Importação e preparação dos dados

Code 
data <- readxl::read_xls("data/BAYLEY TRIAGEM AUDITIVA ANÁLISE ESTATÍSTICA 16052025.xls") %>% 
  janitor::clean_names()

derivadas_classificacao <- c(
  "pontosabep36", "somaludicas36",
  "cogbal36", "cogcomp36", "lrbal36", "lebal36",
  "lingcomp36", "mfbal36", "mgbal36", "motorcomp36")

data <- data %>% 
  dplyr::select(-any_of(derivadas_classificacao)) %>%
  dplyr::mutate(across(everything(), ~ifelse(. == 'Missing', NA, .)))

Dicionário das variáveis

Code 
dict <- tribble(
  ~Variavel, ~Explicacao, ~Categorias,
  "idademaecat", "Idade da mãe (Adulta: 1, Adolescente: 0)", "1: adulta, 0: adolescente",
  "pesocat", "Peso ao nascimento (> ou igual 2500g: 1; <2500g: 0)", "1: >=2500g, 0: <2500g",
  "igcat", "Idade gestacional ao nascimento (> ou igual 37s: 1; <37s: 0)", "1: >=37s, 0: <37s",
  "partocat", "Via de parto (vaginal/fórceps: 1, cesariana: 0)", "1: vaginal/fórceps, 0: cesariana",
  "lme6", "Aleitamento materno exclusivo aos 6 meses", "1: sim, 0: não",
  "corcat24", "Etnia (branco: 1, não branco: 0)", "1: branco, 0: não branco",
  "estadocivilmae24", "Estado civil mãe (casada/união estável: 1, solteira/divorciada: 0)", "1: casada/união, 0: solteira/div.",
  "escolamaecat36", "Escolaridade mãe (2: superior/pos, 1: médio, 3: fundamental)", "2: superior/pós, 1: médio, 3: fundamental",
  "abepcat36", "Classe social (A, B, C, DE)", "A, B, C, DE",
  "tanu", "Triagem Auditiva Neonatal Universal", "Sim/Não",
  "resultadotanu", "Resultado TANU", "Sim/Não",
  "resultqtai36", "Resultado QTAI", "Positiva/Negativa",
  "creche36", "Frequenta creche?", "Sim/Não",
  "ludicascat36", "Atividades lúdicas (adequada: 4+, inadequada: 1-3)", "adequada/inadequada",
  "tempotelacat36", "Tempo tela <1h/dia (1: usa 1h+, 0: menos de 1h)", "1: >=1h, 0: <1h",
  "horacertacat36", "Horário fixo para telas (1: sim, 0: não)", "1: sim, 0: não",
  "telacasa36", "Como usa telas em casa", "Adultos/Outra criança/Sozinho",
  "telalimitetempocat36", "Limite de tempo pelos cuidadores", "1: sim, 0: não",
  "telainteraçãocat36", "Interagem na tela?", "1: sim, 0: não",
  "telalimiteconteudocat36", "Limitam o conteúdo?", "1: sim, 0: não",
  "pedsqlfisico36", "Escala PEDSQL Físico (contínua)", "0-100",
  "pedsqlpsico36", "Escala PEDSQL Psicológico (contínua)", "0-100",
  "pedsqlglobal36", "Escala PEDSQL Global (contínua)", "0-100",
  "genero", "Gênero da criança", "Feminino/Masculino",
  "classcogbal36", "Desenvolvimento Cognitivo", "1: normal, 0: atraso",
  "classcogcomp36", "Desenvolvimento Cognitivo Composto", "1: normal, 0: atraso",
  "claslrbal36", "Domínio Linguagem Receptiva", "1: normal, 0: atraso",
  "classlebal36", "Domínio Linguagem Expressiva", "1: normal, 0: atraso",
  "classlingcomp36", "Domínio Linguagem Composto", "1: normal, 0: atraso",
  "classmfbal36", "Domínio Motricidade Fina", "1: normal, 0: atraso",
  "classmgbal36", "Domínio Motricidade Grossa", "1: normal, 0: atraso",
  "classmotorcomp36", "Domínio Motricidade Composta", "1: normal, 0: atraso"
)
knitr::kable(dict, caption = "Dicionário resumido das variáveis") %>% kableExtra::kable_styling()
Dicionário resumido das variáveis
Variavel Explicacao Categorias
idademaecat Idade da mãe (Adulta: 1, Adolescente: 0) 1: adulta, 0: adolescente
pesocat Peso ao nascimento (> ou igual 2500g: 1; <2500g: 0) 1: >=2500g, 0: <2500g
igcat Idade gestacional ao nascimento (> ou igual 37s: 1; <37s: 0) 1: >=37s, 0: <37s
partocat Via de parto (vaginal/fórceps: 1, cesariana: 0) 1: vaginal/fórceps, 0: cesariana
lme6 Aleitamento materno exclusivo aos 6 meses 1: sim, 0: não
corcat24 Etnia (branco: 1, não branco: 0) 1: branco, 0: não branco
estadocivilmae24 Estado civil mãe (casada/união estável: 1, solteira/divorciada: 0) 1: casada/união, 0: solteira/div.
escolamaecat36 Escolaridade mãe (2: superior/pos, 1: médio, 3: fundamental) 2: superior/pós, 1: médio, 3: fundamental
abepcat36 Classe social (A, B, C, DE) A, B, C, DE
tanu Triagem Auditiva Neonatal Universal Sim/Não
resultadotanu Resultado TANU Sim/Não
resultqtai36 Resultado QTAI Positiva/Negativa
creche36 Frequenta creche? Sim/Não
ludicascat36 Atividades lúdicas (adequada: 4+, inadequada: 1-3) adequada/inadequada
tempotelacat36 Tempo tela <1h/dia (1: usa 1h+, 0: menos de 1h) 1: >=1h, 0: <1h
horacertacat36 Horário fixo para telas (1: sim, 0: não) 1: sim, 0: não
telacasa36 Como usa telas em casa Adultos/Outra criança/Sozinho
telalimitetempocat36 Limite de tempo pelos cuidadores 1: sim, 0: não
telainteraçãocat36 Interagem na tela? 1: sim, 0: não
telalimiteconteudocat36 Limitam o conteúdo? 1: sim, 0: não
pedsqlfisico36 Escala PEDSQL Físico (contínua) 0-100
pedsqlpsico36 Escala PEDSQL Psicológico (contínua) 0-100
pedsqlglobal36 Escala PEDSQL Global (contínua) 0-100
genero Gênero da criança Feminino/Masculino
classcogbal36 Desenvolvimento Cognitivo 1: normal, 0: atraso
classcogcomp36 Desenvolvimento Cognitivo Composto 1: normal, 0: atraso
claslrbal36 Domínio Linguagem Receptiva 1: normal, 0: atraso
classlebal36 Domínio Linguagem Expressiva 1: normal, 0: atraso
classlingcomp36 Domínio Linguagem Composto 1: normal, 0: atraso
classmfbal36 Domínio Motricidade Fina 1: normal, 0: atraso
classmgbal36 Domínio Motricidade Grossa 1: normal, 0: atraso
classmotorcomp36 Domínio Motricidade Composta 1: normal, 0: atraso

