ADC_12_Selecao_automatica_de_modelos

Prévia do material em texto

ADC – Modelos log-lineares para tabelas de contingência multidimensionais – Seleção 
 
* * * * * * * * H I E R A R C H I C A L L O G L I N E A R * * * * * * * * 
Este é o exemplo de abuso de drogas discutido em sala de aula 
DATA Information 
 
 8 unweighted cases accepted. 
 0 cases rejected because of out-of-range factor values. 
 0 cases rejected because of missing data. 
 2276 weighted cases will be used in the analysis. 
Este é o tamanho total da amostra (n), obtido porque as células foram ponderadas pelas 
respectivas freqüências. 
 
FACTOR Information 
 
 Factor Level Label 
 A 2 Álcool 
 C 2 Cigarro 
 M 2 maconha 
 
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 
 
DESIGN 1 has generating class 
 
 A*C*M 
 
 Note: For saturated models ,500 has been added to all observed cells. 
 This value may be changed by using the CRITERIA = DELTA subcommand. 
 
Lembrar que vc pode mudar o delta para 0 se não existirem zeros estruturais ou 
amostrais na tabela de contingência. 
 
The Iterative Proportional Fit algorithm converged at iteration 1. 
The maximum difference between observed and fitted marginal totals is ,000 
and the convergence criterion is ,911 
 
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 
 
 
 Goodness-of-fit test statistics 
 
 Likelihood ratio chi square = ,00000 DF = 0 P = 1,000 
 Pearson chi square = ,00000 DF = 0 P = 1,000 
Como o modelo saturado foi a origem do processo, com backward elimination, o mesmo tem 
um ajuste perfeito aos dados observados (p = 1,000) 
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 
 
Seguem agora os testes para verificar os efeitos de ordem K (two-way é chamado de 
efeito de primeira ordem e three-way, de efeitos de segunda ordem, etc, já que os 
efeitos principais são os efeitos de menor ordem. 
Tests that K-way and higher order effects are zero. 
 
 K DF L.R. Chisq Prob Pearson Chisq Prob Iteration 
 
 3 1 ,374 ,5408 ,401 ,5265 4 
 2 4 1286,020 ,0000 1411,386 ,0000 2 
 1 7 2851,461 ,0000 2676,337 ,0000 0 
Fica claro aqui que as interações “3-way” (segunda ordem) não são significativos, 
sendo significativos apenas os de ordens inferiores. 
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 
Inicia-se aqui o processo de backward elimination, a partir do modelo saturado, 
conforme critérios fixados na caixa de diálogo. 
 
Backward Elimination (p = ,050) for DESIGN 1 with generating class 
 
 A*C*M 
 
 Likelihood ratio chi square = ,00000 DF = 0 P = 1,000 
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 
If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter 
 
 A*C*M 1 ,374 ,5408 4 
Esta mudança no Log-likelihood qui-quadrado, ao retirarmos os efeitos de segunda ordem 
do modelo, não é significativa, mostrando que estes efeitos podem ser retirados do 
modelo. 
 
Step 1 Temos agora o modelo com todos os efeitos de primeira ordem (ausência de 
efeitos de segunda ordem) 
 
 The best model has generating class 
 
 A*C 
 A*M 
 C*M 
 
 Likelihood ratio chi square = ,37410 DF = 1 P = ,541 
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 
A retirada de cada interação de primeira ordem é sempre significativa, mostrando que 
tais interações não devem ser retiradas, como visto abaixo: 
 
If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter 
 
 A*C 1 187,380 ,0000 2 
 A*M 1 91,644 ,0000 2 
 C*M 1 496,995 ,0000 2 
 
Step 2 
 
 The best model has generating class 
 
 A*C 
 A*M 
 C*M 
 Likelihood ratio chi square = ,37410 DF = 1 P = ,541 
 
Este será, portanto, o melhor modelo (ausência de efeitos de segunda ordem) 
 
The final model has generating class 
 
 A*C 
 A*M 
 C*M 
 
The Iterative Proportional Fit algorithm converged at iteration 0. 
The maximum difference between observed and fitted marginal totals is ,226 
and the convergence criterion is ,911 
 
 Goodness-of-fit test statistics 
 
 Likelihood ratio chi square = ,37410 DF = 1 P = ,541 
 Pearson chi square = ,40117 DF = 1 P = ,526 
 
Podemos concluir que este procedimento (Model selection) do SPSS Loglinear (Hierarchical loglinear) serve para seleção 
automática do melhor modelo sem, no entanto, estimar os parâmetros deste melhor modelo. Estima apenas os 
parâmetros para o modelo saturado. Para estimação dos parâmetros devemos utilizar, após este procedimento, o 
pocdimento Loglinear -> General.