BR-Normas ADOLESCENTE
IBNeuro
25/4/2021
knitr::opts_chunk$set(echo = TRUE)1 Pesquisa BR-Normas e PD-CRS
Nesta pesquisa, utilizamos cinco testes neurocognitivos 1) Teste dos Cinco Pontos (FPT), 2) Fluência Semântica (Animais, Frutas e Alternada), 3) Teste dos Trigramas de Consoantes de Brown-Petterson (CCC), 4) Teste das Trilhas (A e B), 5) Parkinson Disease Cognitive Rating Scale (PD-CRS); um teste de humor Escala Hospitalar de Ansiedade e Depressão (HADS-A e HADS-D); e um instrumento para avaliação funcional PD-CFRS.
O teste PD-CRS é composto por nove subtestes: 1) Memória imediata, 2) Nomeação, 3) Atenção, 4) Memória operacional, 5) Desenho do relógio, 6) Cópia do relógio, 7) Evocação tardia, 8) Fluência alternada, 9) Fluência de ações.
1.1 Banco de dados
Este banco de dados foi revisado pela equipe do Pedro Brandão e inserido na plataforma SurveyMonkey. Importante citar que erros de aplicação possam ter ocorrido. Há, neste banco, pessoas com critério de exclusão. O banco de dados com as pesquisas do BICAMS, SDMT, MMSE-2 etc não foram inseridos.
suppressPackageStartupMessages(library(tidyverse))
# Endereço no Avell (Windows)
#setwd("C:/Dropbox/Laboratorio/Pedro Brandao/PDCRS")
# Endereço no MacBook (MacOS)
setwd("~/Dropbox/Laboratorio/Pedro Brandao/PDCRS")
# Lê o banco .csv previamente exportado
dados <- readr::read_csv("dados.csv")##
## ── Column specification ────────────────────────────────────────────────────────
## cols(
## .default = col_double(),
## id = col_character(),
## data_nasc = col_character(),
## pesquisador = col_character(),
## cidade = col_character(),
## estado = col_character(),
## nome = col_character(),
## idade = col_character(),
## naturalidade = col_character(),
## estado_naturalidade = col_character(),
## data_coleta = col_character(),
## exclu03_recusa_tcle = col_logical()
## )
## ℹ Use `spec()` for the full column specifications.dim(dados)## [1] 1024 192colnames(dados)## [1] "id"
## [2] "data_nasc"
## [3] "pesquisador"
## [4] "cidade"
## [5] "estado"
## [6] "nome"
## [7] "idade"
## [8] "genero"
## [9] "naturalidade"
## [10] "estado_naturalidade"
## [11] "regiao_brasil"
## [12] "data_coleta"
## [13] "escolaridade"
## [14] "faixa_escolaridade"
## [15] "criterio_exclusao"
## [16] "exclu01_faixa_etaria"
## [17] "exclu02_psiquiatrico"
## [18] "exclu03_recusa_tcle"
## [19] "exclu04_deficiencia"
## [20] "exclu05_experiencia_teste"
## [21] "exclu06_linguaportuguesa"
## [22] "exclu07_etilismo"
## [23] "exclu08_problema_motor_mmss"
## [24] "exclu09_psicose"
## [25] "exclu10_afasia"
## [26] "exclu11_prob_aprendizagem"
## [27] "exclu12_tce_epilepsia"
## [28] "fpt_cinco_pontos_total"
## [29] "fpt_cinco_pontos_persev"
## [30] "fluencia_animais"
## [31] "fluencia_frutas"
## [32] "fluencia_alternada_pares"
## [33] "fluencia_alternada_indiv_total"
## [34] "ccc_brown_peterson_total"
## [35] "ccc_brown_peterson_0seg"
## [36] "ccc_brown_peterson_9seg"
## [37] "ccc_brown_peterson_18seg"
## [38] "ccc_brown_peterson_36seg"
## [39] "tmt_a"
## [40] "tmt_b"
## [41] "hads_a1_tenso_contraido"
## [42] "hads_d1_gosto_pelas_coisas"
## [43] "hads_a3_medo"
## [44] "hads_d4_risada"
## [45] "hads_a5_preocupacoes"
## [46] "hads_d6_alegre"
## [47] "hads_a7_relaxado"
## [48] "hads_d8_lento_pensar"
## [49] "hads_a9_medo"
## [50] "hads_d10_interesse_aparencia"
## [51] "hads_a11_inquieto"
## [52] "hads_d12_animado"
## [53] "hads_a13_panico"
## [54] "hads_d14_prazer"
## [55] "pdcrs_1a_tent_01_luz"
## [56] "pdcrs_1a_tent_02_seda"
## [57] "pdcrs_1a_tent_03_areia"
## [58] "pdcrs_1a_tent_04_cilio"
## [59] "pdcrs_1a_tent_05_arroz"
## [60] "pdcrs_1a_tent_06_gravata"
## [61] "pdcrs_1a_tent_07_quadro"
## [62] "pdcrs_1a_tent_08_bicicleta"
## [63] "pdcrs_1a_tent_09_estrela"
## [64] "pdcrs_1a_tent_10_leao"
## [65] "pdcrs_1a_tent_11_anel"
## [66] "pdcrs_1a_tent_12_perfume"
## [67] "pdcrs_2a_tent_01_luz"
## [68] "pdcrs_2a_tent_02_seda"
## [69] "pdcrs_2a_tent_03_areia"
## [70] "pdcrs_2a_tent_04_cilio"
## [71] "pdcrs_2a_tent_05_arroz"
## [72] "pdcrs_2a_tent_06_gravata"
## [73] "pdcrs_2a_tent_07_quadro"
## [74] "pdcrs_2a_tent_08_bicicleta"
## [75] "pdcrs_2a_tent_09_estrela"
## [76] "pdcrs_2a_tent_10_leao"
## [77] "pdcrs_2a_tent_11_anel"
## [78] "pdcrs_2a_tent_12_perfume"
## [79] "pdcrs_3a_tent_01_luz"
## [80] "pdcrs_3a_tent_02_seda"
## [81] "pdcrs_3a_tent_03_areia"
## [82] "pdcrs_3a_tent_04_cilio"
## [83] "pdcrs_3a_tent_05_arroz"
## [84] "pdcrs_3a_tent_06_gravata"
## [85] "pdcrs_3a_tent_07_quadro"
## [86] "pdcrs_3a_tent_08_bicicleta"
## [87] "pdcrs_3a_tent_09_estrela"
## [88] "pdcrs_3a_tent_10_leao"
## [89] "pdcrs_3a_tent_11_anel"
## [90] "pdcrs_3a_tent_12_perfume"
## [91] "pdcrs_s1_evoc_imediata"
## [92] "pdcrs_nomeacao_01_babador"
## [93] "pdcrs_nomeacao_02_vela"
## [94] "pdcrs_nomeacao_03_cereja"
## [95] "pdcrs_nomeacao_04_banqueta"
## [96] "pdcrs_nomeacao_05_ancora"
## [97] "pdcrs_nomeacao_06_tartaruga"
## [98] "pdcrs_nomeacao_07_pipa"
## [99] "pdcrs_nomeacao_08_aquario"
## [100] "pdcrs_nomeacao_09_lampada"
## [101] "pdcrs_nomeacao_10_violao"
## [102] "pdcrs_nomeacao_11_fivela"
## [103] "pdcrs_nomeacao_12_crina"
## [104] "pdcrs_nomeacao_13_anzol"
## [105] "pdcrs_nomeacao_14_chave_fenda"
## [106] "pdcrs_nomeacao_15_biombo"
## [107] "pdcrs_nomeacao_16_alfinete"
## [108] "pdcrs_nomeacao_17_chocalho"
## [109] "pdcrs_nomeacao_18_casco"
## [110] "pdcrs_nomeacao_19_extintor"
## [111] "pdcrs_nomeacao_20_trinco"
## [112] "pdcrs_atencao_item01"
## [113] "pdcrs_atencao_item02"
## [114] "pdcrs_atencao_item03"
## [115] "pdcrs_atencao_item04"
## [116] "pdcrs_atencao_item05"
## [117] "pdcrs_atencao_item06"
## [118] "pdcrs_atencao_item07"
## [119] "pdcrs_atencao_item08"
## [120] "pdcrs_atencao_item09"
## [121] "pdcrs_atencao_item10"
## [122] "pdcrs_mem_operac_item01"
## [123] "pdcrs_mem_operac_item02"
## [124] "pdcrs_mem_operac_item03"
## [125] "pdcrs_mem_operac_item04"
## [126] "pdcrs_mem_operac_item05"
## [127] "pdcrs_mem_operac_item06"
## [128] "pdcrs_mem_operac_item07"
## [129] "pdcrs_mem_operac_item08"
## [130] "pdcrs_mem_operac_item09"
## [131] "pdcrs_mem_operac_item10"
## [132] "pdcrs_relogio_item01_parece_relog"
## [133] "pdcrs_relogio_item02_sem_setores"
## [134] "pdcrs_relogio_item03_simetria"
## [135] "pdcrs_relogio_item04_num_1a12"
## [136] "pdcrs_relogio_item05_sequencia_ok"
## [137] "pdcrs_relogio_item06_dois_pont"
## [138] "pdcrs_relogio_item07_setas"
## [139] "pdcrs_relogio_item08_pont_horas_menor"
## [140] "pdcrs_relogio_item09_sem_palavra"
