1 Banco de Dados

Banco Mundial
Banco Mundial

Fonte: https://neofeed.com.br/wp-content/uploads/2023/01/banco-mundial.jpg

O World Development Indicators (WDI) é um conjunto de dados compilado pelo Banco Mundial que inclui 1.400 séries temporais de indicadores para 217 economias e mais de 40 grupos de países. Esses indicadores oferecem estatísticas internacionalmente comparáveis sobre desenvolvimento global e combate à pobreza, abrangendo temas como saúde, educação, economia e meio ambiente. Disponível em diversos formatos, como CSV, Excel e JSON, o WDI é amplamente utilizado por pesquisadores, formuladores de políticas e jornalistas para analisar tendências econômicas e monitorar o progresso em direção aos Objetivos de Desenvolvimento Sustentável das Nações Unidas, a base de dados vai do ano de 1960 a 2022.

2 Introdução

Neste trabalho está sendo feito uma análise de dados com base nos indicadores “NY.GDP.PCAP.CD” PIB Per Capita, “SP.DYN.IMRT.IN” Taxa de Mortalidade Infantil e “SP.DYN.LE00.IN” Expectativa de Vida do conjunto de dados World Development Indicators. O WDI é uma coleção de indicadores de desenvolvimento compilados pelo Banco Mundial a partir de fontes internacionais oficialmente reconhecidas . Ele contém 1.400 séries temporais de indicadores para 217 economias e mais de 40 grupos de países. O banco de dados fornece estatísticas relevantes, de alta qualidade e internacionalmente comparáveis sobre o desenvolvimento global e a luta contra a pobreza . Os dados estão disponíveis em vários formatos, incluindo CSV, Excel e JSON .

O indicador “NY.GDP.PCAP.CD” mede o PIB per capita, que é o valor total de bens e serviços finais produzidos dentro de um país em um determinado período de tempo, dividido pela população total do país . O PIB per capita é uma medida importante do bem-estar econômico de um país e é frequentemente usado para comparar o nível de desenvolvimento entre países . Países com um PIB per capita mais alto geralmente têm um padrão de vida mais alto e mais recursos para investir em áreas como saúde, educação e infraestrutura .

2. Objetivo

O objetivo de trabalho é analizar três indicadores: PIB per capita, mortalidade infantil e expectativa de vida nos países da america do sul, Estados Unidos na America do Norte e Alemanha na Europa e verificar a existência de correlação entre os três indicadores issso atráveis de gráficos e funções de correlação, onde se o resultado for igal a um ‘1’ indica uma correlação diretamente proporcional se for igua a zero ‘0’ indica a inesistencia de correlação e se o resultado for igual a nenos um ‘-1’ indica uma correlação inversamente proporcional. E sera´aplicado os metodos: Pearson, Kendall e Spearman. Os três métodos de correlação têm abordagens diferentes para medir a relação entre variáveis. O método de Pearson é sensível apenas a relações lineares, enquanto os métodos de Kendall e Spearman são mais robustos, pois avaliam relações monotônicas, independentemente da forma específica da relação. A escolha entre esses métodos depende da natureza dos dados e da relação que se deseja investigar. Em geral, é aconselhável utilizar múltiplos métodos para obter uma compreensão abrangente da associação entre as variáveis.

3 Pacotes

3.1 Pacotes Instalados

install.packages(“knitr”) install.packages(“kableExtra”) install.packages(“corrplot”)

3.2 Pacotes Carregados

library(janitor) library(dplyr) library(ggplot2) library(tidyverse) library(psych) library(plotly) library(gridExtra) library(knitr) library(kableExtra) library(DT) library(shiny) library(corrplot)

library(dplyr)
library(ggplot2)
library(tidyverse)
library(psych)
library(plotly)
library(gridExtra)
library(knitr)
library(kableExtra)
library(DT)
library(shiny)
library(corrplot)

4 Pré Processamento dos Dados

4.1 Carregar os dados

dados <- read.csv("~/UFRPE/Computação_para_AnaliseDeDados/Projeto2VA/WDICSV.csv")

4.2 Dados filtrados por Indicador

PIB per capita (US$ correntes): O PIB dividido pela população total do país, medido em dólares americanos correntes (NY.GDP.PCAP.CD).

