Professional Documents
Culture Documents
Práctica 4regressió Lineal Múltiple Amb Interacció
Práctica 4regressió Lineal Múltiple Amb Interacció
Práctica 4regressió Lineal Múltiple Amb Interacció
1. Crema d’estrògens
2. Placebo crema d’estrògens
Les dones es van visitar cada tres mesos durant dos anys i també es va estudiar el
consum de vitamina D.
Quan treballem amb txt- importem dades que no estan en Rcmdr i els hem de
importar.
Si ens equivoquem en el decimal quan anem a fer qualsevol anàlisi, qualsevol dada
serà qualitativa, factor.
Variable 1: pèrdua de massa osea
Variable 2: quantitat de vitamina que prenen
Variable 3: si prenen estrògens o placebo
Com apareixen amb etiquetes ja sabem que les variables son factors, si en R no les
tenim definides com a factor, el R no podrà treballar com si fós qualitativa.
Podem veure que e el grup de placebo que hi han més pèrdues (-14) que en el de
estrògens (-2). També per la línia del mitj que es la mediana i els diferents quartils que
es des de la línia del mitj fins la paret del quadrat, en els estrògens es més semblant
que no en els de placebo.
Per poder concloure que si que es vritat que cada grup hi ha diferent pèrdua de massa
osea depenent del tractament. Aquestes diferencies son suficientment gran com per
una mostra de 25 afrimar que si que es vritat. Per poder afirmar-ho fem DIFERENCIA
ESTADÍSTICA i calcular la probabilitat d’error quan afirmem això.
- Variable quantitativa: pèrdua
- Variable qualitativa: tractament
Per poder comparar-ho fem una comparació de medias ja que son dos grups
independents = T-student amb dades independents.
Fem estadística paramètrica, per tant, estem dient que necessitem comparar els dos
paràmetres de la distribució que volem estudiar (paràmetres: media i variància), hem
de comparar-los, si sabem que la comparació de medias depèn del test q estudies si les
medias son iguals o distintes, primer hem de fer un test de homogeneidad.
Opcions: bilateral ja que ens dona igual si es més gran una o més gran l’altre.
Confiança al 95%
Si volem presentar una gràfica: GRÀFICA- GRÀFICA DE LAS MEDIAS- ens donarà les
estimacions de les medias per intervals. I ens donarà les estimacions per medias.
Segons Pearson veiem que no hi ha relació perquè la Ho: existeix relació / Hi: no
existeix relació.
La p value= 0,41 per tant confirmem que no hi ha relació.
Les diferències que observem son degudes al tractament, NO a la vitamina D, com
pot haver-hi confusió, la vitamina D podríem pensar que pot afectar al funcionament
del tractament, això ho pregunta en el seguent apartat.
3. Esta relacionat la pèrdua de massa òssia amb el grup de tractament
y el consum de vitamina D .
Podem veure que, la vitamina D si que es significativa cosa que abans no ho era, abans
el valor del tractament era un valor de 9-10 i ara està per sobre de 10. Reflexionar el
concepte de confusió, el que ens està dient aquesta informació es que per un costat es
que els residus esperem que siguin 0, volem que les diferencies entre els valors
observats i esperats per sobre i per baix de la recta de regressió se completen i siguin
0, construint així la recta. Podem veure que la mediana coincideix amb la media da
0,02, per tant anem bé.
Coeficient= y=a + b 1 x1+b2x2
A: intercept: -9.99 es distint de 0 (ho: initercept val 0, Hi: intercept distint de 0), com
el p value es inferior a 0,05 acceptem la Hi, per tant la recta de regressió no passa per
l’ordenada d’origen sinó que passa per -9.99.
Efecte grup per placebo: -10 per veure si es significatiu� (h0:-10 igual a 0, Hi: -10
distint de 0), com la p value es petita de 0,05 acceptem Hi i per tant el grup placebo no
es distint a 0 i existeix efecte tractament.
Efecte vitamina D: 0,49 (ho: igual a 0, hi : distint a 0) p value més petit a 0,05 per tant
acceptem que no val 0 i si que existeix EFECTE de la vitamina D.
R quadrat: 0,99
R quadrat ajustat: 0,99
Per tant veiem que aquest model està explicant el 0,99 d’aquest model.
També amb F estadístic que explica (Ho: el model no explica les variables o hi: el
model si que explica les variables) podem veure que p value es inferior a 0,05 per
tant, el model SI que explica variabilitat.
4. Existeix una interacció entre el grup de tractament i el consum de vitamina D?
Interpreta el resultat.
I quan
afegim la
variable
vitamina D el
valor puja a 10.
Per tant, el que hem de fer amb aquest model es calcular les estimacions per interval
dels paràmetres i mirar si el model es compleix o no les normes d’aplicació.
AMB AIXÒ ACABEM L’ANÀLISI DEL MODEL LINEAL SENSE INTERACCIÓ, si tornem a R
ens està dient que les persones que estan tractades, tindran 10 unitats menys de
pèrdua i la vitamina D , les incrementarà 0,49 per cada unitat que han pres sobre el
valor més baix.
Hauríem de veure que passa quan hi ha interacció, veiem que el últim paràmetre que
hem introduït, es significatiu.
DATOS- IMPORTAR DATOS (data set interacció) . Mateixa base de dades que abans
però ara si que existeix interacció entre vitamina D i tractament.
Hauríem de fer lo mateix que hem fet abans, però com ja ho hem fet podem anar
directament a l’objectiu que es: si de debò existeix interacció entre vitamina D i
tractament.
Això ho podem fer gràficament entre la relació de pèrdua de massa òssia, cosnum de
vitamina D i tractaments.
Podem veure que de nou els errors hi ha simetria i que estan centrats en el 0 ja que la
mediana es 0,00 per tant esperem que la mediana sigui 0 i que la variable sigui
SIMÈTRICA.
Intercept: -20
Grup: 0.14
Vitamina d: 0,8
Placebo : -0.50
En principi la pendent 0,80 es la pendent entre pèrdua de massa i vitamina D
(quantitatives), però aquesta pendent es només en el grup tractats.
Però el grup no tractat la interacció ha de treure 50 unitats ja que la pendent seria 30,
tenim menys pendent, el efecte de la vitamina D es potencia molt més en el grups
tractats.
Aquí podem
veure les rectes
de regressió
dibuixades.
FINS AQUI ES TOT EL QUE NECESSITEM SABER PER TREBALLAR AMB REGRESSIONS
MÚLTIPLES.
CONLCUINT LA PRÀCTICA D’AVUI:
Tots els anàlisis estadístics tenen els mateix processos
(Descripció de la variable depenent = resultat) (mirar la relació de la variable resultat
amb totes les dades explicatives� estadístiques bibariant = correlacions lineals, chi
quadrat, t Student o anàlisi de la variància de un factor i acte seguit un model lineal
perquè estem treballant amb uns estudis en el que la variable depenent es
quantitativa i normal i de forma explicativa tenim variables qualitatives i quantitatives.
Variables quantitatives es transformen en variables turbis que si hi ha mes de dos
categories necessitem més d’una dubi??? Apunts.
Una vegada que tenim ajustat el model, mirem les condicions d’aplicació i les
estimacions per interval� MODELOS
Finalment podem fer una gràfica� aquesta gràfica representarà el nostre resultat, en el
nostre cas com tenim tres variables, podem fer una recta de regressió amb les
variables quantitatives per cada grup que genera la qualitativa, i aquí veurem si hi ha o
no interacció.