Bancos de dados

library(tidyverse)
library(readxl)
# Banco de dados parcial (IBNeuro)
parcial <- read_excel("C:/Dropbox/Laboratorio/Carina/SDMT/SDMT_manual_REVISADO_nov2019_FINAL.xlsx", sheet = "NORMAS")
parcial <- parcial %>% type.convert()

# Banco de dados completo (IBNeuro e FM USP)
todos <- read_excel("C:/Dropbox/Laboratorio/Carina/SDMT/SDMT_manual_REVISADO_nov2019_FINAL.xlsx", sheet = "NormasSDMT")
todos <- todos %>% type.convert()

# Banco de dados (com MMSE_SV Normal)
dados <- read_excel("C:/Dropbox/Laboratorio/Carina/SDMT/SDMT_manual_REVISADO_nov2019_FINAL.xlsx", sheet = "NormasSDMT")
dados <- dados %>% type.convert()

# Banco de dados da Ressonância Magnética
Ress <- read_excel("C:/Dropbox/Laboratorio/Carina/SDMT/SDMT_manual_REVISADO_nov2019_FINAL.xlsx", sheet = "EM_Resson")
Ress <- Ress %>% type.convert()

# Banco de dados da Esclerose Múltipla
EM <- read_excel("C:/Dropbox/Laboratorio/Carina/SDMT/SDMT_manual_REVISADO_nov2019_FINAL.xlsx", sheet = "EM")
EM <- EM %>% type.convert()

# Banco de dados Caso-Controle
caso <- read_excel("C:/Dropbox/Laboratorio/Carina/SDMT/SDMT_manual_REVISADO_nov2019_FINAL.xlsx", sheet = "Caso_contr_RM")
caso <- caso %>% type.convert()

# Banco de dados Teste-Reteste
conf <- read_excel("C:/Dropbox/Laboratorio/Carina/SDMT/SDMT_manual_REVISADO_nov2019_FINAL.xlsx", sheet = "Confiabilidade")
conf <- conf %>% type.convert()

Análise descritiva

# Análise descritiva dos dados numéricos
library(knitr)
library(psych)

# Banco de dados que será usado na elaboração das normas
kable(psych::describe(dplyr::select_if(dados, is.numeric), tr=.2), digits = 2)

	vars	n	mean	sd	median	trimmed	mad	min	max	range	skew	kurtosis	se
Idade	1	587	44.50	16.39	41	42.95	19.27	18	92	74	0.43	-0.77	0.68
FaixaEtaria	2	587	3.02	1.63	3	2.88	1.48	1	7	6	0.45	-0.80	0.07
Escola	3	587	3.46	0.74	4	3.68	0.00	2	4	2	-0.96	-0.55	0.03
BAI	4	455	8.92	8.47	6	6.95	5.93	0	43	43	1.28	1.22	0.40
BDI	5	455	9.35	7.96	7	7.88	5.93	0	51	51	1.28	2.15	0.37
HADS_A	6	587	5.84	3.85	5	5.33	2.97	0	21	21	0.79	0.31	0.16
HADS_D	7	587	4.50	3.36	4	3.97	2.97	0	19	19	1.03	1.01	0.14
MMSE_SV	8	574	28.49	1.84	29	29.02	1.48	21	30	9	-1.36	1.33	0.08
SD_escr	9	586	43.94	17.14	45	44.17	16.31	2	110	108	0.28	0.77	0.71
SD_oral	10	587	47.84	18.34	50	48.16	17.79	2	110	108	0.13	0.20	0.76
SD_oral_escrito	11	587	3.98	4.90	5	4.84	5.93	-9	9	18	-0.60	-0.74	0.20

# Banco de dados parcial (somente do IBNeuro) e servirá pra correlações
kable(psych::describe(dplyr::select_if(parcial, is.numeric), tr=.2), digits = 2)

	vars	n	mean	sd	median	trimmed	mad	min	max	range	skew	kurtosis	se
Idade	1	471	42.33	15.20	39	40.60	16.31	18	89	71	0.52	-0.61	0.70
BAI	2	471	9.06	8.64	7	7.05	7.41	0	45	45	1.33	1.46	0.40
BDI	3	471	9.35	7.94	7	7.87	5.93	0	51	51	1.27	2.06	0.37
HADS_A	4	471	6.15	4.05	6	5.69	4.45	0	21	21	0.67	0.05	0.19
HADS_D	5	471	4.68	3.59	4	4.13	2.97	0	19	19	0.90	0.44	0.17
Escrita	6	471	0.97	0.16	1	1.00	0.00	0	1	1	-6.00	34.12	0.01
Desenho	7	471	0.92	0.27	1	1.00	0.00	0	1	1	-3.07	7.44	0.01
VelProc	8	471	17.75	6.15	18	17.71	5.93	0	35	35	0.22	0.37	0.28
MMSE2_BV	9	471	15.47	0.95	16	15.77	0.00	8	16	8	-2.87	13.24	0.04
MMSE2_SV	10	471	28.51	2.05	29	29.13	1.48	13	30	17	-2.24	8.25	0.09
MMSE2_EV	11	471	60.44	10.30	60	60.59	8.90	25	87	62	-0.13	0.33	0.47
A1_acerto	12	471	7.11	2.29	7	6.88	2.97	0	15	15	0.50	0.22	0.11
A1_intrus	13	471	0.46	0.89	0	0.14	0.00	0	6	6	2.48	7.72	0.04
A1_repet	14	471	0.41	0.92	0	0.09	0.00	0	8	8	3.58	17.93	0.04
A5_acerto	15	471	13.15	2.51	14	13.49	2.97	0	16	16	-0.94	1.11	0.12
A5_intrus	16	471	0.17	0.45	0	0.00	0.00	0	3	3	3.20	11.92	0.02
A5_repet	17	471	1.10	1.58	0	0.60	0.00	0	8	8	1.82	3.38	0.07
BVMTR1	18	471	5.78	3.18	6	5.63	2.97	0	12	12	0.22	-0.72	0.15
BVMTR3	19	471	9.36	2.98	10	10.16	2.97	0	12	12	-1.26	0.84	0.14
SD_escr	20	470	44.66	16.04	45	44.55	14.83	6	110	104	0.61	2.00	0.74
SD_oral	21	470	50.31	18.16	51	50.29	17.05	9	110	101	0.26	0.51	0.84
SD_oral_escrito	22	470	5.65	9.92	6	5.67	8.90	-31	55	86	0.20	2.75	0.46