Mortalidade infantil, taxa (por 1.000 nascidos vivos): O número de mortes de crianças menores de um ano de idade por 1.000 nascidos vivos (SP.DYN.IMRT.IN).

Expectativa de vida ao nascer, total (anos): O número médio de anos que um recém-nascido pode esperar viver se as taxas de mortalidade permanecerem constantes (SP.DYN.LE00.IN)

dados1 <- dados %>% filter(Indicator.Code == "NY.GDP.PCAP.CD" | Indicator.Code == "SP.DYN.IMRT.IN" |Indicator.Code == "SP.DYN.LE00.IN" )

4.2.1 Tabela dos Dados Aplicando Filtro de Indicadores “Indicator.Code”

4.3 Remover ‘X’ da frente dos nomes das Colunas Referente aos Anos

   colnames(dados1)[5:ncol(dados1)] <- gsub("X", "", colnames(dados1)[5:ncol(dados1)])

   dados2 <- dados1[, colSums(is.na(dados1)) != nrow(dados1)]
   
   

4.4 Substituir dados ausentes por Zero

dados2[is.na(dados2)] <- 0

4.5 Transformar Colunas em Numérico com duas Casas Deciamais

 dados2[, 5:ncol(dados2)] <- lapply(dados2[, 5:ncol(dados2)], function(x) round(as.numeric(trimws(x)), digits = 2))

4.5.1 Tabela dos Dados Modificados para Duas Casas Decimais

4.6 Transformar o Dados2 em Long

dados2_long <- dados2 %>%
      pivot_longer(cols = -c(Country.Name, Country.Code, Indicator.Name, Indicator.Code), 
           names_to = "Ano", 
           values_to = "Valor") %>%
      mutate(Ano = as.numeric(Ano))
      

4.6.1 Tabela de Dados2 no Formato Long

## Warning in instance$preRenderHook(instance): It seems your data is too big for
## client-side DataTables. You may consider server-side processing:
## https://rstudio.github.io/DT/server.html

5 Gerar os Dados de Trabalho

Nesta parte, estamos criando um novo conjunto de dados chamado dados_de_trabalho. Ele é formado selecionando apenas as linhas do conjunto de dados original dados2_long onde o código do país (Country.Code) está presente em uma lista de códigos de países específicos. Esses países incluem Argentina (ARG), Bolívia (BOL), Brasil (BRA), Chile (CHL), Colômbia (COL), Equador (ECU), Guiana (GUY), Peru (PER), Paraguai (PRY), Suriname (SUR), Uruguai (URY), Venezuela (VEN), Estados Unidos (USA) e Alemanha (DEU).

Em resumo, o código seleciona dados específicos de países, cria três conjuntos de dados diferentes para indicadores diferentes (mortalidade infantil, PIB per capita e expectativa de vida), e renomeia as colunas relevantes que estão como Valor para facilitar a análise futura.

5.1 Data Set com os Paise de Trabalho

  dados_de_trabalho <- dados2_long[dados2_long$Country.Code %in%  
   c("ARG","BOL","BRA","CHL","COL","ECU","GUY","PER","PRY","SUR","URY","VEN", "USA", "DEU"), ]
   

5.1.1 Tabela com os Paise de Trabalho

5.2 Data Set com Indicador de Mortalidade Infantil “Valor_IMRT”

 dados_de_trabalho_IMRT <- dados_de_trabalho %>% filter(Indicator.Code == "SP.DYN.IMRT.IN" ) %>%
 rename(Valor_IMRT = Valor)
 

5.2.1 Tabela do Data Set do Indicador Mortalidade Infantil

5.3 Data Set com Indicador de PIP per Capita “Valor_PCAP”

dados_de_trabalho_PCAP <- dados_de_trabalho %>% filter(Indicator.Code == "NY.GDP.PCAP.CD" ) %>%
rename(Valor_PCAP = Valor)

5.3.1 Data Set como o Indicador PIP per Capita

5.4 Data Set com Indicador de Expectativa de vida “Valor_LEOO”

dados_de_trabalho_LE00 <- dados_de_trabalho %>% filter(Indicator.Code == "SP.DYN.LE00.IN" ) %>%
rename(Valor_LEOO = Valor)

