Fatores de Risco Sociais que impactam em Suicídio Familiar

1. Base de Dados e Pré-processamento

1.1 Carregando a base de dados

#carregando a base de dados em .csv
dados <- 
  data.table::fread("/Dados/Coorte100m/PBF_SHSM/SHARED/Dataset_SIM_Daiane_geo.csv", select = c("cod_familiar_eq", "idade", "cod_sexo_pessoa_eq", "cod_raca_cor_pessoa_eq", "escolaridade_eq", "regiao", "urban", "cod_destino_lixo_domic_fam_eq", "cod_escoa_sanitario_domic_fam_eq", "cod_abaste_agua_domic_fam_eq", "homicide", "suicide")) 

|--------------------------------------------------|
|==================================================|

dados <- dados %>% filter(idade > 10) #retirando criancas menores de 10 anos

1.2 Pre-processando a base original

#funcao para calcular a moda
moda <- function(v) {
  uniqv <- unique(v)
  uniqv[which.max(tabulate(match(v, uniqv)))]
}

#criando a variavel idade
dados <- dados %>% 
  mutate(
    idade = case_when(
      idade < 19~1,
      idade >= 20 & idade < 40~2,
      idade >= 40 & idade < 60~3,
      idade >= 60~4)
  )


#criando a variavel homem_familia
dados <- dados %>% 
  mutate(
    homem_familia = case_when(
      cod_sexo_pessoa_eq == 1~1,
      cod_sexo_pessoa_eq == 2~0)
  )


#criando a variavel escolaridade
dados <- dados %>% 
  mutate(
    escolaridade = case_when(
      escolaridade_eq == 0~0,
      escolaridade_eq == 1~1,
      escolaridade_eq == 2~2,
      escolaridade_eq == 3~3,
      escolaridade_eq == 4~4,
      escolaridade_eq == 5 | escolaridade_eq == 6~5)
  )


#mudando o rotulo da variavel regiao
dados <- dados %>% 
  mutate(
    regiao = case_when(
      regiao == "Nordeste"~1,
      regiao == "Norte"~2,
      regiao == "Sudeste"~3,
      regiao == "Centro-Oeste"~4,
      regiao == "Sul"~5)
  )


#criando a variavel LivingConditions

#Lixo
dados <- dados %>% 
  mutate(
    lixo = case_when(
      cod_destino_lixo_domic_fam_eq == 1 | cod_destino_lixo_domic_fam_eq == 2~1,
      TRUE~0)
  )


#Escoamento
dados <- dados %>% 
  mutate(
    escoamento = case_when(
      cod_escoa_sanitario_domic_fam_eq == 1 | cod_escoa_sanitario_domic_fam_eq == 2 | cod_escoa_sanitario_domic_fam_eq == 3~1,
      TRUE~0)
  )




#Agua
dados <- dados %>% 
  mutate(
    agua = case_when(
      cod_abaste_agua_domic_fam_eq == 1~1,
      TRUE~0)
  )


#LivingConditions
dados <- dados %>% 
  mutate(
    living_conditions = (lixo + escoamento + agua)
  )

1.3 Realizando a mudanca de grao da base

#familias com pelo menos um suicidio
qtd_suic_familia <- dados %>% 
  group_by(cod_familiar_eq) %>% #agrupando por familias
  summarise(
    qtd_pesoas_familia = n(),#quantidade de pessoas na familia
    qtd_suic_familia = sum(suicide), #quantidade de suicidios na familia
    qtd_homic_familia = sum(homicide), #quantidade de homicidio na familia
    homem_familia = (sum(homem_familia)/n())*100, #percentual de homens na familia
    raca = moda(cod_raca_cor_pessoa_eq), #raca predominante(moda) na familia
    regiao = moda(regiao), #regiao predominante (moda) da familia
    urban = moda(urban), #predominancia de membros da familia em area urbana
    idade = moda(idade), #predominancia (moda) da faixa etaria da familia
    escolaridade = moda(escolaridade), #predominancia (moda) da faixa etaria da familia
    living_conditions = moda(living_conditions)#condicao de vida predominante(moda) na familia
    ) %>% 
  filter(qtd_pesoas_familia > 1) #familias com mais de uma pessoa


#categorizar a quantidade de pessoas na familia
qtd_suic_familia <- qtd_suic_familia %>% 
  mutate( 
    pessoas_na_familia = case_when(
      qtd_pesoas_familia == 2~"1",
      qtd_pesoas_familia == 3~"2",
      qtd_pesoas_familia == 4~"2",
      qtd_pesoas_familia == 5~"3",
      qtd_pesoas_familia == 6~"3",
      qtd_pesoas_familia >7~"4")
  )
  


#criando a variavel desfecho
dados_familia <- qtd_suic_familia %>% 
  mutate( #se teve pelo menos um suicidio (1) e caso contrrario (0)
    desfecho = case_when(qtd_suic_familia >= 1~1,TRUE~0)
  )

