Baixe o app para aproveitar ainda mais
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.
Compartilhar