Etapas do Projeto

Introdução

Este relatório apresenta uma análise das taxas de suicídio entre 1985 e 2016, baseada no conjunto de dados do Kaggle.

1 Introdução e Declaração do Problema

O suicídio é um problema de saúde pública de grande relevância, afetando indivíduos, famílias e comunidades em todo o mundo. Suas causas são multifatoriais, envolvendo aspectos psicológicos, sociais, econômicos e culturais. Compreender os padrões e fatores associados ao suicídio é essencial para embasar estratégias eficazes de prevenção e formulação de políticas públicas voltadas para a saúde mental.

Este estudo se baseia em um conjunto de dados abrangente sobre taxas de suicídio entre 1985 e 2016, com o objetivo de identificar padrões e relações entre fatores como gênero, geração, PIB per capita e oscilações temporais. A análise foca, em especial, nos países da América, explorando como esses fatores influenciam as taxas de suicídio ao longo do tempo. Esta investigação pode oferecer insights valiosos para a formulação de medidas preventivas e políticas de saúde pública mais eficazes.

2 Metodologia

Para conduzir esta análise, foi utilizado um dataset do Kaggle que inclui informações sobre taxas de suicídio em diversos países ao longo de mais de três décadas. Os dados foram processados e analisados considerando as seguintes abordagens:

  • Análise Exploratória de Dados (EDA): Tratamento e limpeza dos dados para garantir sua qualidade, seguidos de visualizações gráficas para identificar padrões e tendências.
  • Estatísticas Descritivas: Cálculo de medidas estatísticas para entender a distribuição das taxas de suicídio entre diferentes grupos.
  • Correlação entre PIB per capita e taxas de suicídio: Avaliação da relação entre fatores econômicos e o suicídio, identificando padrões e possíveis influências.
  • Análise Temporal e Comparativa: Examinação de oscilações nas taxas de suicídio ao longo do tempo e entre diferentes países e gerações.
  • Modelagem Estatística: Uso de técnicas estatísticas para verificar padrões e tendências ao longo dos anos.

3 Abordagem Técnica

A abordagem técnica adotada combina visualização de dados, análise estatística e modelagem exploratória. Ferramentas como RStudio e pacotes estatísticos serão utilizadas para manipulação, análise e visualização dos dados. Gráficos de dispersão, histogramas e métodos de regressão serão empregados para avaliar a influência dos fatores econômicos e sociodemográficos.

4 Benefícios da Análise

Os resultados desta análise podem contribuir para um melhor entendimento das dinâmicas relacionadas às taxas de suicídio e fornecer embasamento para decisores públicos e organizações voltadas à saúde mental. Com insights baseados em dados, espera-se que esta pesquisa auxilie na formulação de estratégias preventivas mais eficazes e no desenvolvimento de iniciativas de suporte para grupos vulneráveis.

Pacotes Utilizados

Para replicar a análise, os seguintes pacotes são carregados antecipadamente:

  • tidyverse = Pacote que reúne várias bibliotecas do R, incluindo dplyr, ggplot2, tidyr, entre outras, para manipulação de dados e visualização
  • ggplot2 = Pacote para criação de gráficos, especialmente gráficos sofisticados e personalizados
  • ggplot2 = Pacote para manipulação eficiente de dados, como seleção, filtragem e agregação
  • ggplot2 = Pacote para criar gráficos interativos, permitindo visualizações dinâmicas no R
  • DT = Cria tabelas interativas no R. Útil em R Markdown e Shiny.
  • purrr = Manipula listas/vetores de forma funcional.
library(DT)
library(dplyr)      
library(purrr)
library(plotly)
library(ggplot2)    
library(tidyverse)

Preparação dos dados

FONTE = Kaggle

Propósito Original dos Dados

O conjunto de dados “Taxas de Suicídio 1985-2016” foi coletado para analisar as taxas de suicídio em diferentes países ao longo de três décadas, com o objetivo de identificar padrões e fatores associados, como sexo, idade e PIB per capita.

Estudar as tendências de suicídio globalmente e entender os fatores socioeconômicos e demográficos que influenciam essas taxas.

Período de Coleta

De 1985 a 2016.

Número de Variáveis

O conjunto contém 12 variáveis, incluindo país, ano, sexo, faixa etária, número de suicídios, PIB, e taxa de suicídios por 100.000 habitantes.