5.4.1 Data Set como o Indicador Expectativa de Vida

6 Agrupando os Dados

6.1 Removendo Colunas ( Indicator.Name , Indicator.Code)

dados_agrupados <- dados_de_trabalho_PCAP  %>%
 select(-Indicator.Name, - Indicator.Code)
 

6.2 Adicionando Coluna Valor_IMRT

dados_agrupados$Valor_IMRT <- dados_de_trabalho_IMRT$Valor_IMRT

6.3 Adicionando Coluna Valor_LEOO

dados_agrupados$Valor_LEOO <- dados_de_trabalho_LE00$Valor_LEOO

6.4 Colocando coluna Ano para Date

dados_agrupados <- dados_agrupados %>%
  mutate(Ano = as.Date(as.character(Ano), format = "%Y"))

6.5 Tabela com Dados Agrupados

7 Estatísticas Descritivas dos Dados Agrupados

7.1 Estatistica Descritiva para Valor_PCAP Código Utilizado para Valor_IMRT E Valor_LEOO Também

resultados_PCAP <- dados_de_trabalho_PCAP %>%
 group_by( País = Country.Name, Indicador = Indicator.Name) %>%
 summarise(
 Media = mean(Valor_PCAP),
 Mediana = median(Valor_PCAP),
 Desvio_Padrao = sd(Valor_PCAP),
 Maximo = max(Valor_PCAP),
 Minimo = min(Valor_PCAP),
 Primeiro_Quartil = quantile(Valor_PCAP, 0.25),
 Terceiro_Quartil = quantile(Valor_PCAP, 0.75),
 Contagem = n()

)

7.1.1 Tabela Estatística Descritiva para Valor_PCAP

7.1.2 Tabela Estatística Descritiva para Valor_IMRT

7.1.3 Tabela Estatística Descritiva para Valor_LEOO

8 Gráficos

8.1 Histograma, Código aAplicado para: Valor_IRMT, Valor_PCAP, Valor_LEOO

   ggplot(dados_de_trabalho_IMRT, aes(x = Valor_IMRT)) +
    geom_histogram(binwidth = 1, fill = "blue", color = "black", alpha = 0.7) +
    labs(title = "Histograma da Coluna 'Valor_IMRT'",
      x = "Valor",
        y = "Frequência")
        

8.1.2 Histograma Valor_PCAP Geral

8.1.3 Histograma Valor_PCAP por País

8.1.4 Histograma Valor_IMRT Geral

8.1.5 Histograma Valor_IMRT por País

8.1.6 Histograma Valor_LEOO Geral

8.1.7 Histograma Valor_LEOO por País

8.2 Gráfico Boxplot

8.2.1 Boxplot Valor_PCAP Geral

8.2.1 Boxplot Valor_PCAP por País

8.2.2 Boxplot Valor_IMRT Geral

8.2.3 Boxplot Valor_IMRT por País

8.2.4 Boxplot Valor_LEOO Geral

8.2.4 Boxplot Valor_LEOO por País

8.3 Gráfico de Densidade

8.3.1 Gráfico de Densidade Valor_PCAP Geral

8.3.2 Gráfico de densidade Valor_PCAP por País

8.3.3 Gráfico de Densidade Valor_IMRT Geral

8.3.4 Gráfico de densidade Valor_IMRT por País

8.3.5 Gráfico de Densidade Valor_LEOO Geral

8.3.6 Gráfico de densidade Valor_LEOO por País

9 America do Sul

A Interconexão Vital: PIB Per Capita, Taxa de Mortalidade Infantil e Expectativa de Vida na América do Sul

O desenvolvimento econômico de uma nação é frequentemente analisado através de diversos indicadores, sendo o Produto Interno Bruto (PIB) per capita uma medida-chave. Na América do Sul, essa métrica desempenha um papel crucial na avaliação do bem-estar econômico das nações e na formulação de políticas públicas. Esta relação intrincada entre o PIB per capita, a taxa de mortalidade infantil e a expectativa de vida revela um cenário complexo, onde as decisões econômicas reverberam diretamente na qualidade de vida da população.