# Banco de dados do estudo com Ressonância Magnética
kable(psych::describe(dplyr::select_if(Ress, is.numeric), tr=.2), digits = 2)

	vars	n	mean	sd	median	trimmed	mad	min	max	range	skew	kurtosis	se
Idade	1	54	36.28	9.22	34.5	35.21	6.67	18.00	61.0	43.00	0.67	0.28	1.25
Escolaridade	2	54	13.80	4.54	13.5	13.68	3.71	4.00	28.0	24.00	0.31	0.70	0.62
Comorbidades	3	54	0.17	0.38	0.0	0.00	0.00	0.00	1.0	1.00	1.74	1.05	0.05
Medicamentos	4	54	0.81	0.39	1.0	1.00	0.00	0.00	1.0	1.00	-1.58	0.49	0.05
TempoDoenca	5	52	6.80	6.24	5.5	5.53	5.93	0.25	32.0	31.75	1.60	3.33	0.87
EDSS	6	54	1.56	2.04	1.0	0.94	1.48	0.00	7.5	7.50	1.27	0.57	0.28
Passos25	7	54	7.26	2.56	7.0	6.76	2.97	4.00	15.0	11.00	1.47	2.21	0.35
pinosdir9	8	54	28.81	6.61	27.0	27.56	5.93	18.00	45.0	27.00	0.84	-0.21	0.90
pinosesq9	9	54	30.81	9.34	28.0	28.85	5.93	19.00	70.0	51.00	1.96	4.68	1.27
MedicamentoEM	10	54	0.78	0.42	1.0	0.94	0.00	0.00	1.0	1.00	-1.30	-0.32	0.06
VitD	11	54	62.73	29.98	55.5	63.23	37.06	7.00	100.0	93.00	0.09	-1.52	4.08
FSS	12	54	35.74	16.72	35.5	35.47	17.79	9.00	63.0	54.00	0.04	-1.14	2.27
HADS_A	13	54	6.43	3.97	5.5	6.09	3.71	0.00	16.0	16.00	0.44	-0.74	0.54
HADS_D	14	54	4.50	3.96	3.0	3.59	2.97	0.00	15.0	15.00	1.26	0.86	0.54
SF36	15	54	91.65	11.74	94.0	93.88	7.41	53.00	105.0	52.00	-1.86	3.42	1.60
SD_escr	16	54	44.26	15.77	47.5	43.59	21.50	11.00	77.0	66.00	0.09	-1.04	2.15
SD_oral	17	54	46.30	15.44	49.0	46.59	15.57	12.00	77.0	65.00	-0.11	-0.89	2.10
BVMT_T1	18	54	2.11	1.83	2.0	1.82	1.48	0.00	9.0	9.00	1.36	2.38	0.25
BVMT_T2	19	54	4.00	2.56	3.0	3.79	2.97	0.00	12.0	12.00	0.85	0.72	0.35
BVMT_T3	20	54	4.80	2.72	5.0	4.76	1.48	0.00	12.0	12.00	0.50	0.41	0.37
BVMT	21	54	10.91	6.65	10.0	10.53	7.41	0.00	33.0	33.00	0.88	1.26	0.91
CVLT_A1	22	54	6.30	1.66	6.0	6.00	1.48	4.00	10.0	6.00	0.59	-0.84	0.23
CVLT_A2	23	54	9.69	2.48	10.0	9.76	2.97	4.00	14.0	10.00	-0.29	-0.49	0.34
CVLT_A3	24	54	11.33	2.94	11.5	11.53	3.71	4.00	16.0	12.00	-0.38	-0.63	0.40
CVLT_A4	25	54	12.17	3.18	13.0	12.59	2.97	0.00	16.0	16.00	-1.27	2.37	0.43
CVLT_A5	26	54	12.44	3.28	14.0	13.09	2.97	1.00	16.0	15.00	-1.21	1.31	0.45
CVLT	27	54	51.93	11.73	52.5	53.09	12.60	22.00	70.0	48.00	-0.55	-0.37	1.60
CVLT_rep	28	54	7.46	5.77	6.0	6.35	4.45	0.00	27.0	27.00	1.38	1.80	0.79
MMSE_MST	29	54	53.37	9.83	53.0	53.59	9.64	31.00	81.0	50.00	0.01	0.08	1.34
VolCereb	30	54	1504.43	70.44	1514.5	1514.45	55.60	1291.00	1643.0	352.00	-0.82	0.63	9.59
VolCinz	31	54	890.75	52.32	893.0	894.04	49.67	766.00	995.0	229.00	-0.32	-0.36	7.12
LesoesFlair	32	54	9.70	8.55	6.7	7.50	5.04	1.20	38.9	37.70	1.48	1.63	1.16
LesoesImpreg	33	54	0.01	0.07	0.0	0.00	0.00	0.00	0.4	0.40	4.57	21.35	0.01

# Banco de dados do estudo de Esclerose Múltipla
kable(psych::describe(dplyr::select_if(EM, is.numeric), tr=.2), digits = 2)

	vars	n	mean	sd	median	trimmed	mad	min	max	range	skew	kurtosis	se
Idade	1	256	40.68	11.88	40.0	40.03	13.34	17	72	55	0.28	-0.65	0.74
Escolaridade	2	256	12.51	4.15	12.0	12.61	3.71	1	28	27	0.07	0.96	0.26
HADS_D	3	256	6.00	3.75	5.0	5.56	2.97	0	19	19	0.79	0.43	0.23
HADS_A	4	256	7.20	4.21	6.0	6.62	2.97	0	21	21	0.77	0.32	0.26
SD_escr	5	256	34.16	15.56	33.5	33.99	15.57	0	77	77	0.12	-0.21	0.97
SD_oral	6	256	37.57	15.45	38.0	37.73	16.31	0	77	77	0.03	-0.41	0.97
EDSS	7	171	3.05	2.27	3.0	2.88	2.97	0	8	8	0.32	-1.05	0.17
A1	8	238	6.06	1.99	6.0	5.97	1.48	1	13	12	0.37	0.54	0.13
A5	9	238	11.21	3.13	11.0	11.40	4.45	1	16	15	-0.32	-0.64	0.20
A1_A5	10	238	45.16	14.16	47.0	46.13	14.83	11	75	64	-0.32	-0.57	0.92
BVMT_1	11	224	3.89	2.92	3.0	3.46	2.97	0	12	12	0.72	-0.23	0.20
BVMT_2	12	224	5.84	3.61	5.0	5.57	4.45	0	12	12	0.28	-1.11	0.24
BVMT_3	13	224	6.78	3.90	6.0	6.85	5.93	0	12	12	-0.02	-1.33	0.26
BVMT_total	14	224	16.48	9.78	15.5	15.85	12.60	1	36	35	0.27	-1.10	0.65

