-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathScritp banco artigo 1 180723.R
3122 lines (2313 loc) · 125 KB
/
Scritp banco artigo 1 180723.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
############################Caraterísticas maternas, preditores associados ao Ganho de peso de peso gestacional: Estudo Coorte Araraquara Brasil####################################################################################
######################################################################### Banco de dados Araraquara - Tese#########################################################################
###################################################################################################################################################################################
########################################################################### defenir o directorio de trabalho#######################################################################
setwd("D:/PhD Files/Tese/Tese Artigos/Arttigo 1")
#### importando e instalando pacotes
library(psych) # Um pacote da area de pscometria com muitas funcoes
library(pipeR) ## Pacote para usar a funcao pipe
require(dplyr) #pacote com diversas fun??es -> olhar help
library(tidyverse) #pacote com diversas fun??es -> olhar help
library(foreign) #importar dados
library(haven)
library(readxl)
library(readxl)
## Importando o dataset com do excel incluindo todas Sheet
q1 <- read_excel("dados tese1.xls", sheet = "Questionário 1")
q2 <- read_excel("dados tese1.xls", sheet = "Questionário 2")
q3 <- read_excel("dados tese1.xls", sheet = "Questionário 3")
q8 <- read_excel("dados tese1.xls", sheet = "Questionário 8")
q9 <- read_excel("dados tese1.xls", sheet = "Questionário 9")
q11 <- read_excel("dados tese1.xls", sheet = "Questionário 11")
q12 <- read_excel("dados tese1.xls", sheet = "Questionário 12")
q13 <- read_excel("dados tese1.xls", sheet = "Questionário 13")
q14 <- read_excel("dados tese1.xls", sheet = "Questionário 14")
q15 <- read_excel("dados tese1.xls", sheet = "Questionário 15")
q16 <- read_excel("dados tese1.xls", sheet = "Questionário 16")
q17 <- read_excel("dados tese1.xls", sheet = "Questionário 17")
q18 <- read_excel("dados tese1.xls", sheet = "Questionário 18")
q19 <- read_excel("dados tese1.xls", sheet = "Questionário 19")
q20 <- read_excel("dados tese1.xls", sheet = "Questionário 20")
q21 <- read_excel("dados tese1.xls", sheet = "Questionário 21")
dados1 <- bind_cols(q1,q2,q3,q8,q9,q11,q12,q13,q14,q15,q16,q17,q18,q19,q20,q21)
### lidando agora com os valores Omissisos
dados1[dados1 == 999] <- NA
dados1[dados1 == 9999] <- NA
dados1[dados1 == 999999] <- NA
dados1[dados1 == 99999] <- NA
dados1[dados1 == 99999999] <- NA
dados1[dados1 == 333884.3 ] <- NA
dados1[dados1 == 777] <- NA
dados1[dados1 == 7777] <- NA
dados1[dados1 == 77777] <- NA
dados1[dados1 == 777777] <- NA
dados1[dados1 == 5555] <- NA
dados1[dados1 == 555] <- NA
dados1[dados1 == 8888] <- NA
dados1[dados1 == 888] <- NA
#################################################### remover as linhas com NA na Varival Peso pregestacional e Posparto #########################################################
dados1 <- dados1[complete.cases(dados1$d_PesoParto),]
dados1 <- dados1[complete.cases(dados1$a_pesopre),]
dados1 <- dados1[complete.cases(dados1$a_estat1),]
####################################################################################################################################################################################
########################################## Base de dados com as variveis novas ###################################################################################################
####################################################################################################################################################################################
### Criar um subset para predicacao com as features
dados <- subset(dados1,select=c( "a_idade","a_cor", "a_civil","a_rendpcr","a_escola","a_fumog","a_alcool","a_npari","a_npcomo",
"a_estat1", "a_circbracm","a_pesopre","d_PesoParto", "a_fmp", "a_vigorh","a_moderh", "d_IGUSGrn", "a_pcr",
"a_homa","a_hb" ,"a_hba1c", "a_insul","a_tg", "a_ct", "a_hdl", "a_ldl","a_agdm","b_agdm","c_agdm", "a_aghas","a_agui", "a_agsif", "a_agceva",
"f_FMP", "f_FFMp"))
###################################################################################################################################################################################
############################################# As variaveis para o artigo de Influencia GWG e desfechos materno e e do concepto################################################################################
###################################################################################################################################################################################
a_idade # Idade materna (0) ≤19/ (1) 20-35/ (2) ≥35)
a_cor # raca,((1) branca / (2) preta / (3) amarela / (4) indígena / (5) parda)