O PIB per capita, que representa a produção econômica média por habitante, é um indicador abrangente que reflete o nível de prosperidade de um país. Na América do Sul, essa métrica é uma ferramenta essencial para compreender a disparidade econômica entre as nações e molda a abordagem para questões sociais críticas. O PIB per capita é um farol para as decisões de políticas, oferecendo uma visão holística do progresso econômico e indicando a capacidade de um país em proporcionar uma vida digna à sua população.

A relação inversamente proporcional entre a taxa de mortalidade infantil e o PIB per capita destaca a influência direta das condições econômicas na saúde da população. Na medida em que o PIB per capita aumenta, recursos adicionais são direcionados para o sistema de saúde, resultando em melhores condições de cuidado infantil, acesso a vacinas e tratamentos médicos. Assim, países com maior PIB per capita geralmente experimentam uma redução na taxa de mortalidade infantil, refletindo um investimento eficaz em saúde.

Por outro lado, a expectativa de vida está intrinsecamente ligada ao PIB per capita de forma diretamente proporcional. Na América do Sul, observa-se que países com maiores níveis de renda per capita frequentemente oferecem melhores serviços de saúde, educação e infraestrutura. Esses fatores contribuem para uma expectativa de vida mais elevada, demonstrando como o desenvolvimento econômico pode catalisar melhorias no padrão de vida e bem-estar da população.

O indicador PIB per capita é, portanto, uma bússola crucial na tomada de decisões para os formuladores de políticas na América do Sul. Ao reconhecer a interconexão entre o PIB per capita, a taxa de mortalidade infantil e a expectativa de vida, os líderes podem direcionar estrategicamente os recursos, implementar políticas eficazes e promover um ciclo virtuoso de desenvolvimento econômico e social. Em última análise, compreender a importância do PIB per capita é fundamental para a construção de sociedades mais saudáveis, prósperas e equitativas na América do Sul. E ha importância do indicador PIB per capita e correlação entre os indicadores taxa de mortalidade e expectativa de vida é mostrada nos gráficos comparativos nos quadros 10, 11 e 12 .

10 PIB Per Capita America do Sul

11 Mortalidade Infântil Paíse da America do Sul

12 Expectativa de Vida Paíse da America do Sul

13 Relações entre Variáveis:

Filtrar os Dados para os Paíse que teram a ánalise de correlação realizada: Brazil, Argentina, Estados Unidos e Alemanha

13.1 Filtrar os Dados

13.1.1 Filtra os dados para o Brasil e calcula a matriz de correlação

  #  Filtra os dados para o Brasil 
  
   dados_brasil <- dados_agrupados %>% 
      filter(Country.Name == "Brazil")
      

13.1.2 Filtra os dados para o Argentina e calcula a matriz de correlação

#  Filtra os dados para o Argentina

   dados_agentina <- dados_agrupados %>% 
      filter(Country.Name == "Argentina")
      

13.1.3 Filtra os dados para o Estados Unidos e calcula a matriz de correlação

 # Filtra os dados para o Estados Unidos
  dados_eua <- dados_agrupados %>% 
    filter(Country.Name == "United States")
    

13.1.4 Filtra os dados para o Alemanha e calcula a matriz de correlação

 #Filtra os dados para  Alemanha 
 
  dados_germany <- dados_agrupados %>% 
    filter(Country.Name == "Germany")
    

14 Teste de Correlação

14.1 Gráfico de Linha Brazil

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

14.1.1.Teste de Correlação Brazil

1 Method Pearson

1.1 Tabela de Correlação

cor(dados_brasil[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'pearson')
##            Valor_PCAP Valor_IMRT Valor_LEOO
## Valor_PCAP  1.0000000 -0.8364616  0.4111684
## Valor_IMRT -0.8364616  1.0000000 -0.4796248
## Valor_LEOO  0.4111684 -0.4796248  1.0000000

1.2 Matriz de Correlação Brazil

# Matriz de Correlação Brazil

 teste_BR_p = cor(dados_brasil[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'pearson')
 corrplot(teste_BR_p, method = 'number', number.digits = 4 ,title = "Matriz de Correlação")

