Zen

Translation

data('birthwt', package='MASS')

dat <- data.frame(
low = factor(birthwt$low),
age = birthwt$age,
bwt = birthwt$bwt)

logRegBin(data = dat, dep = low,
covs = vars(age, bwt),
blocks = list(list("age", "bwt")),
refLevels = list(list(var="low", ref="0")))

#
# BINOMIAL LOGISTIC REGRESSION
#
# Model Fit Measures
# ───────────────────────────────────────
# Model Deviance AIC R²-McF
# ───────────────────────────────────────
# 1 4.97e-7 6.00 1.000
# ───────────────────────────────────────
#
#
# MODEL SPECIFIC RESULTS
#
# MODEL 1
#
# Model Coefficients
# ────────────────────────────────────────────────────────────
# Predictor Estimate SE Z p
# ────────────────────────────────────────────────────────────
# Intercept 2974.73225 218237.2 0.0136 0.989
# age -0.00653 482.7 -1.35e-5 1.000
# bwt -1.18532 87.0 -0.0136 0.989
# ────────────────────────────────────────────────────────────
# Note. Estimates represent the log odds of "low = 1"
# vs. "low = 0"
#
#
1214/11710 · 1171

Sign in to save the translation.

English Spanish Actions
Data
Datos
data <- lavaan::HolzingerSwineford1939

jmv::cfa(
data = data,
factors = list(
list(label="Visual", vars=c("x1", "x2", "x3")),
list(label="Textual", vars=c("x4", "x5", "x6")),
list(label="Speed", vars=c("x7", "x8", "x9"))),
resCov = NULL)

#
# CONFIRMATORY FACTOR ANALYSIS
#
# Factor Loadings
# ─────────────────────────────────────────────────────────────────
# Factor Indicator Estimate SE Z p
# ─────────────────────────────────────────────────────────────────
# Visual x1 0.900 0.0832 10.81 < .001
# x2 0.498 0.0808 6.16 < .001
# x3 0.656 0.0776 8.46 < .001
# Textual x4 0.990 0.0567 17.46 < .001
# x5 1.102 0.0626 17.60 < .001
# x6 0.917 0.0538 17.05 < .001
# Speed x7 0.619 0.0743 8.34 < .001
# x8 0.731 0.0755 9.68 < .001
# x9 0.670 0.0775 8.64 < .001
# ─────────────────────────────────────────────────────────────────
#
#
# FACTOR ESTIMATES
#
# Factor Covariances
# ──────────────────────────────────────────────────────────────
# Estimate SE Z p
# ──────────────────────────────────────────────────────────────
# Visual Visual 1.000 ᵃ
# Textual 0.459 0.0635 7.22 < .001
# Speed 0.471 0.0862 5.46 < .001
# Textual Textual 1.000 ᵃ
# Speed 0.283 0.0715 3.96 < .001
# Speed Speed 1.000 ᵃ
# ──────────────────────────────────────────────────────────────
# ᵃ fixed parameter
#
#
# MODEL FIT
#
# Test for Exact Fit
# ────────────────────────
# χ² df p
# ────────────────────────
# 85.3 24 < .001
# ────────────────────────
#
#
# Fit Measures
# ───────────────────────────────────────────────
# CFI TLI RMSEA Lower Upper
# ───────────────────────────────────────────────
# 0.931 0.896 0.0921 0.0714 0.114
# ───────────────────────────────────────────────
#
data <- lavaan::HolzingerSwineford1939

jmv::cfa(
data = data,
factors = list(
list(label="Visual", vars=c("x1", "x2", "x3")),
list(label="Textual", vars=c("x4", "x5", "x6")),
list(label="Speed", vars=c("x7", "x8", "x9"))),
resCov = NULL)