## [141] "pdcrs_relogio_item10_sem_num25"
## [142] "pdcrs_copia_relog_item01_parece_relog"
## [143] "pdcrs_copia_relog_item02_sem_setores"
## [144] "pdcrs_copia_relog_item03_simetria"
## [145] "pdcrs_copia_relog_item04_num_1a12"
## [146] "pdcrs_copia_relog_item05_sequencia_ok"
## [147] "pdcrs_copia_relog_item06_dois_pont"
## [148] "pdcrs_copia_relog_item07_setas"
## [149] "pdcrs_copia_relog_item08_pont_horas_menor"
## [150] "pdcrs_copia_relog_item09_sem_palavra"
## [151] "pdcrs_copia_relog_item10_sem_num25"
## [152] "pdcrs_evoc_tardia_01_luz"
## [153] "pdcrs_evoc_tardia_02_seda"
## [154] "pdcrs_evoc_tardia_03_areia"
## [155] "pdcrs_evoc_tardia_04_cilio"
## [156] "pdcrs_evoc_tardia_05_arroz"
## [157] "pdcrs_evoc_tardia_06_gravata"
## [158] "pdcrs_evoc_tardia_07_quadro"
## [159] "pdcrs_evoc_tardia_08_bicicleta"
## [160] "pdcrs_evoc_tardia_09_estrela"
## [161] "pdcrs_evoc_tardia_10_leao"
## [162] "pdcrs_evoc_tardia_11_anel"
## [163] "pdcrs_evoc_tardia_12_perfume"
## [164] "pdcrs_s8_fluencia_alternada"
## [165] "pdcrs_s9_fluencia_acoes"
## [166] "pdcfrs01lidardinheiro"
## [167] "pdcfrs02adm_contas"
## [168] "pdcfrs03plan_ferias"
## [169] "pdcfrs04recibos_faturas"
## [170] "pdcfrs05medicamentos"
## [171] "pdcfrs06ativ_cotidianas"
## [172] "pdcfrs07eletrodomesticos"
## [173] "pdcfrs08transp_publico"
## [174] "pdcfrs09resolv_imprevistos"
## [175] "pdcfrs10explicaroquediz"
## [176] "pdcfrs11entenderoquele"
## [177] "pdcfrs12tel_celular"
## [178] "pdcrs_memoria1"
## [179] "pdcrs_memoria2"
## [180] "pdcrs_memoria3"
## [181] "pdcrs_s1_memoria_imediata"
## [182] "pdcrs_s2_nomeacao"
## [183] "pdcrs_s3_atencao_sust"
## [184] "pdcrs_s4_memoria_operac"
## [185] "pdcrs_s5_desenho_relogio"
## [186] "pdcrs_s6_copia_relogio"
## [187] "pdcrs_s7_memoria_tardia"
## [188] "pdcrs_s8_fluencia_alternada_2"
## [189] "pdcrs_s9_fluencia_acoes_2"
## [190] "pdcrs_frontal_subcortical_score"
## [191] "pdcrs_posterior_cortical_score"
## [192] "pdcrs_total_score"# Transforma a idade em variável numérica
dados$idade <- as.numeric(dados$idade)## Warning: NAs introduzidos por coerção# Transforma a escolaridade em variável numérica
dados$escolaridade <- as.numeric(dados$escolaridade)
# Soma os itens da HADS-A
dados$hadsa <- dados %>%
select(starts_with("hads_a")) %>%
rowSums(.)
# Soma os itens da HADS-D
dados$hadsd <- dados %>%
select(starts_with("hads_d")) %>%
rowSums(.)1.2 Bancos individuais
Agora os bancos individuais foram criados para que se possa fazer o metodo de imputacao de forma apropriada. Em todos os bancos, a variavel ID foi selecionada para permitir uma futura comunicacao entre os diferentes bancos (correlacoes entre testes, analises MIMIC, etc).
1.3 Banco Reduzido
# Banco reduzido, selecionando apenas as variáveis gerais
red <- dados %>%
filter(criterio_exclusao != 1) %>%
select(id, idade, genero, escolaridade, faixa_escolaridade, regiao_brasil, criterio_exclusao, hadsa, hadsd, fpt_cinco_pontos_total:tmt_b, pdcrs_s1_memoria_imediata:pdcrs_total_score)
# Exclusão de dados com base em critérios individuais
#red$tmt_a[red$tmt_a > 180] <- NA
#red$tmt_b[red$tmt_a > 300] <- NA
red$escolaridade[red$escolaridade > 30] <- NA
#red$pdcrs_total_score[red$pdcrs_total_score < 25] <- NA
# Checa o N de dados ausentes
DataExplorer::plot_missing(red)
sum(is.na(red))## [1] 163# Copia do Desenho do Relógio foi imputado usando a regressão normativa italiana.
# Imputação de dados
suppressPackageStartupMessages(library(mice))
imp.red <- parlmice(red, n.imp.core = 5, method = "rf", #knn
cluster.seed = 723, n.core = 4)
imp <- complete(imp.red)
sum(is.na(imp))## [1] 0#DataExplorer::plot_missing(imp)
# Distribuição da idade
imp %>% select(idade) %>%
top_n(-4)## Selecting by idade| idade |
|---|
| 12 |
| 6 |
| 12 |
| 12 |
psych::describe(imp$idade, quant=c(.1,.25,.5,.75,.90), skew = FALSE)| vars | n | mean | sd | min | max | range | se | Q0.1 | Q0.25 | Q0.5 | Q0.75 | Q0.9 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 982 | 43.69654 | 24.51693 | 6 | 93 | 87 | 0.7823668 | 16 | 18 | 41.5 | 67 | 78 |
imp %>% filter(idade < 14) %>% count()| n |
|---|
| 7 |
#imp.red %>% filter(idade == is.na()) %>% count()
# Exclui dados com idade muito baixa
adol <- imp %>% filter(idade > 13 & idade < 18)
psych::describe(adol$escolaridade, quant=c(.1,.25,.5,.75,.90), skew = FALSE)| vars | n | mean | sd | min | max | range | se | Q0.1 | Q0.25 | Q0.5 | Q0.75 | Q0.9 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 207 | 10.0628 | 1.414529 | 6 | 14 | 8 | 0.0983165 | 8 | 9 | 10 | 11 | 12 |
psych::describe(adol$idade, quant=c(.1,.25,.5,.75,.90), skew = FALSE)| vars | n | mean | sd | min | max | range | se | Q0.1 | Q0.25 | Q0.5 | Q0.75 | Q0.9 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 207 | 15.57971 | 1.080351 | 14 | 17 | 3 | 0.0750896 | 14 | 15 | 16 | 16 | 17 |
# Plota a distribuicao da idade
hist(adol$idade)
boxplot(adol$idade)
2 Normas Adolescentes
flexplot::flexplot(fluencia_animais ~ idade + genero, data = adol)## Warning: Using shapes for an ordinal variable is not advised
flexplot::flexplot(fluencia_frutas ~ idade + genero, data = adol)## Warning: Using shapes for an ordinal variable is not advised
flexplot::flexplot(fluencia_alternada_pares ~ idade + genero, data = adol)## Warning: Using shapes for an ordinal variable is not advised
flexplot::flexplot(fpt_cinco_pontos_total ~ idade + genero, data = adol)## Warning: Using shapes for an ordinal variable is not advised
flexplot::flexplot(ccc_brown_peterson_total ~ idade + genero, data = adol)## Warning: Using shapes for an ordinal variable is not advised
flexplot::flexplot(tmt_a ~ idade + genero, data = adol)## Warning: Using shapes for an ordinal variable is not advised
flexplot::flexplot(tmt_b ~ idade + genero, data = adol)## Warning: Using shapes for an ordinal variable is not advised
flexplot::flexplot(pdcrs_total_score ~ idade + genero, data = adol)## Warning: Using shapes for an ordinal variable is not advised
3 Gerador de tabelas normativas
library(xlsx)
library(ggplot2)
library(ggridges)
library(partykit)## Loading required package: grid## Loading required package: libcoin## Loading required package: mvtnormlibrary(scam)## Loading required package: mgcv## Loading required package: nlme##
## Attaching package: 'nlme'## The following object is masked from 'package:dplyr':
##
## collapse## This is mgcv 1.8-35. For overview type 'help("mgcv-package")'.## This is scam 1.2-11.library(tibble)
library(dplyr)
#' Compute normative tables for a psychometric test.
