Introdução à Análise de Dados para pesquisa no SUS

Assim como as estatísticas tentam resumir as informações dos dados, em geral com volume cuja inspeção visual não consegue extrair nenhuma informação relevante, os gráficos são representações dos dados de forma a tornar sua compreensão mais acessível. Porém, diferentemente das estatísticas vistas até agora, quando resumimos em um número uma característica dos dados, nos gráficos geralmente utilizamos todos os dados para gerar uma ilustração. Nesta seção apresentaremos os principais gráficos utilizados a depender do tipo de dados e objetivo da apresentação.

Esse gráfico é muito utilizado para ilustrar a distribuição dos dados. Utilizam-se estatísticas de locação importantes, como mediana e 1º e 3º quartis, para descrever a assimetria da distribuição dos dados.

Na leitura desse gráfico geralmente comparamos as distâncias entre as estatísticas de locação que delimitam a caixa (box). Se os dados apresentam distribuição simétrica, então esperamos que Q₁ e Q₃ tenham distancias similares com relação à mediana. Se isso não acontecer, e Q₃ é mais distante do que a mediana do que Q₁, então inferimos que a distribuição é positivamente assimétrica. Já se Q₁ é mais distante do que a mediana do que Q₃, então dizemos que a distribuição é negativamente assimétrica.

Além dessa análise para o caso em que estamos investigando apenas uma variável, podemos estratificá-la de acordo com uma segunda variável categórica, como no gráfico a seguir, e comparar as estatísticas de locação entre categorias dessa segunda variável. Na figura adiante foram usadas duas variáveis coletadas de um conjunto de indivíduos: (1) variável contínua: intervalo de tempo entre a infecção por HIV e o diagnóstico em anos, e (2) variável categoria: estados de apresentação do HIV. No gráfico, é claro que, quanto mais grave a apresentação da doença, maior o intervalo de tempo entre a infecção por HIV e o diagnóstico. Isso se verifica não só comparando-se Q₁, Mediana e Q₃ de cada box plot, como também a crescente assimetria positiva dos dados.

Intervalo de tempo entre a infecção por HIV e o diagnóstico em anos para diferentes estados de apresentação do HIV: apresentação tardia com doença avançada (CD4 no diagnóstico < 200 células/mm³ ou presença de uma condição definidora de AIDS), apresentação tardia (diagnosticados com 200 células /mm³ ≤ contagens de CD4 < 350 células/mm³), apresentação não tardia (CD4 no momento do diagnóstico ≥ 350 células/mm³) e apresentação com estado desconhecido.

Esse gráfico é utilizado quando se deseja avaliar (e representar) a relação entre duas variáveis. No gráfico a seguir, em vez de um dos eixos trazer informações sobre a frequência dos dados, cada eixo representa uma variável aleatória coletada de um mesmo grupo de indivíduos. Nesse gráfico usamos pontos para representar valores das duas variáveis numéricas diferentes. A posição de cada ponto nos eixos horizontal e vertical indica valores para um ponto de dados individual.

Usualmente, analistas usam esse gráfico para investigar mais precisamente relações lineares entre as variáveis, e por isso acabam incluindo nele uma reta (de regressão). Entretanto, o gráfico pode também revelar uma relação não linear, como podemos ver no exemplo a seguir.

Relação entre gordura corporal (Body fat%) e índice de massa corporal (BMI).