Peculiaridades dos Dados

  • Valores Ausentes: Dados ausentes são indicados por “NA”, especialmente para PIB e IDH.
  • Fontes: Os dados são provenientes da OMS e do Banco Mundial e foram organizados para análise comparativa entre países.
  • Cobertura: A cobertura geográfica é mundial, mas alguns países têm dados mais limitados por diversos fatores.

2 Importação e limpeza de dados

  • Primeiro, baixe o csv nesse link

  • Depois dé o caminho do arquivo para que possa importalo dessa forma

    dados_completo <- read.csv("C:\\Users\\filho\\Downloads\\suicide\\master.csv")

  • Tratando dados

    • Filtrando países da América presentes no dataset
      paises_america <- c(
    "Antigua and Barbuda", "Argentina", "Bahamas", "Barbados", "Belize", 
    "Brazil", "Canada", "Chile", "Colombia", "Costa Rica", "Cuba", 
    "Dominica", "Ecuador", "El Salvador", "Grenada", "Guatemala", 
    "Guyana", "Honduras", "Jamaica", "Mexico", "Nicaragua", "Panama", 
    "Paraguay", "Peru", "Puerto Rico", "Saint Kitts and Nevis", 
    "Saint Lucia", "Saint Vincent and Grenadines", "Suriname", 
    "Trinidad and Tobago", "United States", "Uruguay", "Venezuela"
    )

  dados <- dados_completo %>%
    filter(country %in% paises_america)
    • Alterando nome de colunas para que retire os ponto no final
      colnames(dados)[colnames(dados) == "gdp_per_capita...."] <- "gdp_per_capita"
  colnames(dados)[colnames(dados) == "gdp_for_year...."] <- "gdp_for_year"

3 Data limpo

  • data origen: Origem tem 27820 linhas. E colunas de nome { country, year, sex, age, suicides_no, population, suicides.100k.pop, country.year, HDI.for.year, gdp_for_year…., gdp_per_capita…., generation }

  • data tratado:
    O novo vai ter 9046 linhas. E colunas de nome { country, year, sex, age, suicides_no, population, suicides.100k.pop, country.year, HDI.for.year, gdp_for_year, gdp_per_capita, generation }

4 Informações sobre data

O data ficara desta forma após a filtragem e tratamento

``` r
dados[c(1,20),]
```

```
##                country year    sex         age suicides_no population
## 1  Antigua and Barbuda 1985 female 15-24 years           0       7709
## 20 Antigua and Barbuda 1986   male 25-34 years           0       6023
##    suicides.100k.pop            country.year HDI.for.year gdp_for_year
## 1                  0 Antigua and Barbuda1985           NA  240,923,926
## 20                 0 Antigua and Barbuda1986           NA  290,440,148
##    gdp_per_capita   generation
## 1            3850 Generation X
## 20           4740      Boomers
```

Exemplificação do Conjunto de Dados:

Com base nas primeiras linhas de dados que você forneceu, podemos ver que o conjunto de dados contém informações sobre suicídios, por sexo, faixa etária, ano e país. Por exemplo, no caso da Antigua and Barbuda em 1985 e 1986, temos dados sobre a quantidade de suicídios e a população de duas faixas etárias diferentes (15-24 anos e 35-54 anos), com informações adicionais sobre o PIB e o IDH do país.

Explicação das colunas:

  • country: Representa o país onde os dados foram coletados. Ele é categórico, com valores como “Albania”, “Brazil”, “USA”, etc.
  • year: Ano de referência da coleta de dados, como 1987, 1988, etc.
  • sex: Sexo da população, podendo ser “male” ou “female”.
  • age: Faixa etária da população, como “15-24 years” ou “35-54 years”.
  • suicides_no: Número de suicídios registrados no país durante o ano para a faixa etária e sexo especificados.
  • population: População total da faixa etária considerada, que varia conforme a divisão por país, ano e sexo.
  • suicides.100k.pop: Taxa de suicídios por 100.000 habitantes, um valor normalizado que permite comparações entre diferentes países e anos.
  • country.year: Combinação do nome do país e do ano, como “Albania1987”, para identificar de maneira única as observações.
  • HDI.for.year: Índice de Desenvolvimento Humano (IDH) do país no ano correspondente. Pode ter valores numéricos ou estar ausente.
  • gdp_for_year: PIB do país no ano correspondente, expresso em dólares.
  • gdp_per_capita: PIB per capita, ou seja, o valor do PIB dividido pela população do país.
  • generation: A geração associada à faixa etária da pessoa, como “Generation X”, “Silent”, etc.