#' Subgroups are automatically identified by regression trees
#' and norms are computed within each group defined by the
#' interaction of age and education groups. If age and education
#' are omitted, the norms are computed for the full sample.
#' Two methods are available:
#' 'rankit' first transforms the raw scores by the rankit function.
#' 'normal.approx' approximates the percentiles by a normal CDF
#'
#' @param score character; Column name in 'data' containing scores
#' @param age character; Column name in 'data' containing age intervals
#' @param education character; Column name in 'data' containing education years intervals
#' @param data data.frame; Object containing the data
#' @param method character; Which method to employ: 'rankit' or 'normal.approx', see above
#' @param reverse logical; Should the norms reverse the order of the raw score?
#' @param min_score numeric; Smallest theoretical value for the raw score
#' @param max_score numeric; Greatest theoretical value for the raw score
#' @param tree_group logical; Should the groups be automatically discovered by regression trees?
#' @param output chracter; XLSX file name to write the output OR FALSE (default)
#' @param plot.dens logical; Plot the density function of the raw score by group?
#' @return A list with two or three components:
#' \describe{
#' \item{Estatísticas}{Summary statistics of the raw score for each group}
#' \item{Normas}{List of norm tables for each group}
#' \item{Árvore}{Condition tree model for automatic grouping}
#' }
#' @examples
#' createTable('pdcrs_total_score', 'idade', 'escolaridade', df, output='teste.xlsx')
createTable <- function(score,
age=NULL,
education=NULL,
data,
method=c('rankit', 'normal.approx'),
reverse=F,
min_score=0,
max_score=NULL,
tree_group=F,
output=F,
plot.dens=F)
{
stopifnot(score %in% names(data),
!is.null(age) & (age %in% names(data)),
!is.null(education) & (education %in% names(data)))
method <- match.arg(method, c('rankit', 'normal.approx'))
data <- na.exclude(as_tibble(data)[, c(score, age, education)])
if (!tree_group) {
if (is.null(age)){
if (is.null(education)) {
groups <- rep('Amostra completa', nrow(data))
} else {
ord.edu <- as.numeric(gsub('^\\D*([0-9]{1,2}).*', '\\1', data[[education]]))
groups <- paste0('Escolaridade=', data[[education]])
groups <- gsub(',', '-', gsub('\\(|\\[|\\]', '', groups))
groups <- factor(groups, levels=unique(groups[order(ord.edu)]), ordered=T)
}
} else {
if (is.null(education)) {
ord.age <- as.numeric(gsub('^\\D*([0-9]{1,2}).*', '\\1', data[[age]]))
groups <- paste0('Idade=', data[[age]])
groups <- gsub(',', '-', gsub('\\(|\\[|\\]', '', groups))
groups <- factor(groups, levels=unique(groups[order(ord.age)]), ordered=T)
} else {
ord.age <- as.numeric(gsub('^\\D*([0-9]{1,2}).*', '\\1', data[[age]]))
ord.edu <- as.numeric(gsub('^\\D*([0-9]{1,2}).*', '\\1', data[[education]]))
groups <- paste0(paste0('Idade=', data[[age]]), ' | ', paste0('Escolaridade=', data[[education]]))
groups <- gsub(',', '-', gsub('\\(|\\[|\\]', '', groups))
groups <- factor(groups, levels=unique(groups[order(ord.age, ord.edu)]), ordered=T)
}
}
if (any(table(groups) < 10)) stop('At least one group has less than 10 observation, aborting.')
} else {
if (is.null(age) & is.null(education)) {
stop('To use automatic grouping by regression trees, at least one of age or education should be defined.')
} else {
m_tree = ctree(as.formula(paste0('`', score, '`', '~', paste0(c(age, education), collapse=' + '))),
data=data, control=ctree_control(minbucket = 30))
groups <- predict(m_tree, type='node')
g_means <- predict(m_tree)
groups <- factor(groups, levels=unique(groups[order(g_means)]), ordered=T,
labels=partykit:::.list.rules.party(m_tree)[as.character(unique(groups[order(g_means)]))])
}
}
# Compute summary stats for each terminal node
stats <- data.frame(mu=tapply(data[[score]], groups, mean),
sigma=tapply(data[[score]], groups, sd),
N=tapply(data[[score]], groups, length))
dd <- split(data, groups)
# Compute norm score accordingly to the chosen method...
if (method == 'rankit') {
if (reverse) {
norms <- lapply(dd, function(x)
data.frame(raw=x[[score]],
norm=(qnorm((rank((max(x[[score]])+1) - x[[score]], ) - 0.5)/nrow(x))*3 + 10)))
} else {
norms <- lapply(dd, function(x)
data.frame(raw=x[[score]],
norm=(qnorm((rank(x[[score]], ) - 0.5)/nrow(x))*3 + 10)))
}
} else if (method == 'normal.approx') {
if (reverse) {
norms <- lapply(as.character(sort(unique(groups))),
function(x)
data.frame(raw=dd[[x]][[score]],
norm=((-(dd[[x]][[score]] - stats[x, 'mu'])/stats[x, 'sigma']))*3 + 10))
} else {
norms <- lapply(as.character(sort(unique(groups))),
function(x)
data.frame(raw=dd[[x]][[score]],
norm=((dd[[x]][[score]] - stats[x, 'mu'])/stats[x, 'sigma'])*3 + 10))
}
names(norms) <- as.character(sort(unique(groups)))
}
#... and use monotonic splines to extrapolate to unseen data.