2 Method Kendall

2.1 Tabela de Correlação

cor(dados_brasil[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'kendall')
##            Valor_PCAP Valor_IMRT Valor_LEOO
## Valor_PCAP  1.0000000 -0.8515105  0.8156682
## Valor_IMRT -0.8515105  1.0000000 -0.9150026
## Valor_LEOO  0.8156682 -0.9150026  1.0000000

2.2 Matriz de Correlação

# Matriz de Correlação

 teste_BR_k = cor(dados_brasil[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'kendall')
 corrplot(teste_BR_k, method = 'number', number.digits = 4 ,title = "Matriz de Correlação")
 

3 Method Spearman

3.1 Tabela de Correlação

# Tabela de Correlação
  cor(dados_brasil[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'spearman')
  
##            Valor_PCAP Valor_IMRT Valor_LEOO
## Valor_PCAP  1.0000000 -0.9649098  0.8975134
## Valor_IMRT -0.9649098  1.0000000 -0.9011617
## Valor_LEOO  0.8975134 -0.9011617  1.0000000

3.2 Matriz de Correlação

#  Matriz de Correlação
 teste_BR_s = cor(dados_brasil[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'spearman')
 corrplot(teste_BR_s, method = 'number', number.digits = 4 ,title = "Matriz de Correlação")

14.2 Gráfico de Linha Argentina

14.2.1 Teste de correlação Argentina

1 Method Pearson

1.1 Tabela de Correlação

# Tabela de Correlação

cor(dados_agentina[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'pearson')
##            Valor_PCAP   Valor_IMRT  Valor_LEOO
## Valor_PCAP  1.0000000 -0.365559476 0.147823948
## Valor_IMRT -0.3655595  1.000000000 0.009220884
## Valor_LEOO  0.1478239  0.009220884 1.000000000

1.2 Matriz de Correlação

2 Method Kendall

2.1 Tabela de correlação

 # Tabela de correlação

 cor(dados_agentina[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'kendall')
##            Valor_PCAP Valor_IMRT Valor_LEOO
## Valor_PCAP  1.0000000 -0.3135741  0.7491673
## Valor_IMRT -0.3135741  1.0000000 -0.4007518
## Valor_LEOO  0.7491673 -0.4007518  1.0000000

2.2 Matriz de correlação

# Matriz de Correlação

 teste_ARG_k = cor(dados_agentina[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'kendall')
 corrplot(teste_ARG_k, method = 'number', number.digits = 4 ,title = "Matriz de Correlação")

3 Method Spearman

3.1 Tabela de correlação

 # Tabela de correlação

 cor(dados_agentina[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'spearman')
##            Valor_PCAP Valor_IMRT Valor_LEOO
## Valor_PCAP  1.0000000 -0.2146203  0.8520252
## Valor_IMRT -0.2146203  1.0000000 -0.1942043
## Valor_LEOO  0.8520252 -0.1942043  1.0000000

3.2 Matriz de Correlação

 # Matriz de correlação

 teste_ARG_s = cor(dados_agentina[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'spearman')
 corrplot(teste_ARG_s, method = 'number', number.digits = 4 ,title = "Matriz de Correlação")

14.3 Gráfico de Linha Estadus Unidos

14.3.1 Teste de correlação Estadus Unidos

1 Method Pearson

1.1 Tabela de Correlação

# Tabela de Correlação

cor(dados_eua[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'pearson')
##             Valor_PCAP  Valor_IMRT  Valor_LEOO
## Valor_PCAP  1.00000000 -0.86223521 -0.01840566
## Valor_IMRT -0.86223521  1.00000000 -0.06241365
## Valor_LEOO -0.01840566 -0.06241365  1.00000000

1.2 Matriz de correlação

2 Method Kendall

2.1 Tabela de Correlação

 # Tabela de Correlação

  cor(dados_eua[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'kendall')
##            Valor_PCAP Valor_IMRT Valor_LEOO
## Valor_PCAP   1.000000 -0.9956430  0.8559000
## Valor_IMRT  -0.995643  1.0000000 -0.8575121
## Valor_LEOO   0.855900 -0.8575121  1.0000000