Análise exploratória dos dados

Suicidio por região

media_historica_por_pais <- dados %>%
  group_by(country) %>%
  summarise(taxa_media_por_100k = mean(suicides.100k.pop, na.rm = TRUE))
media_historica_por_pais <- media_historica_por_pais %>%
  arrange(desc(taxa_media_por_100k))

  # Criar um mapa de calor interativo
  mapa_suicidio <- plot_ly(
    media_historica_por_pais,
    type = 'choropleth',  # Tipo de gráfico para mapa geográfico
    locations = ~country,
    locationmode = 'country names',  # Modo de localização por nome do país
    z = ~taxa_media_por_100k,
    colorscale = 'RdBu',  # Escala de cor para representar taxas
    colorbar = list(title = "Taxa Média de Suicídio por 100k")
  ) %>%
  layout(
    title = "Variação Geográfica das Taxas de Suicídio",
    geo = list(
      projection = list(type = "equirectangular"),
      showland = TRUE,  # Exibir terras no mapa
      landcolor = 'lightgray'
    )
  )

Podemos ter uma noção geografica dos países percentil de suicidio a cada 100k habitantes

mapa_suicidio

De moodo que os maiores países são:

dados_top10 <- dados %>%
  group_by(country) %>%
  summarise(taxa_suicidios = mean(`suicides.100k.pop`, na.rm = TRUE)) %>%
  arrange(desc(taxa_suicidios)) %>%
  slice_head(n = 10)

# Encontrar o valor máximo de suicídios para ajustar o eixo Y
max_taxa <- max(dados_top10$taxa_suicidios, na.rm = TRUE)

# Criar o gráfico com Plotly
grafico <- dados_top10 %>%
  plot_ly(x = ~country, y = ~taxa_suicidios, type = 'bar', 
          marker = list(color = 'rgb(58, 71, 80)', 
                        line = list(color = 'rgb(8,48,107)', width = 1.5))) %>%
  layout(
    title = "Top 10 Países com Maiores Taxas de Suicídio",
    xaxis = list(title = "País", categoryorder = "array", categoryarray = dados_top10$country),
    yaxis = list(
      title = "Taxa de Suicídios por 100k População",
      range = c(5, max_taxa + 3)  # Adicionando 3 pontos ao valor máximo do eixo Y
    ),
    barmode = 'group'
  )

# Exibir o gráfico
grafico

Suicidio por sexo

comparação_Suicídio_Gênero <- dados %>%
  group_by(sex) %>%
  summarise(media_suicidios = mean(suicides_no, na.rm = TRUE)) %>%
  ggplot(aes(x = sex, y = media_suicidios, fill = sex)) +
  geom_col() +
  labs(title = "Comparação de Taxas de Suicídio por Gênero",
       x = "Gênero",
       y = "Média de Suicídios") +
  theme_minimal()

Temos essa diferença de suicidio entre os sexos Onde os homens tem uma taxa media de suicidio com mais de 200 pontos

comparação_Suicídio_Gênero

Podemos comparar locais onde mais e menos morrem de acordo com o sexo

top_10_maiores_homens <- media_historica_suicidio %>%
  filter(sex == "male") %>%
  arrange(desc(taxa_media_por_100k)) %>%
  head(10)

top_10_menores_homens <- media_historica_suicidio %>%
  filter(sex == "male") %>%
  arrange(taxa_media_por_100k) %>%
  head(10)

top_10_maiores_mulheres <- media_historica_suicidio %>%
  filter(sex == "female") %>%
  arrange(desc(taxa_media_por_100k)) %>%
  head(10)

top_10_menores_mulheres <- media_historica_suicidio %>%
  filter(sex == "female") %>%
  arrange(taxa_media_por_100k) %>%
  head(10)
grafico_maiores_homens <- plot_ly(
  top_10_maiores_homens,
  x = ~reorder(country, -taxa_media_por_100k),
  y = ~taxa_media_por_100k,
  type = 'bar',
  marker = list(color = 'blue'),
  name = 'Homens'
) %>%
  layout(
    title = "Top 10 Países com Maiores Taxas de Suicídio (Homens)",
    xaxis = list(title = "País", tickangle = -45),
    yaxis = list(title = "Suicídio por 100.000 habitantes")
  )

grafico_maiores_mulheres <- plot_ly(
  top_10_maiores_mulheres,
  x = ~reorder(country, -taxa_media_por_100k),
  y = ~taxa_media_por_100k,
  type = 'bar',
  marker = list(color = 'pink'),
  name = 'Mulheres'
) %>%
  layout(
    title = "Top 10 Países com Maiores Taxas de Suicídio (Mulheres)",
    xaxis = list(title = "País", tickangle = -45),
    yaxis = list(title = "Suicídio por 100.000 habitantes")
  )


