Nossa, parece que funciona muito bem. Eu fiz um exemplo pra ver se estou entendendo bem: #gerando dados de exemplo #variaveis resposta set.seed(3) n<-300 sexo<-sample(c("macho","femea"),n,replace=T) idade<-sample(c("jovem","subadulto","adulto"),n,replace=T) #como é o efeito delas efeito<-model.matrix(~sexo+idade) head(efeito) #jovens tem menor chance de estar infectado, sexo não influencia no diagnostico probabilidades<-c(0.75,0.00,-0.20,0.00) chance<-efeito%*%probabilidades chance diagnostico<-rbinom(n,1,chance) diagnostico #fazendo o modelo se tudo fosse perfeito modelo01<-glm(diagnostico~sexo+idade,family="binomial") summary(modelo01) #No entanto nos jovens eu não consigo ver o sexo sexo.confundido<-NA for(i in 1:n) { if(idade[i]=="jovem"){ sexo.confundido[i]<-"indeterminado" } else { sexo.confundido[i]<-sexo[i] } } sexo.confundido #Dai fica esse problema, resultado confundido: modelo02<-glm(diagnostico~sexo.confundido+idade,family="binomial") summary(modelo02) #Sugestão do Walmes na lista r-br sexo.continuo<-NA for(i in 1:n) { if(sexo.confundido[i]=="indeterminado"){ sexo.continuo[i]<-c(0) } if(sexo.confundido[i]=="femea") { sexo.continuo[i]<-c(1) } if(sexo.confundido[i]=="macho") { sexo.continuo[i]<-c(-1)} } sexo.continuo #O resultado da analise recupera o que era previsto modelo03<-glm(diagnostico~sexo.continuo+idade,family="binomial") summary(modelo03) plogis(coef(modelo01)[c(1,3)]) plogis(coef(modelo03)[c(1,3)]) #no entanto eu fique com uma duvida, se sexo tivesse um efeito, como que eu interpretaria essa variavel sexo desse jeito (-1,0,1), tipo adicionaria a estimativa de chance pra macho e subtrairia das femeas? -- Grato Augusto C. A. Ribas Site Pessoal: http://augustoribas.heliohost.org Lattes: http://lattes.cnpq.br/7355685961127056