Análise Univariada

Variaveis Categóricas

Code 
# Função para criar sumário estatístico
criar_sumario <- function(var_name, var_label) {
  # Calcular total da variável (excluindo NAs)
  total_var <- data %>%
    filter(!is.na(.data[[var_name]])) %>%
    nrow()
  
  # Dados para análise
  dados_analise <- data %>%
    filter(!is.na(.data[[var_name]]) & !is.na(pedsqlglobal36))
  
  # Calcular estatísticas descritivas
  resumo <- dados_analise %>%
    group_by(categoria = .data[[var_name]]) %>%
    summarise(
      n = n(),
      media = round(mean(pedsqlglobal36, na.rm = TRUE), 2),
      dp = round(sd(pedsqlglobal36, na.rm = TRUE), 2),
      .groups = 'drop'
    ) %>%
    mutate(
      variavel = var_label,
      categoria = as.character(categoria),
      percentual = round((n / sum(n)) * 100, 1)
    )
  
  # Teste estatístico
  n_grupos <- length(unique(dados_analise[[var_name]]))
  
  if(n_grupos == 2) {
    # Teste t para 2 grupos
    grupo1 <- dados_analise %>% filter(.data[[var_name]] == unique(dados_analise[[var_name]])[1]) %>% pull(pedsqlglobal36)
    grupo2 <- dados_analise %>% filter(.data[[var_name]] == unique(dados_analise[[var_name]])[2]) %>% pull(pedsqlglobal36)
    
    # Verificar se há dados suficientes
    if(length(grupo1) > 1 & length(grupo2) > 1) {
      teste <- try(t.test(grupo1, grupo2), silent = TRUE)
      p_valor <- ifelse(class(teste)[1] == "try-error", NA, teste$p.value)
    } else {
      p_valor <- NA
    }
  } else if(n_grupos > 2) {
    # ANOVA para mais de 2 grupos
    teste <- try(aov(pedsqlglobal36 ~ factor(.data[[var_name]]), data = dados_analise), silent = TRUE)
    if(class(teste)[1] != "try-error") {
      p_valor <- summary(teste)[[1]][["Pr(>F)"]][1]
    } else {
      p_valor <- NA
    }
  } else {
    p_valor <- NA
  }
  
  # Adicionar valor p ao resumo
  resumo <- resumo %>%
    mutate(p_valor = p_valor) %>%
    select(variavel, categoria, n, percentual, media, dp, p_valor)
  
  return(resumo)
}

# Lista de variáveis categóricas com seus labels
vars_info <- list(
  "idademaecat" = "Idade da mãe",
  "pesocat" = "Peso ao nascimento", 
  "igcat" = "Idade gestacional",
  "partocat" = "Via de parto",
  "lme6" = "Aleitamento materno exclusivo",
  "corcat24" = "Etnia",
  "estadocivilmae24" = "Estado civil da mãe",
  "escolamaecat36" = "Escolaridade da mãe",
  "abepcat36" = "Classe social",
  "tanu" = "TANU",
  "resultadotanu" = "Resultado TANU",
  "resultqtai36" = "Resultado QTAI",
  "creche36" = "Frequenta creche",
  "ludicascat36" = "Atividades lúdicas",
  "tempotelacat36" = "Tempo de tela",
  "horacertacat36" = "Horário fixo para telas",
  "telacasa36" = "Como usa telas em casa",
  "telalimitetempocat36" = "Limite de tempo de tela",
  "telainteracaocat36" = "Interação na tela",
  "telalimiteconteudocat36" = "Limite de conteúdo",
  "genero" = "Gênero",
  "classcogbal36" = "Desenvolvimento Cognitivo",
  "classcogcomp36" = "Desenvolvimento Cognitivo Composto",
  "claslrbal36" = "Linguagem Receptiva",
  "classlebal36" = "Linguagem Expressiva", 
  "classlingcomp36" = "Linguagem Composto",
  "classmfbal36" = "Motricidade Fina",
  "classmgbal36" = "Motricidade Grossa",
  "classmotorcomp36" = "Motricidade Composta"
)

# Criar tabela completa
tabela_completa <- map2_dfr(names(vars_info), vars_info, criar_sumario)

# Adicionar labels das categorias
tabela_completa <- tabela_completa %>%
  mutate(
    categoria_label = case_when(
      # Idade da mãe
      variavel == "Idade da mãe" & categoria == "0" ~ "Adolescente",
      variavel == "Idade da mãe" & categoria == "1" ~ "Adulta",
      
      # Peso ao nascimento
      variavel == "Peso ao nascimento" & categoria == "0" ~ "< 2500g",
      variavel == "Peso ao nascimento" & categoria == "1" ~ "≥ 2500g",
      
      # Idade gestacional
      variavel == "Idade gestacional" & categoria == "0" ~ "< 37 semanas",
      variavel == "Idade gestacional" & categoria == "1" ~ "≥ 37 semanas",
      
      # Via de parto
      variavel == "Via de parto" & categoria == "0" ~ "Cesariana",
      variavel == "Via de parto" & categoria == "1" ~ "Vaginal/Fórceps",
      