grafico_menores_homens <- plot_ly(
  top_10_menores_homens,
  x = ~reorder(country, -taxa_media_por_100k),
  y = ~taxa_media_por_100k,
  type = 'bar',
  marker = list(color = 'lightblue'),
  name = 'Homens'
) %>%
  layout(
    title = "Top 10 Países com Menores Taxas de Suicídio (Homens)",
    xaxis = list(title = "País", tickangle = -45),
    yaxis = list(title = "Suicídio por 100.000 habitantes")
  )

grafico_menores_mulheres <- plot_ly(
  top_10_menores_mulheres,
  x = ~reorder(country, -taxa_media_por_100k),
  y = ~taxa_media_por_100k,
  type = 'bar',
  marker = list(color = 'lightpink'),
  name = 'Mulheres'
) %>%
  layout(
    title = "Top 10 Países com Menores Taxas de Suicídio (Mulheres)",
    xaxis = list(title = "País", tickangle = -45),
    yaxis = list(title = "Suicídio por 100.000 habitantes")
  )


maires_suicidios_por_100k_por_pais_comparação <- subplot(
  grafico_maiores_homens, 
  grafico_maiores_mulheres,
  nrows = 1,
  shareY = TRUE, 
  titleX = TRUE,
  titleY = TRUE  
)

menores_suicidios_por_100k_por_pais_comparação <- subplot(
  grafico_menores_homens, 
  grafico_menores_mulheres,
  nrows = 1, 
  shareY = TRUE, 
  titleX = TRUE,
  titleY = TRUE  
)

POdemos observa que os maiores países

maires_suicidios_por_100k_por_pais_comparação

menores países

menores_suicidios_por_100k_por_pais_comparação

Conseguimos levantar que, mesmo entre os países com as maiores e menores taxas de suicídio, os homens se suicidam mais que as mulheres. Tanto no maior gráfico quanto no menor gráfico, os países praticamente são os mesmos para ambos os gêneros.

A maior taxa de suicídio entre homens em comparação com mulheres é um fenômeno globalmente observado e pode ser explicada por diversos fatores, que incluem aspectos biológicos, psicológicos, sociais e culturais. Aqui estão algumas das principais razões e causas prováveis:

  • Maior Relutância em Buscar Ajuda Psicológica
    Normas sociais e culturais frequentemente desencorajam os homens a expressar vulnerabilidade emocional e a procurar apoio profissional. Isso resulta em menor adesão a tratamentos psicológicos e psiquiátricos, agravando transtornos mentais como depressão e ansiedade.

  • Expectativas Sociais e Pressão por Sucesso
    Homens geralmente são socializados para serem provedores e responsáveis financeiramente pela família. Perdas financeiras, desemprego ou fracassos profissionais podem ter um impacto severo sobre o bem-estar emocional.

  • Menor Rede de Apoio Social
    Enquanto mulheres tendem a manter redes sociais mais fortes e a expressar seus sentimentos em círculos de amizade e familiares, homens possuem menos conexões emocionais profundas, o que aumenta a sensação de isolamento e desesperança.

  • Transtornos Mentais e Uso de Substâncias
    Homens são mais propensos a desenvolver comportamentos impulsivos e abusar de substâncias como álcool e drogas, o que pode aumentar o risco de suicídio. O alcoolismo, em particular, está frequentemente associado a tentativas de suicídio.

  • Fatores Biológicos e Hormonais
    Estudos indicam que níveis mais altos de testosterona podem estar relacionados a comportamentos de maior impulsividade e agressividade. Diferenças na regulação da serotonina (neurotransmissor ligado ao humor) também podem contribuir para o maior risco entre os homens.

  • Impacto do Envelhecimento e Solidão
    Homens idosos são um dos grupos com maior taxa de suicídio, possivelmente devido ao isolamento social, doenças crônicas, perda de cônjuge e falta de propósito após a aposentadoria. Mulheres idosas, por outro lado, tendem a manter redes de apoio mais ativas.

