13.1 In the malaria data set, analy

13.1 In the malaria data set, analyze the risk of malaria with age and
log-transformed antibody level as explanatory variables.
13.2 Fit a logistic regression model to the graft.vs.host data set, predicting the gvhd response. Use different transformations of the index
variable. Reduce the model using backwards elimination.
13.3 In the analyses of the malaria and graft.vs.host data, try using the confint function to find improved confidence intervals for the
regression coefficients.
13.4 Following up on Exercise 8.2 about “Rocky Mountain spotted
fever”, splitting the data by age groups gives the table below. Does this confirm the earlier analysis?
Western Type Eastern Type
Age Group Total Fatal Total Fatal
Under 15 108 13 310 40
15–39 264 40 189 21
40 or above 375 157 162 61
747 210 661 122
13.5 A probit regression is just like a logistic regression but uses a different link function. Try the analysis of the menarche variable in the juul
data set with this link. Does the fit improve?

Kết quả (Việt) 1:

13.1 trong bệnh sốt rét cho bộ dữ liệu, phân tích rủi ro của bệnh sốt rét với tuổi tác vàkháng thể chuyển đăng nhập các cấp độ như giải thích biến.13.2 phù hợp với một mô hình hồi quy logistic để thiết lập dữ liệu graft.vs.host, dự đoán phản ứng gvhd. Sử dụng các biến đổi khác nhau của các chỉ sốbiến. Giảm các mô hình sử dụng ngược loại bỏ.13,3 trong phân tích dữ liệu bệnh sốt rét và graft.vs.host, hãy thử sử dụng các chức năng confint để tìm được cải thiện khoảng tin cậy cho cácHệ số hồi quy.13.4 theo dõi ngày tập thể dục 8.2 về "Rocky Mountain phát hiệnsốt", chia tách các dữ liệu bởi nhóm tuổi cho bảng dưới đây. Điều này có xác nhận phân tích trước đó?Loại phía tây đông loạiNhóm tuổi tổng gây tử vong tổng gây tử vongDưới 15 108 13 310 4015-39 264 40 189 2140 hoặc ở trên 375 157 162 61747 210 661 12213,5 một hồi quy probit là giống như một hồi quy logistic nhưng sử dụng một chức năng khác nhau liên kết. Hãy thử phân tích biến Marche juuldữ liệu các thiết lập với liên kết này. Để cải thiện phù hợp?

Kết quả (Việt) 2:

13.1 Trong tập dữ liệu sốt rét, phân tích các nguy cơ mắc bệnh sốt rét với tuổi tác và
đăng nhập khi chuyển đổi mức độ kháng thể như các biến giải thích.
13,2 Fit một mô hình hồi quy logistic để tập dữ liệu graft.vs.host, dự đoán phản ứng GVHD. Sử dụng biến đổi khác nhau của các chỉ số
biến. Giảm sử dụng mô hình ngược loại bỏ.
13.3 Trong phân tích các dữ liệu bệnh sốt rét và graft.vs.host, hãy thử sử dụng các chức năng confint để tìm khoảng tin cậy được cải thiện cho các
hệ số hồi quy.
13,4 Theo dõi trên Exercise 8.2 về "Rocky Mountain Spotted
sốt " , chia tách các dữ liệu theo nhóm tuổi cho bảng dưới đây. Điều này khẳng định các phân tích trước đây?
Tây Loại Đông Loại
Age Nhóm Tổng Fatal Tổng Fatal
Dưới 15 108 13 310 40
264 40 15-39 189 21
40 hoặc trên 375 157 162 61
747 210 661 122
13.5 Một hồi quy probit là giống như một logistic hồi quy nhưng sử dụng một chức năng liên kết khác nhau. Hãy thử phân tích của các biến kinh nguyệt trong Juul
dữ liệu thiết lập với liên kết này. Không phù hợp với cải thiện?