a_civil # estado civil --- Situação conjugal da gestante (1) casada / (2) solteira (com companheiro) / (3) solteira (sem companheiro) / (4) separada/viúva
a_rendpcr # Renda per capita
a_escola # Escolaridade da gestante (em anos de estudos) : (0) ≤4/ (1) 5-11 / (2) ≥12)
a_moradia # tipo de moradia: (0)Alugada/ (1)Própria quitada / (2) Própria não quitada/ (3) Posse/(4)Emprestada /(5)Outra
a_materia #Material de construção da residência: (0) Madeira, (1) Alvenaria, (2) “pau a pique”, (3) Outro
a_npcomo #Número de pessoas por cômodo
a_fumog # Fumar
a_alcool # Uso de álcool na gestação
a_npari # N° de gestações anteriores
a_npari # Quantas vezes a pessoa já pariu
a_estat1 # altura,
a_circbracm #Circunferência do braço
a_imcga # IMC gestacional atual (Kg/m²)
a_pesopre # peso pregestational,
d_PesoParto # Peso pos parto
a_fmp # Percentual de gordura corporal (%)
a_moderd #ctividade fisica (Em quantos dias de uma semana normal, você realiza atividades Moderada
a_vigord #actividade fisica (Em quantos dias de uma semana normal, você realiza atividades VIGOROSAS por pelo menos 10 minutos contínuos, como por exemplo, correr, fazer ginástica, aeróbica, jogar futebol, pedalar rápido na bicicleta, jogar basquete, fazer serviços domésticos pesados em casa, no quintal ou no jardim, carregar pesos elevados ou qualquer atividade que faça você suar BASTANTE ou aumentem MUITO sua respiração ou batimentos do coração?),
d_IGDUMrn #Idade Gestacional ao nascimento (DUM) em semanas e dias
a_insul #Insulina de jejum (uUI/mL)
a_homa #HOMA (uUI/mL) Normal:<= 1.65 Alterado:>1.65
a_hba1c # hemoglobina glicada, Normal: <= 6.5,Alterado:>6.5
a_tg # Triglicerídeos (mg/dL)
a_ct # colestreol
a_hdl# HDL
a_ldl# LDL
a_agdm # Diabetes antes e depois da gestacao
d_aghas # hipertensao
gpg # ganho de peso gestacional
##################################################### Transformar as varariaveis em numerica #######################################################################################
dados <- dados %>% mutate_all(as.numeric)
############################################# Peso pos parto ##########################################################
sort(dados$d_PesoParto, decreasing = T)
summary(dados$d_PesoParto)
dados$d_PesoParto[dados$d_PesoParto == 989.50] <- 98.9
####################################################################################################################################################################################
########################################## Criando a varivel GPG de acordo com IOM###################################################################################################
####################################################################################################################################################################################
# Leitura dos dados de IMC pré-gestacional e ganho de peso gestacional
# Cálculo do IMC pré-gestacional
dados$imc <-dados$a_pesopre/(dados$a_estat1/100)^2
# Calcular o ganho de peso total
dados$gpg <- dados$d_PesoParto - dados$a_pesopre
summary(dados$gpg)
## O ganho de peso gestacional quantitativo
dados$categoria1<- dados$gpg
# Categorização do ganho de peso gestacional
dados$gpg_cat <- for (i in 1:nrow(dados)) {
if (dados$imc[i] < 18.5) {
if (dados$gpg[i] < 12.5) {
dados$categoria[i] <- "Abaixo"
} else if (dados$gpg[i] >= 12.5 && dados$gpg[i] <= 18) {
dados$categoria[i] <- "Dentro"
} else {
dados$categoria[i] <- "Acima"
}
} else if (dados$imc[i] >= 18.5 && dados$imc[i] < 25) {
if (dados$gpg[i] < 11.5) {
dados$categoria[i] <- "Abaixo"
} else if (dados$gpg[i] >= 11.5 && dados$gpg[i] <= 16) {
dados$categoria[i] <- "Dentro"
} else {
dados$categoria[i] <- "Acima"
}
} else if (dados$imc[i] >= 25 && dados$imc[i] < 30) {
if (dados$gpg[i] < 7) {
dados$categoria[i] <- "Abaixo"
} else if (dados$gpg[i] >= 7 && dados$gpg[i] <= 11.5) {
dados$categoria[i] <- "Dentro"
} else {
dados$categoria[i] <- "Acima"
}
} else {
if (dados$gpg[i] < 5) {
dados$categoria[i] <- "Abaixo"
} else if (dados$gpg[i] >= 5 && dados$gpg[i] <= 9) {
dados$categoria[i] <- "Dentro"
} else {
dados$categoria[i] <- "Acima"
}
}
}
# Exibição dos resultados
table(dados$categoria)
prop.table(table(dados$categoria))*100
# Reordenar a ordem das categorias das varivaies
dados$categoria <- factor(dados$categoria, levels = c("Dentro", "Abaixo", "Acima"))
##################################################################################################################################################################################
########################################################### Criar categorias de IMC pregestacional ##############################################################################
##################################################################################################################################################################################
##################################################################################################################################################################################
