igor-millis~/work/dengue-logistic-regression
EN/PT
← todos os projetos · estatística · modelos lineares generalizados

Modelo de Risco de Dengue

Quem se torna caso de dengue? Uma regressão logística construída passo a passo: quais variáveis merecem entrar, se a idade age como uma reta, qual ligação usar — terminando com dois modelos defensáveis e o trade-off entre eles.

RMLGregressão logísticaDHARMapROCR Markdown
196
indivíduos · 57 casos (29,1%)
0,0045
p-valor do teste de curvatura da idade
6,06
queda do AIC ao dar um termo quadrático à idade
2
modelos candidatos, escolha em aberto
dados
base de um curso · 196 indivíduos · idade, nível, setor, caso (sim/não)
modelo
MLG binomial · ligação logit · intervalos por verossimilhança perfilada
ferramentas
R 4.1 · DHARMa · pROC · car · ggplot2 · R Markdown
verificações
testes da razão de verossimilhança · ligações · resíduos simulados · Cook · AUC
model card
huggingface.co/igorlimamillis/dengue-logistic-regression
status
trabalho de curso · escolha final do modelo deixada em aberto de propósito
01 · dados

196 pessoas, um desfecho sim/não

Cada linha é um indivíduo: idade, nível socioeconômico (1 alto, 2 médio, 3 baixo), setor da cidade (1 ou 2) e se tornou um caso. Dos 196 indivíduos, 57 (29,1%) são casos. Os gráficos mostram proporções brutas, antes de qualquer modelo.

Duas coisas chamam atenção. A proporção de casos é bem maior no setor 2 que no setor 1, enquanto os três níveis se parecem. Por idade, a proporção salta depois da primeira década e depois oscila — mas só 36 pessoas têm 40 anos ou mais, então os intervalos ali são largos.

proporção observada de casosIC 95% Wilson
0,000,100,200,300,400,500,60setor 1setor 1: 0,188 [0,128; 0,268]0,188setor 2setor 2: 0,443 [0,339; 0,553]0,443nível 1nível 1: 0,312 [0,219; 0,422]0,312nível 2nível 2: 0,286 [0,178; 0,424]0,286nível 3nível 3: 0,271 [0,181; 0,385]0,271
Intervalos de Wilson 95%. Dados brutos, sem modelo.
proporção observada de casos por idadeIC 95% Wilson
0,000,200,400,600,800–9 (n = 48)0–9 (n = 48): 0,062 [0,021; 0,168]0,06210–19 (n = 44)10–19 (n = 44): 0,295 [0,182; 0,442]0,29520–29 (n = 36)20–29 (n = 36): 0,361 [0,225; 0,524]0,36130–39 (n = 32)30–39 (n = 32): 0,375 [0,229; 0,547]0,37540–49 (n = 11)40–49 (n = 11): 0,455 [0,213; 0,720]0,45550–59 (n = 8)50–59 (n = 8): 0,375 [0,137; 0,694]0,37560+ (n = 17)60+ (n = 17): 0,471 [0,262; 0,690]0,471
Faixas de idade em anos; n = pessoas na faixa.
02 · seleção

Quais variáveis merecem entrar

O ponto de partida é caso ~ nivel + idade + setor com ligação logit. Idade e setor estão claramente associados ao desfecho; os dois coeficientes de nível não se distinguem de zero. Os coeficientes aparecem como razões de chances, mantidas as demais variáveis fixas.

modelo inicial · razões de chancesOR · IC 95%
0,501248nível 2 vs 1OR 1,05 [0,44; 2,44]1,05nível 3 vs 1OR 1,29 [0,58; 2,88]1,29idade (por ano)OR 1,03 [1,01; 1,05]1,03setor 2 vs 1OR 3,47 [1,76; 7,03]3,47
Eixo logarítmico; intervalos por verossimilhança perfilada.

Esses p-valores comparam cada nível com o nível 1. Se o fator inteiro ajuda — e se alguma interação ajuda — é pergunta para testes da razão de verossimilhança entre modelos aninhados:

termo acrescentadoΔ devianceg.l.p-valor
nível, com idade linear0,41920,811
nível, com idade quadrática1,31720,518
idade × setor, com idade linear0,26310,608
idade × setor, com idade quadrática0,29910,584
idade e idade² × setor1,88420,390

Nenhum melhora o ajuste, então os modelos candidatos descartam o nível e mantêm os efeitos aditivos.

03 · idade

A idade não é uma reta

Uma única OR por ano supõe que cada ano a mais soma a mesma quantidade ao log das chances. Acrescentar um termo idade² testa essa suposição: a deviance cai 8,06 com um grau de liberdade (p = 0,0045) e o AIC vai de 217,64 para 211,58. A curva ajustada tem pico perto de 47,5 anos (IC 95% de 36 a 59) — largo o bastante para que a posição exata do pico seja incerta.

O termo quadrático nunca entra sem o linear: tirá-lo forçaria o vértice na idade zero. A figura compara os dois modelos de idade por setor.

probabilidade ajustada · setor 1P(caso)
A · idade linearB · idade quadrática
0,000,250,500,751,000204060800–19 · n = 54 · 7%20–39 · n = 47 · 32%40–59 · n = 9 · 22%60+ · n = 7 · 14%
probabilidade ajustada · setor 2P(caso)
0,000,250,500,751,000204060800–19 · n = 38 · 32%20–39 · n = 21 · 48%40–59 · n = 10 · 60%60+ · n = 10 · 70%

As bandas são intervalos de confiança de 95%; os círculos são as proporções observadas nas faixas 0–20, 20–40, 40–60 e 60+. Os modelos concordam até cerca de 40 anos; depois disso os dados são escassos e as bandas do modelo quadrático se alargam muito.

