Regresión Logística usando R

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Regresión Logística usando R"

Lorena Pérez Ortega
hace 5 años
Vistas:

1 Universidad Nacional Agraria La Molina Departamento de Estadística e Informática Ciclo Grupo E Data Cangrejo Regresión Logística usando R > Cangrejo <- read.table(file = "G:/Cangrejo.txt", header=t) > head(cangrejo) Color Cond Ancho Sat Peso > Cangrejo[,5] <- Cangrejo[,5]/1000 > Cangrejo[,4] <- ifelse(cangrejo[,4] > 0, 1, 0) > head(cangrejo) Color Cond Ancho Sat Peso > modelo1 <- glm(sat ~ Ancho, family = binomial(link = logit), data = Cangrejo) > summary(modelo1) glm(formula = Sat ~ Ancho, family = binomial(link = logit), (Intercept) e-06 *** Ancho e-06 *** Null deviance: on 172 degrees of freedom Residual deviance: on 171 degrees of freedom AIC: Number of Fisher Scoring iterations: 4

2 > Cangrejo[,1] <- factor(cangrejo[,1], levels=c("5", "4", "3", "2"), labels=c("oscuro", "Med_Oscuro", "Med", "Med_Claro")) > head(cangrejo) Color Cond Ancho Sat Peso 1 Med Med_Oscuro Med_Claro Med_Oscuro Med_Oscuro Med > modelo2 <- glm(sat ~ Ancho + Color, family = binomial(link = logit), > summary(modelo2) glm(formula = Sat ~ Ancho + Color, family = binomial(link = logit), (Intercept) e-06 *** Ancho e-06 *** ColorMed_Oscuro ColorMed * ColorMed_Claro Null deviance: on 172 degrees of freedom Residual deviance: on 168 degrees of freedom AIC: Number of Fisher Scoring iterations: 4 > anova(modelo1, modelo2, test="chisq") Analysis of Deviance Table Model 1: Sat ~ Ancho Model 2: Sat ~ Ancho + Color Resid. Df Resid. Dev Df Deviance Pr(>Chi)

3 > modelo3 <- glm(sat ~ Ancho + Color + Ancho:Color, family = binomial(link = logit), > summary(modelo3) glm(formula = Sat ~ Ancho + Color + Ancho:Color, family = binomial(link = logit), (Intercept) Ancho ColorMed_Oscuro ColorMed ColorMed_Claro Ancho:ColorMed_Oscuro Ancho:ColorMed Ancho:ColorMed_Claro Null deviance: on 172 degrees of freedom Residual deviance: on 165 degrees of freedom AIC: Number of Fisher Scoring iterations: 5 > anova(modelo2, modelo3, test="chisq") Analysis of Deviance Table Model 1: Sat ~ Ancho + Color Model 2: Sat ~ Ancho + Color + Ancho:Color Resid. Df Resid. Dev Df Deviance Pr(>Chi) > Cangrejo[,2] <- factor(cangrejo[,2], levels=c("1", "2", "3"), labels=c("cond1", "Cond2", "Cond3")) > head(cangrejo) Color Cond Ancho Sat Peso 1 Med Cond Med_Oscuro Cond Med_Claro Cond Med_Oscuro Cond Med_Oscuro Cond Med Cond

4 > modelo4 <- glm(sat ~ Ancho + Peso + Color + Cond, family = binomial(link = logit), > summary(modelo4) glm(formula = Sat ~ Ancho + Peso + Color + Cond, family = binomial(link = logit), (Intercept) * Ancho Peso ColorMed_Oscuro ColorMed ** ColorMed_Claro CondCond CondCond Null deviance: on 172 degrees of freedom Residual deviance: on 165 degrees of freedom AIC: Number of Fisher Scoring iterations: 4 > modelo.completo <- glm(sat ~ Ancho*Color*Cond, family = binomial(link = logit), Mensajes de aviso perdidos 1: glm.fit: algorithm did not converge 2: glm.fit: fitted probabilities numerically 0 or 1 occurred > step(modelo.completo, direction="backward") Start: AIC= Sat ~ Ancho * Color * Cond - Ancho:Color:Cond <none> Step: AIC= Sat ~ Ancho + Color + Cond + Ancho:Color + Ancho:Cond + Color:Cond - Color:Cond Ancho:Cond Ancho:Color <none>