dados$cat_imc <- cut(dados$imc,
breaks = c(0, 18.5, 25, 30, Inf),
labels = c("Baixo peso", "Peso normal", "Sobrepeso", "Obesidade"))
table(dados$cat_imc)
###################################################################################################################################################################################
########################################## construcao de tabelas descritivas das variveis preditoras e o Desfecho - GPG ##########################################################
###################################################################################################################################################################################
#########################################Tabela de contingencia Idade por GPG #########################################
############################################# Idade ##########################################################
# Transformando valores negativos em positivos
dados$a_idade <- abs(dados$a_idade)
# Removendo valores iguais a 0
dados <- dados[dados$a_idade != 0,]
hist1 <- subset(dados, a_idade < 70)
hist(hist1$a_idade,
main = "Histograma valores da idade abaixo de 70",
xlab = "Idade",
ylab = "Frequência")
# Categorizando as idades em três grupos: <=19, 20-35 e >=35
dados$a_idade <- cut(dados$a_idade, breaks = c(-Inf, 19, 35, Inf),
labels = c("<=19", "20-35", ">=35"))
table(dados$a_idade)
prop.table(table(dados$a_idade))*100
table(dados$a_idade,dados$categoria)
prop.table(table(dados$a_idade,dados$categoria))*100
# Teste de Quiquadrado
Modelo_idade <- chisq.test(dados$a_idade, dados$categoria)
print(Modelo_idade)
#########################################alcular a média e o desvio padrão da estatura por GPG#########################################
############################################################# Estatura #######################################################
sort(dados$a_estat1, decreasing = T)
summary(dados$a_estat1)
hist <- subset(dados, a_estat1 < 200)
hist(hist$a_estat1,
main = "Histograma de a_estat1 (valores abaixo de 200)",
xlab = "a_estat1",
ylab = "Frequência")
dados$a_estat1<- ifelse (dados$a_estat1 < 99, dados$a_estat1 * 100, dados$a_estat1)
summary(dados$a_estat1)
aggregate(a_estat1 ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_estat1)
# Teste de homogeneidade de variâncias
bartlett.test(a_estat1 ~ categoria, data = dados)
# Realizar o teste kruskal Wallis
modelo_esta <- kruskal.test(a_estat1 ~ categoria, data = dados)
modelo_esta
# Realizando comparações múltiplas com o método de Bonferroni
comp_esta <- pairwise.wilcox.test(dados$a_estat1, dados$categoria, p.adjust.method = "bonferroni")
comp_esta
##########################################################Categoria #######################################################################################
summary(dados$a_estat1)
dados$cat_estat <- cut(dados$a_estat1,
breaks = quantile(dados$a_estat1, probs = c(0, 1/3, 2/3, 1)),
labels = c("1º Tercil", "2º Tercil", "3º Tercil"))
table(dados$cat_estat)
prop.table(table(dados$cat_estat)) * 100
table(dados$cat_estat, dados$categoria)
prop.table(table(dados$cat_estat, dados$categoria)) * 100
Modelo_estat <- chisq.test(dados$cat_estat, dados$categoria)
Modelo_estat
########################################## calcular a média e o desvio padrão do Peso Pre-gestational por GPG#########################################
summary(dados$a_pesopre)
aggregate(a_pesopre ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_pesopre)
# Teste de homogeneidade de variâncias
bartlett.test(a_pesopre ~ categoria, data = dados)
# Realizar o teste kruskal Wallis
modelo_pesopre <- kruskal.test(a_pesopre ~ categoria, data = dados)
modelo_pesopre
# Realizando comparações múltiplas com o método de Bonferroni
comp_pesopre <- pairwise.wilcox.test(dados$a_pesopre, dados$categoria, p.adjust.method = "bonferroni")
comp_pesopre
##########################################################Categoria #######################################################################################
summary(dados$a_pesopre)
dados$cat_pesopre <- cut(dados$a_pesopre, breaks = quantile(dados$a_pesopre, probs = c(0, 1/3, 2/3, 1)),
labels = c("1º Tercil", "2º Tercil", "3º Tercil"))
table(dados$cat_pesopre)
prop.table(table(dados$cat_pesopre)) * 100
table(dados$cat_pesopre, dados$categoria)
prop.table(table(dados$cat_pesopre, dados$categoria)) * 100
Modelo_pesopre <- chisq.test(dados$cat_pesopre, dados$categoria)
Modelo_pesopre
########################################### calcular a médiana e o desvio padrão do IMC-Pre-gestacional por GPG##########################################
summary(dados$imc)
aggregate(imc ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$imc)
# Teste de homogeneidade de variâncias
bartlett.test(imc ~ categoria, data = dados)
# Realizar o teste ANOVA do IMC
modelo_imc <- kruskal.test(imc ~ categoria, data = dados)
modelo_imc