      # Aleitamento materno
      variavel == "Aleitamento materno exclusivo" & categoria == "0" ~ "Não",
      variavel == "Aleitamento materno exclusivo" & categoria == "1" ~ "Sim",
      
      # Etnia
      variavel == "Etnia" & categoria == "0" ~ "Não branco",
      variavel == "Etnia" & categoria == "1" ~ "Branco",
      
      # Estado civil
      variavel == "Estado civil da mãe" & categoria == "0" ~ "Solteira/Divorciada",
      variavel == "Estado civil da mãe" & categoria == "1" ~ "Casada/União estável",
      
      # Escolaridade
      variavel == "Escolaridade da mãe" & categoria == "1" ~ "Ensino médio",
      variavel == "Escolaridade da mãe" & categoria == "2" ~ "Superior/Pós",
      variavel == "Escolaridade da mãe" & categoria == "3" ~ "Fundamental",
      
      # Desenvolvimento (0 = atraso, 1 = normal)
      str_detect(variavel, "Desenvolvimento|Linguagem|Motricidade") & categoria == "0" ~ "Atraso",
      str_detect(variavel, "Desenvolvimento|Linguagem|Motricidade") & categoria == "1" ~ "Normal",
      
      # Tempo de tela
      variavel == "Tempo de tela" & categoria == "0" ~ "< 1h/dia",
      variavel == "Tempo de tela" & categoria == "1" ~ "≥ 1h/dia",
      
      # Horário fixo para telas
      variavel == "Horário fixo para telas" & categoria == "0" ~ "Não",
      variavel == "Horário fixo para telas" & categoria == "1" ~ "Sim",
      
      # Limite de tempo
      variavel == "Limite de tempo de tela" & categoria == "0" ~ "Não",
      variavel == "Limite de tempo de tela" & categoria == "1" ~ "Sim",
      
      # Interação na tela
      variavel == "Interação na tela" & categoria == "0" ~ "Não",
      variavel == "Interação na tela" & categoria == "1" ~ "Sim",
      
      # Limite de conteúdo
      variavel == "Limite de conteúdo" & categoria == "0" ~ "Não",
      variavel == "Limite de conteúdo" & categoria == "1" ~ "Sim",
      
      # Para outras variáveis, manter categoria original
      TRUE ~ categoria
    ),
    estatistica = paste0(media, " (±", dp, ")"),
    n_percentual = paste0(n, " (", percentual, "%)")
  ) %>%
  group_by(variavel) %>%
  mutate(
    # Mostrar p-valor apenas na primeira linha de cada variável
    p_valor_mostrar = ifelse(row_number() == 1, 
                            case_when(
                              is.na(p_valor) ~ "N/A",
                              p_valor < 0.001 ~ "<0.001",
                              TRUE ~ format(round(p_valor, 3), nsmall = 3)
                            ), 
                            "")
  ) %>%
  ungroup() %>%
  select(Variável = variavel, Categoria = categoria_label, `N (%)` = n_percentual, `Média (DP)` = estatistica, `p-valor` = p_valor_mostrar)