Mapa

media_historica_por_pais_genero <- dados %>%
  group_by(country, sex) %>%
  summarise(taxa_media_por_100k = mean(suicides.100k.pop, na.rm = TRUE)) %>%
  ungroup()
## `summarise()` has grouped output by 'country'. You can override using the
## `.groups` argument.
# Mapa de calor para homens
mapa_suicidio_homens <- plot_ly(
  data = media_historica_por_pais_genero %>% filter(sex == "male"),
  type = 'choropleth',
  locations = ~country,
  locationmode = 'country names',
  z = ~taxa_media_por_100k,
  colorscale = 'Blues',
  colorbar = list(title = "Taxa Média por 100k (Homens)")
) %>%
  layout(
    title = "Taxa Média de Suicídio por País (Homens)",
    geo = list(
      projection = list(type = "equirectangular"),
      showland = TRUE,
      landcolor = 'lightgray'
    )
  )
# Mapa de calor para mulheres
mapa_suicidio_mulheres <- plot_ly(
  data = media_historica_por_pais_genero %>% filter(sex == "female"),
  type = 'choropleth',
  locations = ~country,
  locationmode = 'country names',
  z = ~taxa_media_por_100k,
  colorscale = 'Reds',
  colorbar = list(title = "Taxa Média por 100k (Mulheres)")
) %>%
  layout(
    title = "Taxa Média de Suicídio por País (Mulheres)",
    geo = list(
      projection = list(type = "equirectangular"),
      showland = TRUE,
      landcolor = 'lightgray'
    )
  )
# Combinar os mapas para comparação lado a lado
mapa_homens <- subplot(
  mapa_suicidio_homens, 
  nrows = 1,  # Uma única linha
  titleX = TRUE,
  titleY = TRUE
)

mapa_mulheres <- subplot(
  mapa_suicidio_mulheres, 
  nrows = 1,  # Uma única linha
  titleX = TRUE,
  titleY = TRUE
)

Ao mostrar o mapa, podemos ter uma noção visual do suicidio por sexo

Homens
mapa_homens
Mulheres
mapa_mulheres

Resumo

  • Os dados confirmam que, independentemente da taxa de suicídio do país, os homens se suicidam mais que as mulheres. Esse padrão global pode ser explicado por fatores como menor busca por ajuda psicológica, pressão social, redes de apoio mais fracas, maior uso de substâncias e fatores biológicos. Além disso, o envelhecimento e o isolamento aumentam o risco, especialmente entre os homens idosos. Esses achados reforçam a necessidade de políticas voltadas à saúde mental masculina e ao fortalecimento de redes de apoio.

Por Geração

  • generation: Refere-se à geração associada à faixa etária da pessoa. As gerações podem ser as seguintes:

    Generation X (Geração X)

    Período de nascimento aproximadamente de 1965 a 1980. Cresceram em um período de transição entre a era industrial e a era digital. São conhecidos por sua independência e adaptação a mudanças rápidas de tecnologia.

    Boomers (Baby Boomers)

    Nascidos entre aproximadamente 1946 e 1964, cresceram em um período de grande prosperidade econômica e testemunharam as grandes mudanças sociais dos anos 60 e 70, como os direitos civis e a revolução sexual.

    Silent (Geração Silenciosa)

    Nascidos entre 1928 e 1945, marcaram o período pós-guerra, com um enfoque na estabilidade e conservadorismo. Foram muito afetados pela Grande Depressão e pela Segunda Guerra Mundial.

    G.I. Generation (Geração G.I.)

    Nascidos entre 1901 e 1927, são conhecidos por sua forte ética de trabalho, patriotismo e sacrifício. Muitos dessa geração participaram das duas grandes guerras mundiais.

    Millenials (Geração Y)

    Nascidos entre aproximadamente 1981 e 1996, cresceram com a popularização da internet e das redes sociais. São conhecidos por seu ativismo social e busca por justiça social.

    Generation Z (Geração Z)

    Nascidos entre 1997 e 2012, são os nativos digitais, com maior presença online, engajamento político e foco em saúde mental e sustentabilidade.

Essa coluna ajuda a classificar cada faixa etária de acordo com a geração histórica que a pessoa pertence, trazendo uma visão contextual das tendências e características de cada grupo.

Importante: Esse tipo de categorização também pode influenciar os padrões de comportamento, políticas públicas e tendências sociais analisadas ao longo do tempo.