regs <- lapply(norms, function(x) {
if (!reverse) {
scam(raw~s(norm, k=4, bs='mpi'), data=x)
} else {
scam(raw~s(norm, k=4, bs='mpd'), data=x)
}})
#suppressWarnings(splinefun(x$norm, x$raw, method='monoH.FC')))
#print(lapply(regs, summary))
scores <- lapply(regs, function(x) {
raws <- predict(x, newdata=data.frame(norm=1:20))
out <- data.frame(Norma=1:19,
#`Escore mínimo`= if (!reverse) round(predict(x, newdata=data.frame(norm=1:19))) else round(predict(x, newdata=data.frame(norm=1:19))) - 1,
#`Escore máximo`=if (!reverse) round(predict(x, newdata=data.frame(norm=2:20)))-1 else round(predict(x, newdata=data.frame(norm=2:20))))
#`Escore mínimo`=round(predict(x, newdata=data.frame(norm=c(0.6, seq(1.6, 18.6, length.out=18))))),
#`Escore máximo`=round(predict(x, newdata=data.frame(norm=c(1.5, seq(2.5, 19.5, length.out=18))))))
`Escore mínimo`=if (!reverse) ceiling(raws[1:19]) else floor(raws[1:19]),
`Escore máximo`=if (!reverse) floor(raws[2:20]) else ceiling(raws[2:20]))
if (!reverse) {
out[which(out[, 2] > out[, 3]), 3] <- out[which(out[, 2] > out[, 3]), 2]
} else {
out[which(out[, 3] > out[, 2]), 2] <- out[which(out[, 3] > out[, 2]), 3]
}
out[, 2] <- ifelse(out[, 2] < min_score, min_score, out[, 2])
out[, 3] <- ifelse(out[, 3] < min_score, min_score, out[, 3])
if (!is.null(max_score)) {
out[, 2] <- ifelse(out[, 2] > max_score, max_score, out[, 2])
out[, 3] <- ifelse(out[, 3] > max_score, max_score, out[, 3])
}
out
})
# Plot raw score density for each subgroup
if (plot.dens) {
print(ggplot(data, aes(x=.data[[score]], y=groups, fill = 0.5 - abs(0.5 - stat(ecdf)))) +
stat_density_ridges(geom = "density_ridges_gradient", calc_ecdf = TRUE) +
scale_fill_viridis_c(name = "Probabilidade caudal", direction = -1) +
ggtitle('Distribuição escores brutos') + xlab('Escore') + ylab('Grupo')+
scale_y_discrete(limits=rev(levels(groups))))
}
norm_tables <- lapply(scores, function(x) cbind(x, data.frame(`Percentil mínimo`=round(pnorm(1:19, 10, 3)*100, digits=1),
`Percentil máximo`=round((pnorm(2:20, 10, 3)-0.001)*100, digits=1),
#Classificação=c(rep(c('Deficitário', 'Inferior', 'Média Inferior'), each=3),
# 'Média',
# rep(c('Média Superior', 'Superior', 'Muito Superior'), each=3)))))
Classificação=c(rep('Deficitário', 4), 'Inferior', rep('Média Inferior', 2),
rep('Média', 5), rep('Média Superior', 2), 'Superior',
rep('Muito Superior', 4)))))
temp_stats <- cbind(Nodo=row.names(stats), stats)
names(temp_stats) <- c('Grupo', 'Média', 'DP', 'N')#, 'Idade Mín', 'Idade Máx',
#'Educação Mín', 'Educação Máx')
row.names(temp_stats) <- NULL
if (reverse) {
joint_norm <- lapply(norm_tables, function(x) paste0(x$Escore.máximo, ' - ',
x$Escore.mínimo))
} else {
joint_norm <- lapply(norm_tables, function(x) paste0(x$Escore.mínimo, ' - ',
x$Escore.máximo))
}
joint_norm <- cbind(Norma=norm_tables[[1]]$Norma,
do.call(cbind, joint_norm),
data.frame(Percentil=paste0(formatC(norm_tables[[1]][, 'Percentil.mínimo'], format='f', digits=1),
' - ',
formatC(norm_tables[[1]][, 'Percentil.máximo'], format='f', digits=1))),
Classificação=norm_tables[[1]][, 'Classificação'])
#joint_norm <- joint_norm %>% arrange(rev(Norma))
row.names(joint_norm) <- NULL
# Write output to Excel file
if (is.character(output)) {
write.xlsx(temp_stats, file=output, sheetName='Estatísticas', row.names=T)
write.xlsx(joint_norm, file=output, sheetName = 'Normas', row.names=F, append=T)
#sapply(sort(unique(groups)),
# function(x) write.xlsx(norm_tables[[as.character(x)]], file=output,
# sheetName = paste0('Grupo ', as.numeric(x)),
# row.names=F, append=T))
}
out <- list(Estatísticas=temp_stats,
Normas=joint_norm)
if (tree_group) {
out[['Árvore']] <- m_tree
}
return(out)
}3.1 Tabelas PD-CRS
df4 <- adol %>% filter(pdcrs_total_score > 40)
# Tabelas PD-CRS (rankit) - 134 pontos
createTable(score = 'pdcrs_total_score', data = df4, plot.dens = T, tree_group = F, output = F, method = "rankit", min_score = 50, max_score = 134)## Picking joint bandwidth of 3.59
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 94.51942 11.56307 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 56 - 60 0.1 - 0.3 Deficitário
## 2 2 61 - 65 0.4 - 0.9 Deficitário
## 3 3 66 - 69 1.0 - 2.2 Deficitário
## 4 4 70 - 74 2.3 - 4.7 Deficitário
## 5 5 75 - 78 4.8 - 9.0 Inferior
## 6 6 79 - 82 9.1 - 15.8 Média Inferior
## 7 7 83 - 87 15.9 - 25.1 Média Inferior
## 8 8 88 - 91 25.2 - 36.8 Média
## 9 9 92 - 95 36.9 - 49.9 Média
## 10 10 96 - 99 50.0 - 63.0 Média
## 11 11 100 - 102 63.1 - 74.7 Média
## 12 12 103 - 106 74.8 - 84.0 Média
## 13 13 107 - 109 84.1 - 90.8 Média Superior
## 14 14 110 - 112 90.9 - 95.1 Média Superior
## 15 15 113 - 115 95.2 - 97.6 Superior
## 16 16 116 - 118 97.7 - 98.9 Muito Superior
## 17 17 119 - 120 99.0 - 99.5 Muito Superior
## 18 18 121 - 122 99.6 - 99.8 Muito Superior
## 19 19 123 - 124 99.9 - 99.9 Muito Superior# Tabelas Posterior Cortical Score (rankit) - 30 pontos
createTable(score = 'pdcrs_posterior_cortical_score', data = df4, plot.dens = T, method = "rankit", min_score = 0, max_score = 30)## Picking joint bandwidth of 1.16
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 24.18447 4.46285 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 3 - 6 0.1 - 0.3 Deficitário
## 2 2 7 - 9 0.4 - 0.9 Deficitário
## 3 3 10 - 12 1.0 - 2.2 Deficitário
## 4 4 13 - 15 2.3 - 4.7 Deficitário
## 5 5 16 - 17 4.8 - 9.0 Inferior
## 6 6 18 - 20 9.1 - 15.8 Média Inferior
## 7 7 21 - 22 15.9 - 25.1 Média Inferior
## 8 8 23 - 23 25.2 - 36.8 Média
## 9 9 24 - 25 36.9 - 49.9 Média
## 10 10 26 - 26 50.0 - 63.0 Média
## 11 11 27 - 27 63.1 - 74.7 Média
## 12 12 28 - 28 74.8 - 84.0 Média
## 13 13 29 - 29 84.1 - 90.8 Média Superior
## 14 14 29 - 29 90.9 - 95.1 Média Superior
## 15 15 30 - 30 95.2 - 97.6 Superior
## 16 16 30 - 30 97.7 - 98.9 Muito Superior
## 17 17 30 - 30 99.0 - 99.5 Muito Superior
## 18 18 30 - 30 99.6 - 99.8 Muito Superior
## 19 19 30 - 30 99.9 - 99.9 Muito Superior# Tabelas Frontal Subcortical Score (rankit) - 104 pontos
createTable(score = 'pdcrs_frontal_subcortical_score', data = df4, plot.dens = F, method = "rankit", min_score = 40, max_score = 104)## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 70.33495 10.21856 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 42 - 44 0.1 - 0.3 Deficitário
