Projeto - Vlaudimir
Luis Anunciacao
7/11/2020
1 Packages
## -- Attaching packages ------------------------------------------------------------------------------------------------------------------ tidyverse 1.3.0 --## v ggplot2 3.3.1 v purrr 0.3.4
## v tibble 3.0.1 v dplyr 1.0.0
## v tidyr 1.1.0 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.5.0## -- Conflicts --------------------------------------------------------------------------------------------------------------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()##
## Attaching package: 'flextable'## The following object is masked from 'package:purrr':
##
## compose##
## Attaching package: 'janitor'## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.test## Registered S3 method overwritten by 'pryr':
## method from
## print.bytes Rcpp## For best results, restart R session and update pander using devtools:: or remotes::install_github('rapporter/pander')##
## Attaching package: 'summarytools'## The following object is masked from 'package:tibble':
##
## view##
## Attaching package: 'psych'## The following objects are masked from 'package:ggplot2':
##
## %+%, alpha##
## Attaching package: 'igraph'## The following object is masked from 'package:flextable':
##
## compose## The following objects are masked from 'package:dplyr':
##
## as_data_frame, groups, union## The following objects are masked from 'package:purrr':
##
## compose, simplify## The following object is masked from 'package:tidyr':
##
## crossing## The following object is masked from 'package:tibble':
##
## as_data_frame## The following objects are masked from 'package:stats':
##
## decompose, spectrum## The following object is masked from 'package:base':
##
## union2 Dataaset
3 Descriptives
ds %>%
select(genero:qual_a_sua_frequencia_de_pratica_de_atividade_fisica_na_semana) %>%
tableone::CreateTableOne(data = .)## Warning in ModuleReturnVarsExist(vars, data): These variables only have NA/NaN:
## qte_anos_maco Dropped##
## Overall
## n 75
## genero = Masculino (%) 65 (86.7)
## idade (mean (SD)) 40.15 (9.99)
## peso_em_kg (mean (SD)) 87.29 (17.74)
## altura_em_cm (mean (SD)) 176.17 (8.22)
## imc (mean (SD)) 27.98 (4.57)
## estado_civil (%)
## Casado 55 (73.3)
## Divorciado 1 ( 1.3)
## Solteiro 19 (25.3)
## numero_de_filhos (%)
## 1 12 (16.0)
## 2 24 (32.0)
## 3 9 (12.0)
## 6 1 ( 1.3)
## Nenhum 29 (38.7)
## nivel_educacional (%)
## Doutorado 3 ( 4.0)
## Especialização (Residência ou Estágio) 61 (81.3)
## Graduação 3 ( 4.0)
## Mestrado 7 ( 9.3)
## Pós Doutorado 1 ( 1.3)
## historia_de_tabagismo (%)
## Ex tabagista 8 (10.7)
## Não 63 (84.0)
## Sim 4 ( 5.3)
## ex_tabagista_ha_quantos_anos_voce_nao_fuma_mais (%)
## 1 1 ( 1.3)
## 12 1 ( 1.3)
## 13 1 ( 1.3)
## 18 1 ( 1.3)
## 4 1 ( 1.3)
## 6 1 ( 1.3)
## 7 1 ( 1.3)
## 9 1 ( 1.3)
## NA 67 (89.3)
## ex_taabgista_com_qual_idade_voce_comecou_a_fumar (%)
## 14 2 ( 2.7)
## 16 1 ( 1.3)
## 17 1 ( 1.3)
## 18 2 ( 2.7)
## 23 2 ( 2.7)
## NA 67 (89.3)
## ex_tbagista_qual_a_quantidade_de_cigarros_voce_fumava_por_dia (%)
## 10 4 ( 5.3)
## 20 3 ( 4.0)
## 40 1 ( 1.3)
## NA 67 (89.3)
## tabgista_com_qual_idade_voce_comecou_a_fumar (%)
## 18 1 ( 1.3)
## 20 1 ( 1.3)
## 26 1 ( 1.3)
## 28 1 ( 1.3)
## NA 71 (94.7)
## tabagista_qual_a_quantidade_de_cigarros_voce_fuma_por_dia (%)
## 10 1 ( 1.3)
## 3 1 ( 1.3)
## 4 1 ( 1.3)
## 5 1 ( 1.3)
## NA 71 (94.7)
## voce_pratica_atividade_fisica_por_mais_de_30_minutos = Sim (%) 40 (53.3)
## qual_a_sua_frequencia_de_pratica_de_atividade_fisica_na_semana (%)
## 2 vezes por semana 14 (18.7)
## 3 vezes por semana 16 (21.3)
## 4 vezes por semana 6 ( 8.0)
## 5 vezes por semana 4 ( 5.3)
## Não pratica 35 (46.7)ds %>%
select(estando_em_casa_quantas_horas_voce_consegue_dormir_por_noite:qual_e_a_sua_carga_horaria_na_semana_para_plantao_presencial_noturno_na_sala_de_emergencia_urgencia_pronto_socorro_ou_pa) %>%
tableone::CreateTableOne(data = .)##
