Baixe o app para aproveitar ainda mais
Prévia do material em texto
Júlia Figueirêdo – HABILIDADES GERAIS VI ANÁLISE MULTIVARIADA: A análise multivariada descreve a análise simultânea de um conjunto de variáveis aplicadas a determinado cenário, refletindo o impacto destas no mundo real. A regressão logística destaca-se dentre as formas de aplicação da análise multivariada, podendo ser usada tanto para a avaliação de fatores de risco quanto para a identificação de causas para determinada doença. Ressalta-se que esse tipo de processo é dependente da análise univariada, com emprego adequado de testes estatísticos, conforme o tipo de variável em estudo. Tabela de análises uni e multivariadas Nesse contexto, um passo-a-passo pode ser criado para cada os processos supracitados, a saber: Modelo preditor: Sua criação se inicia com um modelo de entrada, que contempla todas as variáveis escolhidas para aquele estudo. Após a realização dos testes específicos, apenas aquelas com significância serão selecionadas para adentrar a análise multivariada em si. Normalmente se emprega p < 0,2 como ponto de corte, porém os pesquisadores podem modificar esse limiar, tornando o estudo mais (valores de p menores) ou menos acurado. Um programa irá então calcular a relevância do conjunto de fatores para o desfecho, filtrando apenas aquelas com p < 0,05, criando o modelo final, responsável por estabelecer as relações de risco. Durante a elaboração dessa etapa final, alguns elementos adicionais são imprescindíveis, a saber: o Beta: determina a influência daquele determinado critério sobre o desfecho final, sendo que quanto maior o valor numérico, maior o impacto; o Odds ratio (OR ou razão de chances): é o valor que classifica se uma condição é fator de risco (> 1) ou de proteção (< 1) para o evento estudado; o Intervalo de confiança (IC): é um intervalo análogo ao OR, com o mesmo referencial numérico (> 1 como indicativo de risco, e < 1, como protetor). Observa-se, no entanto, que uma variável se torna inconclusiva ou irrelevante quando o intervalo passa pelo 1 (ex.: 0,86-1,1). Exemplo de modelo preditor final, contemplando beta, valor de p, OR (hazard ratio) e intervalo de confiança (CI) Por fim, modelos preditores necessitam, por definição, da apresentação da curva ROC, Júlia Figueirêdo – HABILIDADES GERAIS VI gráfico que determina a acurácia do produto final. Representação de uma curva ROC fictícia (quanto mais para cima e para a esquerda, maior a acurácia) Modelo etiológico: Apresenta as mesmas etapas iniciais (análise univariada e criação de modelo de entrada), porém, na confecção da tabela final, apenas os valores de p, razão de chances e índice de confiança são obrigatórios. Logo, a principal diferença entre os modelos definitivos preditores e etiológicos é que os últimos não apresentam beta nem curva ROC. Tabela com modelo final em regressão logística etiológica, composta por valor de p, razão de chances e intervalo de confiança
Compartilhar