# Calcular a média de suicídio por 100k por geração
media_suicidio_por_geracao <- dados %>%
  group_by(generation) %>%
  summarise(
    taxa_media_por_100k = mean(suicides.100k.pop, na.rm = TRUE)
  ) %>%
  arrange(desc(taxa_media_por_100k))

# Criar o gráfico de pizza
grafico_suicidio_por_geracao_pizza <- plot_ly(
  data = media_suicidio_por_geracao,
  labels = ~generation,  
  values = ~taxa_media_por_100k,  
  type = 'pie',  
  marker = list(colors = RColorBrewer::brewer.pal(n = length(media_suicidio_por_geracao$generation), name = "Set3"))  
) %>%
  layout(
    title = "Distribuição de Suicídios por Geração (Média por 100k)",
    showlegend = TRUE  # Exibir a legenda
  )


grafico_suicidio_por_geracao_pizza

DESTRUINDO UM MITO

  • A análise das taxas médias de suicídio por 100.000 habitantes por geração revela algumas tendências interessantes. As gerações mais velhas, como a G.I. Generation, Silent e Boomers, apresentam taxas mais elevadas de suicídio, refletindo possivelmente os desafios enfrentados em suas épocas, como guerras, recessões econômicas e instabilidade social. Essas gerações cresceram em períodos mais difíceis, com menos acesso a recursos modernos de saúde mental e apoio psicológico.

  • Por outro lado, as gerações mais novas, como Generation X, Millennials e Generation Z, têm taxas progressivamente mais baixas de suicídio. Isso pode estar relacionado a uma maior conscientização sobre a saúde mental, acesso mais amplo a tratamentos psicológicos e terapias, além da crescente normalização da busca por ajuda. A Geração Z, em particular, destaca-se com a taxa mais baixa, o que pode indicar uma maior ênfase no autocuidado, no apoio emocional e na diminuição do estigma em torno de questões como depressão e ansiedade.

  • Contudo, é importante destacar que, apesar dessa tendência de queda nas taxas de suicídio nas gerações mais novas, outros fatores sociais e culturais podem influenciar esses números, e ainda há a necessidade de mais apoio psicológico e recursos para todas as gerações, especialmente nas faixas etárias mais jovens, que enfrentam desafios modernos únicos.

Resumo

  • A análise mostra que gerações mais velhas enfrentam taxas de suicídio mais altas, enquanto gerações mais novas apresentam uma tendência de queda. Esse padrão pode estar ligado a mudanças no acesso à saúde mental, maior conscientização e redução do estigma. No entanto, desafios modernos ainda exigem atenção contínua e políticas de suporte psicológico para todas as idades.

Oque podemos tirar de uma variância?

  • A importancia da variância : Vamos falar sobre:

    Oque é variância?

    Medida estatística que mostra o quanto os valores de um conjunto de dados se dispersam em relação à média

  • A sua importância nesse dataset é que nos permite identificar flutuações nas taxas de suicídio ao longo do tempo, indicando momentos de crise ou instabilidade. Um valor alto de variância sugere períodos de aumento significativo, o que pode ser causado por fatores como crises econômicas ou mudanças sociais.

calcular_media_suicidios_por_ano_do_pais <- function(dados, pais) {

  dados_brasil <- dados %>% filter(country == pais)
  
  media_suicidios_por_ano <- dados_brasil %>%
    group_by(year) %>%
    summarise(
      media_suicidios_por_100k = mean(suicides.100k.pop, na.rm = TRUE)
    )
  
  return(media_suicidios_por_ano)
}
calcular_variancia_por_pais <- function(dados) {
  variancia_por_pais <- dados %>%
    group_by(country) %>%
    summarise(
      variancia_suicidios = var(suicides.100k.pop, na.rm = TRUE)
    ) %>%
    arrange(desc(variancia_suicidios))  
  
  return(variancia_por_pais)
}
variancia_suicidios_por_pais <- calcular_variancia_por_pais(dados)

    
# Calcular a média de suicídios por ano para cada país com maior variância
media_suicidios_por_ano_variancia <- map(variancia_suicidios_por_pais$country, ~calcular_media_suicidios_por_ano_do_pais(dados, .))


media_suicidios_cuba <- media_suicidios_por_ano_variancia[[1]]  

grafico_histograma_cuba <- plot_ly(
  media_suicidios_cuba,
  x = ~year,  
  y = ~media_suicidios_por_100k,
  type = 'bar',
  marker = list(color = 'red')
) %>%
  layout(
    title = "Média de Suicídios por Ano em Cuba",
    xaxis = list(title = "Ano"),
    yaxis = list(
      title = "Média de Suicídios por 100k Habitantes",
      range = c(0, max(media_suicidios_cuba$media_suicidios_por_100k) + 4)  
    )
  )

grafico_histograma_cuba

A maior variância nos suicídios em Cuba entre 1985 e 2016 pode ser explicada por diversos fatores:

  1. Transformações sociais e políticas:
    Mudanças econômicas e políticas, como o colapso da União Soviética e a crise econômica nos anos 1990, afetaram a estabilidade social e podem ter influenciado as taxas de suicídio.