1.4 Salvando a base agregada no grao familia

#salvando a base de dados em .csv
rm(dados)
write.csv(dados_familia,"/Dados/Coorte100m/PBF_SHSM/SHARED/Dataset_SIM_Daiane_geo_Agregada.csv")
rm(dados_familia)
rm(qtd_suic_familia)
gc()

            used  (Mb) gc trigger    (Mb)   max used    (Mb)
Ncells   2683512 143.4  626419900 33454.5  645755748 34487.1
Vcells 106622989 813.5 3104563892 23686.0 3874748559 29562.0

2. Análise Exploratória dos Dados

2.1 Carregando a base de dados agregada

dados <- 
  data.table::fread("/Dados/Coorte100m/PBF_SHSM/SHARED/Dataset_SIM_Daiane_geo_Agregada.csv") 

#dados <- dados %>% sample_n(10000)

2.2 Tabela de contingência vs Variável binária suicídio familiar

dados %>% 
  select( #aqui ta selecionando as variáveis na tabela
    qtd_homic_familia,
    pessoas_na_familia,
    homem_familia,
    raca,
    regiao,
    urban,
    idade,
    escolaridade,
    living_conditions,
    desfecho) %>% 
  tbl_summary(by = desfecho,
              statistic = list(all_continuous() ~ "{mean} ({sd})")) %>% 
  add_p() %>% #adiciona os p-valores dos testes estatísticos 
   bold_labels() 

There was an error in 'add_p()/add_difference()' for variable 'qtd_homic_familia', p-value omitted:
Error in stats::fisher.test(c(0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, : FEXACT error 40.
Out of workspace.

Characteristic	0, N = 21,598,4821	1, N = 32,7271	p-value2
qtd_homic_familia
0	21,386,133 (99%)	32,008 (98%)
1	206,696 (1.0%)	699 (2.1%)
2	5,392 (<0.1%)	19 (<0.1%)
3	245 (<0.1%)	1 (<0.1%)
4	15 (<0.1%)	0 (0%)
5	1 (<0.1%)	0 (0%)
pessoas_na_familia			<0.001
1	10,088,330 (47%)	8,787 (28%)
2	8,659,781 (41%)	14,924 (47%)
3	2,333,798 (11%)	6,902 (22%)
4	221,379 (1.0%)	952 (3.0%)
Unknown	295,194	1,162
homem_familia	46 (22)	52 (19)	<0.001
raca			<0.001
1	6,573,302 (33%)	11,776 (39%)
2	1,502,227 (7.6%)	2,172 (7.3%)
3	67,582 (0.3%)	80 (0.3%)
4	11,447,985 (58%)	15,437 (52%)
5	95,640 (0.5%)	435 (1.5%)
Unknown	1,911,746	2,827
regiao			<0.001
1	8,618,383 (40%)	12,122 (37%)
2	2,008,379 (9.3%)	2,503 (7.7%)
3	6,858,034 (32%)	9,110 (28%)
4	1,474,313 (6.8%)	2,315 (7.1%)
5	2,616,703 (12%)	6,655 (20%)
Unknown	22,670	22
urban			<0.001
0	5,254,968 (26%)	9,500 (30%)
1	15,333,490 (74%)	22,013 (70%)
Unknown	1,010,024	1,214
idade			<0.001
1	6,138,318 (29%)	11,405 (35%)
2	9,704,713 (46%)	13,632 (42%)
3	4,119,118 (19%)	5,858 (18%)
4	1,353,356 (6.3%)	1,424 (4.4%)
Unknown	282,977	408
escolaridade			<0.001
0	1,996,971 (11%)	3,363 (12%)
1	35,890 (0.2%)	41 (0.2%)
2	122,090 (0.7%)	169 (0.6%)
3	7,129,604 (40%)	12,132 (45%)
4	5,958,677 (33%)	9,393 (35%)
5	2,780,214 (15%)	2,101 (7.7%)
Unknown	3,575,036	5,528
living_conditions			<0.001
0	2,031,060 (9.4%)	2,952 (9.0%)
1	1,860,732 (8.6%)	3,263 (10.0%)
2	4,531,631 (21%)	7,410 (23%)
3	13,175,059 (61%)	19,102 (58%)
1 n (%); Mean (SD)
2 Pearson's Chi-squared test; Wilcoxon rank sum test

3. Regressao Logistica

3.1 Construcao do modelo

#modelagem da regressao logistica
m1 <- glm(desfecho ~ qtd_homic_familia + pessoas_na_familia + homem_familia + raca + regiao + urban + idade + escolaridade + living_conditions, data = dados, family = binomial(link = "logit"))

summary(m1)