#
# ANALISIS FACTORIAL CONFIRMATORIO
#
# Cargas Factoriales
# ─────────────────────────────────────────────────────────────────
# Factor Indicador Estimación EE Z p
# ─────────────────────────────────────────────────────────────────
# Visual x1 0,900 0,0832 10,81 < ,001
# x2 0,498 0,0808 6,16 < ,001
# x3 0,656 0,0776 8,46 < ,001
# Textual x4 0,990 0,0567 17,46 < ,001
# x5 1,102 0,0626 17,60 < ,001
# x6 0,917 0,0538 17,05 < ,001
# Speed x7 0,619 0,0743 8,34 < ,001
# x8 0,731 0,0755 9,68 < ,001
# x9 0,670 0,0775 8,64 < ,001
# ─────────────────────────────────────────────────────────────────
#
#
# ESTIMADORES FACTORIALES
#
# Covariancias Factoriales
# ──────────────────────────────────────────────────────────────
# Estimación EE Z p
# ──────────────────────────────────────────────────────────────
# Visual Visual 1,000 ᵃ
# Textual 0,459 0,0635 7,22 < ,001
# Speed 0,471 0,0862 5,46 < ,001
# Textual Textual 1,000 ᵃ
# Speed 0,283 0,0715 3,96 < ,001
# Speed Speed 1,000 ᵃ
# ──────────────────────────────────────────────────────────────
# ᵃ parámetro fijado
#
#
# AJUSTE DEL MODELO
#
# Test para Ajuste Exacto
# ────────────────────────
# χ² gl p
# ────────────────────────
# 85,3 24 < ,001
# ────────────────────────
#
#
# Medidas de Ajuste
# ───────────────────────────────────────────────
# CFI TLI RMSEA Inferior Superior
# ───────────────────────────────────────────────
# 0,931 0,896 0,0921 0,0714 0,114
# ───────────────────────────────────────────────
#
Data Reduction
Reducción de Datos
Data set is currently unweighted
El conjunto de los datos no está ponderado actualmente
Data Summary
Resumen de Datos
data('birthwt', package='MASS')

dat <- data.frame(
low = factor(birthwt$low),
age = birthwt$age,
bwt = birthwt$bwt)

logRegBin(data = dat, dep = low,
covs = vars(age, bwt),
blocks = list(list("age", "bwt")),
refLevels = list(list(var="low", ref="0")))

#
# BINOMIAL LOGISTIC REGRESSION
#
# Model Fit Measures
# ───────────────────────────────────────
# Model Deviance AIC R²-McF
# ───────────────────────────────────────
# 1 4.97e-7 6.00 1.000
# ───────────────────────────────────────
#
#
# MODEL SPECIFIC RESULTS
#
# MODEL 1
#
# Model Coefficients
# ────────────────────────────────────────────────────────────
# Predictor Estimate SE Z p
# ────────────────────────────────────────────────────────────
# Intercept 2974.73225 218237.2 0.0136 0.989
# age -0.00653 482.7 -1.35e-5 1.000
# bwt -1.18532 87.0 -0.0136 0.989
# ────────────────────────────────────────────────────────────
# Note. Estimates represent the log odds of "low = 1"
# vs. "low = 0"
#
#
data('birthwt', package='MASS')

dat <- data.frame(
low = factor(birthwt$low),
age = birthwt$age,
bwt = birthwt$bwt)

logRegBin(data = dat, dep = low,
covs = vars(age, bwt),
blocks = list(list("age", "bwt")),
refLevels = list(list(var="low", ref="0")))