# Banco de dados do estudo Caso-Controle
kable(psych::describe(dplyr::select_if(caso, is.numeric), tr=.2), digits = 2)

	vars	n	mean	sd	median	trimmed	mad	min	max	range	skew	kurtosis	se
Idade	1	26	30.46	4.81	31.00	30.31	2.97	21.00	45.00	24.00	0.66	1.85	0.94
Escolaridade	2	26	14.92	3.19	15.00	14.75	4.45	8.00	20.00	12.00	-0.05	-1.02	0.62
EDSS	3	26	0.54	1.09	0.00	0.12	0.00	0.00	4.50	4.50	2.15	4.28	0.21
Grupo	4	26	0.54	0.51	1.00	0.56	0.00	0.00	1.00	1.00	-0.15	-2.05	0.10
A1	5	26	7.19	2.10	7.00	7.00	2.97	4.00	12.00	8.00	0.43	-0.96	0.41
A2	6	26	10.31	2.00	10.00	10.00	1.48	7.00	15.00	8.00	0.72	-0.22	0.39
A3	7	26	11.88	2.52	12.00	12.06	2.97	5.00	16.00	11.00	-0.51	0.16	0.49
A4	8	26	12.19	3.41	13.00	12.81	2.97	0.00	16.00	16.00	-1.73	3.74	0.67
A5	9	26	12.92	3.35	14.00	13.56	2.97	1.00	16.00	15.00	-1.72	3.58	0.66
Total_A1_A5	10	26	54.50	11.28	55.50	54.94	9.64	23.00	75.00	52.00	-0.62	0.62	2.21
CVLT _rep	11	26	5.58	5.52	4.00	4.56	5.93	0.00	20.00	20.00	1.02	0.28	1.08
BVMT_T1	12	26	4.81	4.22	2.00	4.12	1.48	0.00	12.00	12.00	0.48	-1.57	0.83
BVMT_T2	13	26	6.96	4.09	6.00	6.81	4.45	0.00	12.00	12.00	0.09	-1.68	0.80
BVMT_T3	14	26	7.88	3.59	7.00	8.00	4.45	1.00	12.00	11.00	-0.08	-1.56	0.70
BVMT	15	26	19.65	11.54	15.50	18.94	11.86	1.00	36.00	35.00	0.15	-1.69	2.26
SD_escr	16	26	49.81	12.62	51.00	51.50	12.60	23.00	68.00	45.00	-0.57	-0.72	2.48
SD_oral	17	26	52.69	13.67	52.50	53.69	17.05	23.00	75.00	52.00	-0.38	-0.72	2.68
Oral_Escrito	18	26	2.88	5.46	1.50	1.88	3.71	-8.00	19.00	27.00	1.01	1.30	1.07
HADS_A	19	26	6.54	3.85	5.00	5.94	2.97	1.00	14.00	13.00	0.57	-1.01	0.75
HADS_D	20	26	4.27	4.11	3.00	3.12	2.97	0.00	15.00	15.00	1.29	0.59	0.81
HPT9_RH	21	26	23.64	5.81	21.30	22.44	4.89	17.91	39.00	21.09	1.13	0.46	1.14
HPT9_LH	22	26	24.67	6.82	22.20	23.35	4.41	18.00	51.00	33.00	2.20	5.89	1.34
HPT9_total	23	26	24.15	6.04	21.34	23.02	4.00	18.00	45.00	27.00	1.62	2.97	1.18
VolCereb	24	14	1540.73	32.58	1534.00	1536.22	33.58	1503.00	1603.00	100.00	0.52	-1.16	8.71
VolCinz	25	14	903.11	27.38	905.50	900.77	26.17	860.80	952.00	91.20	0.35	-0.95	7.32
lesoesflair	26	14	10.65	5.39	10.60	10.60	6.52	1.50	19.64	18.14	0.00	-1.28	1.44
lesoesimpreg	27	14	0.04	0.12	0.00	0.00	0.00	0.00	0.40	0.40	2.23	3.72	0.03

# Banco de dados do estudo de Confiabilidade Teste-Reteste
kable(psych::describe(dplyr::select_if(conf, is.numeric), tr=.2), digits = 2)

	vars	n	mean	sd	median	trimmed	mad	min	max	range	skew	kurtosis	se
Idade	1	98	60.87	13.44	62.0	61.80	8.90	22	92	70	-0.50	0.60	1.36
Escolaridade	2	98	9.76	5.36	11.0	9.43	7.41	1	27	26	0.34	-0.34	0.54
SD_escr_teste	3	98	29.42	13.28	29.5	29.02	14.83	5	69	64	0.25	-0.53	1.34
SD_oral_teste	4	98	31.62	14.93	32.0	30.88	16.31	2	70	68	0.35	-0.36	1.51
SD_escr_reteste	5	91	31.34	14.47	32.0	31.49	17.79	0	70	70	0.01	-0.65	1.52
SD_oral_reteste	6	91	33.56	14.52	34.0	33.53	16.31	0	68	68	0.01	-0.53	1.52
alter_escr	7	75	23.48	11.15	23.0	23.00	13.34	0	47	47	0.15	-0.83	1.29
altern_oral	8	75	25.40	11.28	25.0	25.00	13.34	4	50	46	0.16	-0.74	1.30

Análise gráfica

library(DataExplorer)

# Análise gráfica dos dados normativos
plot_missing(dados)

plot_histogram(dados)

plot_density(dados)

plot_correlation(dados, type = 'continuous', cor_args = list("use" = "pairwise.complete.obs"))

plot_correlation(dados, type = 'discrete', cor_args = list("use" = "pairwise.complete.obs"))

plot_bar(dados)

# Proporções das categorias demográficas
kable(table(dados$Regiao, dados$Escolaridade))

	Fundamental	Medio	Superior
CO	10	41	135
N	3	3	10
NE	5	6	6
S	28	47	131
SE	43	44	75

# Porcentagem das categorias demográficas
kable(prop.table(table(dados$Regiao, dados$Escolaridade)) %>% {. * 100} %>% 
round(1))

	Fundamental	Medio	Superior
CO	1.7	7.0	23.0
N	0.5	0.5	1.7
NE	0.9	1.0	1.0
S	4.8	8.0	22.3
SE	7.3	7.5	12.8

# Gráfico da porcentagem das categorias demográficas
plot(prop.table(table(dados$Escolaridade, dados$Regiao)) %>% {. * 100}, main = "")

# Densidades coloridas e padronizadas
library(hrbrthemes)
library(viridis)

data <- dados %>% 
  gather(key="text", value="value") %>%
  mutate(text = gsub("\\.", " ",text)) %>%
  mutate(value = round(as.numeric(value),0)) %>%
  filter(text %in% c("BAI","BDI","HADS_A","HADS_D","MMSE_SV","SD_escr","SD_oral"))

library(ggridges)

data %>%
  mutate(text = fct_reorder(text, value)) %>%
  ggplot( aes(y=text, x=scale(value),  fill=text)) +
    geom_density_ridges(alpha=0.6, bandwidth=1) +
    scale_fill_viridis(discrete=TRUE) +
    scale_color_viridis(discrete=TRUE) +
    theme_ipsum() +
    theme(
      legend.position="none",
      panel.spacing = unit(0.1, "lines"),
      strip.text.x = element_text(size = 8)
    ) +
    xlab("Escore z") +
    ylab("Variáveis")

Bancos SDMT

# Cria um banco pra predição do SDMT Escrito e para o SDMT Oral
Escr <- parcial %>% 
  dplyr::select(c(Regiao:HADS_D, VelProc:BVMTR3, SD_escr))
Escr <- Escr %>% type.convert()
Escr <- na.omit(Escr)
Escr <- as.data.frame(Escr)

