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.
https://datacatalog.worldbank.org/search/dataset/0037712/World-Development-Indicators
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 .
O objetivo do 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.
install.packages(“knitr”) install.packages(“kableExtra”) install.packages(“corrplot”)
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)
dados <- read.csv("~/UFRPE/Computação_para_AnaliseDeDados/Projeto2VA/WDICSV.csv")
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" )
colnames(dados1)[5:ncol(dados1)] <- gsub("X", "", colnames(dados1)[5:ncol(dados1)])
dados2 <- dados1[, colSums(is.na(dados1)) != nrow(dados1)]
dados2[is.na(dados2)] <- 0
dados2[, 5:ncol(dados2)] <- lapply(dados2[, 5:ncol(dados2)], function(x) round(as.numeric(trimws(x)), digits = 2))
Transformar uma tabela de dados de formato largo (wide) para formato longo (long) no R é comumente feito usando a função pivot_longer do pacote tidyr. Essa transformação é útil quando se deseja realizar uma análises mais eficientes ou usar pacotes que preferem dados em formato longo.
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))
## Warning in instance$preRenderHook(instance): It seems your data is too big for
## client-side DataTables. You may consider server-side processing:
## https://rstudio.github.io/DT/server.html
Nesta parte, estamos criando um novo conjunto de dados chamado dados_de_trabalho. Ele é formado selecionando apenas as linhas do conjunto de dados original dados2_long onde o código do país (Country.Code) está presente em uma lista de códigos de países específicos. Esses países incluem Argentina (ARG), Bolívia (BOL), Brasil (BRA), Chile (CHL), Colômbia (COL), Equador (ECU), Guiana (GUY), Peru (PER), Paraguai (PRY), Suriname (SUR), Uruguai (URY), Venezuela (VEN), Estados Unidos (USA) e Alemanha (DEU).
Em resumo, o código seleciona dados específicos de países, cria três conjuntos de dados diferentes para indicadores diferentes (mortalidade infantil, PIB per capita e expectativa de vida), e renomeia as colunas relevantes que estão como Valor para facilitar a análise futura.
dados_de_trabalho <- dados2_long[dados2_long$Country.Code %in%
c("ARG","BOL","BRA","CHL","COL","ECU","GUY","PER","PRY","SUR","URY","VEN", "USA", "DEU"), ]
dados_de_trabalho_IMRT <- dados_de_trabalho %>% filter(Indicator.Code == "SP.DYN.IMRT.IN" ) %>%
rename(Valor_IMRT = Valor)
dados_de_trabalho_PCAP <- dados_de_trabalho %>% filter(Indicator.Code == "NY.GDP.PCAP.CD" ) %>%
rename(Valor_PCAP = Valor)
dados_de_trabalho_LE00 <- dados_de_trabalho %>% filter(Indicator.Code == "SP.DYN.LE00.IN" ) %>%
rename(Valor_LEOO = Valor)
dados_agrupados <- dados_de_trabalho_PCAP %>%
select(-Indicator.Name, - Indicator.Code)
dados_agrupados$Valor_IMRT <- dados_de_trabalho_IMRT$Valor_IMRT
dados_agrupados$Valor_LEOO <- dados_de_trabalho_LE00$Valor_LEOO
dados_agrupados <- dados_agrupados %>%
mutate(Ano = as.Date(as.character(Ano), format = "%Y"))
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()
)
Um histograma é um gráfico de barras que representa a distribuição de um conjunto de dados. Ele fornece uma visão visual da frequência com que diferentes valores ocorrem em um conjunto de dados e pode revelar padrões, tendências e informações sobre a forma da distribuição. Aqui estão algumas informações que podem ser obtidas a partir de um histograma:
Formato da Distribuição: O formato geral do histograma pode fornecer informações sobre a forma da distribuição dos dados. Pode ser simétrico, assimétrico (positivamente ou negativamente), em forma de sino (normal), entre outros.
Centro da Distribuição: A posição central do histograma pode indicar o valor médio ou a média dos dados.
Dispersão dos Dados: A largura do histograma reflete a dispersão dos dados. Um histograma mais largo indica maior dispersão, enquanto um mais estreito indica menor dispersão.
Moda: A moda é o valor mais frequente nos dados, e isso pode ser identificado como o pico mais alto no histograma.
Outliers: Às vezes, outliers podem ser identificados como barras isoladas ou muito distantes do restante do conjunto de dados.
Tendências e Padrões: Padrões e tendências nos dados podem ser identificados visualmente, como agrupamentos de barras ou padrões de crescimento e decrescimento.