# Realizando comparações múltiplas com o método de Bonferroni
comp_imc <- pairwise.wilcox.test(dados$imc, dados$categoria, p.adjust.method = "bonferroni")
comp_imc
############################################# Tabela de contingencia do IMC-Pre-gestacional categorico por GPG ############################################
table(dados$cat_imc)
prop.table(table(dados$cat_imc))*100
table(dados$cat_imc,dados$categoria)
prop.table(table(dados$cat_imc,dados$categoria))*100
# Teste de Quiquadrado
Modelo_cat_imc <- chisq.test(dados$cat_imc, dados$categoria)
Modelo_cat_imc
########################################### calcular a médiana da Circunferência do braço por GPG ##########################################
summary(dados$a_circbracm)
aggregate(a_circbracm ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_circbracm)
# Teste de homogeneidade de variâncias
bartlett.test(a_circbracm ~ categoria, data = dados)
# Realizar o teste ANOVA do IMC
modelo_a_circbracm <- kruskal.test(a_circbracm ~ categoria, data = dados)
modelo_a_circbracm
# Realizando comparações múltiplas com o método de Bonferroni
comp_a_circbracm <- pairwise.wilcox.test(dados$a_circbracm, dados$categoria, p.adjust.method = "bonferroni")
comp_a_circbracm
########################################################## Categoria #######################################################################################
summary(dados$a_circbracm)
dados$cat_circbr <- ifelse(dados$a_circbracm < 23, "Baixo peso",
ifelse(dados$a_circbracm >= 23 & dados$a_circbracm < 28, "Adequado",
"Sobrepeso"))
table(dados$cat_circbr)
prop.table(table(dados$cat_circbr)) * 100
table(dados$cat_circbr, dados$categoria)
prop.table(table(dados$cat_circbr, dados$categoria)) * 100
Modelo_circbr <- chisq.test(dados$cat_circbr, dados$categoria)
Modelo_circbr
########################################### calcular a médiana da Percentual de gordura corporal (%) por GPG##########################################
summary(dados$a_fmp)
aggregate(a_fmp ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_fmp)
# Teste de homogeneidade de variâncias
bartlett.test(a_fmp ~ categoria, data = dados)
# Realizar o teste ANOVA do IMC
modelo_a_fmp <- kruskal.test(a_fmp ~ categoria, data = dados)
modelo_a_fmp
# Realizando comparações múltiplas com o método de Bonferroni
comp_a_fmp <- pairwise.wilcox.test(dados$a_fmp, dados$categoria, p.adjust.method = "bonferroni")
comp_a_fmp
########################################## calcular a médiaa e o IQR da Idade gestacional em semanas por GPG#########################################
############################################# Idade gestacional em semana ##########################################################
sort(dados$d_IGUSGrn , decreasing = T )
dados$d_IGUSGrn <- dados$d_IGUSGrn/ 7
summary(dados$d_IGUSGrn)
summary(dados$d_IGUSGrn)
aggregate(d_IGUSGrn ~ categoria, data = dados,FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$d_IGUSGrn)
# Teste de homogeneidade de variâncias
bartlett.test(d_IGUSGrn ~ categoria, data = dados)
# Realizar o teste kruskal Wallis
modelo_ig <- kruskal.test(d_IGUSGrn ~ categoria, data = dados)
modelo_ig
# Realizando comparações múltiplas com o método de Bonferroni
comp_ig <- pairwise.wilcox.test(dados$d_IGUSGrn, dados$categoria, p.adjust.method = "bonferroni")
comp_ig
###################################################### categaoria ###############################################################
summary(dados$d_IGUSGrn)
dados$cat_ig <- ifelse(dados$d_IGUSGrn <= 37 , "≤37" , ">37" )
table(dados$cat_ig )
prop.table(table(dados$cat_ig))*100
table(dados$cat_ig,dados$categoria)
prop.table(table(dados$cat_ig,dados$categoria))*100
Modelo_ig <- chisq.test(dados$cat_ig, dados$categoria)
Modelo_ig
############################### Tabela de contigencia da Escolaridade da gestante (em anos de estudos), por GPG ##############################################
# Categorizando a escolaridade em três grupos: "≤4", "5-11" e "≥12".
sort(dados$a_escola, decreasing = T )
dados$a_escola[dados$a_escola == 0.11] <- 11
dados$a_escola[dados$a_escola == 0.15] <- 15
dados$a_escola[dados$a_escola == 90.09] <- 9
dados$a_escola[dados$a_escola == 0.06] <- 6
dados$a_escola <- cut(dados$a_escola, breaks = c(-Inf, 4, 11, Inf),
labels = c("≤4", "5-11", "≥12"))
table(dados$a_escola)
table(dados$a_escola)
prop.table(table(dados$a_escola))*100
table(dados$a_escola,dados$categoria)
prop.table(table(dados$a_escola,dados$categoria))*100
# Teste de Fisher
Modelo_escola<- fisher.test(dados$a_escola, dados$categoria, simulate.p.value = TRUE, B = 10000)
Modelo_escola
######################### Numero de comodos por pessoa, por GPG #####################################
summary(dados$a_npcomo)
aggregate(a_npcomo ~ categoria, data = dados,FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_npcomo)
# Teste de homogeneidade de variâncias
bartlett.test(a_npcomo ~ categoria, data = dados)
# Realizar o teste kruskal Wallis
modelo_npcomo <- kruskal.test(a_npcomo ~ categoria, data = dados)
modelo_npcomo
