Relatorio Geriatra Sarah

MLG_3EST_GERIATRA
Sarah Emmylle
2023-06-26
Bibliotecas utilizadas
library(MASS)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following object is masked from 'package:MASS':
##
## select
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(ggplot2)
Carregando o banco de dados

geriatra<-scan('geriatra.dat',what = list(quedas=0, intervencao=0, sexo=0,balanco=0,forca=0))
geriatraBD <- data.frame(Quedas=geriatra$quedas,

Intervenção=geriatra$intervencao,
Sexo=geriatra$sexo,
Balanço=geriatra$balanco,
Força=geriatra$forca)
geriatraBD$Sexo[geriatraBD$Sexo=="0"] <- "Feminino"

geriatraBD$Sexo[geriatraBD$Sexo=="1"] <- "Masculino"
geriatraBD$Sexo <- factor(geriatraBD$Sexo)
geriatraBD$Intervenção[geriatraBD$Intervenção=="0"] <- "Educação"

geriatraBD$Intervenção[geriatraBD$Intervenção=="1"] <- "Educação e exercícios"
geriatraBD$Intervenção <- factor(geriatraBD$Intervenção)

attach(geriatraBD)
1
variáveis
os dados estão organizados com as seguintes variáveis:
Quedas: número de quedas no período. Intervenção: indicador binário que representa o tipo de intervenção
aplicada. O valor 0 indica apenas educação, enquanto o valor 1 indica educação e exercícios físicos. Sexo:
indicador binário que representa o sexo do indivíduo. O valor 0 indica feminino e o valor 1 indica masculino.
Balanço: escore que mede o equilíbrio do indivíduo. Quanto maior o valor, maior o balanço. Força: escore
que mede a força do indivíduo. Quanto maior o valor, maior a força.
Análise descritiva
summary(geriatra$quedas)
## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 0.00 1.00 3.00 3.04 4.00 11.00
Durante o período analisado, houve indivíduos sem quedas e outros com até 11 quedas. A maioria dos
indivíduos teve até quatro quedas, conforme indicado pelo terceiro quartil. A mediana mostra que metade
dos indivíduos teve três quedas ou menos. Em média, os indivíduos tiveram cerca de três quedas. Os dados
revelam uma distribuição variada de quedas, com a maioria apresentando um número baixo, mas com alguns
casos com um número maior de quedas.
summary(geriatra$balanco)

## 13.00 39.00 51.50 52.83 66.25 98.00
O balanço dos indivíduos variou de 13 a 98, com a maioria deles apresentando valores entre 39 e 66,25. A
mediana, que é o valor central, foi de 51,5, indicando que metade dos indivíduos teve um balanço igual ou
inferior a esse valor. A média foi de aproximadamente 52,83, representando o valor médio de balanço dos
indivíduos. Os quartis mostram que 25% dos indivíduos tiveram um balanço de 39 ou menos, enquanto 75%
tiveram um balanço de 66,25 ou menos. Em resumo, os dados sugerem uma distribuição simétrica com uma
variação razoável de balanço entre os indivíduos.
summary(geriatra$forca)

