del cuadruple que la de no creer. Esto es muy claro en la siguiente figura: [width=50mm] > mosaicplot(~ race+, data = tabla, color = TRUE) tabla ather black white yes no race Figura 1: mosaicplot datos originales de tabla El modelo saturado es el siguiente: > moddepen<-glm(counts~race*,family=poisson,data=creencia ) > summary(moddepen) glm(formula = counts ~ race *, family = poisson, data = creencia) [1] (Intercept) < 2e-16 *** raceblack *** racewhite < 2e-16 *** yes e-09 *** raceblack:yes racewhite:yes

3 Null deviance: e+03 on 5 degrees of freedom Residual deviance: e-13 on 0 degrees of freedom AIC: Number of Fisher Scoring iterations: 3 El cociente de momios de creer del grupo black vs ather son ( OJO coeficientes asociados a raza=ather son cero) > exp(moddepen$coefficients[5]) raceblack:yes El cociente de momios de creer del grupo white vs ather > exp(moddepen$coefficients[6]) racewhite:yes El cociente de momios de creer del del grupo black vs white > exp(moddepen$coefficients[5]-moddepen$coefficients[6]) raceblack:yes Estos tres valores no son muy lejanos a 1, es por eso que el modelo de independencia no se rechaza. Ahora si modificacmos los datos, para romper la independencia, modificando el grupo más grande: > tabla2 race no yes ather black white > summary(modindepen2<-glm(counts~race+,family=poisson,data=creencia2 )) glm(formula = counts ~ race +, family = poisson, data = creencia2) 3

4 > mosaicplot(~ race+, data = tabla2, color = TRUE) tabla2 ather black white yes no race Figura 2: mosaicplot datos modificando el grupo white es decir el más grande (Intercept) < 2e-16 *** raceblack < 2e-16 *** racewhite < 2e-16 *** yes e-08 *** Null deviance: on 5 degrees of freedom Residual deviance: on 2 degrees of freedom AIC: Number of Fisher Scoring iterations: 5 Vemos que la deviance crece mucho. Ahora si modificamos los datos, para romper la independencia modificando el grupo más pequeño: > tabla3 race no yes ather

5 black white > mosaicplot(~ race+, data = tabla3, color = TRUE) tabla3 ather black white yes no race Figura 3: mosaicplot datos modificando el grupo ather es decir el más pequeño. > summary(modindepen3<-glm(counts~race+,family=poisson,data=creencia3 )) glm(formula = counts ~ race +, family = poisson, data = creencia3) (Intercept) <2e-16 *** raceblack <2e-16 *** racewhite <2e-16 *** yes <2e-16 *** Null deviance: on 5 degrees of freedom Residual deviance: on 2 degrees of freedom AIC: Number of Fisher Scoring iterations: 5 5

6 La deviance crece pero bastante menos que que modificando el grupo white. 6