# Realizando comparações múltiplas com o método de Bonferroni
comp_npcomo <- pairwise.wilcox.test(dados$a_npcomo, dados$categoria, p.adjust.method = "bonferroni")
comp_npcomo
######################################################################## categoria ######################################################################
summary(dados$a_npcomo)
dados$cat_npcomo <- cut(dados$a_npcomo,
breaks = quantile(dados$a_npcomo, probs = c(0, 1/3, 2/3, 1)),
labels = c("1º Tercil", "2º Tercil", "3º Tercil"))
table(dados$cat_npcomo)
prop.table(table(dados$cat_npcomo)) * 100
table(dados$cat_npcomo, dados$categoria)
prop.table(table(dados$cat_npcomo, dados$categoria)) * 100
Modelo_npcomo <- chisq.test(dados$cat_npcomo, dados$categoria)
Modelo_npcomo
######################### calcular a médiana e o IQR da Renda per capita em Reais, por GPG #####################################
dados$a_rendpcr <- round(dados$a_rendpcr, 3)
summary(dados$a_rendpcr)
aggregate(a_rendpcr ~ categoria, data = dados,FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_rendpcr)
# Teste de homogeneidade de variâncias
bartlett.test(a_rendpcr ~ categoria, data = dados)
# Realizar o teste kruskal Wallis
modelo_rendpcr <- kruskal.test(a_rendpcr ~ categoria, data = dados)
modelo_rendpcr
# Realizando comparações múltiplas com o método de Bonferroni
comp_rendpcr <- pairwise.wilcox.test(dados$a_rendpcr, dados$categoria, p.adjust.method = "bonferroni")
comp_rendpcr
##################################### Tabela de contingencia da raca, por GPG #####################################
dados$a_cor <- ifelse(dados$a_cor == 1, "branco", "Nbranco")
table(dados$a_cor)
prop.table(table(dados$a_cor))*100
table(dados$a_cor,dados$categoria)
prop.table(table(dados$a_cor,dados$categoria))*100
# Usando o método de simulação de Monte Carlo com 10.000 simulações
Modelo_cor <- chisq.test(dados$a_cor, dados$categoria)
Modelo_cor
##################################### Tabela de contingencia Estado civil por GPG #####################################
####recodificando a variável a_civil em duas categorias
dados$a_civil <- ifelse(dados$a_civil %in% c(1 , 2), 1, 2) #### recodificar 2 categorias: 1-Casada ou em união estável, 2- Solteira, separada ou viúva
table(dados$a_civil)
prop.table(table(dados$ a_civil))*100
table(dados$a_civil,dados$categoria)
# Teste de Quiquadrado
Modelo_ecivil <- chisq.test(dados$a_civil, dados$categoria)
Modelo_ecivil
############################################ # calcular a média e o desvio padrão da Actividade fisica por GPG############################################
dados$a_moderh <- ifelse(dados$a_moderh< 150, "inadequado", "adequado")
table(dados$a_moderh)
prop.table(table(dados$a_moderh))*100
table(dados$a_moderh, dados$categoria)
prop.table(table(dados$a_moderh,dados$categoria))*100
# Teste de Quiquadrado
Modelo_a_moderh <- chisq.test(dados$a_moderh, dados$categoria)
Modelo_a_moderh
############################################# Tabela de contingencia do Habitio de Fumar por GPG ############################################
dados$a_fumog <- factor(dados$a_fumog, levels = c(0, 1), labels = c("Não", "Sim"))
table(dados$a_fumog)
prop.table(table(dados$a_fumog))*100
table(dados$a_fumog,dados$categoria)
prop.table(table(dados$a_fumog,dados$categoria))*100
# Teste de Quiquadrado
Modelo_fumo <- chisq.test(dados$a_fumog, dados$categoria)
Modelo_fumo
############################################# Tabela de contingencia do Acolool por GPG ############################################
dados$a_alcool <- factor(dados$a_alcool, levels = c(0, 1), labels = c("Não", "Sim"))
table(dados$a_alcool)
prop.table(table(dados$a_alcool))*100
table(dados$a_alcool,dados$categoria)
prop.table(table(dados$a_alcool,dados$categoria))*100
# Teste de Quiquadrado
Modelo_alcool <- chisq.test(dados$a_alcool, dados$categoria)
Modelo_alcool
############################################# Tabela de contingencia do Diabetes por GPG############################################ #
dados$a_agdm <- factor(dados$a_agdm, levels = c(0, 1), labels = c("Não", "Sim"))
table(dados$a_agdm)
prop.table(table(dados$a_agdm))*100
table(dados$a_agdm,dados$categoria)
prop.table(table(dados$a_agdm,dados$categoria))*100
# Teste de Quiquadrado
Modelo_diabete <- chisq.test(dados$a_agdm, dados$categoria)
Modelo_diabete
################################################## Tabela de contingencia do Hipertensao por GPG ############################################
dados$a_aghas <- factor(dados$a_aghas, levels = c(0, 1), labels = c("Não", "Sim"))
table(dados$a_aghas)
prop.table(table(dados$ a_aghas))*100
table(dados$ a_aghas,dados$categoria)
prop.table(table(dados$ a_aghas,dados$categoria))*100
# Teste de Quiquadrado
Modelo_hta <- chisq.test(dados$a_aghas, dados$categoria)
Modelo_hta
############################################# Tabela de contingencia Infeccao Urinaria por GPG############################################
dados$a_agui <- factor(dados$a_agui, levels = c(0, 1), labels = c("Não", "Sim"))
table(dados$a_agui)