2.2 Matriz de Correlação

# Matriz de Correlação

 teste_EUA_k = cor(dados_eua[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'kendall')
 corrplot(teste_EUA_k, method = 'number', number.digits = 4 ,title = "Matriz de Correlação")

3 Method Spearman

3.1 Tabela de correlação

# Tabela de Correlaçãao

 cor(dados_eua[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'spearman')
 
##            Valor_PCAP Valor_IMRT Valor_LEOO
## Valor_PCAP  1.0000000 -0.9997240  0.8793586
## Valor_IMRT -0.9997240  1.0000000 -0.8788712
## Valor_LEOO  0.8793586 -0.8788712  1.0000000

3.2 Matrizz de Correlação

 # Matriz de Correlação

   teste_EUA_s = cor(dados_eua[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'spearman')
   corrplot(teste_EUA_s, method = 'number', number.digits = 4 ,title = "Matriz de Correlação")

14.4 Teste de correlação Alemanha

14.4.1 Gráfico de Linha Alemanha

1 Method Pearson

1.1 Tabela de Correlação

# Tabela de Correlação

cor(dados_germany[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'pearson')
##            Valor_PCAP  Valor_IMRT  Valor_LEOO
## Valor_PCAP  1.0000000 -0.47579919  0.18309129
## Valor_IMRT -0.4757992  1.00000000 -0.04535313
## Valor_LEOO  0.1830913 -0.04535313  1.00000000

1.2 Matriz de correlação

# Matriz de Correlação

  teste_DEU_p = cor(dados_germany[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'pearson')
  corrplot(teste_DEU_p, method = 'number', number.digits = 4 ,title = "Matriz de Correlação")

2 Method Kendall

2.1 Tabela de correlação

 # Tabela de Correlação

   cor(dados_germany[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'kendall')
##            Valor_PCAP Valor_IMRT Valor_LEOO
## Valor_PCAP  1.0000000 -0.4664221  0.8212969
## Valor_IMRT -0.4664221  1.0000000 -0.4782528
## Valor_LEOO  0.8212969 -0.4782528  1.0000000

2.2 Matriz de Correlação

  # Matriz de Correlação

    teste_DEU_k = cor(dados_germany[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'kendall')
    corrplot(teste_DEU_k, method = 'number', number.digits = 4 ,title = "Matriz de Correlação")

3 Method Spearman

3.1 Tabela de Correlação

  # Tabela de Correlação

    cor(dados_germany[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'spearman')
##            Valor_PCAP Valor_IMRT Valor_LEOO
## Valor_PCAP  1.0000000 -0.3506625  0.8879554
## Valor_IMRT -0.3506625  1.0000000 -0.2900322
## Valor_LEOO  0.8879554 -0.2900322  1.0000000

3.2 Matriz de Correlação

 # Matriz de Correlação

   teste_DEU_s = cor(dados_germany[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'spearman')
   corrplot(teste_DEU_s, method = 'number', number.digits = 4 ,title = "Matriz de Correlação")

15 Conclusões

Objetivo: O objetivo desta análise é investigar a correlação entre o indicador principal, Valor_PCAP (GDP per capita em dólares correntes dos EUA), e outros dois indicadores, Valor_IMRT e Valor_LEOO, ao longo do tempo para diferentes países, incluindo Brasil, Argentina, EUA e Alemanha.

Metodologia: Para avaliar a correlação entre esses indicadores, utilizamos três métodos de cálculo de correlação: Pearson, Kendall e Spearman. Esses métodos fornecem diferentes perspectivas sobre a relação linear, monotônica e classificatória entre as variáveis, respectivamente.

A análise foi realizada separadamente para cada país (Brasil, Argentina, EUA e Alemanha). Os resultados dos testes de correlação foram obtidos para as combinações de pares de variáveis: Valor_PCAP e Valor_IMRT, Valor_PCAP e Valor_LEOO, e Valor_IMRT e Valor_LEOO.

