Múltiplas variáveis em um modelo de regressão logística

A interpretação de um único parâmetro continua valendo ao incluir várias variáveis em um modelo. Quando você inclui várias variáveis e pede a interpretação ao mudar uma variável específica, assume-se que as demais permanecem constantes, ou inalteradas. Existe uma expressão latina elegante para isso, ceteris paribus, que significa literalmente "mantendo todas as outras iguais".

Para construir um modelo de regressão logística com múltiplas variáveis, você pode usar o sinal + para adicionar variáveis. Sua fórmula ficará algo como:

y ~ x1 + ... + xk

Para avaliar o modelo, há algumas coisas importantes a observar. Você já analisou os valores dos parâmetros, mas isso não é o único ponto relevante. Também é importante a significância estatística de uma determinada estimativa de parâmetro. A significância de um parâmetro costuma ser chamada de p-valor, porém, na saída do modelo, você a verá indicada como Pr(>|t|). Em glm, significância fraca é indicada por um "." até significância muito forte indicada por "***". Quando um parâmetro não é significativo, isso significa que você não pode garantir que esse parâmetro seja significativamente diferente de 0. A significância estatística é importante. Em geral, só faz sentido interpretar o efeito sobre o default para parâmetros significativos.