prop.table(table(dados$a_agui))*100
table(dados$a_agui,dados$categoria)
prop.table(table(dados$a_agui,dados$categoria))*100
# Teste de Quiquadrado
Modelo_infuri <- chisq.test(dados$a_agui, dados$categoria)
Modelo_infuri
############################################# Tabela de contingencia Sifilis por GPG############################################
dados$a_agsif <- factor(dados$a_agsif, levels = c(0, 1), labels = c("Não", "Sim"))
table(dados$a_agsif)
prop.table(table(dados$a_agsif))*100
table(dados$a_agsif,dados$categoria)
prop.table(table(dados$a_agsif,dados$categoria))*100
# Teste de Quiquadrado
Modelo_sifil <- chisq.test(dados$a_agsif, dados$categoria)
Modelo_sifil
############################################# Tabela de contingencia Cervicit/Vaginite por GPG############################################
dados$a_agceva <- factor(dados$a_agceva, levels = c(0, 1), labels = c("Não", "Sim"))
table(dados$a_agceva)
prop.table(table(dados$a_agceva))*100
table(dados$a_agceva,dados$categoria)
prop.table(table(dados$a_agceva,dados$categoria))*100
# Teste de Quiquadrado
Modelo_cervict <- chisq.test(dados$a_agceva, dados$categoria)
Modelo_cervict
################################################## Tabela de contingencia do Numero de gravidezes anterior por GPG ############################################
dados$a_npari <- ifelse(dados$a_npari == 0, "0-Primigesta",
ifelse(dados$a_npari == 1, "um",
"2+"))
dados$a_npari <- factor(dados$a_npari, levels = c("0-Primigesta", "um", "2+"))
table(dados$a_npari)
prop.table(table(dados$a_npari))*100
table(dados$a_npari,dados$categoria)
prop.table(table(dados$a_npari,dados$categoria))*100
# Teste de Quiquadrado
Modelo_a_npari <- chisq.test(dados$a_npari, dados$categoria)
Modelo_a_npari
################################################# Tabela de contingencia do PCR por GPG ############################################
summary(dados$a_pcr)
aggregate( a_pcr ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_pcr)
# Teste de homogeneidade de variâncias
bartlett.test(a_pcr ~ categoria, data = dados)
# Realizar o teste Kruskal-Wallis
modelo_pcr <- kruskal.test(a_pcr ~ categoria, data = dados)
modelo_pcr
# Realizando comparações múltiplas com o método de Bonferroni
comp_pcr<- pairwise.wilcox.test(dados$a_pcr, dados$categoria, p.adjust.method = "bonferroni")
comp_pcr
################################################## Tabela de contingencia do HOMA por GPG ############################################
summary(dados$a_homa)
aggregate( a_homa ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_homa)
# Teste de homogeneidade de variâncias
bartlett.test(a_homa ~ categoria, data = dados)
# Realizar o teste Kruskal-Wallis
modelo_homa <- kruskal.test(a_homa ~ categoria, data = dados)
modelo_homa
# Realizando comparações múltiplas com o método de Bonferroni
comp_homa<- pairwise.wilcox.test(dados$a_homa, dados$categoria, p.adjust.method = "bonferroni")
comp_homa
#################################################Tabela de Contingencia da Hemoglobina por GPG ################################################
sort(dados$a_hb, decreasing = T)
summary(dados$a_hb)
aggregate( a_hb ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_hb)
# Teste de homogeneidade de variâncias
bartlett.test(a_hb ~ categoria, data = dados)
# Realizar o teste Kruskal-Wallis
modelo_hb <- kruskal.test(a_hb ~ categoria, data = dados)
modelo_hb
# Realizando comparações múltiplas com o método de Bonferroni
comp_a_hb<- pairwise.wilcox.test(dados$a_hb, dados$categoria, p.adjust.method = "bonferroni")
comp_a_hb
#################################################Tabela de Contingencia da Hemoglobina glicada por GPG ################################################
############################################# heoglobina glicada ##########################################################
sort(dados$a_hba1c, decreasing = T)
summary(dados$a_hba1c)
dados$a_hba1c [dados$a_hba1c == 55.5] <- NA
summary(dados$a_hba1c)
aggregate( a_hba1c ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_hba1c)
# Teste de homogeneidade de variâncias
bartlett.test(a_hba1c ~ categoria, data = dados)
# Realizar o teste Kruskal-Wallis
modelo_hba1c <- kruskal.test(a_hba1c ~ categoria, data = dados)
modelo_hba1c
# Realizando comparações múltiplas com o método de Bonferroni
comp_hba1c<- pairwise.wilcox.test(dados$a_hba1c, dados$categoria, p.adjust.method = "bonferroni")
comp_hba1c
################################################ Tabela de contingencia da INSULINA por GPG ################################################
sort(dados$a_insul, decreasing = T)
summary(dados$a_insul)
aggregate( a_insul ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_insul)
# Teste de homogeneidade de variâncias
bartlett.test(a_insul ~ categoria, data = dados)
# Realizar o teste Kruskal-Wallis
modelo_insull <- kruskal.test(a_insul ~ categoria, data = dados)
modelo_insull
# Realizando comparações múltiplas com o método de Bonferroni
comp_insul<- pairwise.wilcox.test(dados$a_insul, dados$categoria, p.adjust.method = "bonferroni")