Área Sob a Curva: A área total sob a curva do histograma é proporcional ao tamanho do conjunto de dados. Comparar a área sob diferentes partes do histograma pode fornecer informações sobre a proporção de dados em diferentes intervalos.
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_PCAP Países Analizados'",
x = "Valor",
y = "Frequência")
Um gráfico de caixa (boxplot) fornece várias informações estatísticas sobre a distribuição de um conjunto de dados. Aqui estão algumas das principais informações que podem ser obtidas a partir de um boxplot:
Mediana (linha no meio da caixa): A mediana é o valor que divide os dados ao meio. A linha dentro da caixa representa a mediana da distribuição.
Primeiro Quartil (Q1) e Terceiro Quartil (Q3) (limites da caixa): O primeiro quartil é o valor abaixo do qual reside 25% dos dados, enquanto o terceiro quartil é o valor abaixo do qual reside 75% dos dados. A caixa do boxplot é delimitada pelos quartis, proporcionando uma ideia da dispersão interquartil.
Intervalo Interquartil (IQR): É a diferença entre o terceiro quartil (Q3) e o primeiro quartil (Q1). Representa a extensão da “caixa” e engloba a maior parte dos dados.
Outliers (pontos fora da caixa): Pontos individuais fora das “linhas de bigodes” (whiskers) são considerados outliers. Eles podem indicar valores extremos ou discrepâncias significativas em relação à maioria dos dados.
Whiskers (linhas que se estendem para fora da caixa): As linhas de bigodes normalmente se estendem até 1,5 vezes o intervalo interquartil (IQR) a partir dos quartis. Pontos fora dessa extensão são geralmente considerados outliers.
Simetria e Forma da Distribuição: A forma da caixa e dos bigodes pode fornecer insights sobre a simetria ou assimetria da distribuição dos dados. Uma caixa simétrica indica uma distribuição simétrica, enquanto uma caixa assimétrica sugere assimetria nos dados.
O gráfico de densidade, muitas vezes usado em conjunto com um histograma, é uma representação gráfica contínua da distribuição de probabilidade de um conjunto de dados. Aqui estão algumas informações que podem ser obtidas a partir de um gráfico de densidade:
Formato da Distribuição: Assim como um histograma, o gráfico de densidade fornece informações sobre a forma da distribuição dos dados. Ele pode ajudar a identificar se a distribuição é simétrica, assimétrica, unimodal, bimodal, etc.
Áreas Sob a Curva: A área total sob a curva de densidade é normalizada para ser igual a 1. Isso significa que a área sob a curva dentro de um determinado intervalo representa a probabilidade de um valor cair dentro desse intervalo.
Identificação de Moda: O ponto de pico na curva de densidade é a moda, que representa o valor mais provável.
Comparação de Distribuições: O gráfico de densidade é útil para comparar a distribuição de diferentes conjuntos de dados, pois as curvas podem ser sobrepostas ou plotadas lado a lado para facilitar a comparação.
Localização de Percentis: Percentis, como o quartil ou mediana, podem ser identificados visualmente na curva de densidade.
Suavização da Distribuição: Ao contrário do histograma, que é baseado em barras discretas, o gráfico de densidade suaviza a distribuição, tornando-o útil para visualizar padrões gerais sem a dependência da escolha do número de intervalos.
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 .
Filtrar os Dados para os Paíse que teram a ánalise de correlação realizada: Brazil, Argentina, Estados Unidos e Alemanha
# Filtra os dados para o Brasil
dados_brasil <- dados_agrupados %>%
filter(Country.Name == "Brazil")
# Filtra os dados para o Argentina
dados_agentina <- dados_agrupados %>%
filter(Country.Name == "Argentina")
# Filtra os dados para o Estados Unidos
dados_eua <- dados_agrupados %>%
filter(Country.Name == "United States")
#Filtra os dados para Alemanha
dados_germany <- dados_agrupados %>%
filter(Country.Name == "Germany")
Correlação: A correlação descreve a relação estatística entre duas variáveis e mede a direção e a força dessa relação. Pode ser positiva (ambas as variáveis aumentam ou diminuem juntas), negativa (uma variável aumenta enquanto a outra diminui) ou nula (nenhuma relação aparente).
## 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.
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
# Matriz de Correlação Brasil
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")
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
# 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 )
# 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
# 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 )
# 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
# 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
# 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 )
# 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
# 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 )
# 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
teste_EUA_p = cor(dados_eua[, c("Valor_PCAP", "Valor_IMRT", "Valor_LEOO")] , method = 'pearson')
corrplot(teste_EUA_p, method = 'number', number.digits = 4 )
# 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
# 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 )
# 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
# 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 )
# 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
# 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 )
# 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
# 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 )
# 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
# 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 )
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.
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.
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.
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.