Oral <- parcial %>% 
  dplyr::select(c(Regiao:HADS_D, VelProc:BVMTR3, SD_oral))
Oral <- Oral %>% type.convert()
Oral <- na.omit(Oral)
Oral <- as.data.frame(Oral)

Arvores de inferência condicional

# Gera árvores de inferência condicional para o SDMT Oral e para o SDMT Escrito
library(partykit)

# Explorando as variáveis (do banco Normativo) que possam predizer o escore do SDMT Escrito
tree_escr <- ctree(SD_escr ~ ., Escr)
plot(tree_escr)

#plot(tree_escr, tp_args = list(col = "blue"))

# Explorando as variáveis (do banco Normativo) que possam predizer o escore do SDMT Oral
tree_oral <- ctree(SD_oral ~ ., Oral)
plot(tree_oral)

SDMT Escrito

library(partykit)
# Explorando as variáveis demográficas relevantes para gerar as tabelas normativas do SDMT Escrito
tree_escr <- party::ctree(SD_escr ~ Regiao + Idade + Escolaridade + Sexo, data = Escr)
plot(tree_escr)

detach("package:partykit", unload=TRUE)
library(party)

# Obtenção das médias, medianas, DP e SSEs das árvores condicionais
t(sapply(unique(where(tree_escr)), function(x) {
    n <- nodes(tree_escr, x)[[1]]
    SD_escr <- Escr[as.logical(n$weights), "SD_escr"]
    cbind.data.frame("Node" = as.integer(x),
                     psych::describe(SD_escr, quant=c(.25,.50,.75), skew = FALSE),
                     "SSE" = sum((SD_escr - mean(SD_escr))^2))  
}))

##      Node vars n   mean     sd       min max range se        Q0.25 Q0.5 Q0.75
## [1,] 15   1    19  17.21053 6.712997 6   30  24    1.540067  12    18   21.5 
## [2,] 10   1    65  42       14.36141 17  110 93    1.781313  33    40   46   
## [3,] 8    1    10  32.6     9.347608 20  48  28    2.955973  25.75 34   38.75
## [4,] 14   1    25  23.72    8.408924 12  54  42    1.681785  19    21   27   
## [5,] 13   1    45  33.8     11.35501 11  50  39    1.692706  24    32   46   
## [6,] 5    1    15  52.73333 10.78005 39  76  37    2.783397  43.5  50   61   
## [7,] 3    1    245 52.0898  13.57795 25  110 85    0.8674635 44    50   58   
## [8,] 7    1    46  42.17391 10.15722 14  68  54    1.4976    35.25 42.5 48.75
##      SSE     
## [1,] 811.1579
## [2,] 13200   
## [3,] 786.4   
## [4,] 1697.04 
## [5,] 5673.2  
## [6,] 1626.933
## [7,] 44984.02
## [8,] 4642.609

SDMT Oral

library(partykit)
detach("package:partykit", unload=TRUE)
library(party)

# Explorando as variáveis demográficas relevantes para gerar as tabelas normativas do SDMT Oral
tree_oral <- party::ctree(SD_oral ~ Regiao + Idade + Escolaridade + Sexo, data = Oral)
plot(tree_oral)

# Obtenção das médias, medianas, DP e SSEs das árvores condicionais
t(sapply(unique(where(tree_oral)), function(x) {
    n <- nodes(tree_oral, x)[[1]]
    SD_oral <- Oral[as.logical(n$weights), "SD_oral"]
    cbind.data.frame("Node" = as.integer(x),
                     psych::describe(SD_oral, quant=c(.25,.50,.75), skew = FALSE),
                     "SSE" = sum((SD_oral - mean(SD_oral))^2))  
}))

##      Node vars n   mean     sd       min max range se        Q0.25 Q0.5 Q0.75
## [1,] 13   1    8   17.25    9.528154 9   33  24    3.368711  9     15   22   
## [2,] 9    1    58  43.86207 14.33123 10  82  72    1.881783  34    43   51   
## [3,] 10   1    50  36.56    14.49723 9   62  53    2.050219  24.5  36   49.75
## [4,] 6    1    28  39.25    13.91409 11  60  49    2.629516  29    44   50   
## [5,] 12   1    28  29.5     8.094351 14  52  38    1.529689  24.75 29.5 33.25
## [6,] 5    1    46  52.56522 14.92746 21  93  72    2.200934  41.25 51.5 62.25
## [7,] 3    1    252 58.69841 15.57645 9   110 101   0.9812242 50    58   67   
##      SSE     
## [1,] 635.5   
## [2,] 11706.9 
## [3,] 10298.32
## [4,] 5227.25 
## [5,] 1769    
## [6,] 10027.3 
## [7,] 60899.08

Parâmetros adicionais

library(strucchange)
library(partykit)
tree_oral <- partykit::ctree(SD_oral ~ Regiao + Idade + Escolaridade + Sexo, data = Oral)
sctest(tree_oral, node = 1)

##               Regiao        Idade Escolaridade       Sexo
## statistic 9.27905799 1.212839e+02 1.087457e+02 6.96634966
## p.value   0.03809244 1.324753e-27 9.732428e-24 0.03281109

nodeapply(tree_oral, ids = nodeids(tree_oral), function(n) info_node(n)$p.value)

## $`1`
##        Idade 
## 1.324753e-27 
## 
## $`2`
## Escolaridade 
## 2.221176e-07 
## 
## $`3`
##       Idade 
## 0.003373876 
## 
## $`4`
##    Idade 
## 0.746904 
## 
## $`5`
## Escolaridade 
##    0.1003573 
## 
## $`6`
##     Idade 
## 0.1431062 
## 
## $`7`
## Escolaridade 
## 1.827919e-06 
## 
## $`8`
##      Idade 
## 0.01290161 
## 
## $`9`
##       Sexo 
## 0.07621009 
## 
## $`10`
## NULL
## 
## $`11`
## Escolaridade 
##   0.04160667 
## 
## $`12`
##    Regiao 
## 0.1159515 
## 
## $`13`
##     Idade 
## 0.5037684

tab <- tapply(Oral$SD_oral, predict(tree_oral, type = "node"),
  function(y) c("n" = length(y), 100 * prop.table(table(y))))
do.call("rbind", tab)