# Criar tabela com gt
tabela_completa %>%
  gt(groupname_col = "Variável") %>%
  tab_header(
    title = "Análise Descritiva das Variáveis Categóricas",
    subtitle = "Frequência, porcentagem, estatísticas da Escala PEDSQL Global e testes de associação"
  ) %>%
  cols_align(
    align = "center",
    columns = c("N (%)", "Média (DP)", "p-valor")
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#f8f9fa"),
      cell_text(weight = "bold")
    ),
    locations = cells_row_groups()
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#d4edda"),
      cell_text(weight = "bold", color = "#155724")
    ),
    locations = cells_body(
      columns = "p-valor",
      rows = `p-valor` != "" & (`p-valor` == "<0.001" | as.numeric(ifelse(`p-valor` == "N/A", NA, `p-valor`)) < 0.25)
    )
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#6c757d")
    ),
    locations = cells_body(
      columns = "p-valor",
      rows = `p-valor` != "" & `p-valor` != "N/A" & as.numeric(`p-valor`) >= 0.25
    )
  ) %>%
  tab_footnote(
    footnote = "DP = Desvio Padrão. Valores apresentados como Média (±Desvio Padrão). N (%) = Frequência absoluta (porcentagem). p-valor: teste t para 2 grupos, ANOVA para >2 grupos. Valores com p<0.25 destacados em verde (relevância potencial). Valores com p≥0.25 em cinza.",
    locations = cells_column_labels(columns = "p-valor")
  ) %>%
  opt_table_font(font = "Arial") %>%
  tab_options(
    table.font.size = "14px",
    heading.title.font.size = "16px",
    heading.subtitle.font.size = "14px"
  )
Análise descritiva das variáveis categóricas com PEDSQL Global
Análise Descritiva das Variáveis Categóricas
Frequência, porcentagem, estatísticas da Escala PEDSQL Global e testes de associação
Categoria N (%) Média (DP) p-valor1
Idade da mãe
Adolescente 3 (2.2%) 87.11 (±12.2) 0.561
Adulta 131 (97.8%) 91.98 (±7.75)
Peso ao nascimento
< 2500g 13 (9.8%) 88.31 (±13.28) 0.307
≥ 2500g 119 (90.2%) 92.29 (±7.03)
Idade gestacional
< 37 semanas 5 (3.6%) 90.23 (±7.82) 0.645
≥ 37 semanas 132 (96.4%) 91.99 (±7.82)
Via de parto
Cesariana 60 (44.4%) 93.87 (±5.54) 0.004
Vaginal/Fórceps 75 (55.6%) 90.22 (±8.96)
Aleitamento materno exclusivo
Não 84 (62.7%) 91.56 (±6.96) 0.572
Sim 50 (37.3%) 92.42 (±9.27)
Etnia
Não branco 73 (56.6%) 92.51 (±6.83) 0.689
Branco 56 (43.4%) 92.01 (±7.21)
Estado civil da mãe
Solteira/Divorciada 52 (40.9%) 91.47 (±6.35) 0.276
Casada/União estável 75 (59.1%) 92.8 (±7.22)
Escolaridade da mãe
Ensino médio 53 (38.7%) 92.99 (±5.48) N/A
Superior/Pós 79 (57.7%) 91.29 (±9.04)
Fundamental 5 (3.6%) 90.7 (±7.74)
Classe social
A 14 (10.2%) 95.52 (±4.6) N/A
B 30 (21.9%) 92.12 (±5.98)
C 75 (54.7%) 91.49 (±8.88)
DE 18 (13.1%) 90.64 (±7.29)
TANU
Não 8 (5.8%) 93.79 (±3.76) 0.214
Sim 129 (94.2%) 91.81 (±7.98)
Resultado TANU
Sim 124 (100%) 91.76 (±8.09) N/A
Resultado QTAI
NEGATIVA 83 (60.6%) 92.03 (±7.26) 0.858
POSITIVA 54 (39.4%) 91.77 (±8.63)
Frequenta creche
Não 43 (31.4%) 89.72 (±10.32) 0.062
Sim 94 (68.6%) 92.94 (±6.13)
Atividades lúdicas
adequado 102 (74.5%) 92.18 (±7.03) 0.581
inadequado 35 (25.5%) 91.19 (±9.78)
Tempo de tela
< 1h/dia 108 (78.8%) 91.33 (±8.2) 0.036
≥ 1h/dia 29 (21.2%) 94.14 (±5.65)
Horário fixo para telas
Não 85 (65.4%) 90.79 (±8.79) 0.007
Sim 45 (34.6%) 94.24 (±5.45)
Como usa telas em casa
Acompanhado pelos cuidadores (adultos) 100 (76.9%) 92.22 (±7.04) N/A
Acompanhado por outra criança 14 (10.8%) 89.63 (±13.83)
Sozinho 16 (12.3%) 93 (±6.57)
Limite de tempo de tela
Não 45 (34.4%) 89.31 (±8.37) 0.007
Sim 86 (65.6%) 93.42 (±7.34)
Interação na tela
Não 49 (37.7%) 92.05 (±6.55) 0.921
Sim 81 (62.3%) 91.92 (±8.71)
Limite de conteúdo
Não 9 (6.8%) 90.6 (±6.15) 0.500
Sim 123 (93.2%) 92.12 (±8.01)
Gênero
Feminino 57 (41.6%) 90.69 (±9.03) 0.136
Masculino 80 (58.4%) 92.81 (±6.71)
Desenvolvimento Cognitivo
Atraso 5 (3.6%) 84.66 (±9.83) 0.162
Normal 132 (96.4%) 92.2 (±7.62)
Desenvolvimento Cognitivo Composto
Atraso 5 (3.6%) 84.66 (±9.83) 0.162
Normal 132 (96.4%) 92.2 (±7.62)
Linguagem Receptiva
Atraso 9 (6.7%) 92.72 (±8.1) 0.895
Normal 126 (93.3%) 92.35 (±6.67)
Linguagem Expressiva
Atraso 24 (17.5%) 92.08 (±7.11) 0.912
Normal 113 (82.5%) 91.9 (±7.97)
Linguagem Composto
Atraso 19 (13.9%) 90.22 (±12.67) 0.513
Normal 118 (86.1%) 92.2 (±6.74)
Motricidade Fina
Atraso 7 (5.1%) 89.38 (±6.1) 0.301
Normal 130 (94.9%) 92.07 (±7.88)
Motricidade Grossa
Atraso 10 (7.4%) 89.31 (±8.11) 0.289
Normal 126 (92.6%) 92.27 (±7.66)
Motricidade Composta
Atraso 12 (8.8%) 89.51 (±8.3) 0.307
Normal 125 (91.2%) 92.16 (±7.75)
1 DP = Desvio Padrão. Valores apresentados como Média (±Desvio Padrão). N (%) = Frequência absoluta (porcentagem). p-valor: teste t para 2 grupos, ANOVA para >2 grupos. Valores com p<0.25 destacados em verde (relevância potencial). Valores com p≥0.25 em cinza.

Variaveis Numéricas

Code 
vars_numericas <- c("pedsqlfisico36", "pedsqlpsico36", "pedsqlglobal36")
numericas <- data %>% dplyr::select(all_of(vars_numericas))
summary(numericas) %>%
  knitr::kable(caption = "Sumário estatístico das variáveis numéricas/resposta") %>%
  kableExtra::kable_styling()
Sumário estatístico das variáveis numéricas/resposta
pedsqlfisico36 pedsqlpsico36 pedsqlglobal36
Min. : 59.38 Min. : 25.00 Min. : 48.44
1st Qu.: 87.50 1st Qu.: 86.54 1st Qu.: 88.94
Median : 93.75 Median : 92.31 Median : 93.99
Mean : 93.50 Mean : 90.36 Mean : 91.93
3rd Qu.:100.00 3rd Qu.: 98.08 3rd Qu.: 96.88
Max. :100.00 Max. :100.00 Max. :100.00

Variáveis resposta

Code 
# respostas = numericas
vars_resposta <- c("pedsqlfisico36", "pedsqlglobal36", "pedsqlpsico36")

data_long <- data %>%
  dplyr::select(all_of(vars_resposta)) %>%
  tidyr::pivot_longer(cols = everything(), names_to = "Escala", values_to = "Score")

ggplot(data_long, aes(x = Score)) +
  geom_histogram(aes(y = after_stat(density)), bins = 15, alpha = 0.7, 
                 fill = "grey70", color = "black", linewidth = 0.3) +
  geom_density(aes(y = after_stat(density)), color = "black", linewidth = 1.2) +
  facet_wrap(~Escala, scales = "free") +
  theme_minimal() +
  labs(title = "Distribuição das Escalas PEDSQL", 
       x = "Score", 
       y = "Densidade") +
  theme(
    strip.text = element_text(face = "bold"),
    panel.grid.minor = element_blank()
  )