## 2 2 45 - 46 0.4 - 0.9 Deficitário
## 3 3 47 - 49 1.0 - 2.2 Deficitário
## 4 4 50 - 53 2.3 - 4.7 Deficitário
## 5 5 54 - 56 4.8 - 9.0 Inferior
## 6 6 57 - 59 9.1 - 15.8 Média Inferior
## 7 7 60 - 63 15.9 - 25.1 Média Inferior
## 8 8 64 - 66 25.2 - 36.8 Média
## 9 9 67 - 70 36.9 - 49.9 Média
## 10 10 71 - 73 50.0 - 63.0 Média
## 11 11 74 - 77 63.1 - 74.7 Média
## 12 12 78 - 80 74.8 - 84.0 Média
## 13 13 81 - 84 84.1 - 90.8 Média Superior
## 14 14 85 - 87 90.9 - 95.1 Média Superior
## 15 15 88 - 90 95.2 - 97.6 Superior
## 16 16 91 - 92 97.7 - 98.9 Muito Superior
## 17 17 93 - 95 99.0 - 99.5 Muito Superior
## 18 18 96 - 97 99.6 - 99.8 Muito Superior
## 19 19 98 - 100 99.9 - 99.9 Muito Superior# Tabelas Memória Imediata (rankit) - 12 pontos
createTable(score = 'pdcrs_s1_memoria_imediata', data = df4, plot.dens = T, method = "rankit", min_score = 0, max_score = 12)## Picking joint bandwidth of 0.463
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 9.961165 1.713205 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 3 - 3 0.1 - 0.3 Deficitário
## 2 2 4 - 4 0.4 - 0.9 Deficitário
## 3 3 5 - 5 1.0 - 2.2 Deficitário
## 4 4 6 - 6 2.3 - 4.7 Deficitário
## 5 5 7 - 7 4.8 - 9.0 Inferior
## 6 6 8 - 8 9.1 - 15.8 Média Inferior
## 7 7 9 - 9 15.9 - 25.1 Média Inferior
## 8 8 9 - 9 25.2 - 36.8 Média
## 9 9 10 - 10 36.9 - 49.9 Média
## 10 10 11 - 11 50.0 - 63.0 Média
## 11 11 11 - 11 63.1 - 74.7 Média
## 12 12 12 - 12 74.8 - 84.0 Média
## 13 13 12 - 12 84.1 - 90.8 Média Superior
## 14 14 12 - 12 90.9 - 95.1 Média Superior
## 15 15 12 - 12 95.2 - 97.6 Superior
## 16 16 12 - 12 97.7 - 98.9 Muito Superior
## 17 17 12 - 12 99.0 - 99.5 Muito Superior
## 18 18 12 - 12 99.6 - 99.8 Muito Superior
## 19 19 12 - 12 99.9 - 99.9 Muito Superior# Tabelas Nomeação (rankit) - 20 pontos
createTable(score = 'pdcrs_s2_nomeacao', data = df4, plot.dens = T, method = "rankit", min_score = 0, max_score = 20)## Picking joint bandwidth of 0.694
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 16 2.59079 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 3 - 4 0.1 - 0.3 Deficitário
## 2 2 5 - 7 0.4 - 0.9 Deficitário
## 3 3 8 - 9 1.0 - 2.2 Deficitário
## 4 4 10 - 10 2.3 - 4.7 Deficitário
## 5 5 11 - 12 4.8 - 9.0 Inferior
## 6 6 13 - 13 9.1 - 15.8 Média Inferior
## 7 7 14 - 14 15.9 - 25.1 Média Inferior
## 8 8 15 - 15 25.2 - 36.8 Média
## 9 9 16 - 16 36.9 - 49.9 Média
## 10 10 17 - 17 50.0 - 63.0 Média
## 11 11 18 - 18 63.1 - 74.7 Média
## 12 12 18 - 18 74.8 - 84.0 Média
## 13 13 19 - 19 84.1 - 90.8 Média Superior
## 14 14 19 - 19 90.9 - 95.1 Média Superior
## 15 15 20 - 20 95.2 - 97.6 Superior
## 16 16 20 - 20 97.7 - 98.9 Muito Superior
## 17 17 20 - 20 99.0 - 99.5 Muito Superior
## 18 18 20 - 20 99.6 - 99.8 Muito Superior
## 19 19 20 - 20 99.9 - 99.9 Muito Superior# Tabelas Atencao (rankit) - 10 pontos
createTable(score = 'pdcrs_s3_atencao_sust', data = df4, plot.dens = T, method = "rankit", min_score = 0, max_score = 10)## Picking joint bandwidth of 0.231
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 8.990291 1.465007 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 1 - 2 0.1 - 0.3 Deficitário
## 2 2 3 - 3 0.4 - 0.9 Deficitário
## 3 3 4 - 4 1.0 - 2.2 Deficitário
## 4 4 5 - 5 2.3 - 4.7 Deficitário
## 5 5 6 - 6 4.8 - 9.0 Inferior
## 6 6 7 - 7 9.1 - 15.8 Média Inferior
## 7 7 8 - 8 15.9 - 25.1 Média Inferior
## 8 8 9 - 9 25.2 - 36.8 Média
## 9 9 9 - 9 36.9 - 49.9 Média
## 10 10 10 - 10 50.0 - 63.0 Média
## 11 11 10 - 10 63.1 - 74.7 Média
## 12 12 10 - 10 74.8 - 84.0 Média
## 13 13 10 - 10 84.1 - 90.8 Média Superior
## 14 14 10 - 10 90.9 - 95.1 Média Superior
## 15 15 10 - 10 95.2 - 97.6 Superior
## 16 16 10 - 10 97.7 - 98.9 Muito Superior
## 17 17 10 - 10 99.0 - 99.5 Muito Superior
## 18 18 10 - 10 99.6 - 99.8 Muito Superior
## 19 19 10 - 10 99.9 - 99.9 Muito Superior# Tabelas Memoria Operacional (rankit) - 10 pontos
createTable(score = 'pdcrs_s4_memoria_operac', data = df4, plot.dens = T, method = "rankit", min_score = 0, max_score = 10)## Picking joint bandwidth of 0.463
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 6.898058 1.578606 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 2 - 2 0.1 - 0.3 Deficitário
## 2 2 3 - 3 0.4 - 0.9 Deficitário
## 3 3 3 - 3 1.0 - 2.2 Deficitário
## 4 4 4 - 4 2.3 - 4.7 Deficitário
## 5 5 5 - 5 4.8 - 9.0 Inferior
## 6 6 5 - 5 9.1 - 15.8 Média Inferior
## 7 7 6 - 6 15.9 - 25.1 Média Inferior
## 8 8 6 - 6 25.2 - 36.8 Média
## 9 9 7 - 7 36.9 - 49.9 Média
## 10 10 7 - 7 50.0 - 63.0 Média
## 11 11 8 - 8 63.1 - 74.7 Média
## 12 12 9 - 9 74.8 - 84.0 Média
## 13 13 9 - 9 84.1 - 90.8 Média Superior
## 14 14 10 - 10 90.9 - 95.1 Média Superior
## 15 15 10 - 10 95.2 - 97.6 Superior
## 16 16 10 - 10 97.7 - 98.9 Muito Superior
## 17 17 10 - 10 99.0 - 99.5 Muito Superior
## 18 18 10 - 10 99.6 - 99.8 Muito Superior
## 19 19 10 - 10 99.9 - 99.9 Muito Superior# Tabelas Desenho Relógio (rankit) - 10 pontos
createTable(score = 'pdcrs_s5_desenho_relogio', data = df4, plot.dens = T, method = "rankit", min_score = 0, max_score = 10)## Picking joint bandwidth of 0.231
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 9.009709 1.372163 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 1 - 2 0.1 - 0.3 Deficitário
## 2 2 3 - 3 0.4 - 0.9 Deficitário
## 3 3 4 - 5 1.0 - 2.2 Deficitário
## 4 4 6 - 6 2.3 - 4.7 Deficitário
## 5 5 7 - 7 4.8 - 9.0 Inferior
## 6 6 8 - 8 9.1 - 15.8 Média Inferior
## 7 7 8 - 8 15.9 - 25.1 Média Inferior
## 8 8 9 - 9 25.2 - 36.8 Média
## 9 9 9 - 9 36.9 - 49.9 Média
## 10 10 10 - 10 50.0 - 63.0 Média
## 11 11 10 - 10 63.1 - 74.7 Média
## 12 12 10 - 10 74.8 - 84.0 Média
## 13 13 10 - 10 84.1 - 90.8 Média Superior
## 14 14 10 - 10 90.9 - 95.1 Média Superior
## 15 15 10 - 10 95.2 - 97.6 Superior
## 16 16 10 - 10 97.7 - 98.9 Muito Superior
## 17 17 10 - 10 99.0 - 99.5 Muito Superior
## 18 18 10 - 10 99.6 - 99.8 Muito Superior
## 19 19 10 - 10 99.9 - 99.9 Muito Superior# Tabelas Copia Relógio - 10 pontos
createTable(score = 'pdcrs_s6_copia_relogio', data = df4, plot.dens = T, method = "normal.approx", min_score = 5, max_score = 10)## Picking joint bandwidth of 0.292