##      n          9         23         27         29        30        31
## 4   46  2.1739130  4.3478261  4.3478261  2.1739130  4.347826 4.3478261
## 5   28  3.5714286  3.5714286  3.5714286  3.5714286  3.571429 3.5714286
## 6  252  0.3968254  0.3968254  0.3968254  0.3968254  1.587302 0.3968254
## 9   28  3.5714286  7.1428571  3.5714286  3.5714286  3.571429 3.5714286
## 10   8 37.5000000 12.5000000 25.0000000 12.5000000 12.500000 8.0000000
## 12  50  2.0000000  4.0000000  4.0000000  6.0000000  4.000000 6.0000000
## 13  58  1.7241379  1.7241379  1.7241379  3.4482759  1.724138 1.7241379
##            32         34         35        36         37        38         39
## 4   4.3478261  4.3478261  6.5217391  2.173913  2.1739130 6.5217391  2.1739130
## 5   7.1428571  3.5714286  7.1428571  3.571429  3.5714286 3.5714286  3.5714286
## 6   0.3968254  0.3968254  0.7936508  1.984127  0.7936508 0.7936508  0.7936508
## 9   7.1428571  3.5714286  3.5714286 10.714286  7.1428571 3.5714286  3.5714286
## 10 37.5000000 12.5000000 25.0000000 12.500000 12.5000000 8.0000000 37.5000000
## 12  2.0000000  2.0000000  2.0000000  6.000000  4.0000000 2.0000000  4.0000000
## 13  3.4482759  5.1724138  8.6206897  3.448276  6.8965517 1.7241379  1.7241379
##           42        43         44        45       46        47        48
## 4   4.347826  2.173913  4.3478261  2.173913 4.347826  2.173913  2.173913
## 5   7.142857  3.571429 14.2857143  3.571429 3.571429  3.571429  3.571429
## 6   1.587302  1.190476  0.7936508  2.777778 2.777778  1.984127  1.190476
## 9  10.714286  3.571429  3.5714286  3.571429 3.571429  3.571429  3.571429
## 10 12.500000 25.000000 12.5000000 12.500000 8.000000 37.500000 12.500000
## 12  2.000000  4.000000  2.0000000  2.000000 2.000000  4.000000  2.000000
## 13  1.724138  1.724138  5.1724138  3.448276 3.448276  5.172414  3.448276
##           49        50        51       52        53        54        55
## 4   2.173913  2.173913  4.347826 2.173913  2.173913  2.173913  4.347826
## 5   3.571429  3.571429 28.000000 3.571429  3.571429  3.571429  3.571429
## 6   2.777778  3.174603  4.365079 3.571429  3.571429  1.587302  1.587302
## 9   3.571429 28.000000  3.571429 7.142857  3.571429  3.571429  3.571429
## 10 25.000000 12.500000 12.500000 8.000000 37.500000 12.500000 25.000000
## 12  2.000000  4.000000  2.000000 4.000000  2.000000  2.000000  2.000000
## 13  1.724138  1.724138  5.172414 1.724138  3.448276  1.724138  3.448276
##           56        57       58        59        60        61        62
## 4   2.173913  2.173913 2.173913  2.173913 46.000000  2.173913  4.347826
## 5   3.571429  3.571429 7.142857  3.571429  7.142857  3.571429  3.571429
## 6   3.571429  2.380952 3.174603  3.174603  3.968254  5.555556  2.380952
## 9   3.571429  7.142857 3.571429  3.571429 10.714286  7.142857  3.571429
## 10 12.500000 12.500000 8.000000 37.500000 12.500000 25.000000 12.500000
## 12  2.000000  6.000000 2.000000  4.000000  2.000000 50.000000  2.000000
## 13  1.724138  3.448276 1.724138  1.724138  1.724138  1.724138  1.724138
##           63        64        65         66        67        68        69
## 4   4.347826  2.173913  4.347826  4.3478261  4.347826  4.347826  6.521739
## 5   3.571429  3.571429  7.142857  3.5714286 14.285714  3.571429  3.571429
## 6   3.174603  1.190476  2.380952  0.7936508  1.587302  1.190476  1.984127
## 9   3.571429 10.714286  3.571429  3.5714286  3.571429  3.571429  3.571429
## 10 12.500000  8.000000 37.500000 12.5000000 25.000000 12.500000 12.500000
## 12  4.000000  4.000000  6.000000  4.0000000  6.000000  2.000000  2.000000
## 13 58.000000  1.724138  1.724138  1.7241379  3.448276  1.724138  1.724138
##          70        71         72        73        74        75       76
## 4  2.173913  2.173913  6.5217391  2.173913  4.347826  2.173913 4.347826
## 5  3.571429  3.571429  3.5714286  3.571429 28.000000  3.571429 3.571429
## 6  1.587302  2.380952  0.3968254  1.190476  2.380952  1.190476 1.190476
## 9  3.571429  3.571429 28.0000000  3.571429  7.142857  3.571429 3.571429
## 10 8.000000 37.500000 12.5000000 25.000000 12.500000 12.500000 8.000000
## 12 2.000000  6.000000  4.0000000  2.000000  4.000000  2.000000 4.000000
## 13 3.448276  5.172414  8.6206897  3.448276  6.896552  1.724138 1.724138
##           77        78        79         80         81         83         85
## 4   2.173913  4.347826  2.173913  2.1739130  2.1739130  2.1739130  4.3478261
## 5   3.571429  3.571429  3.571429  3.5714286  7.1428571  3.5714286  7.1428571
## 6   1.190476  1.984127  1.190476  0.7936508  0.3968254  0.3968254  0.3968254
## 9   3.571429  3.571429  7.142857  3.5714286  3.5714286 10.7142857  7.1428571
## 10 37.500000 12.500000 25.000000 12.5000000 12.5000000  8.0000000 37.5000000
## 12  2.000000  2.000000  2.000000  4.0000000  2.0000000  2.0000000  4.0000000
## 13  1.724138  1.724138  5.172414  3.4482759  3.4482759  5.1724138  3.4482759
##            87         92         95         97       106        107       110
## 4   2.1739130  2.1739130  2.1739130  4.3478261 2.1739130  2.1739130  2.173913
## 5   3.5714286  3.5714286  3.5714286  3.5714286 7.1428571  3.5714286 14.285714
## 6   0.3968254  0.3968254  0.7936508  0.3968254 0.3968254  0.3968254  1.587302
## 9   3.5714286  3.5714286 10.7142857  3.5714286 3.5714286  3.5714286  3.571429
## 10 12.5000000 25.0000000 12.5000000 12.5000000 8.0000000 37.5000000 12.500000
## 12  2.0000000  4.0000000  2.0000000  2.0000000 2.0000000  2.0000000  6.000000
## 13  1.7241379  1.7241379  5.1724138  1.7241379 3.4482759  1.7241379  3.448276

tree_escr <- partykit::ctree(SD_escr ~ Regiao + Idade + Escolaridade + Sexo, data = Escr)
sctest(tree_escr, node = 1)

##              Regiao        Idade Escolaridade      Sexo
## statistic 3.5376213 1.282718e+02 1.274068e+02 4.4901492
## p.value   0.5266408 3.915127e-29 8.630209e-28 0.1295469

nodeapply(tree_escr, ids = nodeids(tree_escr), function(n) info_node(n)$p.value)

## $`1`
##        Idade 
## 3.915127e-29 
## 
## $`2`
## Escolaridade 
##  2.38226e-06 
## 
## $`3`
##       Idade 
## 0.002508197 
## 
## $`4`
## NULL
## 
## $`5`
## Escolaridade 
##   0.03803933 
## 
## $`6`
## NULL
## 
## $`7`
##    Regiao 
## 0.6914571 
## 
## $`8`
##      Idade 
## 0.07815086 
## 
## $`9`
## Escolaridade 
## 1.391909e-10 
## 
## $`10`
##        Idade 
## 2.968167e-05 
## 
## $`11`
## Escolaridade 
##  0.001613891 
## 
## $`12`
##    Regiao 
## 0.9457338 
## 
## $`13`
##     Idade 
## 0.2356542 
## 
## $`14`
## NULL
## 
## $`15`
##     Idade 
## 0.1928753

tab <- tapply(Escr$SD_escr, predict(tree_escr, type = "node"),
  function(y) c("n" = length(y), 100 * prop.table(table(y))))
do.call("rbind", tab)