## Overall
## n 75
## estando_em_casa_quantas_horas_voce_consegue_dormir_por_noite (%)
## Mais do que 3 até 6 horas 21 (28.0)
## Mais do que 6 horas até 8 horas 50 (66.7)
## Mais do que 8 horas 4 ( 5.3)
## estando_em_plantao_hospitalar_noturno_quantas_horas_voce_consegue_dormir_por_noite (%)
## Até 3 horas 37 (49.3)
## Mais do que 3 até 6 horas 28 (37.3)
## Mais do que 6 horas até 8 horas 1 ( 1.3)
## Não faço plantão presencial noturno em hospital 9 (12.0)
## faco_atendimento_em_hospital_publico = sim (%) 52 (69.3)
## faco_atendimento_em_hospital_privado = sim (%) 64 (85.3)
## faco_atendimento_em_universitario = sim (%) 31 (41.3)
## faco_atendimento_em_consultorio (%)
## não 39 (52.0)
## sim 35 (46.7)
## sm 1 ( 1.3)
## faz_plantao_na_sala_de_urgencia_emergencia_pronto_socorro_ou_pa (%)
## Não 25 (33.3)
## sim 3 ( 4.0)
## Sim 47 (62.7)
## ha_quanto_tempo_trabalha_na_sala_de_emergencia_urgencia_pronto_socorro_ou_pa (%)
## De 1 ano até 2 anos 6 ( 8.0)
## De 2 anos até 3 anos 6 ( 8.0)
## De 3 anos até 4 anos 5 ( 6.7)
## Mais do que 4 anos 32 (42.7)
## Menos do que 1 ano 1 ( 1.3)
## não faço plantao na SUE 25 (33.3)
## qual_e_a_sua_carga_horaria_na_semana_para_plantao_presencial_dia_e_ou_noite_na_sala_de_emergencia_urgencia_pronto_socorro_ou_pa (%)
## Até 6 horas 3 ( 4.0)
## Mais do que 12 até 18 horas 9 (12.0)
## Mais do que 18 até 24 horas 5 ( 6.7)
## Mais do que 24 até 30 horas 8 (10.7)
## Mais do que 30 até 36 horas 9 (12.0)
## Mais do que 36 até 42 horas 2 ( 2.7)
## Mais do que 42 até 48 horas 1 ( 1.3)
## Mais do que 48 até 60 horas 2 ( 2.7)
## Mais do que 6 até 12 horas 11 (14.7)
## não faço plantao na SUE 25 (33.3)
## qual_e_a_sua_carga_horaria_na_semana_para_plantao_presencial_noturno_na_sala_de_emergencia_urgencia_pronto_socorro_ou_pa (%)
## Até 6 horas 8 (10.7)
## Mais do que 12 até 18 horas 12 (16.0)
## Mais do que 18 até 24 horas 11 (14.7)
## Mais do que 24 até 30 horas 3 ( 4.0)
## Mais do que 30 até 36 horas 2 ( 2.7)
## Mais do que 36 até 42 horas 2 ( 2.7)
## Mais do que 42 até 48 horas 1 ( 1.3)
## Mais do que 6 até 12 horas 11 (14.7)
## não faço plantao na SUE 25 (33.3)4 Copy variables (BIG 5)
5 Transform into numeric
6 Check distribution
ds %>%
select(starts_with("big5_")) %>%
pivot_longer(everything()) %>%
ggplot(., aes(name, value)) +
geom_boxplot() +
theme_bw() +
theme(axis.text.x = element_text(angle = 45, hjust=1)) +
labs(x = "", y = "")
7 Reverse scale
8 Compute totals
ds <- ds %>%
mutate(big_extroversao = rowSums(select(.,big5_1, big5_6, big5_11, big5_16, big5_21)), #<-- LUCAS, CONFERIR
big_socializacao = rowSums(select(.,big5_2, big5_7, big5_12, big5_17, big5_22)),
big_conscienciosidade = rowSums(select(.,big5_3, big5_8, big5_13, big5_18, big5_23)),
big_neuroticismo = rowSums(select(.,big5_4, big5_9, big5_14, big5_19, big5_24)),
big_abertura = rowSums(select(.,big5_5, big5_10, big5_15, big5_20, big5_25)))9 Copy variables (Perceived stress)
ds <- ds %>%
mutate_at(vars(neste_ultimo_mes_com_que_frequencia_voce_tem_ficado_triste_por_causa_de_algo_que_aconteceu_inesperadamente:neste_ultimo_mes_com_que_frequencia_voce_tem_sentido_que_as_dificuldades_se_acumulam_a_ponto_de_voce_acreditar_que_nao_pode_supera_las),
list(stress = ~paste0(.))) %>% #copy all variables (duplicate)
rename_at(vars(ends_with( "_stress")), list(~paste0("stress_", 1:14))) 10 Transform into numeric
11 Reverse scale
12 Check distribution
ds %>%
select(starts_with("stress_")) %>%
pivot_longer(everything()) %>%
ggplot(., aes(name, value)) +
geom_boxplot() +
theme_bw() +
theme(axis.text.x = element_text(angle = 45, hjust=1)) +
labs(x = "", y = "")
14 Copy variables (HADS)
ds <- ds %>%
mutate_at(vars(x1_eu_sinto_tenso_a_ou_contraido_a:x14_consigo_sentir_prazer_quando_assisto_a_um_bom_programa_de_televisao_de_radio_ou_quando_leio_alguma_coisa),
list(hads = ~paste0(.))) %>% #copy all variables (duplicate)
rename_at(vars(ends_with( "_hads")), list(~paste0("hads_", 1:14))) 15 Transform into numeric (Lucas em julho 11 2020)
ds <- ds %>%
mutate_at(vars(hads_1), ~case_when(
. == "A maior parte do tempo" ~ 3,
. == "Boa parte do tempo" ~ 2,
. == "De vez em quando" ~ 1,
. == "Nunca" ~ 0
))
ds <- ds %>%
mutate_at(vars(hads_2), ~case_when(
. =="Sim, do mesmo jeito que antes" ~ 0,
. =="Não tanto quanto antes" ~ 1,
. =="Só um pouco" ~2
))
ds <- ds %>%
mutate_at(vars(hads_3), ~case_when(