  2. Melhoria na coleta de dados:
    O aprimoramento na coleta e reportação de dados pode ter contribuído para um aumento percebido nas taxas de suicídio, refletindo maior precisão na monitorização.

  3. Fatores sociais e econômicos:
    Flutuações nas condições econômicas e sociais, como crises ou escassez de recursos, podem ter impactado a saúde mental e aumentado o risco de suicídio em determinados períodos.

  4. Políticas de saúde pública:
    Mudanças na ênfase dada às questões de saúde mental ou nas políticas de apoio social também podem ter influenciado as taxas de suicídio.

Em resumo

  • A análise da variância nas taxas de suicídio em Cuba revela que fatores como transformações sociais e políticas, melhorias na coleta de dados, flutuações econômicas e mudanças nas políticas de saúde pública desempenharam papéis significativos nas flutuações das taxas de suicídio. A maior variância observada reflete momentos de instabilidade, como crises econômicas ou políticas, que impactaram a saúde mental da população. A alta variância também sugere a importância de considerar tanto fatores externos (como crises) quanto internos (como o aprimoramento na coleta de dados) ao analisar e prevenir o suicídio.

Países ricos se matam?

top_10_maiores_pib <- dados %>%
  group_by(country) %>%
  summarise(
    pib = max(gdp_per_capita, na.rm = TRUE),  # Assumindo que gdp_for_year é o PIB
    suicidios_media = mean(suicides.100k.pop, na.rm = TRUE)  # Média de suicídios por 100k habitantes
  ) %>%
  arrange(desc(pib)) %>%
  head(10)

top_10_menores_pib <- dados %>%
  group_by(country) %>%
  summarise(
    pib = max(gdp_per_capita, na.rm = TRUE),  # Assumindo que gdp_for_year é o PIB
    suicidios_media = mean(suicides.100k.pop, na.rm = TRUE)  # Média de suicídios por 100k habitantes
  ) %>%
  arrange(pib) %>%
  head(10)



grafico_maiores_pib <- plot_ly(
  top_10_maiores_pib,
  x = ~reorder(country, pib),  # Reordenar os países pelo PIB
  y = ~suicidios_media,  # Usar a taxa média de suicídios no eixo Y
  type = 'bar',
  name = 'Maiores PIBs',
  marker = list(color = 'royalblue')
) %>%
  layout(
    title = "Top 10 Países com Maiores PIBs Per Capta e Taxa de Suicídios",
    xaxis = list(title = "País", tickangle = -45),
    yaxis = list(title = "Suicídios 100k")
  )

grafico_menores_pib <- plot_ly(
  top_10_menores_pib,
  x = ~reorder(country, pib),
  y = ~suicidios_media,
  type = 'bar',
  name = 'Menores PIBs',
  marker = list(color = 'darkorange')
) %>%
  layout(
    title = "Top 10 Países com Menores PIBs Per Capta",
    xaxis = list(title = "País e renda", tickangle = -45),
    yaxis = list(title = "PIB ($)")
  )

Maiores PIBs Per Capta

grafico_maiores_pib

Menores PIBs Per Capta

grafico_menores_pib
Analisando a Relação Entre PIB e Taxa de Suicídio

Os gráficos apresentados mostram a relação entre PIB per capita e taxa média de suicídios (por 100 mil habitantes) para os países com os 10 maiores e 10 menores PIBs.

Principais Observações
1. Correlação entre PIB e Taxa de Suicídios
  • A relação entre PIB per capita e suicídio não é linear. Embora haja uma tendência de que países mais pobres tenham taxas mais altas, isso não é uma regra fixa.
  • Outros fatores, como qualidade de vida, acesso à saúde mental, desigualdade social e fatores culturais, podem influenciar essa relação.
2. Países com Maior PIB e Taxa de Suicídios
  • Países ricos possuem mais recursos para políticas públicas e serviços de saúde mental, o que pode ajudar a reduzir as taxas de suicídio.
  • Entretanto, países desenvolvidos ainda enfrentam desafios psicológicos, como pressão social, isolamento, depressão e altos níveis de estresse.
  • Exemplo: Alguns países com alto PIB apresentam taxas moderadas a altas de suicídio, indicando que riqueza não é garantia de bem-estar mental.
3. Países com Menor PIB e Taxa de Suicídios
  • Países mais pobres podem ter maiores dificuldades econômicas e sociais, contribuindo para altas taxas de suicídio.
  • Fatores como desigualdade, pobreza extrema, falta de acesso à saúde mental e instabilidade política impactam diretamente a saúde mental da população.
  • No entanto, alguns países com baixos PIBs apresentam taxas de suicídio surpreendentemente baixas, possivelmente devido a fatores culturais, apoio social e subnotificação.
4. Outros Fatores Importantes

