library(tidyverse)
## Warning: pacote 'tidyverse' foi compilado no R versão 4.4.3
## Warning: pacote 'ggplot2' foi compilado no R versão 4.4.3
## Warning: pacote 'dplyr' foi compilado no R versão 4.4.3
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.2.1     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   4.0.3     ✔ tibble    3.2.1
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(ggpubr)
## Warning: pacote 'ggpubr' foi compilado no R versão 4.4.3
library(table1)
## Warning: pacote 'table1' foi compilado no R versão 4.4.3
## 
## Anexando pacote: 'table1'
## 
## Os seguintes objetos são mascarados por 'package:base':
## 
##     units, units<-
library(nortest)
library(patchwork)
## Warning: pacote 'patchwork' foi compilado no R versão 4.4.3
library(readxl)
## Warning: pacote 'readxl' foi compilado no R versão 4.4.3
df <- read_excel("df.xlsx") 
df$cidade <- dplyr::recode(df$cidade,
  `0` = "Porto Alegre",
  `1` = "Canoas",
  `2` = "Guaiba",
  `3` = "Gravatai"
)

df$cidade <- as.factor(df$cidade)

df$tabagismo <- dplyr::recode(df$tabagismo,
  `0` = "nao fumante",
  `1` = "ex-fumante",
  `2` = "fumante",
)
df$tabagismo <- as.factor(df$tabagismo)
levels(df$cidade)   # deve mostrar os 4 nomes
## [1] "Canoas"       "Gravatai"     "Guaiba"       "Porto Alegre"
table(df$cidade)    # mostra a frequência de cada cidade
## 
##       Canoas     Gravatai       Guaiba Porto Alegre 
##           75           75           75           75
levels(df$tabagismo)   # deve mostrar os 4 nomes
## [1] "ex-fumante"  "fumante"     "nao fumante"
table(df$tabagismo)    # mostra a frequência de cada cidade
## 
##  ex-fumante     fumante nao fumante 
##          49          56         195
table1(~ idade + altura + peso + imc + tabagismo | cidade, data = df)
Canoas
(N=75)		 Gravatai
(N=75)		 Guaiba
(N=75)		 Porto Alegre
(N=75)		 Overall
(N=300)
idade
Mean (SD) 35.6 (11.2) 29.8 (10.3) 36.1 (11.6) 34.0 (11.0) 33.9 (11.3)
Median [Min, Max] 35.7 [18.6, 62.9] 26.1 [18.1, 54.2] 34.8 [18.3, 55.9] 35.5 [18.0, 53.8] 33.0 [18.0, 62.9]
altura
Mean (SD) 175 (6.78) 175 (8.13) 172 (7.86) 173 (7.78) 174 (7.69)
Median [Min, Max] 175 [162, 196] 174 [150, 197] 172 [157, 197] 174 [157, 192] 174 [150, 197]
peso
Mean (SD) 82.8 (14.2) 81.1 (13.5) 80.8 (15.6) 82.0 (15.4) 81.7 (14.6)
Median [Min, Max] 82.0 [50.0, 132] 80.0 [54.0, 122] 80.0 [58.0, 140] 82.0 [54.0, 125] 80.0 [50.0, 140]
imc
Mean (SD) 27.0 (3.96) 26.6 (4.32) 27.2 (4.37) 26.9 (5.70) 26.9 (4.62)
Median [Min, Max] 26.6 [17.7, 39.0] 25.8 [18.6, 41.7] 26.1 [19.6, 40.9] 27.0 [0.00257, 38.7] 26.4 [0.00257, 41.7]
tabagismo
ex-fumante 13 (17.3%) 5 (6.7%) 17 (22.7%) 14 (18.7%) 49 (16.3%)
fumante 18 (24.0%) 17 (22.7%) 6 (8.0%) 15 (20.0%) 56 (18.7%)
nao fumante 44 (58.7%) 53 (70.7%) 52 (69.3%) 46 (61.3%) 195 (65.0%) 
table1(~ fvcz + fev1z + fev1fvcz + fef2575z | cidade, data = df)
Canoas
(N=75)		 Gravatai
(N=75)		 Guaiba
(N=75)		 Porto Alegre
(N=75)		 Overall
(N=300)
fvcz
Mean (SD) -0.577 (0.830) -1.24 (1.02) -0.921 (0.920) -0.980 (1.02) -0.930 (0.974)
Median [Min, Max] -0.537 [-2.84, 1.26] -1.06 [-3.61, 0.700] -0.872 [-3.82, 1.33] -0.975 [-4.11, 1.61] -0.883 [-4.11, 1.61]
fev1z
Mean (SD) -0.493 (0.848) -1.16 (1.02) -0.700 (0.847) -0.760 (1.05) -0.779 (0.972)
Median [Min, Max] -0.467 [-2.73, 1.37] -0.980 [-4.13, 1.23] -0.589 [-3.39, 1.57] -0.772 [-3.20, 1.34] -0.724 [-4.13, 1.57]
fev1fvcz
Mean (SD) 0.192 (1.13) 0.158 (1.30) 0.444 (1.03) 0.423 (1.18) 0.304 (1.16)
Median [Min, Max] 0.173 [-2.57, 2.46] 0.176 [-3.65, 3.74] 0.470 [-2.51, 3.61] 0.348 [-2.48, 3.55] 0.319 [-3.65, 3.74]
fef2575z
Mean (SD) -0.137 (0.899) -0.491 (1.09) -0.0772 (0.782) -0.184 (0.954) -0.222 (0.946)