Distribuição das Escalas PEDSQL

Teste de Normalidade

Code 
# Função para calcular teste de normalidade
teste_normalidade <- function(var_name, var_data) {
  dados_limpos <- var_data[!is.na(var_data)]
  n <- length(dados_limpos)
  
  if(n < 3) {
    return(data.frame(
      Escala = var_name,
      N = n,
      Media = NA,
      DP = NA,
      W_Shapiro = NA,
      p_valor = NA,
      Interpretacao = "Amostra insuficiente"
    ))
  }
  
  # Teste de Shapiro-Wilk
  shapiro_test <- shapiro.test(dados_limpos)
  
  # Estatísticas descritivas
  media <- round(mean(dados_limpos), 2)
  dp <- round(sd(dados_limpos), 2)
  
  # Interpretação
  interpretacao <- ifelse(shapiro_test$p.value < 0.05, 
                         "Não Normal (p<0.05)", 
                         "Normal (p≥0.05)")
  
  return(data.frame(
    Escala = var_name,
    N = n,
    Media = media,
    DP = dp,
    W_Shapiro = round(shapiro_test$statistic, 4),
    p_valor = ifelse(shapiro_test$p.value < 0.001, 
                      "<0.001", 
                      format(round(shapiro_test$p.value, 3), nsmall = 3)),
    Interpretacao = interpretacao,
    stringsAsFactors = FALSE
  ))
}

# Labels das escalas
labels_escalas <- c(
  "pedsqlfisico36" = "PEDSQL Físico",
  "pedsqlpsico36" = "PEDSQL Psicossocial", 
  "pedsqlglobal36" = "PEDSQL Global"
)

# Aplicar teste para cada escala
resultados_normalidade <- map2_dfr(
  vars_resposta,
  map(vars_resposta, ~data[[.x]]),
  teste_normalidade
) %>%
  mutate(
    Escala = labels_escalas[Escala]
  )

# Criar tabela
resultados_normalidade %>%
  gt() %>%
  tab_header(
    title = "Teste de Normalidade das Escalas PEDSQL",
    subtitle = "Teste de Shapiro-Wilk para verificação dos pressupostos"
  ) %>%
  cols_label(
    W_Shapiro = "W (Shapiro-Wilk)",
    p_valor = "p-valor",
    Interpretacao = "Interpretação"
  ) %>%
  cols_align(
    align = "center",
    columns = c("N", "Media", "DP", "W_Shapiro", "p_valor")
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#ffe6e6"),
      cell_text(weight = "bold", color = "#d73027")
    ),
    locations = cells_body(
      columns = "Interpretacao",
      rows = str_detect(Interpretacao, "Não Normal")
    )
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#d4edda"),
      cell_text(weight = "bold", color = "#155724")
    ),
    locations = cells_body(
      columns = "Interpretacao",
      rows = str_detect(Interpretacao, "Normal")
    )
  ) %>%
  tab_footnote(
    footnote = "H0: Os dados seguem distribuição normal. p<0.05 = rejeita H0 (não normal). Interpretação destacada: Verde = Normal, Vermelho = Não Normal.",
    locations = cells_column_labels(columns = "p_valor")
  ) %>%
  opt_table_font(font = "Arial") %>%
  tab_options(
    table.font.size = "14px",
    heading.title.font.size = "16px"
  )
Teste de Normalidade de Shapiro-Wilk para as Escalas PEDSQL
Teste de Normalidade das Escalas PEDSQL
Teste de Shapiro-Wilk para verificação dos pressupostos
Escala N Media DP W (Shapiro-Wilk) p-valor1 Interpretação
PEDSQL Físico 137 93.50 7.91 0.7920 <0.001 Não Normal (p<0.05)
PEDSQL Global 137 91.93 7.80 0.8350 <0.001 Não Normal (p<0.05)
PEDSQL Psicossocial 137 90.36 10.40 0.7887 <0.001 Não Normal (p<0.05)
1 H0: Os dados seguem distribuição normal. p<0.05 = rejeita H0 (não normal). Interpretação destacada: Verde = Normal, Vermelho = Não Normal.

Boxplot das Escalas PEDSQL

Code 
ggplot(data_long, aes(x = Escala, y = Score, fill = Escala)) +
  geom_boxplot(alpha = 0.7) +
  scale_fill_grey(start = 0.3, end = 0.8) +
  theme_minimal() +
  labs(title = "Boxplot das Escalas PEDSQL", x = "Escala", y = "Score") +
  theme(legend.position = "none")

Boxplot das Escalas PEDSQL

Associação das variáveis resposta (pedsqlglobal36)

Por gênero

Code 
# Removi a tabela pois achei confusa a interpretacao da mediana/quantis
# data %>%
#   select(genero, all_of(vars_resposta)) %>%
#   tbl_summary(by = genero, missing = "no") %>%
#   add_overall() %>%
#   bold_labels()
Code 
ggplot(data, aes(x = genero, y = pedsqlglobal36, fill = genero)) +
  geom_boxplot() +
  scale_fill_grey(start = 0.4, end = 0.7) +
  theme_minimal() +
  labs(title = "PEDSQL Global por Gênero", x = "Gênero", y = "PEDSQL Global", fill = "Gênero")

PEDSQL Global por Gênero

Por Faixa Etária Materna

Code 
idademaecat_label <- c("1" = "Adulta", "0" = "Adolescente")

data %>%
  dplyr::mutate(idademaecat_lab = recode(as.character(idademaecat), !!!idademaecat_label)) %>%
  ggplot(aes(x = idademaecat_lab, y = pedsqlglobal36, fill = idademaecat_lab)) +
  geom_boxplot() +
  scale_fill_grey(start = 0.4, end = 0.7) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Faixa Etária Materna",
    x = "Faixa Etária Materna",
    y = "PEDSQL Global",
    fill = "Faixa Etária Materna"
  ) +
  theme(legend.position = "bottom")

PEDSQL Global por Faixa Etária Materna

Por Idade Gestacional

Code 
igcat_labels <- c("0" = "< 37 semanas", "1" = ">= 37 semanas")

data %>%
  mutate(igcat_lab = recode(as.character(igcat), !!!igcat_labels)) %>%
  ggplot(aes(x = igcat_lab, y = pedsqlglobal36, fill = igcat_lab)) +
  geom_boxplot() +
  scale_fill_grey(start = 0.4, end = 0.7) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Idade Gestacional",
    x = "Idade Gestacional",
    y = "PEDSQL Global",
    fill = "Idade Gestacional"
  ) +
  theme(legend.position = "bottom")