. == "Não sinto nada disso" ~ 0,
. == "Um pouco, mas isso não me preocupa" ~ 1,
. == "Sim, mas não tão forte" ~ 2,
.== "Sim, de jeito muito forte"~ 3
))
ds <- ds %>%
mutate_at(vars(hads_4), ~case_when(
. =="Do mesmo jeito que antes" ~0,
.=="Atualmente um pouco menos" ~1,
.== "Atualmente bem menos" ~2,
))
ds <- ds %>%
mutate_at(vars(hads_5), ~case_when(
. =="Raramente" ~0,
.=="De vez em quando" ~1,
.=="Boa parte do tempo" ~2,
.=="A maior parte do tempo"~3
))
ds <- ds %>%
mutate_at(vars(hads_6), ~case_when(
. =="A maior parte do tempo" ~0,
.=="Muitas vezes" ~1,
.== "Poucas vezes" ~2
))
ds <- ds %>%
mutate_at(vars(hads_7), ~case_when(
. =="Sim, quase sempre" ~0,
.=="Muitas vezes" ~1,
.== "Poucas vezes" ~2
))
ds <- ds %>%
mutate_at(vars(hads_8), ~case_when(
. =="Nunca"~0,
.=="Poucas vezes" ~1,
.=="Muitas vezes" ~2,
.=="Quase sempre" ~3
))
ds <- ds %>%
mutate_at(vars(hads_9), ~case_when(
. =="Nunca" ~ 0,
.=="De vez em quando" ~ 1,
.=="Muitas vezes" ~ 2,
.=="Quase sempre" ~ 3
))
ds <- ds %>%
mutate_at(vars(hads_10), ~case_when(
. =="Me cuido do mesmo jeito que antes"~0,
.=="Talvez não tanto quanto antes"~1,
.=="Não estou mais me cuidando como eu deveria"~2,
.=="Completamente"~3
))
ds <- ds %>%
mutate_at(vars(hads_11), ~case_when(
. =="Não me sinto assim"~0,
.=="Um pouco"~1,
.=="Bastante"~2,
.=="Sim, demais"~3
))
ds <- ds %>%
mutate_at(vars(hads_12), ~case_when(
. =="Do mesmo jeito que antes"~0,
.=="Um pouco menos que antes"~1,
.=="Bem menos que antes"~2,
.=="Quase nunca"~3
))
ds <- ds %>%
mutate_at(vars(hads_13), ~case_when(
. =="Não senti isso"~0,
.=="De vez em quando"~1,
.=="Várias vezes"~2
))
ds <- ds %>%
mutate_at(vars(hads_14), ~case_when(
.=="Quase sempre"~0,
.=="Várias vezes" ~1,
.=="Poucas vezes" ~2,
.=="Quase nunca" ~3
))
ds <- ds %>%
mutate_at(vars(starts_with("hads_")), ~as.numeric(.))16 Check distribution
ds %>%
select(starts_with("hads_")) %>%
pivot_longer(everything()) %>%
ggplot(., aes(name, value)) +
geom_boxplot() +
theme_bw() +
theme(axis.text.x = element_text(angle = 45, hjust=1)) +
labs(x = "", y = "")## Warning: Removed 1050 rows containing non-finite values (stat_boxplot).
18 Psychometrics
18.1 Reliability (BIG 5)
descritivos_big5 <- ds %>%
select(starts_with("big5_")) %>% alpha(.) #<--DONT CHECK KEYS if USE MEANS
#Transform to a data frame
descritivos_big5 <- bind_cols(descritivos_big5$item.stats,descritivos_big5$alpha.drop)
#add row number and Supress some variables
descritivos_big5 <- descritivos_big5 %>% mutate(item=row_number()) %>% select(item, n, mean, sd, r.drop, raw_alpha)
#add content
descritivos_big5 <- descritivos_big5 %>% mutate(conteudo = case_when(
item == "1" ~ "1 comunicativa",
item == "2" ~ "2 amável",
item == "3" ~ "3 dedicada",
item == "4" ~ "4 pessimista",
item == "5" ~ "5 criativa",
item == "6" ~ "6 quieta (R)",
item == "7" ~ "7 gentil",
item == "8" ~ "8 esforçada",
item == "9" ~ "9 deprimida",
item == "10" ~ "10 artística",
item == "11" ~ "11 timida (R)",
item == "12" ~ "12 simpatica",
item == "13" ~ "13 responsavel",
item == "14" ~ "14 insegura",
item == "15" ~ "15 filosofica",
item == "16" ~ "16 desembaracada",
item == "17" ~ "17 bondosa",
item == "18" ~ "18 organizada",
item == "19" ~ "19 ansiosa",
item == "20" ~ "20 aventureira",
item == "21" ~ "21 inibida (R)",
item == "22" ~ "22 compreensiva",
item == "23" ~ "23 cuidadosa",
item == "24" ~ "24 aborrecida",
item == "25" ~ "25 audaciosa"))
# arrange
descritivos_big5 <- descritivos_big5 %>%
dplyr::select(item, conteudo, n, mean, sd, r.drop, raw_alpha)
#translate names
descritivos_big5 <- descritivos_big5 %>%
rename("média" = mean, "DP" = sd, "cor item-total" = r.drop, "alfa se deletado" = raw_alpha)item | conteudo | n | média | DP | cor item-total | alfa se deletado |
1.000 | 1 comunicativa | 75.000 | 4.227 | 0.798 | 0.478 | 0.641 |
2.000 | 2 amável | 75.000 | 3.787 | 0.776 | 0.459 | 0.643 |
3.000 | 3 dedicada | 75.000 | 4.453 | 0.643 | 0.242 | 0.661 |
4.000 | 4 pessimista | 75.000 | 2.293 | 0.882 | -0.175 | 0.695 |
5.000 | 5 criativa | 75.000 | 3.893 | 0.746 | 0.364 | 0.651 |
6.000 | 6 quieta (R) | 75.000 | 3.293 | 1.323 | 0.172 | 0.671 |