Não se encontrou interação idade × setor, então o efeito do setor é o mesmo em todas as idades: os dois painéis diferem apenas por um deslocamento vertical na escala logit.

04 · interpretação

Uma razão de chances por intervalo, não por ano

Para as idades a₁ e a₂, a diferença de log-chances é b₁(a₂−a₁) + b₂(a₂²−a₁²); o intercepto e o termo do setor se cancelam. O modelo A dá a mesma OR para qualquer intervalo de 10 anos; o B não. Só 36 indivíduos têm 40 anos ou mais (17 têm 60 ou mais), então os intervalos nessa região são largos e dependem do formato quadrático assumido.

intervalo de 10 anosmodelo A · OR (IC 95%)modelo B · OR (IC 95%)
20 → 301,31 (1,10 a 1,55)1,71 (1,30 a 2,24)
30 → 401,31 (1,10 a 1,55)1,35 (1,12 a 1,62)
40 → 501,31 (1,10 a 1,55)1,06 (0,84 a 1,34)
50 → 601,31 (1,10 a 1,55)0,84 (0,58 a 1,21)
60 → 701,31 (1,10 a 1,55)0,66 (0,39 a 1,12)
modelo B · OR a cada 10 anosOR · IC 95%
0,501220 → 30OR 1,71 [1,30; 2,24]1,7130 → 40OR 1,35 [1,12; 1,62]1,3540 → 50OR 1,06 [0,84; 1,34]1,0650 → 60OR 0,84 [0,58; 1,21]0,8460 → 70OR 0,66 [0,39; 1,12]0,66
Intervalos de Wald; a covariância entre os dois coeficientes da idade é considerada.

No modelo B a OR é claramente maior que 1 em 20–30 e 30–40 anos. A partir dos 40, todos os intervalos incluem o 1, então os dados não mostram se o risco se estabiliza ou cai.

05 · ligação e verificações

Função de ligação e diagnóstico

A ligação logit foi comparada com probit e complemento log-log nos dois modelos. Elas têm o mesmo número de parâmetros, então o AIC compara diretamente; as diferenças ficam abaixo de 2, ou seja, os dados não as distinguem. O logit permanece porque seus coeficientes são razões de chances. Um teste de ligação (acrescentar o quadrado do preditor linear) dá p = 0,441 no modelo A e p = 0,188 no modelo B: nenhum sinal de ligação mal especificada.

função de ligação (AIC)modelo Amodelo B
logit217,64211,58
probit217,34210,85
cloglog218,11212,56

Menor é melhor; diferenças abaixo de 2 não são relevantes.

verificação (p-valor, salvo indicação)modelo Amodelo B
uniformidade dos resíduos simulados (KS)0,9770,976
dispersão0,8400,812
outliers1,0001,000
maior distância de Cook0,0530,037
AUC0,7250,745

Resíduos simulados (DHARMa, 500 simulações). Os limiares usuais da distância de Cook são 0,5 e 1. O AUC é calculado nos mesmos dados do ajuste.

Nenhuma verificação aponta problema, o que é evidência mais fraca do que parece: com desfecho binário e n = 196, testes baseados em resíduos têm pouco poder para detectar curvatura. O modelo A passa neles, e ainda assim o teste da razão de verossimilhança da seção 03 encontrou a curvatura — um lembrete de testar a estrutura específica que interessa.

06 · candidatos

Dois modelos defensáveis, uma decisão em aberto

A análise termina com dois candidatos que diferem apenas em como a idade entra.

A · idade linearB · idade quadrática
fórmulacaso ~ idade + setorcaso ~ idade + idade² + setor
AIC217,64211,58
BIC227,47224,69
AUC0,7250,745
R² McFadden0,1040,139
OR, setor 2 vs 1 (IC 95%)3,26 [1,70; 6,39]3,59 [1,83; 7,23]
efeito da idadeuma OR por ano (1,027)uma curva: uma OR por intervalo
Escolha deixada em aberto de propósito. O B ajusta melhor por AIC, BIC e pelo teste da razão de verossimilhança; o A tem uma única OR de idade, de interpretação direta, e a OR do setor é quase a mesma nos dois. Se a idade é só variável de ajuste, a OR do setor é o resultado principal e a escolha importa pouco; se a própria idade é a exposição de interesse, a curvatura não deve ser ignorada. Se o A for escolhido, o texto deve registrar que o teste de curvatura foi significativo e que a escolha foi por parcimônia.
07 · limites

O que isto não resolve

  • Associação, não causa. Dados observacionais: razões de chances descrevem associações.
  • Mesmos dados para escolher e para avaliar. O modelo foi selecionado e avaliado na mesma amostra; os p-valores ignoram a seleção e o AUC é aparente, sem validação externa.
  • Poucos idosos. Só 36 indivíduos têm 40 anos ou mais, então a ponta direita da curva de idade é mal estimada e o formato quadrático extrapola ali.
  • Verificações de baixo poder. Diagnóstico de resíduos e teste de ligação detectam pouco com desfecho binário e 196 observações.
  • Dados. O arquivo bruto vem de um curso e não é redistribuído aqui; esta página mostra apenas resultados agregados.
  • Model card. Hugging Face ↗ — coeficientes dos dois modelos, o relatório completo em R e o código da análise (sem dados brutos).
Próximos passos. Com mais dados, vale verificar se o setor 1 e o setor 2 devem ser modelados separadamente. Aqui nenhuma interação idade × setor foi detectada, mas com 196 indivíduos esses testes têm pouco poder; uma amostra maior pode mostrar que a curva de idade ou os demais efeitos diferem entre os setores.