Apêndice C — Bases de dados utilizadas no livro
O livro usa um pequeno conjunto de bases que reaparecem ao longo dos capítulos, para que o estudante se familiarize com elas e possa concentrar a atenção nos novos conteúdos. As bases de dados reais estão na pasta dados/ do projeto, o que permite renderizar o livro sem depender da disponibilidade dos servidores do DATASUS. Todos os exemplos com dados fictícios estão indicados como tal no próprio texto.
| Base | Natureza | Fonte | Unidade de registro | Capítulos |
|---|---|---|---|---|
sinasc_ro_2019.csv |
Real | SINASC, Rondônia, 2019 | Nascido vivo | 5 a 17 |
populacao_ro_2019.csv |
Real | Estimativas populacionais do DATASUS | Município, sexo e faixa etária | 5, 8, 10 |
tabnet_populacao_ro_2019.csv |
Real, em formato de exportação do TabNet | Estimativas populacionais do DATASUS | Município | 5, 8 |
populacao_ro_2015_2024.xlsx |
Real, em planilha | Estimativas populacionais do DATASUS | Município e ano | 5, 8 |
covid_norte_2020_2022.csv |
Real | Casos e óbitos confirmados de COVID-19 (COTA, 2020) | Estado e dia | 9, 10, 12, 16 |
Bases do pacote medicaldata |
Reais, de estudos publicados | HIGGINS (2022) | Participante | 12 a 15, 17 |
| Pequenos vetores e tabelas | Fictícios | Criados no próprio texto | Variável | 2 a 4, 16 |
Nascidos vivos de Rondônia, 2019
O arquivo sinasc_ro_2019.csv traz os 27.028 registros de nascidos vivos de mães residentes em Rondônia em 2019, com 18 variáveis selecionadas dos microdados do SINASC. A escolha de um estado com cerca de 27 mil nascimentos por ano resulta em um arquivo pequeno o suficiente para ser distribuído com o livro e grande o suficiente para que as análises façam sentido. O arquivo foi gerado a partir de uma cópia pública dos microdados já processados (com códigos convertidos em rótulos), disponível no repositório https://github.com/nicolibasilio/sinasc_RO_2019_Gr-ficos. Para aproximá-lo do formato dos arquivos originais, a data de nascimento foi gravada no formato ddmmaaaa, o separador de colunas é o ponto e vírgula e a codificação é latin1. Os nomes das variáveis seguem os do SINASC.
sinasc_ro_2019.csv.
| Variável | Descrição |
|---|---|
CODMUNRES |
Código do município de residência da mãe (seis dígitos) |
MUNRESNOME |
Nome do município de residência da mãe |
DTNASC |
Data de nascimento (ddmmaaaa) |
SEXO |
Sexo do recém-nascido |
PESO |
Peso ao nascer, em gramas |
IDADEMAE |
Idade da mãe, em anos |
ESCMAE |
Escolaridade da mãe, em anos de estudo |
ESTCIVMAE |
Situação conjugal da mãe |
RACACOR |
Raça/cor do recém-nascido |
GESTACAO |
Duração da gestação, em faixas de semanas |
SEMAGESTAC |
Duração da gestação, em semanas |
GRAVIDEZ |
Tipo de gravidez (única, dupla, tríplice e mais) |
PARTO |
Tipo de parto |
CONSULTAS |
Número de consultas de pré-natal, em faixas (código de 1 a 4; 9 = ignorado) |
APGAR1, APGAR5 |
Índice de Apgar no primeiro e no quinto minuto |
QTDFILVIVO |
Número de filhos vivos anteriores |
LOCNASC |
Local de ocorrência do nascimento |
O script scripts/preparar-sinasc.R lê esse arquivo e cria as bases nascidos e nascidos_analise, usadas a partir do Capítulo 6. As etapas do script são explicadas nos capítulos 5, 6, 9 e 12. Para trabalhar com os dados oficiais mais recentes, ou com outros estados e anos, o script scripts/obter-dados-datasus.R baixa os microdados do SINASC, do SIM e do SINAN com o pacote microdatasus e os grava na pasta dados/brutos/. Ele precisa de conexão com os servidores do DATASUS e pode levar alguns minutos.
Estimativas populacionais
Os três arquivos de população vêm das estimativas populacionais por município, sexo e idade para o período de 2000 a 2024, disponibilizadas pelo DATASUS. Os dados foram obtidos da cópia organizada no repositório do pacote brpop (https://github.com/rfsaldanha/brpop). O arquivo populacao_ro_2019.csv traz a população de 2019 por município, sexo e faixa etária quinquenal. O arquivo tabnet_populacao_ro_2019.csv reproduz o formato de uma tabela exportada do TabNet, com linhas de título e de notas, para o exercício de importação do Capítulo 5. A planilha populacao_ro_2015_2024.xlsx traz a população total de cada município de 2015 a 2024, em formato largo, com um ano por coluna, para os exercícios de reorganização do Capítulo 8. Por terem sido produzidas com metodologia própria, essas estimativas podem diferir ligeiramente das estimativas anuais do IBGE para 2019, citadas em alguns exemplos do texto.
Casos e óbitos de COVID-19 na região Norte
O arquivo covid_norte_2020_2022.csv traz o número diário de casos novos e de óbitos novos confirmados de COVID-19 nos sete estados da região Norte, de março de 2020 a dezembro de 2022, com as variáveis data, uf, casos_novos e obitos_novos. Os dados foram extraídos da base consolidada a partir dos boletins das secretarias estaduais de saúde e do Ministério da Saúde, descrita por COTA (2020) e disponível em https://github.com/wcota/covid19br. Alguns valores diários são negativos, porque correspondem a correções de registros anteriores, o que é discutido no Capítulo 9.
Bases do pacote medicaldata
O pacote medicaldata (HIGGINS, 2022) reúne conjuntos de dados de estudos médicos publicados, preparados para o ensino de estatística, e vários deles vieram do portal Teaching of Statistics in the Health Sciences. Cada base tem documentação própria, acessível no R com ?nome_da_base. O livro usa três delas: opt, de um ensaio clínico sobre o tratamento da doença periodontal na gestação (HYUN; HODGES; BREARLEY, 2019; MICHALOWICZ et al., 2006), nos capítulos 13 e 14; strep_tb, do ensaio clínico da estreptomicina na tuberculose pulmonar (MEDICAL RESEARCH COUNCIL, 1948), no Capítulo 15; e esoph_ca, de um estudo caso-controle sobre câncer de esôfago (BRESLOW; DAY, 1980), também no Capítulo 15. As demais bases do pacote são boas opções para os exercícios e para o trabalho final.
Dados fictícios
Nos capítulos iniciais, alguns exemplos usam pequenos vetores e tabelas criados no próprio texto, como listas de idades, notificações ou coberturas vacinais. Eles servem apenas para ilustrar o funcionamento das funções e estão identificados como fictícios no texto. Quando um exemplo combina valores reais, como estimativas populacionais, com valores inventados, isso também é informado.