## 18.00 52.00 60.00 60.78 70.25 90.00
O valor mínimo de força registrado é 18, indicando a menor medida de força observada no período. O primeiro
quartil (25%) é 52, o que significa que 25% dos indivíduos apresentaram uma força de 52 ou menos. A
mediana é 60, representando o valor que divide a distribuição ao meio, indicando que metade dos indivíduos
teve uma força de 60 ou menos. A média é 60.78, sugerindo uma média de força aproximada de 60.78. O
terceiro quartil (75%) é 70.25, indicando que 75% dos indivíduos tiveram uma força de 70.25 ou menos. O
valor máximo registrado é 90, representando a maior medida de força observada no período. Em resumo, os
dados revelam uma variação de força entre 18 e 90, com a maioria dos indivíduos apresentando valores de
força entre 52 e 70.25. A mediana e a média estão próximas, sugerindo uma distribuição aproximadamente
simétrica.
# Média , Desvio_padrão e coeficeiente_de_Variação das quedas por sexo
Tabela1<-geriatraBD %>% group_by(Sexo) %>% summarise(Média=round(mean(Quedas),4),Desvio_Padrão= round(sd
Tabela1
## # A tibble: 2 x 4
## Sexo Média Desvio_Padrão CV
## <fct> <dbl> <dbl> <dbl>
## 1 Feminino 3.47 2.49 0.719
2
## 2 Masculino 2.66 2.34 0.881
A média de quedas para o sexo feminino é de aproximadamente 3,4681, enquanto para o sexo masculino é de
cerca de 2,6604.O desvio padrão indica que há uma maior dispersão dos dados de quedas para o sexo feminino
(2,4922) em comparação com o sexo masculino (2,3447).Os coeficientes de variação estão altos sugerindo que
a as médias não são representativas.
# Média , Desvio_padrão e coeficeiente_de_Variação de quedas por intervenção
Tabela1<-geriatraBD %>% group_by(Intervenção) %>% summarise(Média=round(mean(Quedas),4),Desvio_Padrão= r
Tabela1
## # A tibble: 2 x 4
## Intervenção Média Desvio_Padrão CV
## <fct> <dbl> <dbl> <dbl>
## 1 Educação 4.52 2.40 0.531
## 2 Educação e exercícios 1.56 1.33 0.851
A média de quedas com intervenção apenas de educação é de aproximadamente 4,52, enquanto para a
educação com exercícios é de cerca de 1,56 .O desvio padrão indica que há uma maior dispersão dos dados
de quedas para a intervenção apenas de educação (2,4010) em comparação com a educação com exercícios
(1,3273).Os coeficientes de variação estão altos sugerindo que a as médias não são representativas.
# Contagem da intervenção por sexo
contagem_intervencao <- table(geriatra$intervencao, geriatra$sexo)
# Plotagem do gráfico de barras

barplot(contagem_intervencao, beside = TRUE,
main = "Intervenção por Sexo",
xlab = "Intervenção", ylab = "Contagem",
col = c("lightsalmon1", "skyblue1"),
names.arg = c("Educação", "Educação e Exercícios"))
# Posicionar a legenda no centro do gráfico

legend(x=2.4,y=31, legend = c("Feminino", "Masculino"),
fill = c("lightsalmon1", "skyblue1"), bg = "white")
3
Intervenção por Sexo
30
Feminino
Masculino
25
20
Contagem
15
10
5
0
Educação Educação e Exercícios
Intervenção
# Gráfico de linhas de quedas por sexo
# Dados
dados <- matrix(c(3, 9, 4, 12, 11, 9, 10, 6, 2, 2, 2, 0, 2, 4, 1, 0, 1, 0, 0, 1), nrow = 10, ncol = 2, b
dimnames = list(c("0", "1", "2", "3", "4", "5", "6", "7", "8", "9"), c("Feminino", "Masc
# Plotagem do gráfico de linhas

plot(dados[, "Feminino"], type = "o", col = "lightsalmon1", xlab = "Quedas", ylab = "Contagem", main = "
lines(dados[, "Masculino"], type = "o", col = "skyblue1")
# Adicionar legenda
legend("topright", legend = c("Feminino", "Masculino"), col = c("lightsalmon1", "skyblue1"), lty = 1.5,
4
Quedas por Sexo
15
Feminino
Masculino
10
Contagem
5
0
2 4 6 8 10
Quedas
Com base nos gráficos acima, pode-se observar que a incidência de quedas é maior para indivíduos que
recebem intervenções tanto de educação quanto de exercícios físicos, em comparação com aqueles que recebem
apenas intervenção educacional. Além disso, é evidente que as mulheres têm uma taxa de queda mais alta do
que os homens nesse cenário específico. No entanto, quando consideramos apenas a intervenção educacional,
observa-se que os homens têm uma quantidade maior de quedas em relação às mulheres.
Modelo de regressão poisson