PEDSQL Global por Idade Gestacional

Por Tipo de Parto

Code 
partocat_labels <- c("0" = "Cesárea", "1" = "Vaginal/Forcéps")

data %>%
  mutate(partocat_lab = recode(as.character(partocat), !!!partocat_labels)) %>%
  ggplot(aes(x = partocat_lab, y = pedsqlglobal36, fill = partocat_lab)) +
  geom_boxplot() +
  scale_fill_grey(start = 0.4, end = 0.7) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Tipo de Parto",
    x = "Tipo de Parto",
    y = "PEDSQL Global",
    fill = "Tipo de Parto"
  ) +
  theme(legend.position = "bottom")

PEDSQL Global por Tipo de Parto

Boxplots das Variáveis Categóricas vs PEDSQL Global

Variáveis Significativas (p < 0.05)

Via de Parto (p = 0.004)

Code 
partocat_labels <- c("0" = "Cesariana", "1" = "Vaginal/Fórceps")

data %>%
  filter(!is.na(partocat) & !is.na(pedsqlglobal36)) %>%
  mutate(partocat_lab = recode(as.character(partocat), !!!partocat_labels)) %>%
  ggplot(aes(x = partocat_lab, y = pedsqlglobal36, fill = partocat_lab)) +
  geom_boxplot(alpha = 0.7) +
  geom_jitter(width = 0.2, alpha = 0.5, size = 1.5) +
  scale_fill_grey(start = 0.4, end = 0.7) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Via de Parto",
    subtitle = "p = 0.004 (significativo)",
    x = "Via de Parto",
    y = "PEDSQL Global",
    fill = "Via de Parto"
  ) +
  theme(legend.position = "none")

PEDSQL Global por Via de Parto

Tempo de Tela (p = 0.036)

Code 
tempotela_labels <- c("0" = "< 1h/dia", "1" = "≥ 1h/dia")

data %>%
  filter(!is.na(tempotelacat36) & !is.na(pedsqlglobal36)) %>%
  mutate(tempotela_lab = recode(as.character(tempotelacat36), !!!tempotela_labels)) %>%
  ggplot(aes(x = tempotela_lab, y = pedsqlglobal36, fill = tempotela_lab)) +
  geom_boxplot(alpha = 0.7) +
  geom_jitter(width = 0.2, alpha = 0.5, size = 1.5) +
  scale_fill_grey(start = 0.4, end = 0.7) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Tempo de Tela",
    subtitle = "p = 0.036 (significativo)",
    x = "Tempo de Tela por Dia",
    y = "PEDSQL Global",
    fill = "Tempo de Tela"
  ) +
  theme(legend.position = "none")

PEDSQL Global por Tempo de Tela

Horário Fixo para Telas (p = 0.007)

Code 
horacerta_labels <- c("0" = "Não", "1" = "Sim")

data %>%
  filter(!is.na(horacertacat36) & !is.na(pedsqlglobal36)) %>%
  mutate(horacerta_lab = recode(as.character(horacertacat36), !!!horacerta_labels)) %>%
  ggplot(aes(x = horacerta_lab, y = pedsqlglobal36, fill = horacerta_lab)) +
  geom_boxplot(alpha = 0.7) +
  geom_jitter(width = 0.2, alpha = 0.5, size = 1.5) +
  scale_fill_grey(start = 0.4, end = 0.7) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Horário Fixo para Telas",
    subtitle = "p = 0.007 (significativo)",
    x = "Horário Fixo para Telas",
    y = "PEDSQL Global",
    fill = "Horário Fixo"
  ) +
  theme(legend.position = "none")

PEDSQL Global por Horário Fixo para Telas

Limite de Tempo de Tela (p = 0.007)

Code 
limite_labels <- c("0" = "Não", "1" = "Sim")

data %>%
  filter(!is.na(telalimitetempocat36) & !is.na(pedsqlglobal36)) %>%
  mutate(limite_lab = recode(as.character(telalimitetempocat36), !!!limite_labels)) %>%
  ggplot(aes(x = limite_lab, y = pedsqlglobal36, fill = limite_lab)) +
  geom_boxplot(alpha = 0.7) +
  geom_jitter(width = 0.2, alpha = 0.5, size = 1.5) +
  scale_fill_grey(start = 0.4, end = 0.7) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Limite de Tempo de Tela",
    subtitle = "p = 0.007 (significativo)",
    x = "Limite de Tempo pelos Cuidadores",
    y = "PEDSQL Global",
    fill = "Limite de Tempo"
  ) +
  theme(legend.position = "none")

PEDSQL Global por Limite de Tempo de Tela

Variáveis Demográficas e Perinatais

Code 
# Preparar dados para múltiplos boxplots
plot_data <- data %>%
  select(pedsqlglobal36, genero, idademaecat, pesocat, igcat, corcat24, estadocivilmae24) %>%
  mutate(across(-pedsqlglobal36, as.character)) %>%  # Converter todas para character
  pivot_longer(cols = -pedsqlglobal36, names_to = "variavel", values_to = "categoria") %>%
  filter(!is.na(categoria) & !is.na(pedsqlglobal36)) %>%
  mutate(
    variavel_label = case_when(
      variavel == "genero" ~ "Gênero",
      variavel == "idademaecat" ~ "Idade da Mãe",
      variavel == "pesocat" ~ "Peso ao Nascimento",
      variavel == "igcat" ~ "Idade Gestacional",
      variavel == "corcat24" ~ "Etnia",
      variavel == "estadocivilmae24" ~ "Estado Civil da Mãe"
    ),
    categoria_label = case_when(
      variavel == "genero" & categoria == "Feminino" ~ "Feminino",
      variavel == "genero" & categoria == "Masculino" ~ "Masculino",
      variavel == "idademaecat" & categoria == "0" ~ "Adolescente",
      variavel == "idademaecat" & categoria == "1" ~ "Adulta",
      variavel == "pesocat" & categoria == "0" ~ "< 2500g",
      variavel == "pesocat" & categoria == "1" ~ "≥ 2500g",
      variavel == "igcat" & categoria == "0" ~ "< 37 sem",
      variavel == "igcat" & categoria == "1" ~ "≥ 37 sem",
      variavel == "corcat24" & categoria == "0" ~ "Não branco",
      variavel == "corcat24" & categoria == "1" ~ "Branco",
      variavel == "estadocivilmae24" & categoria == "0" ~ "Solteira/Div",
      variavel == "estadocivilmae24" & categoria == "1" ~ "Casada/União",
      TRUE ~ as.character(categoria)
    )
  )