Resultados:

Brasil: - Pearson: - Valor_PCAP e Valor_IMRT: -0.8365 (correlação negativa forte) - Valor_PCAP e Valor_LEOO: 0.4112 (correlação positiva moderada) - Kendall: - Valor_PCAP e Valor_IMRT: -0.8515 (correlação negativa forte) - Valor_PCAP e Valor_LEOO: 0.8157 (correlação positiva forte) - Spearman: - Valor_PCAP e Valor_IMRT: -0.9649 (correlação negativa muito forte) - Valor_PCAP e Valor_LEOO: 0.8975 (correlação positiva muito forte)

Argentina: - Pearson: - Valor_PCAP e Valor_IMRT: -0.3656 (correlação negativa moderada) - Valor_PCAP e Valor_LEOO: 0.1478 (correlação positiva fraca) - Kendall: - Valor_PCAP e Valor_IMRT: -0.3136 (correlação negativa moderada) - Valor_PCAP e Valor_LEOO: 0.7492 (correlação positiva forte) - Spearman: - Valor_PCAP e Valor_IMRT: -0.2146 (correlação negativa fraca) - Valor_PCAP e Valor_LEOO: 0.8520 (correlação positiva muito forte)

EUA: - Pearson: - Valor_PCAP e Valor_IMRT: -0.8622 (correlação negativa forte) - Valor_PCAP e Valor_LEOO: -0.0184 (correlação negativa muito fraca) - Kendall: - Valor_PCAP e Valor_IMRT: -0.9956 (correlação negativa muito forte) - Valor_PCAP e Valor_LEOO: 0.8559 (correlação positiva muito forte) - Spearman: - Valor_PCAP e Valor_IMRT: -0.9997 (correlação negativa muito forte) - Valor_PCAP e Valor_LEOO: 0.8794 (correlação positiva muito forte)

Alemanha: - Pearson: - Valor_PCAP e Valor_IMRT: -0.4758 (correlação negativa moderada) - Valor_PCAP e Valor_LEOO: 0.1831 (correlação positiva fraca) - Kendall: - Valor_PCAP e Valor_IMRT: -0.4664 (correlação negativa moderada) - Valor_PCAP e Valor_LEOO: 0.8213 (correlação positiva forte) - Spearman: - Valor_PCAP e Valor_IMRT: -0.3507 (correlação negativa moderada) - Valor_PCAP e Valor_LEOO: 0.8880 (correlação positiva muito forte)

Conclusões:

A análise de correlação revela padrões distintos para cada país. No Brasil, observamos fortes correlações negativas entre Valor_PCAP e Valor_IMRT, enquanto as correlações com Valor_LEOO são positivas, mas moderadas. Na Argentina, as correlações são geralmente mais fracas. Nos EUA, Valor_PCAP está fortemente negativamente correlacionado com Valor_IMRT, mas tem uma correlação muito fraca com Valor_LEOO. Na Alemanha, Valor_PCAP tem correlações negativas moderadas com `

Valor_IMRTe positivas fracas comValor_LEOO`.

Esses resultados destacam a importância de considerar múltiplos métodos de correlação e analisar as relações específicas para cada país ao avaliar a associação entre os indicadores econômicos e de saúde.

16 Métodos

16.1 Método de Pearson:

Objetivo: Mede a força e a direção da relação linear entre duas variáveis. Interpretação: O coeficiente de Pearson varia de -1 a 1. Um valor próximo de 1 indica uma correlação positiva perfeita, enquanto um valor próximo de -1 indica uma correlação negativa perfeita. Um valor próximo de 0 indica ausência de correlação linear.

16.2 Método de Kendall:

Objetivo: Avalia a força e a direção da relação monotônica (não necessariamente linear) entre duas variáveis. Interpretação: O coeficiente de Kendall varia de -1 a 1. Um valor próximo de 1 indica uma correlação positiva perfeita, enquanto um valor próximo de -1 indica uma correlação negativa perfeita. Um valor próximo de 0 sugere ausência de correlação monotônica.

16.3 Método de Spearman:

Objetivo: Similar ao método de Kendall, mede a força e a direção da relação monotônica entre duas variáveis. Interpretação: O coeficiente de Spearman também varia de -1 a 1. Assim como o método de Kendall, um valor próximo de 1 ou -1 indica uma correlação positiva ou negativa perfeita, respectivamente. Um valor próximo de 0 sugere ausência de correlação monotônica.