comp_insul
################################################# calcular a média e o desvio padrão da HDL por GPG################################################
summary(dados$a_hdl)
aggregate( a_hdl ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_hdl)
# Teste de homogeneidade de variâncias
bartlett.test(a_hdl ~ categoria, data = dados)
# Realizar o teste Kruskal-Wallis
modelo_hdl <- kruskal.test(a_hdl ~ categoria, data = dados)
modelo_hdl
# Realizando comparações múltiplas com o método de Bonferroni
comp_hdl<- pairwise.wilcox.test(dados$a_hdl, dados$categoria, p.adjust.method = "bonferroni")
comp_hdl
################################################# calcular a média e o desvio padrão da LDL por GPG################################################
summary(dados$a_ldl)
aggregate( a_ldl ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_ldl)
# Teste de homogeneidade de variâncias
bartlett.test(a_ldl ~ categoria, data = dados)
# Realizar o teste Kruskal-Wallis
modelo_ldl <- kruskal.test(a_ldl ~ categoria, data = dados)
modelo_ldl
# Realizando comparações múltiplas com o método de Bonferroni
comp_ldL<- pairwise.wilcox.test(dados$a_ldl, dados$categoria, p.adjust.method = "bonferroni")
comp_ldL
################################################# calcular a médiana e o IQR de Triaglicerideos por GPG################################################
summary(dados$ a_tg)
aggregate( a_tg ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_tg)
# Teste de homogeneidade de variâncias
bartlett.test( a_tg ~ categoria, data = dados)
# Realizar o teste Kruskal-Wallis
modelo_a_tg <- kruskal.test( a_tg ~ categoria, data = dados)
modelo_a_tg
# Realizando comparações múltiplas com o método de Bonferroni
comp_a_tg <- pairwise.wilcox.test(dados$ a_tg, dados$categoria, p.adjust.method = "bonferroni")
comp_a_tg
################################################# calcular a média e o desvio padrão da Colesterol por GPG################################################
summary(dados$a_ct)
aggregate( a_ct ~ categoria, data = dados, FUN = function(x) c(mediana = median(x), IQR = (quantile(x, c(0.25, 0.75)))))
# Teste de normalidade
shapiro.test(dados$a_ct)
# Teste de homogeneidade de variâncias
bartlett.test(a_ct ~ categoria, data = dados)
# Realizar o teste ANOVA do IMC
modelo_colest <- kruskal.test(a_ct ~ categoria, data = dados)
modelo_colest
# Realizando comparações múltiplas com o método de Bonferroni
comp_colest<- pairwise.wilcox.test(dados$a_ct, dados$categoria, p.adjust.method = "bonferroni")
comp_colest
##########################################################################################################################################################################
########################### Modelo ajustado e bruto dos factores preditores ao gpg#######################################################################################
##########################################################################################################################################################################
dados$cat_imc <- relevel(dados$cat_imc, ref = "Peso normal")
dados$a_escola <- relevel(dados$a_escola, ref = "≥12")
dados$a_idade <- relevel(dados$a_idade, ref = "20-35")
dados$cat_estat <- relevel(dados$cat_estat, ref = "3º Tercil")
dados$cat_circbr <- relevel(factor(dados$cat_circbr), ref = "Adequado")
dados$cat_npcomo <- relevel(dados$cat_npcomo, ref = "1º Tercil")
table(dados$cat_npcomo)
##Instalar pacotes para rodar a regressao multinomial
install.packages("broom")
install.packages("nnet")
install.packages("MASS")
library(nnet) # Para ajustar o modelo de regressão logística multinomial
library(MASS) # Para calcular a estatística de deviance do modelo ajustado
library(lme4)
########################################################################################################################################################
########################################################################################################################################################
################################################### Modelo brutos######################################################################################
########################################################################################################################################################
########################################################################################################################################################
############################################## # Modelo para a_idade##############################################
modelo_a_idade <- multinom(categoria ~ a_idade, data = dados)
summary(modelo_a_idade)
ORs <- exp(coef(modelo_a_idade))
ORs
intervalos_a_idade <- confint(modelo_a_idade)
intervalos_a_idade <- exp(confint(modelo_a_idade))
# Extrair os limites inferiores e superiores dos intervalos de confiança
lower_abaixo <- intervalos_a_idade[, ,1][-1,1]