ggplot(plot_data, aes(x = categoria_label, y = pedsqlglobal36, fill = categoria_label)) +
  geom_boxplot(alpha = 0.7) +
  facet_wrap(~variavel_label, scales = "free_x", ncol = 3) +
  scale_fill_grey(start = 0.3, end = 0.8) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Variáveis Demográficas e Perinatais",
    x = "Categoria",
    y = "PEDSQL Global"
  ) +
  theme(
    legend.position = "none",
    axis.text.x = element_text(angle = 45, hjust = 1),
    strip.text = element_text(face = "bold")
  )

PEDSQL Global por Variáveis Demográficas e Perinatais

Variáveis de Desenvolvimento (Bayley)

Code 
# Preparar dados de desenvolvimento
dev_data <- data %>%
  select(pedsqlglobal36, classcogbal36, claslrbal36, classlebal36, 
         classmfbal36, classmgbal36, classmotorcomp36) %>%
  mutate(across(-pedsqlglobal36, as.character)) %>%  # Converter todas para character
  pivot_longer(cols = -pedsqlglobal36, names_to = "variavel", values_to = "categoria") %>%
  filter(!is.na(categoria) & !is.na(pedsqlglobal36)) %>%
  mutate(
    variavel_label = case_when(
      variavel == "classcogbal36" ~ "Desenvolvimento\nCognitivo",
      variavel == "claslrbal36" ~ "Linguagem\nReceptiva",
      variavel == "classlebal36" ~ "Linguagem\nExpressiva",
      variavel == "classmfbal36" ~ "Motricidade\nFina",
      variavel == "classmgbal36" ~ "Motricidade\nGrossa",
      variavel == "classmotorcomp36" ~ "Motricidade\nComposta"
    ),
    categoria_label = case_when(
      categoria == "0" ~ "Atraso",
      categoria == "1" ~ "Normal",
      TRUE ~ as.character(categoria)
    )
  )

ggplot(dev_data, aes(x = categoria_label, y = pedsqlglobal36, fill = categoria_label)) +
  geom_boxplot(alpha = 0.7) +
  facet_wrap(~variavel_label, ncol = 3) +
  scale_fill_manual(values = c("Atraso" = "#404040", "Normal" = "#808080")) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Variáveis de Desenvolvimento (Bayley)",
    x = "Status de Desenvolvimento",
    y = "PEDSQL Global"
  ) +
  theme(
    legend.position = "none",
    strip.text = element_text(face = "bold")
  )

PEDSQL Global por Variáveis de Desenvolvimento

Outras Variáveis de Interesse

Code 
# Preparar dados de outras variáveis
outras_data <- data %>%
  select(pedsqlglobal36, lme6, creche36, ludicascat36, resultqtai36) %>%
  mutate(across(-pedsqlglobal36, as.character)) %>%  # Converter todas para character
  pivot_longer(cols = -pedsqlglobal36, names_to = "variavel", values_to = "categoria") %>%
  filter(!is.na(categoria) & !is.na(pedsqlglobal36)) %>%
  mutate(
    variavel_label = case_when(
      variavel == "lme6" ~ "Aleitamento Materno\nExclusivo",
      variavel == "creche36" ~ "Frequenta\nCreche",
      variavel == "ludicascat36" ~ "Atividades\nLúdicas",
      variavel == "resultqtai36" ~ "Resultado\nQTAI"
    ),
    categoria_label = case_when(
      variavel %in% c("lme6", "creche36") & categoria == "0" ~ "Não",
      variavel %in% c("lme6", "creche36") & categoria == "1" ~ "Sim",
      variavel == "ludicascat36" & categoria == "adequado" ~ "Adequado",
      variavel == "ludicascat36" & categoria == "inadequado" ~ "Inadequado",
      variavel == "resultqtai36" ~ as.character(categoria),
      TRUE ~ as.character(categoria)
    )
  )

ggplot(outras_data, aes(x = categoria_label, y = pedsqlglobal36, fill = categoria_label)) +
  geom_boxplot(alpha = 0.7) +
  facet_wrap(~variavel_label, ncol = 2, scales = "free_x") +
  scale_fill_grey(start = 0.3, end = 0.8) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Outras Variáveis de Interesse",
    x = "Categoria",
    y = "PEDSQL Global"
  ) +
  theme(
    legend.position = "none",
    strip.text = element_text(face = "bold"),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

PEDSQL Global por Outras Variáveis

Boxplot Completo - Todas as Variáveis Categóricas

Code 
# Lista completa de todas as variáveis categóricas
vars_categoricas_completas <- c(
  "idademaecat", "pesocat", "igcat", "partocat", "lme6", "corcat24", "estadocivilmae24",
  "escolamaecat36", "abepcat36", "tanu", "resultadotanu", "resultqtai36", "creche36",
  "ludicascat36", "tempotelacat36", "horacertacat36", "telacasa36", "telalimitetempocat36",
  "telainteracaocat36", "telalimiteconteudocat36", "genero", 
  "classcogbal36", "classcogcomp36", "claslrbal36", "classlebal36", "classlingcomp36",
  "classmfbal36", "classmgbal36", "classmotorcomp36"
)