Median [Min, Max] -0.178 [-2.57, 1.59] -0.440 [-4.38, 1.68] -0.0775 [-2.53, 1.42] -0.126 [-2.36, 1.93] -0.175 [-4.38, 1.93] 
lillie.test(df$fvcz)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  df$fvcz
## D = 0.058471, p-value = 0.01504
lillie.test(df$fev1z)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  df$fev1z
## D = 0.050336, p-value = 0.06404
lillie.test(df$fev1fvcz)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  df$fev1fvcz
## D = 0.050541, p-value = 0.06195
lillie.test(df$fef2575z)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  df$fef2575z
## D = 0.056845, p-value = 0.02054
kruskal.test(fvcz ~ cidade, data = df)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  fvcz by cidade
## Kruskal-Wallis chi-squared = 15.091, df = 3, p-value = 0.00174
kruskal.test(fev1z ~ cidade, data = df)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  fev1z by cidade
## Kruskal-Wallis chi-squared = 17.793, df = 3, p-value = 0.0004852
kruskal.test(fev1fvcz ~ cidade, data = df)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  fev1fvcz by cidade
## Kruskal-Wallis chi-squared = 4.733, df = 3, p-value = 0.1924
kruskal.test(fef2575z ~ cidade, data = df)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  fef2575z by cidade
## Kruskal-Wallis chi-squared = 7.9169, df = 3, p-value = 0.04776
pairwise.wilcox.test(df$fvcz, df$cidade, p.adjust.method = "hochberg")
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  df$fvcz and df$cidade 
## 
##              Canoas Gravatai Guaiba
## Gravatai     0.0013 -        -     
## Guaiba       0.1360 0.2300   -     
## Porto Alegre 0.0450 0.4297   0.5011
## 
## P value adjustment method: hochberg
pairwise.wilcox.test(df$fev1z, df$cidade, p.adjust.method = "hochberg")
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  df$fev1z and df$cidade 
## 
##              Canoas  Gravatai Guaiba 
## Gravatai     0.00026 -        -      
## Guaiba       0.32408 0.01529  -      
## Porto Alegre 0.22813 0.14384  0.50107
## 
## P value adjustment method: hochberg
pairwise.wilcox.test(df$fev1fvcz, df$cidade, p.adjust.method = "hochberg")
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  df$fev1fvcz and df$cidade 
## 
##              Canoas Gravatai Guaiba
## Gravatai     0.88   -        -     
## Guaiba       0.57   0.41     -     
## Porto Alegre 0.58   0.57     0.88  
## 
## P value adjustment method: hochberg
pairwise.wilcox.test(df$fef2575z, df$cidade, p.adjust.method = "hochberg")
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  df$fef2575z and df$cidade 
## 
##              Canoas Gravatai Guaiba
## Gravatai     0.208  -        -     
## Guaiba       0.781  0.035    -     
## Porto Alegre 0.781  0.285    0.781 
## 
## P value adjustment method: hochberg
# Gráfico A — FVC (z score)
g1 <- ggplot(df, aes(x = cidade, y = fvcz)) +   # ← fecha aes() antes do +
  geom_boxplot(fill = "gray") +
  stat_compare_means(method = "kruskal.test") +
  xlab("Municipio") + ylab("FVC (z score)")      # ← texto entre aspas

# Gráfico B — FEV1 (z score)
g2 <- ggplot(df, aes(x = cidade, y = fev1z)) +
  geom_boxplot(fill = "gray") +
  stat_compare_means(method = "kruskal.test") +
  xlab("Municipio") + ylab("FEV1 (z score)")

# Gráfico C — FEV1/FVC (z score)
g3 <- ggplot(df, aes(x = cidade, y = fev1fvcz)) +
  geom_boxplot(fill = "gray") +
  stat_compare_means(method = "kruskal.test") +
  xlab("Municipio") + ylab("FEV1/FVC (z score)")

# Gráfico D — FEF25-75 (z score)
g4 <- ggplot(df, aes(x = cidade, y = fef2575z)) +
  geom_boxplot(fill = "gray") +
  stat_compare_means(method = "kruskal.test") +
  xlab("Municipio") + ylab("FEF25-75 (z score)")

# Combinação
(g1 + g2) / (g3 + g4) + plot_annotation(tag_levels = "A")