##      n         25        29        30         31         32        33        34
## 4   15  6.6666667  6.666667  6.666667  6.6666667  6.6666667  6.666667  6.666667
## 6   10 20.0000000 10.000000 10.000000 20.0000000 10.0000000 10.000000 10.000000
## 7   46  2.1739130  2.173913  2.173913  2.1739130  2.1739130  4.347826  2.173913
## 8  245  0.4081633  1.224490  1.224490  0.8163265  0.8163265  1.224490  2.040816
## 12  25  4.0000000  4.000000 12.000000  4.0000000 12.0000000  8.000000  8.000000
## 13  45  2.2222222  4.444444  2.222222  4.4444444  2.2222222  4.444444  2.222222
## 14  19  5.2631579  5.263158 10.526316 10.5263158  5.2631579  5.263158  5.263158
## 15  65  1.5384615  3.076923  3.076923  1.5384615  3.0769231  6.153846  6.153846
##           35         36        37        38        39        40         41
## 4   6.666667  6.6666667  6.666667 13.333333  6.666667  6.666667  6.6666667
## 6  10.000000 10.0000000 20.000000 10.000000 10.000000 20.000000 10.0000000
## 7   6.521739  2.1739130  2.173913  4.347826  2.173913  4.347826  4.3478261
## 8   2.040816  0.4081633  2.448980  1.224490  2.040816  1.224490  0.4081633
## 12  8.000000  4.0000000 12.000000  4.000000  4.000000  8.000000  4.0000000
## 13  8.888889  4.4444444  6.666667  2.222222  6.666667  2.222222  4.4444444
## 14 10.526316 15.7894737 15.789474  5.263158  5.263158 19.000000  5.2631579
## 15  1.538462  1.5384615  6.153846  3.076923  1.538462  3.076923  4.6153846
##           42        43        44        45        46        47        48
## 4  15.000000  6.666667  6.666667  6.666667  6.666667  6.666667  6.666667
## 6  10.000000 10.000000 10.000000 10.000000 20.000000 10.000000 10.000000
## 7   4.347826  2.173913  6.521739 10.869565  4.347826  2.173913  2.173913
## 8   2.040816  2.857143  3.673469  2.857143  4.489796  5.714286  2.040816
## 12  4.000000 25.000000  4.000000  4.000000 12.000000  4.000000 12.000000
## 13  4.444444  2.222222  2.222222  2.222222  2.222222  2.222222  6.666667
## 14  5.263158 10.526316 10.526316  5.263158  5.263158  5.263158 10.526316
## 15  4.615385  4.615385  9.230769  4.615385  3.076923  3.076923  1.538462
##           49        50        51        52        53        54        55
## 4   6.666667  6.666667  6.666667  6.666667 13.333333  6.666667  6.666667
## 6  20.000000 10.000000 10.000000 10.000000 10.000000 10.000000 20.000000
## 7   4.347826  2.173913  2.173913  4.347826  4.347826  4.347826  2.173913
## 8   3.673469  5.306122  3.265306  3.265306  1.224490  3.673469  2.040816
## 12  8.000000  8.000000  8.000000  4.000000 12.000000  4.000000  4.000000
## 13  8.888889  2.222222  8.888889 45.000000  2.222222  4.444444  2.222222
## 14 15.789474 15.789474  5.263158  5.263158 19.000000  5.263158  5.263158
## 15  3.076923  3.076923  1.538462  1.538462  1.538462  1.538462  1.538462
##           56        57        58        59        60        61        62
## 4   6.666667 15.000000  6.666667  6.666667  6.666667  6.666667  6.666667
## 6  10.000000 10.000000 20.000000 10.000000 10.000000 10.000000 10.000000
## 7  46.000000  2.173913  2.173913  2.173913  2.173913  2.173913  4.347826
## 8   4.489796  4.489796  2.448980  2.448980  2.448980  1.632653  1.632653
## 12  8.000000  4.000000  4.000000 25.000000  4.000000  4.000000 12.000000
## 13  4.444444  2.222222  4.444444  2.222222  8.888889  4.444444  6.666667
## 14 10.526316 10.526316  5.263158  5.263158  5.263158 10.526316 15.789474
## 15  3.076923  1.538462  1.538462  1.538462  1.538462 65.000000  1.538462
##           63        64        65        66        67         68        69
## 4   6.666667  6.666667  6.666667  6.666667  6.666667 13.3333333  6.666667
## 6  10.000000 20.000000 10.000000 10.000000 20.000000 10.0000000 10.000000
## 7   2.173913  6.521739  2.173913  2.173913  4.347826  2.1739130  4.347826
## 8   2.448980  1.632653  2.040816  2.040816  1.224490  0.4081633  1.632653
## 12  4.000000 12.000000  8.000000  8.000000  8.000000  4.0000000 12.000000
## 13  2.222222  6.666667  2.222222  4.444444  4.444444  2.2222222  2.222222
## 14 15.789474  5.263158  5.263158 19.000000  5.263158  5.2631579 10.526316
## 15  3.076923  3.076923  1.538462  3.076923  6.153846  6.1538462  1.538462
##            73         74         76         81         82         90         91
## 4   6.6666667  6.6666667 15.0000000  6.6666667  6.6666667  6.6666667  6.6666667
## 6  10.0000000 10.0000000 10.0000000 20.0000000 10.0000000 10.0000000 20.0000000
## 7   4.3478261  4.3478261  2.1739130  6.5217391 10.8695652  4.3478261  2.1739130
## 8   0.4081633  0.8163265  0.4081633  0.4081633  0.4081633  0.8163265  0.4081633
## 12  4.0000000  4.0000000  8.0000000  4.0000000  4.0000000 25.0000000  4.0000000
## 13  2.2222222  2.2222222  2.2222222  6.6666667  8.8888889  2.2222222  8.8888889
## 14 10.5263158  5.2631579  5.2631579  5.2631579 10.5263158 15.7894737 15.7894737
## 15  1.5384615  6.1538462  3.0769231  1.5384615  3.0769231  4.6153846  4.6153846
##           109       110
## 4   6.6666667  6.666667
## 6  10.0000000 10.000000
## 7   2.1739130  4.347826
## 8   0.4081633  1.224490
## 12  4.0000000 12.000000
## 13 45.0000000  2.222222
## 14  5.2631579  5.263158
## 15  4.6153846  9.230769

Regressões múltiplas

fit1 <- lm(SD_escr ~ Escolaridade + Idade + Sexo + Regiao, data = dados)
apaTables::apa.reg.table(fit1)