knitr::include_graphics("Modelo.PNG")
# Ajuste do modelo de regressão poisson

modelo <- glm(Quedas ~ Intervenção + Sexo + Balanço + Força, data = geriatraBD, family = poisson)
# Resumo do modelo
summary(modelo)
5
##
## Call:
## glm(formula = Quedas ~ Intervenção + Sexo + Balanço + Força,
## family = poisson, data = geriatraBD)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 0.489467 0.336869 1.453 0.14623
## IntervençãoEducação e exercícios -1.069403 0.133154 -8.031 9.64e-16 ***
## SexoMasculino -0.046606 0.119970 -0.388 0.69766
## Balanço 0.009470 0.002953 3.207 0.00134 **
## Força 0.008566 0.004312 1.986 0.04698 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for poisson family taken to be 1)
##
## Null deviance: 199.19 on 99 degrees of freedom
## Residual deviance: 108.79 on 95 degrees of freedom
## AIC: 377.29
##
## Number of Fisher Scoring iterations: 5
1-pchisq(modelo$deviance,modelo$df.residual)
## [1] 0.157792
Considerando um nível de significância de 1%, as variáveis “balanço” e “intervenção” são estatisticamente
significativas para o modelo, isso significa que o balanço e a intervenção têm um impacto significativo nas
quedas. A análise do desvio residual indica que o modelo se ajusta adequadamente aos dados, com um valor
108,79 com 95 graus de liberdade e valor-p de 0,1578.
Verficando quais variáveis são significativas para o modelo de re-

gressão de poisson
stepAIC(modelo)
## Start: AIC=377.29
## Quedas ~ Intervenção + Sexo + Balanço + Força
##
## Df Deviance AIC
## - Sexo 1 108.94 375.44
## <none> 108.79 377.29
## - Força 1 112.77 379.26
## - Balanço 1 119.07 385.57
## - Intervenção 1 182.31 448.81
##
## Step: AIC=375.44
## Quedas ~ Intervenção + Balanço + Força
##
## Df Deviance AIC
## <none> 108.94 375.44
6
## - Força 1 113.54 378.04
## - Balanço 1 119.19 383.69
## - Intervenção 1 186.10 450.60
##
## Call: glm(formula = Quedas ~ Intervenção + Balanço + Força, family = poisson,
## data = geriatraBD)
##
## Coefficients:
## (Intercept) IntervençãoEducação e exercícios
## 0.443890 -1.077770
## Balanço Força
## 0.009471 0.008979
##
## Degrees of Freedom: 99 Total (i.e. Null); 96 Residual
## Null Deviance: 199.2
## Residual Deviance: 108.9 AIC: 375.4
Após a análise do método stepAIC, sugere-se que o modelo mais adequado para explicar as quedas inclua
apenas as variáveis “balanço”, “força” e “intervenção”, mas como o estudo esta sendo feito considerando 1%
de significancia iremos deixar apenas balanço e intervenção.
Modelo com as variáveis explicativas intevenção e balanço

modelo_proposto<-glm(Quedas ~ Intervenção + Balanço, data = geriatraBD, family = poisson)
summary(modelo_proposto)
##
## Call:
## glm(formula = Quedas ~ Intervenção + Balanço, family = poisson,
## data = geriatraBD)
##
## Coefficients:
## (Intercept) 0.993846 0.177676 5.594 2.22e-08 ***
## Balanço 0.009483 0.002934 3.232 0.00123 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
## AIC: 378.04
##
1-pchisq(modelo_proposto$deviance,modelo_proposto$df.residual)
## [1] 0.1203313
Todas as variáveis são estatisticamente significativas para o modelo proposto de regressão de Poisson ao nível
de 1% de significância.Alem disso o desvio esta bem ajustado com 113,54 e 97 graus de liberdade levando a
um valor-p de 0,1203.
7
fit.model<-modelo_proposto
source('envel_pois.txt')
3
2
Componente do Desvio
1
0
−1
−2
−3
−2 −1 0 1 2
Percentil da N(0,1) O gráfico de envelope para o modelo proposto

mostra-se bem ajustado para os dados, com uma pequena assimetria na calda superior o que indica que os
dados podem não estar perfeitamente ajustados para essa distribuição.
Identificando a existência de outliers

#X <- model.matrix(fit.model)
#n <- nrow(X)
#p <- ncol(X)
#w <- fit.model$weights
#W <- diag(w)
#H <- solve(t(X)%*%W%*%X)
#H <- sqrt(W)%*%X%*%H%*%t(X)%*%sqrt(W)
#h <- diag(H)
#ts <- resid(fit.model,type="pearson")/sqrt(1-h)
#td <- resid(fit.model,type="deviance")/sqrt(1-h)
#di <- (h/(1-h))*(tsˆ2)
#a <- max(td)
#b <- min(td)
#par(mfrow=c(2,2))
#plot(fitted(fit.model),h,xlab="Valor Ajustado",
#ylab="Medida h", pch=16)
#identify(fitted(fit.model), h, n=5, tolerance = 0.40)
##
#plot(di,xlab="Índice", ylab="Distância de Cook",pch=16)
#identify(di, n=5,tolerance = 0.40)
##
#plot(td,xlab="Índice", ylab="Resíduo Componente do Desvio",
#ylim=c(b-1,a+1), pch=16)
#abline(2,0,lty=2)
8
#abline(-2,0,lty=2)
#identify(td, n=5, tolerance = 0.40)
##
#plot(fitted(fit.model), td,xlab="Valor Ajustado",
#ylab="Resíduo Componente do Desvio", pch=16)
#identify(fitted(fit.model), td, n=5, tolerance = 0.40)
#par(mfrow=c(1,1))
knitr::include_graphics("diag.png")
Os pontos 42, 52,62 e 93 são identificados como pontos discrepantes no modelo, ou seja, eles se afastam
significativamente do padrão geral dos dados.Especificamente as observações 42,52 e 93 são possivelmente
pontos de influentes e a observação 62 possivelmente de alavanca.
Analisando os pontos discrepantes