5 Step: AIC= Sat ~ Ancho + Color + Cond + Ancho:Color + Ancho:Cond - Ancho:Cond Ancho:Color <none> Step: AIC= Sat ~ Ancho + Color + Cond + Ancho:Color - Cond Ancho:Color <none> Step: AIC= Sat ~ Ancho + Color + Ancho:Color - Ancho:Color <none> Step: AIC= Sat ~ Ancho + Color <none> Color Ancho glm(formula = Sat ~ Ancho + Color, family = binomial(link = logit), (Intercept) Ancho ColorMed_Oscuro ColorMed ColorMed_Claro Degrees of Freedom: 172 Total (i.e. Null); 168 Residual Null Deviance: Residual Deviance: AIC: 197.5

6 Regresión logística binaria: Cat Sat vs. Anch, Color Función de enlace: Logit Información de respuesta Variable Valor Conteo Cat Sat (Evento) 0 62 Total 173 Tabla de regresión logística Relación de IC de 95% Predictor Coef SE Coef Z P probabilidades Inferior Superior Constante Anch Color Log-verosimilitud = Probar que todas las pendientes son cero: G = , GL = 4, valor P = Pruebas de bondad del ajuste Método Chi-cuadrada GL P Pearson Desviación Hosmer-Lemeshow Tabla de frecuencias observadas y esperadas: (Véase la prueba Hosmer-Lemeshow para la estadística de Chi-cuadrada de Pearson) Grupo Valor Total 1 Obs Exp Obs Exp Total Medidas de asociación: (Entre la variable de respuesta y las probabilidades pronosticadas) Pares Número Porcentaje Medidas de resumen Concordante D de Somers 0.54 Discordante Gamma de Goodman-Kruskal 0.55 Empates Tau-a de Kendall 0.25 Total

7 > Enfermedad <- c(3,17,12,16,12,8,16,8) > n <- c(156,252,284,271,139,85,99,43) > m1 <- glm(enfermedad/n ~ 1, family=binomial(logit), weights=n) > summary(m1) glm(formula = Enfermedad/n ~ 1, family = binomial, weights = n) (Intercept) <2e-16 *** Null deviance: on 7 degrees of freedom Residual deviance: on 7 degrees of freedom AIC: Number of Fisher Scoring iterations: 4 > pred.m1 <- n*predict(m1, type="response") > dev.m1 <- resid(m1, type="deviance") > pear.m1 <- resid(m1, type="pearson") > pear.std.m1 <- resid(m1, type="pearson")/sqrt(1-lm.influence(m1)$hat) > residuales.m1 <- cbind(pred.m1, dev.m1, pear.m1, pear.std.m1) > residuals.m1 pred.m1 dev.m1 pear.m1 pear.std.m > presion <- c(seq(from=111.5, to=161.5, by=10),176.5, 191.5) > plot(presion, pear.std.m1, xlab = "Presión Sanguínea", ylab = "Residuales estandarizados de Pearson")

8 > m2 <- glm(enfermedad/n ~ presion, family=binomial(logit), weights=n) > summary(m2) glm(formula = Enfermedad/n ~ scores, family = binomial, weights = n) (Intercept) < 2e-16 *** scores e-07 *** Null deviance: on 7 degrees of freedom Residual deviance: on 6 degrees of freedom AIC: 42.61

9 Number of Fisher Scoring iterations: 4 > pred.m2 <- n*predict(m2, type="response") > dev.m2 <- resid(m2, type="deviance") > pear.m2 <- resid(m2, type="pearson") > pear.std.m2 <- resid(m2, type="pearson")/sqrt(1-lm.influence(m2)$hat) > residuales.m2 <- cbind(pred.m2,dev.m2,pear.m2,pear.std.m2) > residuales.m2 pred.m2 dev.m2 pear.m2 pear.std.m > plot(presion, pear.std.m2, xlab = "Presión Sanguínea", ylab = "Residuales estandarizados de Pearson")

Documentos relacionados

Cálculos de Regresión Logística en R, Caso de una covariable.

Cálculos de Regresión Logística en R, Caso de una covariable. Carga de datos (Tabla 1.1, Hosmer-Lemeshow): CH=read.table( CHDAGE.txt,header = T) attach(ch) Gráfico de Dispersión: plot(age,chd,xlab= Edad,