7.000 | 7 gentil | 75.000 | 4.053 | 0.751 | 0.502 | 0.640 |
8.000 | 8 esforçada | 75.000 | 4.307 | 0.697 | 0.177 | 0.665 |
9.000 | 9 deprimida | 75.000 | 2.000 | 1.000 | 0.189 | 0.665 |
10.000 | 10 artística | 75.000 | 2.640 | 1.123 | 0.328 | 0.650 |
11.000 | 11 timida (R) | 75.000 | 3.280 | 1.073 | 0.168 | 0.668 |
12.000 | 12 simpatica | 75.000 | 3.893 | 0.781 | 0.676 | 0.625 |
13.000 | 13 responsavel | 75.000 | 4.627 | 0.632 | 0.356 | 0.654 |
14.000 | 14 insegura | 75.000 | 2.173 | 0.964 | 0.166 | 0.667 |
15.000 | 15 filosofica | 75.000 | 2.800 | 1.263 | 0.139 | 0.674 |
16.000 | 16 desembaracada | 75.000 | 3.893 | 0.764 | 0.257 | 0.659 |
17.000 | 17 bondosa | 75.000 | 4.160 | 0.717 | 0.561 | 0.637 |
18.000 | 18 organizada | 75.000 | 3.733 | 0.963 | 0.058 | 0.677 |
19.000 | 19 ansiosa | 75.000 | 3.253 | 1.198 | 0.307 | 0.652 |
20.000 | 20 aventureira | 75.000 | 3.040 | 1.202 | 0.189 | 0.667 |
21.000 | 21 inibida (R) | 75.000 | 3.720 | 0.847 | 0.144 | 0.668 |
22.000 | 22 compreensiva | 75.000 | 4.013 | 0.707 | 0.288 | 0.657 |
23.000 | 23 cuidadosa | 75.000 | 4.227 | 0.649 | 0.303 | 0.657 |
24.000 | 24 aborrecida | 75.000 | 2.440 | 0.990 | -0.154 | 0.697 |
25.000 | 25 audaciosa | 75.000 | 3.147 | 0.940 | 0.028 | 0.679 |
Gráfico de médias
descritivos_big5 %>%
select(conteudo, média) %>%
ggplot(., aes(conteudo, média)) +
geom_bar(stat = "summary") +
labs(x = "", y = "Média", title = "Marcadores da Personalidade") +
theme_bw() +
theme(axis.text.x = element_text(angle = 45, hjust=1))## No summary function supplied, defaulting to `mean_se()`
Em cada fator
#Extroversão
ds %>%
select(big5_1, big5_6, big5_11, big5_16, big5_21) %>%
alpha()
#Socialização
ds %>%
select(big5_2, big5_7, big5_12, big5_17, big5_22) %>%
alpha()
#Conscienciosidade
ds %>%
select(big5_3, big5_8, big5_13, big5_18, big5_23) %>%
alpha()
# Neuroticismo
ds %>%
select(big5_4, big5_9, big5_14, big5_19, big5_24) %>%
alpha()
#Abertura
ds %>%
select(big5_5, big5_10, big5_15, big5_20, big5_25) %>%
alpha()Tabela de médias por dimensões
ds %>%
select(starts_with("big_")) %>% #select all variables of intereset
rename_all(., ~str_remove(., "big_")) %>%
rename_all(.,~str_to_title(.)) %>%
tableone::CreateTableOne(data = .)##
## Overall
## n 75
## Extroversao (mean (SD)) 18.41 (3.49)
## Socializacao (mean (SD)) 19.91 (3.05)
## Conscienciosidade (mean (SD)) 21.35 (2.71)
## Neuroticismo (mean (SD)) 12.16 (3.53)
## Abertura (mean (SD)) 15.52 (3.15)Gráfico de rede entre dimensões do big 5
cor_graph <- ds %>%
select(starts_with("big_")) %>% #select all variables of intereset
rename_all(., ~str_remove(., "big_")) %>%
rename_all(.,~str_to_title(.)) %>% #sentence case
nest(data = everything()) %>% #create specific dataset to each age intervla
mutate(data = map(data, purrr::compose(stretch, correlate))) %>% #run correlation
unnest(cols = c(data)) %>%
select(x, y, r) %>%
graph_from_data_frame(directed = FALSE)##
## Correlation method: 'pearson'
## Missing treated using: 'pairwise.complete.obs'ggraph(cor_graph, layout = "kk") +
geom_edge_link(aes(edge_alpha = abs(r), color = r), edge_width = 5) +
guides(edge_alpha = "none") +
scale_edge_colour_gradientn(limits = c(-1, 1), colors = c("firebrick2", "dodgerblue2")) +
geom_node_point(color = "black", size = 4) +
geom_node_text(aes(label = name), repel = TRUE) +
theme_graph()## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family not
## found in Windows font database
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family not
## found in Windows font database## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family not found in Windows font database
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family not found in Windows font database
ds %>%
select(starts_with("big_")) %>% #select all variables of intereset
rename_all(., ~str_remove(., "big_")) %>%
rename_all(.,~str_to_title(.)) %>%
pivot_longer(everything()) %>%
ggplot(., aes(name, value))+
geom_boxplot() +
labs(x = "", y = "", title = "Distribuição dos fatores dos Marcadores de Personalidade") +
theme_bw()
18.2 Reliability (Perceived stress)
descritivos_stress <- ds %>%
select(starts_with("stress")) %>% alpha(.)