ao1<-glm(Quedas ~ Intervenção + Balanço, data = geriatraBD, family = poisson, subset = -42)
summary(ao1)
##
## Call:
## data = geriatraBD, subset = -42)
##
## Coefficients:
9
## (Intercept) 0.929025 0.180944 5.134 2.83e-07 ***
## IntervençãoEducação e exercícios -1.109705 0.133958 -8.284 < 2e-16 ***
## Balanço 0.010633 0.002973 3.577 0.000348 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
## AIC: 369.7
##
O ponto 42 é identificado como um ponto que não causa uma mudança inferencial no modelo proposto ao
nível de 1% de significância.
summary(ao2)
##
## Call:
##
## Coefficients:
## (Intercept) 0.923419 0.181899 5.077 3.84e-07 ***
## Balanço 0.010173 0.002977 3.417 0.000634 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
## AIC: 365.74
##
O ponto 52 não causa uma mudança inferencial no modelo proposto ao nível de 1% de significância.
summary(ao3)
##
## Call:
##
## Coefficients:
## (Intercept) 0.996718 0.183115 5.443 5.24e-08 ***
## Balanço 0.009417 0.003104 3.033 0.00242 **
10
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
## AIC: 374.23
##
O ponto 62 também não causa mudança inferencial no modelo proposto ao nível de 1% de significância.
summary(ao4)
##
## Call:
##
## Coefficients:
## (Intercept) 0.926950 0.181818 5.098 3.43e-07 ***
## Balanço 0.010186 0.002975 3.424 0.000617 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
## AIC: 367.52
##
O ponto 93 não causa uma mudança inferencial significativa no modelo proposto, considerando um nível de
significância de 1%.
AO1<-glm(Quedas ~ Intervenção + Balanço, data = geriatraBD, family = poisson, subset = -c(42,52))
summary(AO1)
##
## Call:
## data = geriatraBD, subset = -c(42, 52))
##
## Coefficients:
## (Intercept) 0.854968 0.185409 4.611 4.00e-06 ***
## Balanço 0.011377 0.003019 3.769 0.000164 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
11
##
## AIC: 357.21
##
Os pares de pontos (42, 52) não são causadores de mudança inferencial no modelo a um nível de significância
de 1%.
summary(AO2)
##
## Call:
##
## Coefficients:
## (Intercept) 0.925654 0.186994 4.950 7.41e-07 ***
## IntervençãoEducação e exercícios -1.110685 0.134642 -8.249 < 2e-16 ***
## Balanço 0.010708 0.003154 3.395 0.000687 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
## AIC: 365.89
##
O par de pontos (42, 62) não causa nenhuma mudança inferencial no modelo proposto ao nível de significância
de 1%.
summary(AO3)
##
## Call:
##
## Coefficients:
## (Intercept) 0.858546 0.185323 4.633 3.61e-06 ***
## Balanço 0.011388 0.003016 3.776 0.00016 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
12
## AIC: 358.99
##
O par (42, 93) também não causa nenhuma mudança inferencial significativa no modelo proposto a um nível
de significância de 1%.
summary(AO4)
##
## Call:
##
## Coefficients:
## (Intercept) 0.926704 0.187414 4.945 7.63e-07 ***
## Balanço 0.010099 0.003151 3.205 0.00135 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
## AIC: 361.93
##
O par de pontos (52, 62) não causa mudança inferencial no modelo proposto ao nível de significância de 1%.
summary(AO5)
##
## Call:
##
## Coefficients:
## (Intercept) 0.849971 0.186472 4.558 5.16e-06 ***
## Balanço 0.010947 0.003023 3.622 0.000293 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
## AIC: 354.71
13
##
O par (52, 93) não causa mudança inferencial no modelo proposto ao nível de significância de 1%.
summary(AO6)
##
## Call:
##
## Coefficients:
## (Intercept) 0.929620 0.187358 4.962 6.99e-07 ***
## Balanço 0.010126 0.003149 3.216 0.0013 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
## AIC: 363.71
##
O par de pontos (62, 93) também não causa mudança inferencial no modelo proposto ao nível de significância
de 1%.
Impacto percentual
((ao1$coefficients-modelo_proposto$coefficients)/(modelo_proposto$coefficients))*100