# Preparar dados de todas as variáveis
todas_vars_data <- data %>%
  select(pedsqlglobal36, all_of(vars_categoricas_completas)) %>%
  mutate(across(-pedsqlglobal36, as.character)) %>%
  pivot_longer(cols = -pedsqlglobal36, names_to = "variavel", values_to = "categoria") %>%
  filter(!is.na(categoria) & !is.na(pedsqlglobal36)) %>%
  mutate(
    # Criar labels das variáveis
    variavel_label = case_when(
      variavel == "idademaecat" ~ "Idade da Mãe",
      variavel == "pesocat" ~ "Peso ao Nascimento", 
      variavel == "igcat" ~ "Idade Gestacional",
      variavel == "partocat" ~ "Via de Parto*",
      variavel == "lme6" ~ "Aleitamento Materno",
      variavel == "corcat24" ~ "Etnia",
      variavel == "estadocivilmae24" ~ "Estado Civil da Mãe",
      variavel == "escolamaecat36" ~ "Escolaridade da Mãe",
      variavel == "abepcat36" ~ "Classe Social",
      variavel == "tanu" ~ "TANU",
      variavel == "resultadotanu" ~ "Resultado TANU",
      variavel == "resultqtai36" ~ "Resultado QTAI",
      variavel == "creche36" ~ "Frequenta Creche",
      variavel == "ludicascat36" ~ "Atividades Lúdicas",
      variavel == "tempotelacat36" ~ "Tempo de Tela*",
      variavel == "horacertacat36" ~ "Horário Fixo Telas*",
      variavel == "telacasa36" ~ "Como Usa Telas",
      variavel == "telalimitetempocat36" ~ "Limite Tempo Tela*",
      variavel == "telainteracaocat36" ~ "Interação na Tela",
      variavel == "telalimiteconteudocat36" ~ "Limite Conteúdo",
      variavel == "genero" ~ "Gênero",
      variavel == "classcogbal36" ~ "Desenvolvimento Cognitivo",
      variavel == "classcogcomp36" ~ "Desenvolvimento Cognitivo Comp.",
      variavel == "claslrbal36" ~ "Linguagem Receptiva",
      variavel == "classlebal36" ~ "Linguagem Expressiva", 
      variavel == "classlingcomp36" ~ "Linguagem Composta",
      variavel == "classmfbal36" ~ "Motricidade Fina",
      variavel == "classmgbal36" ~ "Motricidade Grossa",
      variavel == "classmotorcomp36" ~ "Motricidade Composta"
    ),
    # Criar labels das categorias
    categoria_label = case_when(
      # Variáveis binárias 0/1
      variavel %in% c("idademaecat", "pesocat", "igcat", "partocat", "lme6", "corcat24", 
                      "estadocivilmae24", "tempotelacat36", "horacertacat36", 
                      "telalimitetempocat36", "telainteracaocat36", "telalimiteconteudocat36") & categoria == "0" ~ "Não/Menor",
      variavel %in% c("idademaecat", "pesocat", "igcat", "partocat", "lme6", "corcat24", 
                      "estadocivilmae24", "tempotelacat36", "horacertacat36", 
                      "telalimitetempocat36", "telainteracaocat36", "telalimiteconteudocat36") & categoria == "1" ~ "Sim/Maior",
      
      # Variáveis de desenvolvimento
      variavel %in% c("classcogbal36", "classcogcomp36", "claslrbal36", "classlebal36", 
                      "classlingcomp36", "classmfbal36", "classmgbal36", "classmotorcomp36") & categoria == "0" ~ "Atraso",
      variavel %in% c("classcogbal36", "classcogcomp36", "claslrbal36", "classlebal36", 
                      "classlingcomp36", "classmfbal36", "classmgbal36", "classmotorcomp36") & categoria == "1" ~ "Normal",
      
      # Escolaridade
      variavel == "escolamaecat36" & categoria == "1" ~ "Médio",
      variavel == "escolamaecat36" & categoria == "2" ~ "Superior",
      variavel == "escolamaecat36" & categoria == "3" ~ "Fundamental",
      
      # Outras variáveis específicas
      TRUE ~ categoria
    ),
    # Marcar variáveis significativas
    significativa = case_when(
      variavel == "partocat" ~ "p=0.004",
      variavel == "tempotelacat36" ~ "p=0.036", 
      variavel == "horacertacat36" ~ "p=0.007",
      variavel == "telalimitetempocat36" ~ "p=0.007",
      variavel == "creche36" ~ "p=0.062",
      variavel == "genero" ~ "p=0.136",
      variavel == "classcogbal36" ~ "p=0.162",
      variavel == "classcogcomp36" ~ "p=0.162",
      variavel == "tanu" ~ "p=0.214",
      TRUE ~ "n.s."
    ),
    # Combinar label da variável com significância
    variavel_final = ifelse(significativa != "n.s.", 
                           paste0(variavel_label, " (", significativa, ")"),
                           variavel_label)
  )

# Criar o boxplot
ggplot(todas_vars_data, aes(x = categoria_label, y = pedsqlglobal36, fill = significativa)) +
  geom_boxplot(alpha = 0.7) +
  facet_wrap(~variavel_final, scales = "free_x", ncol = 4) +
  scale_fill_manual(
    values = c("p=0.004" = "#404040", "p=0.036" = "#404040", 
               "p=0.007" = "#404040", "p=0.062" = "#606060",
               "p=0.136" = "#606060", "p=0.162" = "#606060", 
               "p=0.214" = "#606060", "n.s." = "#d0d0d0"),
    name = "Significância",
    labels = c("p=0.004" = "p<0.01", "p=0.036" = "p<0.05", 
               "p=0.007" = "p<0.01", "p=0.062" = "p<0.10",
               "p=0.136" = "p<0.25", "p=0.162" = "p<0.25",
               "p=0.214" = "p<0.25", "n.s." = "Não Relevante")
  ) +
  theme_minimal() +
  labs(
    title = "PEDSQL Global por Todas as Variáveis Categóricas",
    subtitle = "Variáveis com p<0.25 destacadas (relevância potencial)",
    x = "Categoria",
    y = "PEDSQL Global"
  ) +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 8),
    strip.text = element_text(face = "bold", size = 9),
    legend.position = "bottom",
    plot.title = element_text(size = 16, face = "bold"),
    plot.subtitle = element_text(size = 12)
  )

PEDSQL Global por Todas as Variáveis Categóricas