#Transform to a data frame
descritivos_stress <- bind_cols(descritivos_stress$item.stats,descritivos_stress$alpha.drop)
#add row number and Supress some variables
descritivos_stress <- descritivos_stress %>% mutate(item=row_number()) %>% select(item, n, mean, sd, r.drop, raw_alpha)
#add content
descritivos_stress <- descritivos_stress %>% mutate(conteudo = case_when(
item == "1" ~ "1 tem ficado triste",
item == "2" ~ "2 incapaz de controlar coisas imporantes",
item == "3" ~ "3 nervoso ou estressado",
item == "4" ~ "4 tratado com sucesso problemas difíceis",
item == "5" ~ "5 lidando bem com mudanças",
item == "6" ~ "6 confiante em suas habilidades",
item == "7" ~ "7 sente que as coisas estão de acordo com sua vontade",
item == "8" ~ "8 não consegue lidar com as coisas",
item == "9" ~ "9 consegue controlar a irritação",
item == "10" ~ "10 coisas sob seu controle",
item == "11" ~ "11 ficado irritado com as coisas",
item == "12" ~ "12 pensando sobre coisas que deve fazer",
item == "13" ~ "13 controlar como gasta o tempo",
item == "14" ~ "14 sente que as dificuldades se acumular"))
# arrange
descritivos_stress <- descritivos_stress %>%
dplyr::select(item, conteudo, n, mean, sd, r.drop, raw_alpha)
#translate names
descritivos_stress <- descritivos_stress %>%
rename("média" = mean, "DP" = sd, "cor item-total" = r.drop, "alfa se deletado" = raw_alpha)item | conteudo | n | média | DP | cor item-total | alfa se deletado |
1.000 | 1 tem ficado triste | 75.000 | 1.827 | 0.921 | 0.613 | 0.908 |
2.000 | 2 incapaz de controlar coisas imporantes | 75.000 | 1.547 | 1.044 | 0.711 | 0.905 |
3.000 | 3 nervoso ou estressado | 75.000 | 2.067 | 0.905 | 0.707 | 0.905 |
4.000 | 4 tratado com sucesso problemas difíceis | 75.000 | 1.213 | 0.684 | 0.691 | 0.906 |
5.000 | 5 lidando bem com mudanças | 75.000 | 1.213 | 0.827 | 0.811 | 0.901 |
6.000 | 6 confiante em suas habilidades | 75.000 | 1.107 | 0.781 | 0.667 | 0.906 |
7.000 | 7 sente que as coisas estão de acordo com sua vontade | 75.000 | 1.720 | 0.763 | 0.637 | 0.908 |
8.000 | 8 não consegue lidar com as coisas | 75.000 | 1.747 | 0.856 | 0.556 | 0.910 |
9.000 | 9 consegue controlar a irritação | 75.000 | 1.400 | 0.735 | 0.548 | 0.910 |
10.000 | 10 coisas sob seu controle | 75.000 | 1.587 | 0.737 | 0.660 | 0.907 |
11.000 | 11 ficado irritado com as coisas | 75.000 | 1.840 | 0.886 | 0.637 | 0.907 |
12.000 | 12 pensando sobre coisas que deve fazer | 75.000 | 3.040 | 0.877 | 0.262 | 0.921 |
13.000 | 13 controlar como gasta o tempo | 75.000 | 1.893 | 0.847 | 0.619 | 0.908 |
14.000 | 14 sente que as dificuldades se acumular | 75.000 | 1.333 | 1.044 | 0.723 | 0.904 |
Gráfico de médias
descritivos_stress %>%
select(conteudo, média) %>%
ggplot(., aes(conteudo, média)) +
geom_bar(stat = "summary") +
labs(x = "", y = "Média", title = "Estresse Percebido") +
theme_bw() +
theme(axis.text.x = element_text(angle = 45, hjust=1))## No summary function supplied, defaulting to `mean_se()`
cor_graph <- ds %>%
select(starts_with("stress")) %>% #select all variables of intereset
rename_all(., ~paste0("y", 1:14)) %>%
nest(data = everything()) %>% #create specific dataset to each age intervla
mutate(data = map(data, purrr::compose(stretch, correlate))) %>% #run correlation
unnest(cols = c(data)) %>%
select(x, y, r) %>%
graph_from_data_frame(directed = FALSE)##
## Correlation method: 'pearson'
## Missing treated using: 'pairwise.complete.obs'ggraph(cor_graph, layout = "kk") +
geom_edge_link(aes(edge_alpha = abs(r), color = r), edge_width = 5) +
guides(edge_alpha = "none") +
scale_edge_colour_gradientn(limits = c(-1, 1), colors = c("firebrick2", "dodgerblue2")) +
geom_node_point(color = "black", size = 4) +
geom_node_text(aes(label = name), repel = TRUE) +
theme_graph()## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family not found in Windows font database
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family not found in Windows font database
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family not found in Windows font database
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family not found in Windows font database
18.3 Reliability (Depressão e Ansiedade)
descritivos_hads <- ds %>%
select(starts_with("hads_")) %>% alpha(.)