#
# REGRESION LOGISTICA BINOMIAL
#
# Medidas de Ajuste del Modelo
# ───────────────────────────────────────
# Modelo Desviación AIC R²-McF
# ───────────────────────────────────────
# 1 4,97e-7 6,00 1,000
# ───────────────────────────────────────
#
#
# RESULTADOS ESPECÍFICOS DE MODELO
#
# MODELO 1
#
# Coeficientes de Modelo
# ────────────────────────────────────────────────────────────
# Predictor Estimación EE Z p
# ────────────────────────────────────────────────────────────
# Constante 2974,73225 218237,2 0,0136 0,989
# age -0,00653 482,7 -1,35e-5 1,000
# bwt -1,18532 87,0 -0,0136 0,989
# ────────────────────────────────────────────────────────────
# Nota. La estimaciones representan la razón logarítmica de "low = 1"
# vs. "low = 0"
#
#
data('birthwt', package='MASS')

dat <- data.frame(
race = factor(birthwt$race),
age = birthwt$age,
low = factor(birthwt$low))

logRegMulti(data = dat, dep = race,
covs = age, factors = low,
blocks = list(list("age", "low")),
refLevels = list(
list(var="race", ref="1"),
list(var="low", ref="0")))

#
# MULTINOMIAL LOGISTIC REGRESSION
#
# Model Fit Measures
# ──────────────────────────────────────
# Model Deviance AIC R²-McF
# ──────────────────────────────────────
# 1 360 372 0.0333
# ──────────────────────────────────────
#
#
# MODEL SPECIFIC RESULTS
#
# MODEL 1
#
# Model Coefficients
# ───────────────────────────────────────────────────────────────
# race Predictor Estimate SE Z p
# ───────────────────────────────────────────────────────────────
# 2 - 1 Intercept 0.8155 1.1186 0.729 0.466
# age -0.1038 0.0487 -2.131 0.033
# low:
# 1 – 0 0.7527 0.4700 1.601 0.109
# 3 - 1 Intercept 1.0123 0.7798 1.298 0.194
# age -0.0663 0.0324 -2.047 0.041
# low:
# 1 – 0 0.5677 0.3522 1.612 0.107
# ───────────────────────────────────────────────────────────────
#
#
data('birthwt', package='MASS')

dat <- data.frame(
race = factor(birthwt$race),
age = birthwt$age,
low = factor(birthwt$low))

logRegMulti(data = dat, dep = race,
covs = age, factors = low,
blocks = list(list("age", "low")),
refLevels = list(
list(var="race", ref="1"),
list(var="low", ref="0")))

#
# REGRESION LOGISTICA BINOMIAL
#
# Medidas de Ajuste del Modelo
# ───────────────────────────────────────
# Modelo Desviación AIC R²-McF
# ──────────────────────────────────────
# 1 360 372 0,0333
# ──────────────────────────────────────
#
#
# RESULTADOS ESPECIFICOS DE MODELO
#
# MODELO 1
#
# Coeficientes de Modelo
# ───────────────────────────────────────────────────────────────
# race Predictor Estimación EE Z p
# ───────────────────────────────────────────────────────────────
# 2 - 1 Constante 0,8155 1,1186 0,729 0,466
# age -0,1038 0,0487 -2,131 0,033
# low:
# 1 – 0 0,7527 0,4700 1,601 0,109
# 3 - 1 Constante 1,0123 0,7798 1,298 0,194
# age -0,0663 0,0324 -2,047 0,041
# low:
# 1 – 0 0,5677 0,3522 1,612 0,107
# ───────────────────────────────────────────────────────────────
#
#
data('bugs', package = 'jmv')

anovaRM(
data = bugs,
rm = list(
list(
label = 'Frightening',
levels = c('Low', 'High'))),
rmCells = list(
list(
measure = 'LDLF',
cell = 'Low'),
list(
measure = 'LDHF',
cell = 'High')),
rmTerms = list(
'Frightening'))