upper_abaixo <- intervalos_a_idade[, ,1][-1,2]
a<-cbind(ORs[1,-1], lower_abaixo, upper_abaixo)
lower_acima <- intervalos_a_idade[, ,2][-1,1]
upper_acima <- intervalos_a_idade[, ,2][-1,2]
b<-cbind(ORs[2,-1],lower_acima, upper_acima)
joint <-rbind(a,b)
joint
# Formatar a OR e os intervalos de confiança
output <- table(paste(round(joint[,1],2),"(", round(joint[,2],2),"-", round(joint[,3],2),")"))
output <- output[reorder(names(output), c(3, 1, 2, 4))]
output <- data.frame(joint[,0], output)
view(output)
############################################## # Modelo para a_estat1##############################################
modelo_a_estat1 <- multinom(categoria ~ cat_estat, data = dados)
# Calcular as ORs
ORs <- exp(coef(modelo_a_estat1))
ORs
# Calcular os intervalos de confiança
intervalos_a_estat1 <- confint(modelo_a_estat1)
intervalos_a_estat1 <- exp(intervalos_a_estat1)
# Extrair os limites inferiores e superiores dos intervalos de confiança
lower_abaixo <- intervalos_a_estat1[, , 1][-1, 1]
upper_abaixo <- intervalos_a_estat1[, , 1][-1, 2]
a <- cbind(ORs[1, -1], lower_abaixo, upper_abaixo)
# Formatar os resultados para a categoria abaixo
lower_acima <- intervalos_a_estat1[, , 2][-1, 1]
upper_acima <- intervalos_a_estat1[, , 2][-1, 2]
b <- cbind(ORs[2, -1], lower_acima, upper_acima)
joint <- rbind(a, b)
joint
# Formatar a OR e os intervalos de confiança
output <- table(paste(round(joint[, 1], 2), "(", round(joint[, 2], 2), "-", round(joint[, 3], 2), ")"))
output <- output[reorder(names(output), c(3,4,1,2))]
output <- data.frame(joint[,0], output)
view(output)
##################################################################### Modelo a_pesopre #############################################################################
# Ajustar o modelo para a variável a_pesopre
modelo_a_pesopre <- multinom(categoria ~ cat_pesopre, data = dados)
summary(modelo_a_pesopre)
# Calcular as ORs
ORs <- exp(coef(modelo_a_pesopre))
ORs
# Calcular os intervalos de confiança
intervalos_a_pesopre <- exp(confint(modelo_a_pesopre))
lower_abaixo <- intervalos_a_pesopre[, , 1][-1, 1]
upper_abaixo <- intervalos_a_pesopre[, , 1][-1, 2]
a <- cbind(ORs[1, -1], lower_abaixo, upper_abaixo)
lower_acima <- intervalos_a_pesopre[, , 2][-1, 1]
upper_acima <- intervalos_a_pesopre[, , 2][-1, 2]
b <- cbind(ORs[2, -1], lower_acima, upper_acima)
joint <- rbind(a, b)
# Formatar a OR e os intervalos de confiança
output <- table(paste(round(joint[, 1], 2), "(", round(joint[, 2], 2), "-", round(joint[, 3], 2), ")"))
output <- output[reorder(names(output), c(3,4,1,2))]
output <- data.frame(joint[,0], output)
view(output)
############################################## # Modelo para cat_imc##############################################
modelo_cat_imc <- multinom(categoria ~ cat_imc, data = dados)
summary(modelo_cat_imc)
# Calcular as ORs
ORs_imc <- exp(coef(modelo_cat_imc))
ORs_imc
# Calcular os intervalos de confiança
intervalos_cat_imc <- exp(confint(modelo_cat_imc))
# Extrair os limites inferiores e superiores dos intervalos de confiança
lower_abaixo_imc <- intervalos_cat_imc[, , 1][-1, 1]
upper_abaixo_imc <- intervalos_cat_imc[, , 1][-1, 2]
a_imc <- cbind(ORs_imc[1, -1], lower_abaixo_imc, upper_abaixo_imc)
lower_acima_imc <- intervalos_cat_imc[, , 2][-1, 1]
upper_acima_imc <- intervalos_cat_imc[, , 2][-1, 2]
b_imc <- cbind(ORs_imc[2, -1], lower_acima_imc, upper_acima_imc)
ORs <- rbind(a_imc, b_imc)
# Formatação dos resultados
or <- formatC(round(ORs[, 1], 2), format = 'f', digits = 2)
or.lb <- formatC(round(ORs[, 2], 2), format = 'f', digits = 2)
or.ub <- formatC(round(ORs[, 3], 2), format = 'f', digits = 2)
or.ci <- paste0("", or, " (", or.lb, "-", or.ub, ")")
# Tabela de resultados
cat_imc <- data.frame(imc = "cat_imc", or.ci = or.ci)
view(cat_imc)
############################################## # Modelo para a_circbracm##############################################
# Construir o modelo
modelo_a_circbracm <- multinom(categoria ~ cat_circbr, data = dados)
summary(modelo_a_circbracm)
# Calculate the odds ratios (ORs)
ORs <- exp(coef(modelo_a_circbracm))
ORs
# Calculate the confidence intervals
intervalos_a_circbracm <- exp(confint(modelo_a_circbracm))
lower_abaixo <- intervalos_a_circbracm[, , 1][-1, 1]
upper_abaixo <- intervalos_a_circbracm[, , 1][-1, 2]
a <- cbind(ORs[1, -1], lower_abaixo, upper_abaixo)
lower_acima <- intervalos_a_circbracm[, , 2][-1, 1]
upper_acima <- intervalos_a_circbracm[, , 2][-1, 2]
b <- cbind(ORs[2, -1], lower_acima, upper_acima)
joint <- rbind(a, b)
# Format the odds ratios and confidence intervals
output <- table(paste(round(joint[, 1], 2), "(", round(joint[, 2], 2), "-", round(joint[, 3], 2), ")"))
output <- output[reorder(names(output), c(3, 2, 1, 4))]
output <- data.frame(joint[,0], output)
view(output)
############################################## # Modelo para a_fmp##############################################
modelo_a_fmp <- multinom(categoria ~ a_fmp, data = dados)
summary(modelo_a_fmp)
# Calcular as ORs
ORs_a_fmp <- exp(coef(modelo_a_fmp))