#Transform to a data frame
descritivos_hads <- bind_cols(descritivos_hads$item.stats,descritivos_hads$alpha.drop)
#add row number and Supress some variables
descritivos_hads <- descritivos_hads %>% mutate(item=row_number()) %>% select(item, n, mean, sd, r.drop, raw_alpha)
#add content
descritivos_hads <- descritivos_hads %>% mutate(conteudo = case_when(
item == "1" ~ "1 Tenso ou contrariado",
item == "2" ~ "2 Gosto das memas coisas que antes (R)",
item == "3" ~ "3 Uma espécie de medo",
item == "4" ~ "4 Dou risada e me divirto (R)",
item == "5" ~ "5 Cabeça cheia de preocupações",
item == "6" ~ "6 Sinto-me alegre (R)",
item == "7" ~ "7 Consigo ficar à vontade (R)",
item == "8" ~ "8 Estou lento para pensar",
item == "9" ~ "9 Sensação ruim de medo",
item == "10" ~ "10 Perdi o interesse em cuidar da aparência",
item == "11" ~ "11 Sinto-me inquieto",
item == "12" ~ "12 Fico animado esperando as coisas (R)",
item == "13" ~ "13 Sensação de entrar em pânico",
item == "14" ~ "14 Sentir prazer vendo televisão (R)"))
# arrange
descritivos_hads <- descritivos_hads %>%
dplyr::select(item, conteudo, n, mean, sd, r.drop, raw_alpha)
#translate names
descritivos_hads <- descritivos_hads %>%
rename("média" = mean, "DP" = sd, "cor item-total" = r.drop, "alfa se deletado" = raw_alpha)item | conteudo | n | média | DP | cor item-total | alfa se deletado |
1.000 | 1 Tenso ou contrariado | 75.000 | 1.267 | 0.622 | 0.631 | 0.833 |
2.000 | 2 Gosto das memas coisas que antes (R) | 75.000 | 0.587 | 0.572 | 0.363 | 0.847 |
3.000 | 3 Uma espécie de medo | 75.000 | 0.960 | 0.845 | 0.517 | 0.840 |
4.000 | 4 Dou risada e me divirto (R) | 75.000 | 0.453 | 0.664 | 0.436 | 0.844 |
5.000 | 5 Cabeça cheia de preocupações | 75.000 | 1.587 | 0.840 | 0.498 | 0.841 |
6.000 | 6 Sinto-me alegre (R) | 75.000 | 0.893 | 0.649 | 0.511 | 0.840 |
7.000 | 7 Consigo ficar à vontade (R) | 75.000 | 1.040 | 0.667 | 0.496 | 0.841 |
8.000 | 8 Estou lento para pensar | 75.000 | 0.960 | 0.625 | 0.463 | 0.842 |
9.000 | 9 Sensação ruim de medo | 75.000 | 0.640 | 0.671 | 0.505 | 0.840 |
10.000 | 10 Perdi o interesse em cuidar da aparência | 75.000 | 0.720 | 0.745 | 0.490 | 0.841 |
11.000 | 11 Sinto-me inquieto | 75.000 | 0.653 | 0.762 | 0.552 | 0.837 |
12.000 | 12 Fico animado esperando as coisas (R) | 75.000 | 0.827 | 0.844 | 0.502 | 0.841 |
13.000 | 13 Sensação de entrar em pânico | 75.000 | 0.227 | 0.481 | 0.447 | 0.844 |
14.000 | 14 Sentir prazer vendo televisão (R) | 75.000 | 0.600 | 0.771 | 0.541 | 0.838 |
Gráfico de médias
descritivos_hads %>%
select(conteudo, média) %>%
ggplot(., aes(conteudo, média)) +
geom_bar(stat = "summary", fun=mean) +
labs(x = "", y = "Média", title = "Escala Hospitalar de Ansiedade e Depressão") +
theme_bw() +
theme(axis.text.x = element_text(angle = 45, hjust=1)) +
scale_x_discrete(labels = function(x) str_wrap(x, width = 20)) #break lines
19 Pergunta 1: Investigar o efeito de ser plantonista da sala de emergência na saúde mental
Definir plantonista
ds <- ds %>%
mutate(plantao = factor(if_else(faz_plantao_na_sala_de_urgencia_emergencia_pronto_socorro_ou_pa == "Não", "Não","Sim")))19.1 Big 5
Teste de hipótese
##
##
## ANOVA results using big_extroversao as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2 CI_90_partial_eta2
## (Intercept) 7814.56 1 7814.56 646.77 .000
## plantao 20.17 1 20.17 1.67 .200 .02 [.00, .10]
## Error 882.02 73 12.08
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared##
##
## ANOVA results using big_socializacao as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2 CI_90_partial_eta2
## (Intercept) 10000.00 1 10000.00 1057.94 .000
## plantao 0.33 1 0.33 0.03 .853 .00 [.00, .03]
## Error 690.02 73 9.45
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared##
##
## ANOVA results using big_conscienciosidade as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2 CI_90_partial_eta2
## (Intercept) 12012.16 1 12012.16 1646.24 .000
## plantao 12.33 1 12.33 1.69 .198 .02 [.00, .10]
## Error 532.66 73 7.30
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared##
##
## ANOVA results using big_neuroticismo as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2 CI_90_partial_eta2
## (Intercept) 3648.16 1 3648.16 288.90 .000
## plantao 0.24 1 0.24 0.02 .891 .00 [.00, .02]
## Error 921.84 73 12.63
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared##
##
## ANOVA results using big_abertura as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2 CI_90_partial_eta2
## (Intercept) 5685.16 1 5685.16 572.07 .000
## plantao 7.26 1 7.26 0.73 .396 .01 [.00, .08]
## Error 725.46 73 9.94
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squaredGrafico estatístico
ds %>%
select(plantao,starts_with("big_")) %>% #select all variables of intereset
