Comparar salidas de regresión logística

Al crear modelos, conviene tener más observaciones que parámetros estimados en el modelo. A estas variables adicionales se las llama grados de libertad.

Un modelo con pocas observaciones puede quedar sobreajustado o incluso no ser ajustable (a veces se denomina singular). Además, revisar los grados de libertad puede ayudarte a verificar tus datos y tu código. Por ejemplo, una discrepancia entre los grados de libertad y el número de observaciones que crees tener puede indicar que tus datos necesitan más limpieza, que hay un error en tu código o que existe un problema de modelado.

Los formatos de entrada ancho frente a largo para glm() producen distintos grados de libertad porque la diferencia en el número de filas de los datos hace que el modelo "piense" que hay un número distinto de observaciones.

En los ejercicios anteriores, ajustaste una regresión logística usando tres opciones de entrada distintas. Se han cargado por ti como lr_1, lr_2 y lr_3. Examina los resúmenes de estos tres modelos.

¿Cómo varían los grados de libertad entre los modelos?