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.
- 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
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.
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.
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 acrescentado | Δ deviance | g.l. | p-valor |
|---|---|---|---|
| nível, com idade linear | 0,419 | 2 | 0,811 |
| nível, com idade quadrática | 1,317 | 2 | 0,518 |
| idade × setor, com idade linear | 0,263 | 1 | 0,608 |
| idade × setor, com idade quadrática | 0,299 | 1 | 0,584 |
| idade e idade² × setor | 1,884 | 2 | 0,390 |
Nenhum melhora o ajuste, então os modelos candidatos descartam o nível e mantêm os efeitos aditivos.
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.
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.
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 anos | modelo A · OR (IC 95%) | modelo B · OR (IC 95%) |
|---|---|---|
| 20 → 30 | 1,31 (1,10 a 1,55) | 1,71 (1,30 a 2,24) |
| 30 → 40 | 1,31 (1,10 a 1,55) | 1,35 (1,12 a 1,62) |
| 40 → 50 | 1,31 (1,10 a 1,55) | 1,06 (0,84 a 1,34) |
| 50 → 60 | 1,31 (1,10 a 1,55) | 0,84 (0,58 a 1,21) |
| 60 → 70 | 1,31 (1,10 a 1,55) | 0,66 (0,39 a 1,12) |
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.
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 A | modelo B |
|---|---|---|
| logit | 217,64 | 211,58 |
| probit | 217,34 | 210,85 |
| cloglog | 218,11 | 212,56 |
Menor é melhor; diferenças abaixo de 2 não são relevantes.
| verificação (p-valor, salvo indicação) | modelo A | modelo B |
|---|---|---|
| uniformidade dos resíduos simulados (KS) | 0,977 | 0,976 |
| dispersão | 0,840 | 0,812 |
| outliers | 1,000 | 1,000 |
| maior distância de Cook | 0,053 | 0,037 |
| AUC | 0,725 | 0,745 |
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.
Dois modelos defensáveis, uma decisão em aberto
A análise termina com dois candidatos que diferem apenas em como a idade entra.
| A · idade linear | B · idade quadrática | |
|---|---|---|
| fórmula | caso ~ idade + setor | caso ~ idade + idade² + setor |
| AIC | 217,64 | 211,58 |
| BIC | 227,47 | 224,69 |
| AUC | 0,725 | 0,745 |
| R² McFadden | 0,104 | 0,139 |
| OR, setor 2 vs 1 (IC 95%) | 3,26 [1,70; 6,39] | 3,59 [1,83; 7,23] |
| efeito da idade | uma OR por ano (1,027) | uma curva: uma OR por intervalo |
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).