rename_at(vars(-plantao), ~str_remove(., "big_")) %>%
rename_at(vars(-plantao),~str_to_title(.)) %>%
pivot_longer(cols=-plantao) %>%
ggstatsplot::grouped_ggbetweenstats(
data = .,
x = name,
y = value,
grouping.var = plantao,
bar.fill = "orange",
plot.type = "box",
xlab = "",
ylab = "",
#pairwise.comparisons = TRUE,
#pairwise.display = "significant",
#p.adjust.method = "bonferroni",
#ggplot.component = list(ggplot2::scale_y_continuous(sec.axis = ggplot2::dup_axis())),
plotgrid.args = list(nrow = 2))## Registered S3 methods overwritten by 'broom.mixed':
## method from
## augment.lme broom
## augment.merMod broom
## glance.lme broom
## glance.merMod broom
## glance.stanreg broom
## tidy.brmsfit broom
## tidy.gamlss broom
## tidy.lme broom
## tidy.merMod broom
## tidy.rjags broom
## tidy.stanfit broom
## tidy.stanreg broom## Registered S3 methods overwritten by 'lme4':
## method from
## cooks.distance.influence.merMod car
## influence.merMod car
## dfbeta.influence.merMod car
## dfbetas.influence.merMod car
Gráfico de médias
ds %>%
select(plantao,starts_with("big_")) %>% #select all variables of intereset
rename_at(vars(-plantao), ~str_remove(., "big_")) %>%
rename_at(vars(-plantao),~str_to_title(.)) %>%
pivot_longer(cols=-plantao) %>%
ggplot(., aes(name, value, fill=plantao)) +
geom_bar(stat = "summary", position = "dodge", fun=mean) +
stat_summary(fun.data = mean_se, geom = "errorbar",position = position_dodge(width=0.9), width=0.3) +
labs(fill = "Plantão", x = "", y = "Valores médios") +
theme_bw()
19.2 Stress percebido
Teste de hipótese
##
## Welch Two Sample t-test
##
## data: sts_total by plantao
## t = -0.28207, df = 39.339, p-value = 0.7794
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -5.064671 3.824671
## sample estimates:
## mean in group Não mean in group Sim
## 23.12 23.74Gráfico estatístico
Plantonista
ggstatsplot::ggbetweenstats(
data = ds,
x = plantao,
y = sts_total,
bar.fill = "orange",
plot.type = "box",
xlab = "",
ylab = "")
19.3 HADS
Teste de hipótese
##
## Welch Two Sample t-test
##
## data: had_total by plantao
## t = -0.86568, df = 38.031, p-value = 0.3921
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -4.473515 1.793515
## sample estimates:
## mean in group Não mean in group Sim
## 10.52 11.86Gráfico estatístico
Plantonista
ggstatsplot::ggbetweenstats(
data = ds,
x = plantao,
y = had_total,
bar.fill = "orange",
plot.type = "box",
xlab = "",
ylab = "")
20 Pergunta 2: Investigar o efeito do tipo de formação da sala de emergência na saúde mental
Definir formacao
ds <- ds %>%
mutate(formacao = factor(case_when(
especializacao_estagio_ou_residencia_medica == "Ainda estou cursando Estágio na área Cirúrgica ou afins" ~ "cirurgica",
especializacao_estagio_ou_residencia_medica == "Ainda estou cursando Residência Médica na área Clínica ou afins" ~ "clinica",
especializacao_estagio_ou_residencia_medica == "Ainda estou cursando Residência Médica na área Cirúrgica ou afins" ~ "cirurgica",
especializacao_estagio_ou_residencia_medica == "Ainda não fiz qualquer tipo de Residência Médica" ~ "clinica",
especializacao_estagio_ou_residencia_medica == "Estágio concluido na área de Clinica Médica ou afins" ~ "clinica",
especializacao_estagio_ou_residencia_medica == "Residência Médica concluida na área de Clinica Cirúrgica ou afins" ~ "cirurgica",
especializacao_estagio_ou_residencia_medica == "Residência Médica concluida na área de Clinica Médica ou afins" ~ "clinica"),
levels=c("clinica","cirurgica"))) 20.1 Big 5
Teste de hipótese
##
##
## ANOVA results using big_extroversao as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2 CI_90_partial_eta2
## (Intercept) 8076.57 1 8076.57 656.07 .000
## formacao 3.52 1 3.52 0.29 .594 .00 [.00, .06]
## Error 898.67 73 12.31
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared##
##
## ANOVA results using big_socializacao as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2 CI_90_partial_eta2
## (Intercept) 9809.78 1 9809.78 1065.79 .000
## formacao 18.44 1 18.44 2.00 .161 .03 [.00, .11]
## Error 671.91 73 9.20
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared##
##
## ANOVA results using big_conscienciosidade as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2 CI_90_partial_eta2
## (Intercept) 10653.26 1 10653.26 1429.65 .000
## formacao 1.02 1 1.02 0.14 .713 .00 [.00, .05]
## Error 543.97 73 7.45
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared##
##
## ANOVA results using big_neuroticismo as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2 CI_90_partial_eta2
## (Intercept) 3240.39 1 3240.39 257.32 .000
## formacao 2.80 1 2.80 0.22 .639 .00 [.00, .05]
## Error 919.28 73 12.59
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared##