#
# REPEATED MEASURES ANOVA
#
# Within Subjects Effects
# ───────────────────────────────────────────────────────────────────────
# Sum of Squares df Mean Square F p
# ───────────────────────────────────────────────────────────────────────
# Frightening 126 1 126.11 44.2 < .001
# Residual 257 90 2.85
# ───────────────────────────────────────────────────────────────────────
# Note. Type 3 Sums of Squares
#
#
#
# Between Subjects Effects
# ─────────────────────────────────────────────────────────────────
# Sum of Squares df Mean Square F p
# ─────────────────────────────────────────────────────────────────
# Residual 954 90 10.6
# ─────────────────────────────────────────────────────────────────
# Note. Type 3 Sums of Squares
#
data('bugs', package = 'jmv')

anovaRM(
data = bugs,
rm = list(
list(
label = 'Frightening',
levels = c('Low', 'High'))),
rmCells = list(
list(
measure = 'LDLF',
cell = 'Low'),
list(
measure = 'LDHF',
cell = 'High')),
rmTerms = list(
'Frightening'))

#
# ANOVA PARA MEDIDAS REPETIDAS
#
# Efectos Intra-Sujetos
# ───────────────────────────────────────────────────────────────────────
# Suma Cuadrática gl Media Cuadrática F p
# ───────────────────────────────────────────────────────────────────────
# Frighteni 126 1 126,11 44,2 < ,001
# Residuo 257 90 2,85
# ───────────────────────────────────────────────────────────────────────
# Nota. Sumas cuadrática tipo 3
#
#
#
# Efectos Inter-Sujetos
# ───────────────────────────────────────────────────────────────────────
# Suma Cuadrática gl Media Cuadrática F p
# ───────────────────────────────────────────────────────────────────────
# Residuo 954 90 10,6
# ───────────────────────────────────────────────────────────────────────
# Nota. Sumas cuadrática tipo 3
#
data('bugs', package = 'jmv')

anovaRMNP(bugs, measures = vars(LDLF, LDHF, HDLF, HDHF))

#
# REPEATED MEASURES ANOVA (NON-PARAMETRIC)
#
# Friedman
# ────────────────────────
# χ² df p
# ────────────────────────
# 55.8 3 < .001
# ────────────────────────
#
data('bugs', package = 'jmv')

anovaRMNP(bugs, measures = vars(LDLF, LDHF, HDLF, HDHF))

#
# ANOVA PARA MEDIDAS REPETIDAS (NO-PARAMETRICO)
#
# Friedman
# ────────────────────────
# χ² gl p
# ────────────────────────
# 55,8 3 < ,001
# ────────────────────────
#
data('bugs', package = 'jmv')

ttestPS(bugs, pairs = list(
list(i1 = 'LDLF', i2 = 'LDHF')))

#
# PAIRED SAMPLES T-TEST
#
# Paired Samples T-Test
# ──────────────────────────────────────────────────────────────
# statistic df p
# ──────────────────────────────────────────────────────────────
# LDLF LDHF Student's t -6.65 90.0 < .001
# ──────────────────────────────────────────────────────────────
#
data('bugs', package = 'jmv')

ttestPS(bugs, pairs = list(
list(i1 = 'LDLF', i2 = 'LDHF')))

#
# TEST T PARA MUESTRAS EMPAREJADAS
#
# Test-T para Muestras Emparejadas
# ──────────────────────────────────────────────────────────────
# estadístico gl p
# ──────────────────────────────────────────────────────────────
# LDLF LDHF t de Student -6,65 90,0 < ,001
# ──────────────────────────────────────────────────────────────
#
data('HairEyeColor')
dat <- as.data.frame(HairEyeColor)

contTables(formula = Freq ~ Hair:Eye, dat)

#
# CONTINGENCY TABLES
#
# Contingency Tables
# ─────────────────────────────────────────────────────
# Hair Brown Blue Hazel Green Total
# ─────────────────────────────────────────────────────
# Black 68 20 15 5 108
# Brown 119 84 54 29 286
# Red 26 17 14 14 71
# Blond 7 94 10 16 127
# Total 220 215 93 64 592
# ─────────────────────────────────────────────────────
#
#
# χ² Tests
# ───────────────────────────────
# Value df p
# ───────────────────────────────
# χ² 138 9 < .001
# N 592
# ───────────────────────────────
#