## 
## 
## Regression results using SD_escr as the criterion
##  
## 
##             Predictor       b       b_95%_CI sr2  sr2_95%_CI             Fit
##           (Intercept) 55.29** [50.10, 60.48]                                
##     EscolaridadeMedio  7.35**  [3.91, 10.80] .02  [.00, .03]                
##  EscolaridadeSuperior 14.61** [11.36, 17.86] .07  [.04, .10]                
##                 Idade -0.49** [-0.56, -0.42] .17  [.13, .22]                
##         SexoMasculino    1.87  [-0.28, 4.03] .00 [-.00, .01]                
##               RegiaoN    6.17 [-0.16, 12.49] .00 [-.00, .01]                
##              RegiaoNE    1.91  [-4.29, 8.10] .00 [-.00, .00]                
##               RegiaoS   -0.44  [-2.90, 2.02] .00 [-.00, .00]                
##              RegiaoSE   -2.47  [-5.20, 0.27] .00 [-.00, .01]                
##                                                                  R2 = .492**
##                                                              95% CI[.43,.53]
##                                                                             
## 
## Note. A significant b-weight indicates the semi-partial correlation is also significant.
## b represents unstandardized regression weights. 
## sr2 represents the semi-partial correlation squared.
## Square brackets are used to enclose the lower and upper limits of a confidence interval.
## * indicates p < .05. ** indicates p < .01.
##

fit2 <- lm(SD_oral ~ Escolaridade + Idade + Sexo + Regiao, data = dados)
apaTables::apa.reg.table(fit2)

## 
## 
## Regression results using SD_oral as the criterion
##  
## 
##             Predictor       b       b_95%_CI sr2  sr2_95%_CI             Fit
##           (Intercept) 60.13** [54.47, 65.78]                                
##     EscolaridadeMedio  7.42**  [3.65, 11.18] .01 [-.00, .03]                
##  EscolaridadeSuperior 14.94** [11.38, 18.49] .06  [.03, .09]                
##                 Idade -0.50** [-0.57, -0.42] .15  [.11, .20]                
##         SexoMasculino   2.81*   [0.46, 5.16] .01 [-.00, .01]                
##               RegiaoN    3.12 [-3.79, 10.02] .00 [-.00, .00]                
##              RegiaoNE   -1.92  [-8.69, 4.84] .00 [-.00, .00]                
##               RegiaoS   -1.52  [-4.21, 1.16] .00 [-.00, .01]                
##              RegiaoSE -5.01** [-8.00, -2.03] .01 [-.00, .02]                
##                                                                  R2 = .471**
##                                                              95% CI[.41,.51]
##                                                                             
## 
## Note. A significant b-weight indicates the semi-partial correlation is also significant.
## b represents unstandardized regression weights. 
## sr2 represents the semi-partial correlation squared.
## Square brackets are used to enclose the lower and upper limits of a confidence interval.
## * indicates p < .05. ** indicates p < .01.
##

Interações

# Mostra as interações da Idade com a Escolaridade (quando houver)
library(jtools)
library(interactions)

summ(fit1)

Observations	586 (1 missing obs. deleted)
Dependent variable	SD_escr
Type	OLS linear regression

F(8,577)	69.78
R²	0.49
Adj. R²	0.48

	Est.	S.E.	t val.	p
(Intercept)	55.29	2.64	20.92	0.00
EscolaridadeMedio	7.35	1.76	4.19	0.00
EscolaridadeSuperior	14.61	1.66	8.82	0.00
Idade	-0.49	0.04	-13.99	0.00
SexoMasculino	1.87	1.10	1.71	0.09
RegiaoN	6.17	3.22	1.92	0.06
RegiaoNE	1.91	3.16	0.60	0.55
RegiaoS	-0.44	1.25	-0.35	0.72
RegiaoSE	-2.47	1.39	-1.77	0.08
Standard errors: OLS

summ(fit1, scale = TRUE)

Observations	586 (1 missing obs. deleted)
Dependent variable	SD_escr
Type	OLS linear regression

F(8,577)	69.78
R²	0.49
Adj. R²	0.48

	Est.	S.E.	t val.	p
(Intercept)	33.29	1.73	19.22	0.00
EscolaridadeMedio	7.35	1.76	4.19	0.00
EscolaridadeSuperior	14.61	1.66	8.82	0.00
Idade	-8.09	0.58	-13.99	0.00
Sexo	1.87	1.10	1.71	0.09
RegiaoN	6.17	3.22	1.92	0.06
RegiaoNE	1.91	3.16	0.60	0.55
RegiaoS	-0.44	1.25	-0.35	0.72
RegiaoSE	-2.47	1.39	-1.77	0.08
Standard errors: OLS; Continuous predictors are mean-centered and scaled by 1 s.d.

interact_plot(fit1, pred = "Idade", modx = "Escolaridade")

# Plot with transparency
#png(file = "C:/Users/danil/Desktop/Rplot.png", bg = "transparent",
#    type = c("cairo"), width=2400, height=1800, res=300)
interact_plot(fit1, pred = "Idade", modx = "Escolaridade", interval = TRUE, int.width = 0.8,
              x.label = "Idade", y.label = "SDMT Escrito", main.title = "")

#dev.off()

summ(fit2)

Observations	587
Dependent variable	SD_oral
Type	OLS linear regression

F(8,578)	64.34
R²	0.47
Adj. R²	0.46

	Est.	S.E.	t val.	p
(Intercept)	60.13	2.88	20.88	0.00
EscolaridadeMedio	7.42	1.92	3.87	0.00
EscolaridadeSuperior	14.94	1.81	8.26	0.00
Idade	-0.50	0.04	-12.95	0.00
SexoMasculino	2.81	1.20	2.35	0.02
RegiaoN	3.12	3.51	0.89	0.38
RegiaoNE	-1.92	3.45	-0.56	0.58
RegiaoS	-1.52	1.37	-1.12	0.26
RegiaoSE	-5.01	1.52	-3.30	0.00
Standard errors: OLS

summ(fit2, scale = TRUE)

Observations	587
Dependent variable	SD_oral
Type	OLS linear regression

F(8,578)	64.34
R²	0.47
Adj. R²	0.46

	Est.	S.E.	t val.	p
(Intercept)	37.93	1.89	20.08	0.00
EscolaridadeMedio	7.42	1.92	3.87	0.00
EscolaridadeSuperior	14.94	1.81	8.26	0.00
Idade	-8.17	0.63	-12.95	0.00
Sexo	2.81	1.20	2.35	0.02
RegiaoN	3.12	3.51	0.89	0.38
RegiaoNE	-1.92	3.45	-0.56	0.58
RegiaoS	-1.52	1.37	-1.12	0.26
RegiaoSE	-5.01	1.52	-3.30	0.00
Standard errors: OLS; Continuous predictors are mean-centered and scaled by 1 s.d.

interact_plot(fit2, pred = "Idade", modx = "Escolaridade")

