Análise Multivariada

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