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 9.592233 0.9415803 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 7 - 7 0.1 - 0.3 Deficitário
## 2 2 8 - 8 0.4 - 0.9 Deficitário
## 3 3 8 - 8 1.0 - 2.2 Deficitário
## 4 4 8 - 8 2.3 - 4.7 Deficitário
## 5 5 9 - 9 4.8 - 9.0 Inferior
## 6 6 9 - 9 9.1 - 15.8 Média Inferior
## 7 7 9 - 9 15.9 - 25.1 Média Inferior
## 8 8 9 - 9 25.2 - 36.8 Média
## 9 9 10 - 10 36.9 - 49.9 Média
## 10 10 10 - 10 50.0 - 63.0 Média
## 11 11 10 - 10 63.1 - 74.7 Média
## 12 12 10 - 10 74.8 - 84.0 Média
## 13 13 10 - 10 84.1 - 90.8 Média Superior
## 14 14 10 - 10 90.9 - 95.1 Média Superior
## 15 15 10 - 10 95.2 - 97.6 Superior
## 16 16 10 - 10 97.7 - 98.9 Muito Superior
## 17 17 10 - 10 99.0 - 99.5 Muito Superior
## 18 18 10 - 10 99.6 - 99.8 Muito Superior
## 19 19 10 - 10 99.9 - 99.9 Muito Superior# Tabelas Memória Tardia (rankit) - 12 pontos
createTable(score = 'pdcrs_s7_memoria_tardia', data = df4, plot.dens = T, method = "rankit", min_score = 0, max_score = 12)## Picking joint bandwidth of 0.574
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 7.203883 1.849768 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 0 - 0 0.1 - 0.3 Deficitário
## 2 2 1 - 1 0.4 - 0.9 Deficitário
## 3 3 2 - 2 1.0 - 2.2 Deficitário
## 4 4 3 - 3 2.3 - 4.7 Deficitário
## 5 5 4 - 4 4.8 - 9.0 Inferior
## 6 6 5 - 5 9.1 - 15.8 Média Inferior
## 7 7 6 - 6 15.9 - 25.1 Média Inferior
## 8 8 7 - 7 25.2 - 36.8 Média
## 9 9 7 - 7 36.9 - 49.9 Média
## 10 10 8 - 8 50.0 - 63.0 Média
## 11 11 8 - 8 63.1 - 74.7 Média
## 12 12 9 - 9 74.8 - 84.0 Média
## 13 13 10 - 10 84.1 - 90.8 Média Superior
## 14 14 10 - 10 90.9 - 95.1 Média Superior
## 15 15 11 - 11 95.2 - 97.6 Superior
## 16 16 11 - 11 97.7 - 98.9 Muito Superior
## 17 17 12 - 12 99.0 - 99.5 Muito Superior
## 18 18 12 - 12 99.6 - 99.8 Muito Superior
## 19 19 12 - 12 99.9 - 99.9 Muito Superior# Tabelas Fluencia Alternada (Aproximação Normal) - 20 pontos
createTable(score = 'pdcrs_s8_fluencia_alternada_2', data = df4, plot.dens = T, method = "normal.approx", min_score = 0, max_score = 20)## Picking joint bandwidth of 1.13
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 11.9466 3.641504 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 2 - 2 0.1 - 0.3 Deficitário
## 2 2 3 - 3 0.4 - 0.9 Deficitário
## 3 3 4 - 4 1.0 - 2.2 Deficitário
## 4 4 5 - 5 2.3 - 4.7 Deficitário
## 5 5 6 - 7 4.8 - 9.0 Inferior
## 6 6 8 - 8 9.1 - 15.8 Média Inferior
## 7 7 9 - 9 15.9 - 25.1 Média Inferior
## 8 8 10 - 10 25.2 - 36.8 Média
## 9 9 11 - 11 36.9 - 49.9 Média
## 10 10 12 - 13 50.0 - 63.0 Média
## 11 11 14 - 14 63.1 - 74.7 Média
## 12 12 15 - 15 74.8 - 84.0 Média
## 13 13 16 - 16 84.1 - 90.8 Média Superior
## 14 14 17 - 18 90.9 - 95.1 Média Superior
## 15 15 19 - 19 95.2 - 97.6 Superior
## 16 16 20 - 20 97.7 - 98.9 Muito Superior
## 17 17 20 - 20 99.0 - 99.5 Muito Superior
## 18 18 20 - 20 99.6 - 99.8 Muito Superior
## 19 19 20 - 20 99.9 - 99.9 Muito Superior# Tabelas Fluência de Ações (rankit) - 30 pontos
createTable(score = 'pdcrs_s9_fluencia_acoes_2', data = df4, plot.dens = T, method = "rankit", min_score = 0, max_score = 30)## Picking joint bandwidth of 1.39
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 16.32524 4.512967 206
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 5 - 5 0.1 - 0.3 Deficitário
## 2 2 6 - 6 0.4 - 0.9 Deficitário
## 3 3 7 - 7 1.0 - 2.2 Deficitário
## 4 4 8 - 9 2.3 - 4.7 Deficitário
## 5 5 10 - 10 4.8 - 9.0 Inferior
## 6 6 11 - 11 9.1 - 15.8 Média Inferior
## 7 7 12 - 13 15.9 - 25.1 Média Inferior
## 8 8 14 - 14 25.2 - 36.8 Média
## 9 9 15 - 16 36.9 - 49.9 Média
## 10 10 17 - 17 50.0 - 63.0 Média
## 11 11 18 - 19 63.1 - 74.7 Média
## 12 12 20 - 20 74.8 - 84.0 Média
## 13 13 21 - 22 84.1 - 90.8 Média Superior
## 14 14 23 - 24 90.9 - 95.1 Média Superior
## 15 15 25 - 26 95.2 - 97.6 Superior
## 16 16 27 - 27 97.7 - 98.9 Muito Superior
## 17 17 28 - 29 99.0 - 99.5 Muito Superior
## 18 18 30 - 30 99.6 - 99.8 Muito Superior
## 19 19 30 - 30 99.9 - 99.9 Muito Superior4 BR-Normas
4.1 TMT
# TMTA (máx 180 seg)
createTable(score = 'tmt_a', data = adol, plot.dens = T, method = "rankit", reverse=T, min_score = 10, max_score = 180)## Picking joint bandwidth of 3.24
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 37.21256 19.31982 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 127 - 145 0.1 - 0.3 Deficitário
## 2 2 107 - 126 0.4 - 0.9 Deficitário
## 3 3 91 - 106 1.0 - 2.2 Deficitário
## 4 4 76 - 90 2.3 - 4.7 Deficitário
## 5 5 64 - 75 4.8 - 9.0 Inferior
## 6 6 53 - 63 9.1 - 15.8 Média Inferior
## 7 7 45 - 52 15.9 - 25.1 Média Inferior
## 8 8 38 - 44 25.2 - 36.8 Média
## 9 9 32 - 37 36.9 - 49.9 Média
## 10 10 28 - 31 50.0 - 63.0 Média
## 11 11 24 - 27 63.1 - 74.7 Média
## 12 12 22 - 23 74.8 - 84.0 Média
## 13 13 21 - 21 84.1 - 90.8 Média Superior
## 14 14 20 - 20 90.9 - 95.1 Média Superior
## 15 15 19 - 19 95.2 - 97.6 Superior
## 16 16 19 - 19 97.7 - 98.9 Muito Superior
## 17 17 19 - 19 99.0 - 99.5 Muito Superior
## 18 18 19 - 19 99.6 - 99.8 Muito Superior
## 19 19 19 - 19 99.9 - 99.9 Muito Superior# TMTB (máx 300 seg)
createTable(score = 'tmt_b', data = adol, plot.dens = T, method = "rankit", reverse=T, min_score = 10, max_score = 300)## Picking joint bandwidth of 9.02
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 82.94686 35.62769 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 236 - 270 0.1 - 0.3 Deficitário
## 2 2 205 - 235 0.4 - 0.9 Deficitário
## 3 3 178 - 204 1.0 - 2.2 Deficitário
## 4 4 154 - 177 2.3 - 4.7 Deficitário
## 5 5 133 - 153 4.8 - 9.0 Inferior
## 6 6 115 - 132 9.1 - 15.8 Média Inferior
## 7 7 99 - 114 15.9 - 25.1 Média Inferior
## 8 8 86 - 98 25.2 - 36.8 Média
## 9 9 75 - 85 36.9 - 49.9 Média
## 10 10 66 - 74 50.0 - 63.0 Média
## 11 11 59 - 65 63.1 - 74.7 Média
## 12 12 52 - 58 74.8 - 84.0 Média
## 13 13 47 - 51 84.1 - 90.8 Média Superior
## 14 14 42 - 46 90.9 - 95.1 Média Superior
## 15 15 38 - 41 95.2 - 97.6 Superior
## 16 16 35 - 37 97.7 - 98.9 Muito Superior
## 17 17 31 - 34 99.0 - 99.5 Muito Superior
## 18 18 27 - 30 99.6 - 99.8 Muito Superior
## 19 19 23 - 26 99.9 - 99.9 Muito Superior# TMTB/TMTA (máx 6)
adol$tmtbDIVtmta <- adol$tmt_b / adol$tmt_a