# Alternatively, omit the left of the formula (`Freq`) if each row
# represents a single observation:

contTables(formula = ~ Hair:Eye, dat)
data('HairEyeColor')
dat <- as.data.frame(HairEyeColor)

contTables(formula = Freq ~ Hair:Eye, dat)

#
# TABLAS DE CONTINGENCIA
#
# Tablas de Contingencia
# ─────────────────────────────────────────────────────
# Hair Brown Blue Hazel Green Total
# ─────────────────────────────────────────────────────
# Black 68 20 15 5 108
# Brown 119 84 54 29 286
# Red 26 17 14 14 71
# Blond 7 94 10 16 127
# Total 220 215 93 64 592
# ─────────────────────────────────────────────────────
#
#
# Tests χ²
# ───────────────────────────────
# Valor gl p
# ───────────────────────────────
# χ² 138 9 < ,001
# N 592
# ───────────────────────────────
#

# Alternativamente, omitir la parte izquierda de la fórmula (`Freq`) si cada fila
# representa una observación singular:

contTables(formula = ~ Hair:Eye, dat)

Loading…

User avatar fxmiguel

Translation changed

  1. jamovi
  2. jmv-i18n
  3. Spanish
data('birthwt', package='MASS')

dat <- data.frame(
low = factor(birthwt$low),
age = birthwt$age,
bwt = birthwt$bwt)

logRegBin(data = dat, dep = low,
covs = vars(age, bwt),
blocks = list(list("age", "bwt")),
refLevels = list(list(var="low", ref="0")))

#
# BINOMIAL LOGISTIC REGRESSION
#
# Model Fit Measures
# ───────────────────────────────────────
# Model Deviance AIC R²-McF
# ───────────────────────────────────────
# 1 4.97e-7 6.00 1.000
# ───────────────────────────────────────
#
#
# MODEL SPECIFIC RESULTS
#
# MODEL 1
#
# Model Coefficients
# ────────────────────────────────────────────────────────────
# Predictor Estimate SE Z p
# ────────────────────────────────────────────────────────────
# Intercept 2974.73225 218237.2 0.0136 0.989
# age -0.00653 482.7 -1.35e-5 1.000
# bwt -1.18532 87.0 -0.0136 0.989
# ────────────────────────────────────────────────────────────
# Note. Estimates represent the log odds of "low = 1"
# vs. "low = 0"
#
#
data('birthwt', package='MASS')

dat <- data.frame(
low = factor(birthwt$low),
age = birthwt$age,
bwt = birthwt$bwt)

logRegBin(data = dat, dep = low,
covs = vars(age, bwt),
blocks = list(list("age", "bwt")),
refLevels = list(list(var="low", ref="0")))

#
# REGRESION LOGISTICA BINOMIAL
#
# Medidas de Ajuste del Modelo
# ───────────────────────────────────────
# Modelo Desviación AIC R²-McF
# ───────────────────────────────────────
# 1 4,97e-7 6,00 1,000
# ───────────────────────────────────────
#
#
# RESULTADOS ESPECIÍFICOS DE MODELO
#
# MODELO 1
#
# Coeficientes de Modelo
# ────────────────────────────────────────────────────────────
# Predictor Estimación EE Z p
# ────────────────────────────────────────────────────────────
# Constante 2974,73225 218237,2 0,0136 0,989
# age -0,00653 482,7 -1,35e-5 1,000
# bwt -1,18532 87,0 -0,0136 0,989
# ────────────────────────────────────────────────────────────
# Nota. La estimaciones representan la razón logarítmica de "low = 1"
# vs. "low = 0"
#
#
2 years ago
User avatar fxmiguel

Translation uploaded

  1. jamovi
  2. jmv-i18n
  3. Spanish
data('birthwt', package='MASS')

dat <- data.frame(
low = factor(birthwt$low),
age = birthwt$age,
bwt = birthwt$bwt)

logRegBin(data = dat, dep = low,
covs = vars(age, bwt),
blocks = list(list("age", "bwt")),
refLevels = list(list(var="low", ref="0")))

