Regressão logística usando o spss

Autor: Pedro Henrique Figueiredo


No exemplo será realizada a análise da influência da fraqueza muscular inspiratória no comprometimento da capacidade funcional de uma amostra de pessoas com doença cardiovascular, por meio da regressão logística.

PASSO 1: DEFINIÇÃO E CODIFICAÇÃO DAS VARIÁVEIS

Variável dependente: Comprometimento da Capacidade Funcional (“Baixa_CF”)
Importante: observar se as variáveis dicotômicas estão coerentes com os rótulos de valores. Ex. Baixa capacidade funcional (0 = não / 1 = sim). 

Mudar (0 = não / 1 = sim)
PASSO 2: DETERMINAR A FREQUÊNCIA DO EVENTO DE INTERESSE (comprometimento da capacidade funcional)

- Analisar →Estatística descritiva →Frequências

- Selecionar a variável dependente → ok

PASSO 3: DETERMINAR A ASSOCIAÇÃO ENTRE A VARIÁVEL DEPENDENTE E AS INDEPENDENTES – TESTE QUI-QUADRADO

- Analisar →Estatísticas descritivas → Tabelas de referência cruzada → Estatísticas → Qui-quadrado

- Selecionar as variáveis das linhas e colunas. 

Exemplo: Linhas – Fraqueza inspiratória (variável secundária) 

    Colunas – Comprometimento da Capacidade Funcional (variável primária) 

- Em “Estatísticas” selecionar o quadro “Qui-quadrado” → Continuar → ok

- Repetir este procedimento para todas as variáveis independentes ou preditoras (categóricas).

- Se p < 0,20 → realizar a análise de regressão logística simples ou univariada.

PASSO 4: REGRESSÃO LOGÍSTICA SIMPLES OU UNIVARIADA

- Analisar → Regressão → Logística Binária
Logística multinominal (quando há mais de 2 categorias. Estratificação sarcopenia. Gold. Estratificação sócio-econômica).  

- Selecionar a variável dependente e a preditora (independente).

- Em “categórico” identificar as variáveis categóricas

Importante – categoria de referência adotar o valor “0” inserido na tabela (Valores).  

Mudar (0 = não / 1 = sim). Neste caso, clicar em “primeiro”

- Selecionar o indicador da variável preditora que será avaliado na análise.

No Exemplo, o indicador a ser avaliado da variável “fraqueza muscular inspiratória” é o indicador “0” (“sim”), conforme definido e codificado no PASSO 1. Assim, o primeiro indicador (“0”) deve ser selecionado.

No quadro “Alterar contraste” → selecionar “primeiro” → Alterar → Continuar

- Em “Opções” selecionar os itens do quadro “estatísticas e gráficos” → Continuar → ok

- No quadro “Variáveis da equação” observar o Fator de Chances (odds ratio) representado por “Exp(B)” e a significância estatística.

- Se p < 0,10 → incluir a variável preditora na análise de regressão logística múltipla ou multivariada.

- Repetir este procedimento com todas as variáveis independentes.

PASSO 5: REGRESSÃO LOGÍSTICA MÚLTIPLA OU MULTIVARIADA

- Analisar → Regressão → Logística Binária

- Selecionar a variável dependente e as preditoras (independentes).

- Em “categórico” identificar as variáveis categóricas, conforme descrito no “PASSO 4”.

- Em “Opções” selecionar os itens do quadro “estatísticas e gráficos” → Continuar → ok, conforme descrito no “PASSO 4”.

- Determinar o critério de seleção das variáveis independentes no modelo.

“método” → selecionar “Forward: condicional” → ok
Sexo – como é variável categórica, a escolha deve ser pautada na maior frequência (ex. amostra com 60% de homens 1 e 40% de mulheres 40% 2. Clicar em primeiro para esta variável)  

No quadro “Variáveis da equação” observar o Fator de Chances (odds ratio) representado por “Exp(B)” e a significância estatística.

B = inclinação da reta (- indica efeito protetor / + indica efeito preditor) 

Exp(B) = fator “razão” de chance entre as probablilidade.  

Interpretação: considerando que Exp(B) = 0.893 (sendo B negativo). Necessário subtrair 1 – 0.893 = aproximadamente 12% . A chance da idade comprometer a capacidade funcional é de 12%. Toda vez que B for negativo a razão de chances será menor que 1. Isto representa redução da chance em 12%. 

A chance da fraqueza inspiratória influenciar a capacidade funcional é de 4,53 vezes (isto representa aumento da chance de 350%). B positivo / Exp(B) efeito preditor.