createTable(score = 'tmtbDIVtmta', data = adol, plot.dens = T, method = "rankit", reverse=T, min_score = 0, max_score = 8)## Picking joint bandwidth of 0.282
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 2.45569 1.113856 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 8 - 8 0.1 - 0.3 Deficitário
## 2 2 7 - 7 0.4 - 0.9 Deficitário
## 3 3 6 - 6 1.0 - 2.2 Deficitário
## 4 4 5 - 5 2.3 - 4.7 Deficitário
## 5 5 4 - 4 4.8 - 9.0 Inferior
## 6 6 4 - 4 9.1 - 15.8 Média Inferior
## 7 7 3 - 3 15.9 - 25.1 Média Inferior
## 8 8 3 - 3 25.2 - 36.8 Média
## 9 9 3 - 3 36.9 - 49.9 Média
## 10 10 2 - 2 50.0 - 63.0 Média
## 11 11 2 - 2 63.1 - 74.7 Média
## 12 12 2 - 2 74.8 - 84.0 Média
## 13 13 2 - 2 84.1 - 90.8 Média Superior
## 14 14 2 - 2 90.9 - 95.1 Média Superior
## 15 15 1 - 1 95.2 - 97.6 Superior
## 16 16 1 - 1 97.7 - 98.9 Muito Superior
## 17 17 1 - 1 99.0 - 99.5 Muito Superior
## 18 18 1 - 1 99.6 - 99.8 Muito Superior
## 19 19 1 - 1 99.9 - 99.9 Muito Superior4.2 Trigramas CCC
# CCC 0Seg
createTable(score = 'ccc_brown_peterson_0seg', data = adol, plot.dens = T, method = "rankit", max_score = 16)## Picking joint bandwidth of 0.461
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 14.5942 1.487673 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 0 - 3 0.1 - 0.3 Deficitário
## 2 2 4 - 7 0.4 - 0.9 Deficitário
## 3 3 8 - 9 1.0 - 2.2 Deficitário
## 4 4 10 - 11 2.3 - 4.7 Deficitário
## 5 5 12 - 13 4.8 - 9.0 Inferior
## 6 6 14 - 14 9.1 - 15.8 Média Inferior
## 7 7 15 - 15 15.9 - 25.1 Média Inferior
## 8 8 15 - 15 25.2 - 36.8 Média
## 9 9 15 - 15 36.9 - 49.9 Média
## 10 10 16 - 16 50.0 - 63.0 Média
## 11 11 16 - 16 63.1 - 74.7 Média
## 12 12 16 - 16 74.8 - 84.0 Média
## 13 13 16 - 16 84.1 - 90.8 Média Superior
## 14 14 16 - 16 90.9 - 95.1 Média Superior
## 15 15 16 - 16 95.2 - 97.6 Superior
## 16 16 16 - 16 97.7 - 98.9 Muito Superior
## 17 17 16 - 16 99.0 - 99.5 Muito Superior
## 18 18 16 - 16 99.6 - 99.8 Muito Superior
## 19 19 16 - 16 99.9 - 99.9 Muito Superior# CCC 9Seg
createTable(score = 'ccc_brown_peterson_9seg', data = adol, plot.dens = T, method = "rankit", max_score = 16)## Picking joint bandwidth of 0.925
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 10.42995 3.546319 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 0 - 0 0.1 - 0.3 Deficitário
## 2 2 0 - 0 0.4 - 0.9 Deficitário
## 3 3 0 - 0 1.0 - 2.2 Deficitário
## 4 4 1 - 3 2.3 - 4.7 Deficitário
## 5 5 4 - 5 4.8 - 9.0 Inferior
## 6 6 6 - 7 9.1 - 15.8 Média Inferior
## 7 7 8 - 8 15.9 - 25.1 Média Inferior
## 8 8 9 - 10 25.2 - 36.8 Média
## 9 9 11 - 11 36.9 - 49.9 Média
## 10 10 12 - 12 50.0 - 63.0 Média
## 11 11 13 - 13 63.1 - 74.7 Média
## 12 12 13 - 13 74.8 - 84.0 Média
## 13 13 14 - 14 84.1 - 90.8 Média Superior
## 14 14 15 - 15 90.9 - 95.1 Média Superior
## 15 15 16 - 16 95.2 - 97.6 Superior
## 16 16 16 - 16 97.7 - 98.9 Muito Superior
## 17 17 16 - 16 99.0 - 99.5 Muito Superior
## 18 18 16 - 16 99.6 - 99.8 Muito Superior
## 19 19 16 - 16 99.9 - 99.9 Muito Superior# CCC 18Seg
createTable(score = 'ccc_brown_peterson_18seg', data = adol, plot.dens = T, method = "rankit", max_score = 16)## Picking joint bandwidth of 1.11
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 8.913043 3.56931 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 0 - 0 0.1 - 0.3 Deficitário
## 2 2 0 - 0 0.4 - 0.9 Deficitário
## 3 3 0 - 0 1.0 - 2.2 Deficitário
## 4 4 1 - 2 2.3 - 4.7 Deficitário
## 5 5 3 - 3 4.8 - 9.0 Inferior
## 6 6 4 - 5 9.1 - 15.8 Média Inferior
## 7 7 6 - 6 15.9 - 25.1 Média Inferior
## 8 8 7 - 8 25.2 - 36.8 Média
## 9 9 9 - 9 36.9 - 49.9 Média
## 10 10 10 - 10 50.0 - 63.0 Média
## 11 11 11 - 11 63.1 - 74.7 Média
## 12 12 12 - 12 74.8 - 84.0 Média
## 13 13 13 - 13 84.1 - 90.8 Média Superior
## 14 14 14 - 14 90.9 - 95.1 Média Superior
## 15 15 15 - 15 95.2 - 97.6 Superior
## 16 16 16 - 16 97.7 - 98.9 Muito Superior
## 17 17 16 - 16 99.0 - 99.5 Muito Superior
## 18 18 16 - 16 99.6 - 99.8 Muito Superior
## 19 19 16 - 16 99.9 - 99.9 Muito Superior# CCC 18Seg
createTable(score = 'ccc_brown_peterson_36seg', data = adol, plot.dens = T, method = "normal.approx", max_score = 16)## Picking joint bandwidth of 1.16
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 8.033816 3.734361 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 0 - 0 0.1 - 0.3 Deficitário
## 2 2 0 - 0 0.4 - 0.9 Deficitário
## 3 3 0 - 0 1.0 - 2.2 Deficitário
## 4 4 1 - 1 2.3 - 4.7 Deficitário
## 5 5 2 - 3 4.8 - 9.0 Inferior
## 6 6 4 - 4 9.1 - 15.8 Média Inferior
## 7 7 5 - 5 15.9 - 25.1 Média Inferior
## 8 8 6 - 6 25.2 - 36.8 Média
## 9 9 7 - 8 36.9 - 49.9 Média
## 10 10 9 - 9 50.0 - 63.0 Média
## 11 11 10 - 10 63.1 - 74.7 Média
## 12 12 11 - 11 74.8 - 84.0 Média
## 13 13 12 - 13 84.1 - 90.8 Média Superior
## 14 14 14 - 14 90.9 - 95.1 Média Superior
## 15 15 15 - 15 95.2 - 97.6 Superior
## 16 16 16 - 16 97.7 - 98.9 Muito Superior
## 17 17 16 - 16 99.0 - 99.5 Muito Superior
## 18 18 16 - 16 99.6 - 99.8 Muito Superior
## 19 19 16 - 16 99.9 - 99.9 Muito Superior# CCC Total - 64 pontos
createTable(score = 'ccc_brown_peterson_total', data = adol, plot.dens = T, method = "normal.approx", min_score = 12, max_score = 64)## Picking joint bandwidth of 2.31
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 42.2657 9.229119 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 15 - 17 0.1 - 0.3 Deficitário
## 2 2 18 - 20 0.4 - 0.9 Deficitário
## 3 3 21 - 23 1.0 - 2.2 Deficitário
## 4 4 24 - 26 2.3 - 4.7 Deficitário
## 5 5 27 - 29 4.8 - 9.0 Inferior
## 6 6 30 - 33 9.1 - 15.8 Média Inferior
## 7 7 34 - 36 15.9 - 25.1 Média Inferior
## 8 8 37 - 39 25.2 - 36.8 Média
## 9 9 40 - 42 36.9 - 49.9 Média
## 10 10 43 - 45 50.0 - 63.0 Média
## 11 11 46 - 48 63.1 - 74.7 Média
## 12 12 49 - 51 74.8 - 84.0 Média
## 13 13 52 - 54 84.1 - 90.8 Média Superior
## 14 14 55 - 57 90.9 - 95.1 Média Superior
## 15 15 58 - 60 95.2 - 97.6 Superior
## 16 16 61 - 63 97.7 - 98.9 Muito Superior
## 17 17 64 - 64 99.0 - 99.5 Muito Superior
## 18 18 64 - 64 99.6 - 99.8 Muito Superior
## 19 19 64 - 64 99.9 - 99.9 Muito Superior4.3 FPT Cinco Pontos
# FPT Desenhos únicos - Máx 50 pontos
createTable(score = 'fpt_cinco_pontos_total', data = adol, plot.dens = T, method = "rankit", max_score = 50)## Picking joint bandwidth of 2.31