Call:
glm(formula = desfecho ~ qtd_homic_familia + pessoas_na_familia + 
    homem_familia + raca + regiao + urban + idade + escolaridade + 
    living_conditions, family = binomial(link = "logit"), data = dados)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-0.2991  -0.0611  -0.0482  -0.0397   4.1325  

Coefficients:
                      Estimate Std. Error  z value Pr(>|z|)    
(Intercept)         -7.2878300  0.0416999 -174.768  < 2e-16 ***
qtd_homic_familia    0.4582886  0.0405174   11.311  < 2e-16 ***
pessoas_na_familia2  0.6313746  0.0157501   40.087  < 2e-16 ***
pessoas_na_familia3  1.1551285  0.0197516   58.483  < 2e-16 ***
pessoas_na_familia4  1.5168903  0.0399293   37.989  < 2e-16 ***
homem_familia        0.0113679  0.0003264   34.827  < 2e-16 ***
raca2               -0.1395011  0.0262247   -5.319 1.04e-07 ***
raca3               -0.2563168  0.1247354   -2.055  0.03989 *  
raca4               -0.2234810  0.0155999  -14.326  < 2e-16 ***
raca5                0.9052960  0.0534195   16.947  < 2e-16 ***
regiao2             -0.1400343  0.0255728   -5.476 4.35e-08 ***
regiao3              0.0031151  0.0172758    0.180  0.85690    
regiao4              0.2060884  0.0261628    7.877 3.35e-15 ***
regiao5              0.5632645  0.0205074   27.466  < 2e-16 ***
urban1              -0.0513244  0.0178476   -2.876  0.00403 ** 
idade2               0.0802788  0.0157975    5.082 3.74e-07 ***
idade3              -0.0440783  0.0193386   -2.279  0.02265 *  
idade4              -0.2742231  0.0322476   -8.504  < 2e-16 ***
escolaridade1       -0.2646262  0.1593179   -1.661  0.09671 .  
escolaridade2       -0.1095082  0.0821363   -1.333  0.18245    
escolaridade3       -0.1589606  0.0207841   -7.648 2.04e-14 ***
escolaridade4       -0.2661941  0.0221819  -12.001  < 2e-16 ***
escolaridade5       -0.7789799  0.0300139  -25.954  < 2e-16 ***
living_conditions1   0.0264305  0.0337192    0.784  0.43313    
living_conditions2   0.0067576  0.0312055    0.217  0.82856    
living_conditions3  -0.0129738  0.0322286   -0.403  0.68728    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 374966  on 16913585  degrees of freedom
Residual deviance: 364878  on 16913560  degrees of freedom
  (4717623 observations deleted due to missingness)
AIC: 364930

Number of Fisher Scoring iterations: 10

3.2 Tabela de significancia

#construindo tabela
tab_model(m1, file="tabela-suicidio.html")

Profiled confidence intervals may take longer time to compute. Use 'ci_method="wald"' for
  faster computation of CIs.

htmltools::includeHTML("tabela-suicidio.html")

	desfecho
Predictors	Odds Ratios	CI	p
(Intercept)	0.00	0.00 – 0.00	<0.001
qtd homic familia	1.58	1.46 – 1.71	<0.001
pessoas na familia [2]	1.88	1.82 – 1.94	<0.001
pessoas na familia [3]	3.17	3.05 – 3.30	<0.001
pessoas na familia [4]	4.56	4.21 – 4.93	<0.001
homem familia	1.01	1.01 – 1.01	<0.001
raca [2]	0.87	0.83 – 0.92	<0.001
raca [3]	0.77	0.60 – 0.98	0.040
raca [4]	0.80	0.78 – 0.82	<0.001
raca [5]	2.47	2.22 – 2.74	<0.001
regiao [2]	0.87	0.83 – 0.91	<0.001
regiao [3]	1.00	0.97 – 1.04	0.857
regiao [4]	1.23	1.17 – 1.29	<0.001
regiao [5]	1.76	1.69 – 1.83	<0.001
urban [1]	0.95	0.92 – 0.98	0.004
idade [2]	1.08	1.05 – 1.12	<0.001
idade [3]	0.96	0.92 – 0.99	0.023
idade [4]	0.76	0.71 – 0.81	<0.001
escolaridade [1]	0.77	0.55 – 1.03	0.097
escolaridade [2]	0.90	0.76 – 1.05	0.182
escolaridade [3]	0.85	0.82 – 0.89	<0.001
escolaridade [4]	0.77	0.73 – 0.80	<0.001
escolaridade [5]	0.46	0.43 – 0.49	<0.001
living conditions [1]	1.03	0.96 – 1.10	0.433
living conditions [2]	1.01	0.95 – 1.07	0.829
living conditions [3]	0.99	0.93 – 1.05	0.687
Observations	16913586
R2 Tjur	0.001

NA

3.3 Plotando o grafico com Odds Ratio

plot_model(m1, colors = "bw", show.values = TRUE, value.offset = .5, title = "Suicidio na familia")