# Plot with transparency
#png(file = "C:/Users/danil/Desktop/Rplot.png", bg = "transparent",
#    type = c("cairo"), width=2400, height=1800, res=300)
interact_plot(fit2, pred = "Idade", modx = "Escolaridade", interval = TRUE, int.width = 0.8,
              x.label = "Idade", y.label = "SDMT Oral", main.title = "")

#dev.off()

Teste Reteste

Escrito

library(WRS2)
# Correlação robusta Teste-Reteste do SDMT Escrito
pbcor(conf$SD_escr_teste, conf$SD_escr_reteste)

## Call:
## pbcor(x = conf$SD_escr_teste, y = conf$SD_escr_reteste)
## 
## Robust correlation coefficient: 0.9532
## Test statistic: 29.738
## p-value: 0

ggplot(conf) +
 aes(x = SD_escr_teste, y = SD_escr_reteste, colour = Idade, size = Escolaridade) +
 geom_point() +
 geom_smooth(span = 0.75) +
 scale_color_gradient() +
 labs(title = "SDMT Escrito", x = "Teste", y = "Reteste") +
 theme_minimal()

Oral

# Correlação robusta Teste-Reteste do SDMT Escrito
pbcor(conf$SD_oral_teste, conf$SD_oral_reteste)

## Call:
## pbcor(x = conf$SD_oral_teste, y = conf$SD_oral_reteste)
## 
## Robust correlation coefficient: 0.9198
## Test statistic: 22.1129
## p-value: 0

ggplot(conf) +
 aes(x = SD_oral_teste, y = SD_oral_reteste, colour = Idade, size = Escolaridade) +
 geom_point() +
 geom_smooth(span = 0.75) +
 scale_color_gradient() +
 labs(title = "SDMT Oral", x = "Teste", y = "Reteste") +
 theme_minimal()

Medidas clínicas

Análise de cluster RM

library(cluster)

# Seleciona variáveis do banco de dados da Ressonância
dados2 <- na.omit(Ress[c(8:15, 17:38)])

# Kmeans clustering (2 clusters)
dados3 <- prcomp(dados2, center = FALSE, scale. = FALSE)$x %>% as.data.frame()
km.cluster <- kmeans(dados3, centers = 2, iter.max = 20, nstart = 2)
dados3$kmeans.cluster <- km.cluster$cluster

ggplot(dados3) +
  aes(x = PC1, y = PC2, colour = as.factor(kmeans.cluster)) +
  geom_point(size = 2L) +
  scale_color_hue() +
  labs(x = "PC1", y = "PC2", title = "Kmeans Clustering", color = "Clusters") +
  theme_minimal()

Gráficos RM

library(DataExplorer)
colnames(Ress)

##  [1] "Idade"         "Sexo"          "Escolaridade"  "Trabalha"     
##  [5] "Profissao"     "Civil"         "Comorbidades"  "Medicamentos" 
##  [9] "TempoDoenca"   "EDSS"          "Passos25"      "pinosdir9"    
## [13] "pinosesq9"     "MedicamentoEM" "VitD"          "Lateralidade" 
## [17] "FSS"           "HADS_A"        "HADS_D"        "SF36"         
## [21] "SD_escr"       "SD_oral"       "BVMT_T1"       "BVMT_T2"      
## [25] "BVMT_T3"       "BVMT"          "CVLT_A1"       "CVLT_A2"      
## [29] "CVLT_A3"       "CVLT_A4"       "CVLT_A5"       "CVLT"         
## [33] "CVLT_rep"      "MMSE_MST"      "VolCereb"      "VolCinz"      
## [37] "LesoesFlair"   "LesoesImpreg"

# Análise gráfica dos dados
plot_missing(Ress)

plot_histogram(Ress)

#plot_density(Ress)
plot_correlation(Ress, type = 'continuous', cor_args = list("use" = "pairwise.complete.obs"))

plot_correlation(dados, type = 'discrete', cor_args = list("use" = "pairwise.complete.obs"))

plot_bar(Ress)

library(qgraph)
# Correlação entre as variáveis do banco RM
clinic <- cor_auto(Ress)

library(corrplot)
corrplot(clinic, type="lower", order="hclust")

# cria um banco RM diferente (USAR EM OUTRAS ANALISES)
Ress2 <- Ress %>% dplyr::select(Idade, Escolaridade, Comorbidades:VitD, FSS:SD_oral, BVMT, CVLT, CVLT_rep:LesoesImpreg)

Árvores condicionais RM

library(partykit)

# Análise exploratória pra prever o VolCereb
plot(ctree(VolCereb ~ . , data = Ress))

plot(ctree(I(VolCereb + VolCinz) ~ . , data = Ress)) # Escore composto

plot(ctree(VolCereb ~ SD_escr + SD_oral, data = Ress))

plot(ctree(I(VolCereb + VolCinz) ~ SD_oral , data = Ress))

plot(ctree(I(VolCereb + VolCinz) ~ SD_escr + SD_oral , data = Ress))

plot(ctree(VolCereb ~ SD_escr + SD_oral + BVMT + CVLT + MMSE_MST + pinosdir9 + pinosesq9 + Passos25, data = Ress))

# Árvores condicionais exploratórias para prever dificuldades motores
plot(ctree(EDSS ~ . , data = Ress))

plot(ctree(EDSS ~ . , data = Ress[-c(12,13)]))

plot(ctree(I(pinosesq9 + pinosdir9) ~ . , data = Ress))

# Prever lesões
plot(ctree(LesoesFlair ~ . , data = Ress))

plot(ctree(LesoesImpreg ~ . , data = Ress))

# Banco de dados Ress2
plot(ctree(BVMT ~ . , data = Ress2))

plot(ctree(CVLT ~ . , data = Ress2))

plot(ctree(MMSE_MST ~ . , data = Ress2))

# Prever SDMT
plot(ctree(I(SD_escr + SD_oral) ~ . , data = Ress2))

plot(ctree(I(SD_escr + SD_oral) ~ . , data = Ress2[-21]))

plot(ctree(SD_escr ~ pinosdir9 + pinosesq9, data = Ress))

plot(ctree(SD_oral ~ pinosdir9 + pinosesq9, data = Ress))

# Prever Severidade da Fadiga (FSS)
plot(ctree(FSS ~ . , data = Ress))

# Prever Humor
plot(ctree(HADS_D ~ . , data = Ress))

plot(ctree(HADS_A ~ . , data = Ress))

plot(ctree(I(HADS_A + HADS_D) ~ . , data = Ress))

# Prever Qualidade de Vida (SF-36)
plot(ctree(SF36 ~ . , data = Ress))

SDMT - Symbol Digit Modalities Test

Carina Toledo, Ph.D. & Danilo A Pereira, Ph.D.

10/12/2019

Bancos de dados

Análise descritiva

Análise gráfica

Bancos SDMT

Arvores de inferência condicional

SDMT Escrito

SDMT Oral

Parâmetros adicionais

Regressões múltiplas

Interações

Teste Reteste

Escrito

Oral

Medidas clínicas

Análise de cluster RM

Gráficos RM

Árvores condicionais RM