##
## ANOVA results using big_abertura as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2 CI_90_partial_eta2
## (Intercept) 5417.78 1 5417.78 540.49 .000
## formacao 0.98 1 0.98 0.10 .755 .00 [.00, .04]
## Error 731.74 73 10.02
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squaredGráfico estatístico
ds %>%
select(formacao,starts_with("big_")) %>% #select all variables of intereset
rename_at(vars(-formacao), ~str_remove(., "big_")) %>%
rename_at(vars(-formacao),~str_to_title(.)) %>%
pivot_longer(cols=-formacao) %>%
ggstatsplot::grouped_ggbetweenstats(
data = .,
x = name,
y = value,
grouping.var = formacao,
bar.fill = "orange",
plot.type = "box",
xlab = "",
ylab = "",
#pairwise.comparisons = TRUE,
#pairwise.display = "significant",
#p.adjust.method = "bonferroni",
#ggplot.component = list(ggplot2::scale_y_continuous(sec.axis = ggplot2::dup_axis())),
plotgrid.args = list(nrow = 2))
Gráfico de médias
ds %>%
select(formacao,starts_with("big_")) %>% #select all variables of intereset
rename_at(vars(-formacao), ~str_remove(., "big_")) %>%
rename_at(vars(-formacao),~str_to_title(.)) %>%
pivot_longer(cols=-formacao) %>%
ggplot(., aes(name, value, fill=formacao)) +
geom_bar(stat = "summary", position = "dodge", fun=mean) +
stat_summary(fun.data = mean_se, geom = "errorbar",position = position_dodge(width=0.9), width=0.3) +
labs(fill = "Formação", x = "", y = "Valores médios") +
theme_bw()
20.2 Estresse Percebido
Teste de hipótese
##
## Welch Two Sample t-test
##
## data: sts_total by formacao
## t = -0.39768, df = 50.093, p-value = 0.6926
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -4.654195 3.115734
## sample estimates:
## mean in group clinica mean in group cirurgica
## 23.00000 23.76923Gráfico estatístico
ggstatsplot::ggbetweenstats(
data = ds,
x = formacao,
y = sts_total,
bar.fill = "orange",
plot.type = "box",
xlab = "",
ylab = "")
Gráfico de médias
ggplot(ds, aes(x = plantao, y=sts_total)) +
geom_bar(stat = "summary", fun=mean) +
stat_summary(fun.data = mean_se, geom = "errorbar",position = position_dodge(width=0.9), width=0.3) +
labs(x = "Faz plantão", y = "Valores médios") +
theme_bw()
20.3 HADS
Teste de hipótese
##
## Welch Two Sample t-test
##
## data: had_total by formacao
## t = 0.38231, df = 46.325, p-value = 0.704
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -2.271110 3.336327
## sample estimates:
## mean in group clinica mean in group cirurgica
## 11.78261 11.25000Gráfico estatístico
Plantonista
ggstatsplot::ggbetweenstats(
data = ds,
x = plantao,
y = had_total,
bar.fill = "orange",
plot.type = "box",
xlab = "",
ylab = "")
21 Pergunta 3 Combinados: Qual o efeito combinado de ser plantonista e ter formação cirúrgica na saúde mental desses participantes.
##
##
## ANOVA results using sts_total as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2
## (Intercept) 2773.50 1 2773.50 39.44 .000
## plantao 18.26 1 18.26 0.26 .612 .00
## formacao 20.72 1 20.72 0.29 .589 .00
## plantao x formacao 10.65 1 10.65 0.15 .698 .00
## Error 4992.40 71 70.32
## CI_90_partial_eta2
##
## [.00, .06]
## [.00, .06]
## [.00, .05]
##
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared##
##
## Regression results using sts_total as the criterion
##
##
## Predictor b b_95%_CI sr2 sr2_95%_CI
## (Intercept) 21.50** [14.67, 28.33]
## plantaoSim 2.03 [-5.91, 9.97] .00 [-.02, .03]
## formacaocirurgica 2.13 [-5.70, 9.96] .00 [-.02, .03]
## plantaoSim:formacaocirurgica -1.81 [-11.10, 7.47] .00 [-.02, .02]
##
##
##
## Fit
##
##
##
##
## R2 = .006
## 95% CI[.00,.03]
##
##
## 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.
## ds %>%
select(sts_total, plantao, formacao) %>%
ggplot(., aes(x = plantao, fill = formacao, y = sts_total)) +
geom_bar(stat = "summary", position = "dodge", fun=mean) +
stat_summary(fun.data = mean_se, geom = "errorbar",position = position_dodge(width=0.9), width=0.3) +
labs(x = "Plantonista", y = "Valores médios (Estresse Percebido)", fill = "Formação") +
theme_bw()
22 Full SEM
library(lavaan)
library(semPlot)
model.institution <- 'sts_total =~ plantao + formacao'
mimic.institution <- sem(model.institution,
data=ds %>% select(sts_total, plantao, formacao),
estimator = 'mlr',
mimic = 'mplus',
auto.var=TRUE, auto.fix.first=TRUE, auto.cov.lv.x=TRUE,
meanstructure = TRUE)
plot_default <- semPaths(mimic.institution,
layout = 'tree3',
what = 'std',
intercepts = FALSE,
residuals = FALSE,
sizeLat = 7,
sizeMan = 6,
theme = 'gray',
edge.label.cex = 0.8,
label.font = 2, #bold in all text
label.cex = 1, #font size
label.prop = 0.9, #font size
nCharNodes = 5,
fade = FALSE,
rotation = 2,
DoNotPlot = T)
model.institution <- 'trait =~ csum + gmsum + fmsum + pssum + psum
trait ~ age
trait ~ male
trait ~ white
trait ~ disability'
# Test the mimic model