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 22.5942 7.970794 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 0 - 2 0.1 - 0.3 Deficitário
## 2 2 3 - 4 0.4 - 0.9 Deficitário
## 3 3 5 - 7 1.0 - 2.2 Deficitário
## 4 4 8 - 9 2.3 - 4.7 Deficitário
## 5 5 10 - 12 4.8 - 9.0 Inferior
## 6 6 13 - 14 9.1 - 15.8 Média Inferior
## 7 7 15 - 17 15.9 - 25.1 Média Inferior
## 8 8 18 - 19 25.2 - 36.8 Média
## 9 9 20 - 22 36.9 - 49.9 Média
## 10 10 23 - 25 50.0 - 63.0 Média
## 11 11 26 - 27 63.1 - 74.7 Média
## 12 12 28 - 30 74.8 - 84.0 Média
## 13 13 31 - 33 84.1 - 90.8 Média Superior
## 14 14 34 - 36 90.9 - 95.1 Média Superior
## 15 15 37 - 39 95.2 - 97.6 Superior
## 16 16 40 - 42 97.7 - 98.9 Muito Superior
## 17 17 43 - 45 99.0 - 99.5 Muito Superior
## 18 18 46 - 48 99.6 - 99.8 Muito Superior
## 19 19 49 - 50 99.9 - 99.9 Muito Superior# FPT Desenhos repetidos
createTable(score = 'fpt_cinco_pontos_persev', data = adol, plot.dens = T, reverse = T, method = "rankit", max_score = 20)## Picking joint bandwidth of 0.462
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 1.599034 3.027158 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 20 - 20 0.1 - 0.3 Deficitário
## 2 2 16 - 20 0.4 - 0.9 Deficitário
## 3 3 11 - 15 1.0 - 2.2 Deficitário
## 4 4 8 - 10 2.3 - 4.7 Deficitário
## 5 5 5 - 7 4.8 - 9.0 Inferior
## 6 6 4 - 4 9.1 - 15.8 Média Inferior
## 7 7 2 - 3 15.9 - 25.1 Média Inferior
## 8 8 1 - 1 25.2 - 36.8 Média
## 9 9 1 - 1 36.9 - 49.9 Média
## 10 10 1 - 1 50.0 - 63.0 Média
## 11 11 1 - 1 63.1 - 74.7 Média
## 12 12 0 - 0 74.8 - 84.0 Média
## 13 13 0 - 0 84.1 - 90.8 Média Superior
## 14 14 0 - 0 90.9 - 95.1 Média Superior
## 15 15 0 - 0 95.2 - 97.6 Superior
## 16 16 0 - 0 97.7 - 98.9 Muito Superior
## 17 17 0 - 0 99.0 - 99.5 Muito Superior
## 18 18 0 - 0 99.6 - 99.8 Muito Superior
## 19 19 0 - 0 99.9 - 99.9 Muito Superior4.4 Fluência Semântica
# Animais
createTable(score = 'fluencia_animais', data = adol, plot.dens = T, method = "rankit")## Picking joint bandwidth of 1.53
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 18.89372 4.953013 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 6 - 6 0.1 - 0.3 Deficitário
## 2 2 7 - 8 0.4 - 0.9 Deficitário
## 3 3 9 - 9 1.0 - 2.2 Deficitário
## 4 4 10 - 11 2.3 - 4.7 Deficitário
## 5 5 12 - 12 4.8 - 9.0 Inferior
## 6 6 13 - 14 9.1 - 15.8 Média Inferior
## 7 7 15 - 15 15.9 - 25.1 Média Inferior
## 8 8 16 - 17 25.2 - 36.8 Média
## 9 9 18 - 18 36.9 - 49.9 Média
## 10 10 19 - 20 50.0 - 63.0 Média
## 11 11 21 - 21 63.1 - 74.7 Média
## 12 12 22 - 23 74.8 - 84.0 Média
## 13 13 24 - 25 84.1 - 90.8 Média Superior
## 14 14 26 - 27 90.9 - 95.1 Média Superior
## 15 15 28 - 29 95.2 - 97.6 Superior
## 16 16 30 - 31 97.7 - 98.9 Muito Superior
## 17 17 32 - 34 99.0 - 99.5 Muito Superior
## 18 18 35 - 36 99.6 - 99.8 Muito Superior
## 19 19 37 - 39 99.9 - 99.9 Muito Superior# Frutas
createTable(score = 'fluencia_frutas', data = adol, plot.dens = T, method = "rankit")## Picking joint bandwidth of 1.03
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 13.89372 3.33244 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 3 - 3 0.1 - 0.3 Deficitário
## 2 2 4 - 5 0.4 - 0.9 Deficitário
## 3 3 6 - 6 1.0 - 2.2 Deficitário
## 4 4 7 - 8 2.3 - 4.7 Deficitário
## 5 5 9 - 9 4.8 - 9.0 Inferior
## 6 6 10 - 10 9.1 - 15.8 Média Inferior
## 7 7 11 - 11 15.9 - 25.1 Média Inferior
## 8 8 12 - 12 25.2 - 36.8 Média
## 9 9 13 - 14 36.9 - 49.9 Média
## 10 10 15 - 15 50.0 - 63.0 Média
## 11 11 16 - 16 63.1 - 74.7 Média
## 12 12 17 - 17 74.8 - 84.0 Média
## 13 13 18 - 18 84.1 - 90.8 Média Superior
## 14 14 19 - 19 90.9 - 95.1 Média Superior
## 15 15 20 - 20 95.2 - 97.6 Superior
## 16 16 21 - 21 97.7 - 98.9 Muito Superior
## 17 17 22 - 22 99.0 - 99.5 Muito Superior
## 18 18 23 - 23 99.6 - 99.8 Muito Superior
## 19 19 24 - 24 99.9 - 99.9 Muito Superior# Alternada (pares)
createTable(score = 'fluencia_alternada_pares', data = adol, plot.dens = T, method = "rankit")## Picking joint bandwidth of 0.679
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 7.729469 2.190946 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 2 - 2 0.1 - 0.3 Deficitário
## 2 2 3 - 3 0.4 - 0.9 Deficitário
## 3 3 3 - 3 1.0 - 2.2 Deficitário
## 4 4 4 - 4 2.3 - 4.7 Deficitário
## 5 5 5 - 5 4.8 - 9.0 Inferior
## 6 6 6 - 6 9.1 - 15.8 Média Inferior
## 7 7 6 - 6 15.9 - 25.1 Média Inferior
## 8 8 7 - 7 25.2 - 36.8 Média
## 9 9 7 - 7 36.9 - 49.9 Média
## 10 10 8 - 8 50.0 - 63.0 Média
## 11 11 9 - 9 63.1 - 74.7 Média
## 12 12 9 - 9 74.8 - 84.0 Média
## 13 13 10 - 10 84.1 - 90.8 Média Superior
## 14 14 11 - 11 90.9 - 95.1 Média Superior
## 15 15 12 - 12 95.2 - 97.6 Superior
## 16 16 13 - 14 97.7 - 98.9 Muito Superior
## 17 17 15 - 15 99.0 - 99.5 Muito Superior
## 18 18 16 - 17 99.6 - 99.8 Muito Superior
## 19 19 18 - 18 99.9 - 99.9 Muito Superior# Alternada (individual)
createTable(score = 'fluencia_alternada_indiv_total', data = adol, plot.dens = T, method = "rankit")## Picking joint bandwidth of 1.16
## $Estatísticas
## Grupo Média DP N
## 1 Amostra completa 15.74879 3.87858 207
##
## $Normas
## Norma Amostra completa Percentil Classificação
## 1 1 3 - 4 0.1 - 0.3 Deficitário
## 2 2 5 - 6 0.4 - 0.9 Deficitário
## 3 3 7 - 7 1.0 - 2.2 Deficitário
## 4 4 8 - 9 2.3 - 4.7 Deficitário
## 5 5 10 - 10 4.8 - 9.0 Inferior
## 6 6 11 - 12 9.1 - 15.8 Média Inferior
## 7 7 13 - 13 15.9 - 25.1 Média Inferior
## 8 8 14 - 14 25.2 - 36.8 Média
## 9 9 15 - 15 36.9 - 49.9 Média
## 10 10 16 - 16 50.0 - 63.0 Média
## 11 11 17 - 18 63.1 - 74.7 Média
## 12 12 19 - 19 74.8 - 84.0 Média
## 13 13 20 - 20 84.1 - 90.8 Média Superior
## 14 14 21 - 22 90.9 - 95.1 Média Superior
## 15 15 23 - 23 95.2 - 97.6 Superior
## 16 16 24 - 25 97.7 - 98.9 Muito Superior
## 17 17 26 - 27 99.0 - 99.5 Muito Superior
## 18 18 28 - 28 99.6 - 99.8 Muito Superior
## 19 19 29 - 30 99.9 - 99.9 Muito Superior