Além do PIB, diversos aspectos influenciam as taxas de suicídio, incluindo: - Cultura e estigma sobre saúde mental. - Acesso a serviços psicológicos e psiquiátricos. - Desigualdade social e econômica dentro dos países. - Fatores psicológicos e traumas individuais. - Políticas públicas de prevenção ao suicídio.

Resumo

  • A análise da relação entre PIB per capita e taxas de suicídio revela que, embora países mais pobres tendam a apresentar taxas mais altas, essa relação não é linear. Fatores como qualidade de vida, acesso à saúde mental, desigualdade social e culturais desempenham papéis importantes. Países ricos, apesar de seus recursos em saúde mental, ainda enfrentam altos níveis de estresse e problemas psicológicos, como depressão e isolamento, resultando em taxas moderadas a altas de suicídio. Por outro lado, países mais pobres enfrentam desafios econômicos e sociais que aumentam as taxas de suicídio, mas fatores culturais e redes de apoio podem atenuar esse impacto. Em suma, o PIB não é o único fator determinante, e uma abordagem mais ampla, considerando outros aspectos como cultura, políticas públicas e acesso à saúde mental, é essencial para entender e prevenir o suicídio.

Conclusões

1. Declaração do Problema

  • O objetivo desta análise foi entender os fatores que influenciam as taxas de suicídio em diferentes contextos, considerando variáveis como gênero, geração, variações temporais, PIB e transformações sociais e políticas. Buscou-se entender como esses fatores estão relacionados e quais insights podem ser extraídos para apoiar políticas públicas de saúde mental.

2. Metodologia e Dados

  • Para abordar essa questão, foram analisados dados de suicídios por país, separados por sexo e geração, juntamente com informações sobre PIB per capita, variações temporais e mudanças sociais. A metodologia envolveu a análise de gráficos e cálculos de variância, identificando padrões de oscilação nas taxas de suicídio ao longo do tempo, e correlacionando-os com fatores econômicos e sociais.

3. Insights Interessantes

  • A análise forneceu diversos insights importantes:
  • Gênero: Homens têm taxas de suicídio mais altas, com fatores como pressão social, redes de apoio mais fracas e uso de substâncias como principais explicações.
  • Geração: As gerações mais velhas apresentam taxas mais altas, com melhorias nas taxas das gerações mais jovens associadas ao maior acesso a cuidados de saúde mental e à redução do estigma.
  • Oscilações temporais: A análise da variância revelou que crises econômicas e políticas têm um impacto significativo nas taxas de suicídio, destacando a importância de fatores externos.
  • Relação PIB e suicídio: Embora países mais ricos tendam a ter melhores recursos de saúde mental, ainda enfrentam altos índices de suicídio, sugerindo que o PIB não é um fator único ou determinante.

4. Implicações para os Clientes da Análise

  • Os insights dessa análise podem ser úteis para governos, organizações de saúde pública e instituições sociais ao desenvolverem políticas voltadas para a prevenção do suicídio. As estratégias devem considerar não apenas o PIB, mas também a saúde mental masculina, a redução do estigma em torno de transtornos psicológicos e o fortalecimento das redes de apoio social.

5. Limitações e Melhorias

  • Embora os dados forneçam uma visão valiosa sobre as tendências de suicídio, há limitações, como a falta de dados completos para todos os países e a possível subnotificação de suicídios, especialmente em países com baixos PIBs. Além disso, fatores culturais específicos e outros determinantes sociais não foram completamente explorados. Futuras análises poderiam incluir uma investigação mais aprofundada sobre o impacto de políticas públicas de saúde mental e a análise de dados longitudinais para compreender melhor as mudanças ao longo do tempo.

  • Para melhorar a análise, seria interessante integrar dados mais detalhados sobre a saúde mental da população, além de realizar um estudo comparativo entre países com características sociais e culturais semelhantes, mas com diferentes níveis de PIB.