#
# BINOMIAL LOGISTIC REGRESSION
#
# Model Fit Measures
# ───────────────────────────────────────
# Model Deviance AIC R²-McF
# ───────────────────────────────────────
# 1 4.97e-7 6.00 1.000
# ───────────────────────────────────────
#
#
# MODEL SPECIFIC RESULTS
#
# MODEL 1
#
# Model Coefficients
# ────────────────────────────────────────────────────────────
# Predictor Estimate SE Z p
# ────────────────────────────────────────────────────────────
# Intercept 2974.73225 218237.2 0.0136 0.989
# age -0.00653 482.7 -1.35e-5 1.000
# bwt -1.18532 87.0 -0.0136 0.989
# ────────────────────────────────────────────────────────────
# Note. Estimates represent the log odds of "low = 1"
# vs. "low = 0"
#
#
data('birthwt', package='MASS')

dat <- data.frame(
low = factor(birthwt$low),
age = birthwt$age,
bwt = birthwt$bwt)

logRegBin(data = dat, dep = low,
covs = vars(age, bwt),
blocks = list(list("age", "bwt")),
refLevels = list(list(var="low", ref="0")))

#
# REGRESION LOGISTICA BINOMIAL
#
# Medidas de Ajuste del Modelo
# ───────────────────────────────────────
# Modelo Desviación AIC R²-McF
# ───────────────────────────────────────
# 1 4,97e-7 6,00 1,000
# ───────────────────────────────────────
#
#
# RESULTADOS ESPECIFICOS DE MODELO
#
# MODELO 1
#
# Coeficientes de Modelo
# ────────────────────────────────────────────────────────────
# Predictor Estimación EE Z p
# ────────────────────────────────────────────────────────────
# Constante 2974,73225 218237,2 0,0136 0,989
# age -0,00653 482,7 -1,35e-5 1,000
# bwt -1,18532 87,0 -0,0136 0,989
# ────────────────────────────────────────────────────────────
# Nota. La estimaciones representan la razón logarítmica de "low = 1"
# vs. "low = 0"
#
#
2 years ago
User avatar None

String updated in the repository

  1. jamovi
  2. jmv-i18n
  3. Spanish
data('birthwt', package='MASS')

dat <- data.frame(
low = factor(birthwt$low),
age = birthwt$age,
bwt = birthwt$bwt)

logRegBin(data = dat, dep = low,
covs = vars(age, bwt),
blocks = list(list("age", "bwt")),
refLevels = list(list(var="low", ref="0")))

#
# BINOMIAL LOGISTIC REGRESSION
#
# Model Fit Measures
# ───────────────────────────────────────
# Model Deviance AIC R²-McF
# ───────────────────────────────────────
# 1 4.97e-7 6.00 1.000
# ───────────────────────────────────────
#
#
# MODEL SPECIFIC RESULTS
#
# MODEL 1
#
# Model Coefficients
# ────────────────────────────────────────────────────────────
# Predictor Estimate SE Z p
# ────────────────────────────────────────────────────────────
# Intercept 2974.73225 218237.2 0.0136 0.989
# age -0.00653 482.7 -1.35e-5 1.000
# bwt -1.18532 87.0 -0.0136 0.989
# ────────────────────────────────────────────────────────────
# Note. Estimates represent the log odds of "low = 1"
# vs. "low = 0"
#
#
 
2 years ago
Browse all string changes

Things to check

Consecutive duplicated words

Text contains the same word twice in a row: MODELO

Reset

Glossary

English Spanish
Binomial Logistic Regression Regresión logística binomial jamovi
factor factor jamovi

Factor

String information

Flags
ignore-multiple-failures, ignore-newline-count, ignore-same
Source string location
logRegBin/options.description.R.usage
String age
2 years ago
Last updated
a year ago
Source string age
2 years ago
Translation file
es.po, string 530