## -6.522251 3.753040
## Balanço
## 12.124630
A remoção da observção 42 teve um impacto percentual baixo nas estimativas dos coeficientes. Especificamente,
a variável Intervenção apresentou uma variação de aproximadamente 3,75%, enquanto o balanço sofreu
alterações de cerca de 12,12%.

## -7.086266 -2.928971
## Balanço
## 7.282442
a variável Intervenção apresentou uma variação de aproximadamente -2,93%, enquanto o balanço sofreu
14

## 0.28899465 -0.07732903
## Balanço
## -0.69057830
alterações de cerca de -0,69%.

## -6.730989 -2.529882
## Balanço
## 7.419534
((AO1$coefficients-modelo_proposto$coefficients)/(modelo_proposto$coefficients))*100

## -13.9738135 0.8361988
## Balanço
## 19.9739750
A remoção das observções 42 e 52 tiveram um impacto percentual baixo nas estimativas dos coeficientes.
Especificamente, a variável Intervenção apresentou uma variação de aproximadamente 0,84%, enquanto o
balanço sofreu alterações de cerca de 19,97%.

## -6.861394 3.844716
## Balanço
## 12.922980

## -13.61381 1.23227
## Balanço
## 20.09430

## -6.755709 -3.018334
## Balanço
15
## 6.493997
Especificamente, a variável Intervenção apresentou uma variação de aproximadamente -3,02%, enquanto o

## -14.476583 -5.683331
## Balanço
## 15.439529

## -6.462324 -2.602063
## Balanço
## 6.779686
Modelo final
A partir do modelo final temos que o número médio de quedas dos individuos após 6 meses aumenta em
100,95% (exp(0,009483).100%) a cada unidade aumentada do balanço. Temos também que para aqueles
individuos que praticam educação e exercícios o número médio de quedas após 6 meses diminui em 34,31%
(exp(-1.069564).100%).
16

Relatorio Geriatra Sarah

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Relatorio Geriatra Sarah

Enviado por

Direitos autorais:

Formatos disponíveis

MLG_3EST_GERIATRA

Carregando o banco de dados

geriatraBD <- data.frame(Quedas=geriatra$quedas,

geriatraBD$Sexo[geriatraBD$Sexo=="0"] <- "Feminino"

geriatraBD$Sexo <- factor(geriatraBD$Sexo)

geriatraBD$Intervenção[geriatraBD$Intervenção=="0"] <- "Educação"

geriatraBD$Intervenção <- factor(geriatraBD$Intervenção)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## Min. 1st Qu. Median Mean 3rd Qu. Max.

# Plotagem do gráfico de barras

# Posicionar a legenda no centro do gráfico

Educação Educação e Exercícios

# Plotagem do gráfico de linhas

Modelo de regressão poisson

# Ajuste do modelo de regressão poisson

Verficando quais variáveis são significativas para o modelo de re-

Modelo com as variáveis explicativas intevenção e balanço

Percentil da N(0,1) O gráfico de envelope para o modelo proposto

Identificando a existência de outliers

Analisando os pontos discrepantes

## (Intercept) IntervençãoEducação e exercícios

## (Intercept) IntervençãoEducação e exercícios

## (Intercept) IntervençãoEducação e exercícios

## (Intercept) IntervençãoEducação e exercícios

## (Intercept) IntervençãoEducação e exercícios

## (Intercept) IntervençãoEducação e exercícios

## (Intercept) IntervençãoEducação e exercícios

## (Intercept) IntervençãoEducação e exercícios

## (Intercept) IntervençãoEducação e exercícios

## (Intercept) IntervençãoEducação e exercícios

Você também pode gostar