- Os preditores independentes são aqueles com p < 0,05.

PASSO 6: AVALIAR A QUALIDADE DO MODELO - teste de Hosmer e Lemeshow E/OU PSEUDO R²

●Teste de Hosmer e Lemeshow

- No quadro “Teste de Hosmer e Lemeshow” avaliar a significância estatística do teste. O valor de p deve ser ≥ 0,05. 

● Pseudo R²

- No quadro “Resumo do modelo” verificar o valor do “R quadrado de Nagelkerke”. Quanto mais próximo de 1, maior a qualidade do modelo.

Prestação de contas apoio coletivo

Documentos necessários:

1). Recibos de diárias do coordenador.
2). Recibo de diárias para terceiros.
3). Relatório de viagem. 

Importante: Ao final do evento entregar recibos (alimentação, hospedagem entre outros). Certificado de cada participante.

Ana Cristina Rodrigues Lacerda Número do processo (PCE-00398-17)

Vanessa Amaral Mendonça (PCE-00224-17)

Análise de regressão linear utilizando o spss

Para fazer análise de regressão linear:

Primeiro fazer um teste de correlação:

Se a distribuição for normal utilizar correlação de Pearson, se não for normal usar Spearman.

Correlations
		VO2	Idade	IMC	Distância	Velocidade da Marcha
VO2	Pearson Correlation	1	,396*	-,302	,654**	,689**
	Sig. (2-tailed)		,045	,133	,000	,000
	N	26	26	26	26	25
Idade	Pearson Correlation	,396*	1	,109	,622**	,508**
	Sig. (2-tailed)	,045		,596	,001	,009
	N	26	26	26	26	25
IMC	Pearson Correlation	-,302	,109	1	,165	,031
	Sig. (2-tailed)	,133	,596		,420	,884
	N	26	26	26	26	25
Distância	Pearson Correlation	,654**	,622**	,165	1	,877**
	Sig. (2-tailed)	,000	,001	,420		,000
	N	26	26	26	26	25
Velocidade da Marcha	Pearson Correlation	,689**	,508**	,031	,877**	1
	Sig. (2-tailed)	,000	,009	,884	,000
	N	25	25	25	25	25
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).

As variáveis que apresentaram valor de p < 0,20 são escolhidas para o modelo de regressão linear simples.

Para fazer o modelo de regressão linear simples:

Primeiro deve ser analisada uma variável de cada vez.

Ex: VO2 variável dependente

      Idade variável independente

*Método Stepwise

Só permanecerão no modelo de regressão linear múltipla aquelas variáveis que apresentarem valor de p < 0,05. 

Permaneceram no modelo as variáveis idade, velocidade e distância.

A partir daí iremos montar o modelo de regressão múltipla.

Entrar no quadrinho Statistics e marcar tudo.

Entrar no quadrinho Plots:

Variables Entered/Removeda
Model	Variables Entered	Variables Removed	Method
1	Velocidade da Marcha	.	Stepwise (Criteria: Probability-of-F-to-enter <= ,050, Probability-of-F-to-remove >= ,100).
a. Dependent Variable: VO2

Model Summaryb
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate	Change Statistics					Durbin-Watson
					R Square Change	F Change	df1	df2	Sig. F Change
1	,689a	,475	,452	6,05288	,475	20,796	1	23	,000	1,947
a. Predictors: (Constant), Velocidade da Marcha
b. Dependent Variable: VO2 ANOVAb Model Sum of Squares df Mean Square F Sig. 1 Regression 761,896 1 761,896 20,796 ,000a Residual 842,659 23 36,637 Total 1604,555 24 a. Predictors: (Constant), Velocidade da Marcha b. Dependent Variable: VO2 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. 95,0% Confidence Interval for B Correlations Collinearity Statistics B Std. Error Beta Lower Bound Upper Bound Zero-order Partial Part Tolerance VIF 1 (Constant) 14,795 6,350 2,330 ,029 1,658 27,932 Velocidade da Marcha 12,843 2,816 ,689 4,560 ,000 7,017 18,669 ,689 ,689 ,689 1,000 1,000 a. Dependent Variable: VO2    Residuals Statisticsa Minimum Maximum Mean Std. Deviation N Predicted Value 27,7665 49,5991 43,2240 5,63433 25 Residual -10,87282 18,18369 ,00000 5,92544 25 Std. Predicted Value -2,743 1,131 ,000 1,000 25 Std. Residual -1,796 3,004 ,000 ,979 25 a. Dependent Variable: VO2