-
Notifications
You must be signed in to change notification settings - Fork 0
/
README.Rmd
43 lines (27 loc) · 4.89 KB
/
README.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
---
output: github_document
---
<!-- README.md is generated from README.Rmd. Please edit that file -->
```{r, include = FALSE}
knitr::opts_chunk$set(
collapse = TRUE,
comment = "#>"
)
```
#### Introdução
Este repositório contém o código usado para a produção das figuras presentes no texto 'Não deixe que os dados te enganem!' (abaixo), publicado no dia 03 de janeiro de 2024. Um arquivo em `.ppt` com as imagens está disponível para download. Foram utilizados principalmente pacotes associados ao `tidyverse`, além de outros pacotes extras, como `extrafont`, `scales` e `countrycode`.
------------------------------------------------------------------------
# Não deixe que os dados te enganem!
Dizem por aí que um conjunto de dados é uma '**coleção de fatos**', talvez em um sentido da palavra 'fato' próximo de "ação ou coisa feita, ocorrida ou em processo de realização" (definição lá do Oxford Languages). **Mas isso não significa que a sua interpretação deva ser direta** - ou seja, sem que alguém pense na natureza e no tipo dos dados antes de tirar alguma conclusão. Um exemplinho com o Google Mobility Report vai deixar essa ideia mais clara.
### Relatórios de Mobilidade: alguns cuidados
Durante a pandemia, o Google resolveu [disponibilizar](https://www.google.com/covid19/mobility/) os chamados 'dados de mobilidade' com intuito de "informar sobre o que mudou em função das políticas de enfrentamento à COVID-19", principalmente lockdowns. Nada mais eram do que séries de tempo segmentadas por ***região*** *e **categorias de localidade*** (Varejo e Lazer, Mercados e Farmácias, Parques, Estações de Transporte Público, Locais de Trabalho e Áreas Residenciais), em que os números representavam variações percentuais do nível de atividade em relação período pré-pandemia. **No total, quase 80 mil séries foram produzidas**, representando a combinação das 6 categoriais para cada uma das 13 mil regiões selecionadas (entre países, estados, municípios e macrorregiões)!
Logo de cara vale a pergunta: **o que é o 'nível pré-pandemia'?** Ou, falando de forma mais técnica, qual é a base de comparação? Aqui os detalhes já começam a ficar importantes. Isso porque **o Google definiu, em cada série, um nível pré-pandemia para cada dia da semana!** *O cálculo em si é a mediana das observações dos valores brutos* (a princípio quantidade de pessoas, com exceção de áreas residenciais, medido em horas), *para cada dia da semana, nas cinco semanas entre 03/jan/2020 e 06/fev/2020*. Seguindo esse raciocínio, o valor base para segunda-feira, por exemplo, é a mediana dos valores brutos registrados nos dias 03, 10, 17, 24 e 31 de janeiro de 2020 - e não a média ou mediana do período inteiro, como tenderíamos a pensar. A metodologia faz com que um analista tenha que ter certos cuidados na interpretação:
- **O mesmo número de pessoas em dois dias seguidos pode gerar variações percentuais diferentes simplesmente porque a base de comparação vai ser diferente!** Se as mesmas 100 pessoas visitarem áreas de 'varejo e lazer' na terça e quarta, mas a mediana no período de coleta para esses dias for de 60 e 70 pessoas, respectivamente, então as variações percentuais serão de 67% e 43%. *Quem for olhar pode acabar achando que tem menos gente indo se divertir de um dia para o outro, o que não é verdade.*
- **Outra implicação é a de que dados de dias úteis tendem a ser diferentes dos registrados aos finais de semana.** Se em tempos normais poucas pessoas já visitam locais de trabalho aos sábados e domingos, por exemplo, então a queda percentual em função de lockdowns tende a ser um valor naturalmente menor (gráfico 1). *Isso significa que o impacto das políticas contra Covid é menor nos finais de semana?* A resposta é *não*, pelo mesmo raciocínio anterior.
```{=html}
<!-- -->
```
- **Até o clima pode induzir à má interpretação dos dados!** Como o período base de coleta é entre janeiro e fevereiro, estamos falando então do inverno no hemisfério norte, onde costuma ser bastante frio. Esse é o momento em que as pessoas naturalmente tendem a visitar parques com menor frequência, o que acaba resultando em uma mediana de valor próximo aos mais baixos que podem ser registrados. *Logo, as variações percentuais tendem a ser números mais elevados nessas regiões; de forma simétrica, o inverso ocorre onde é verão* (gráfico 2, de linhas, ainda que não seja o mais indicado). Mais uma vez: isso não significa que nesses lugares houve aumento significativo de atividade. Alemanha, Estados Unidos e Portugal só deram 'sorte' de estarem mais frios do que Argentina, Chile e Brasil durante janeiro!
De certa forma, o Google deixa bem claro as limitações dos dados. No fim das contas, esse textão todo é só para dizer uma coisa: cuidado com as conclusões precipitadas. Dados podem representar fatos mas isso não é condição suficiente para achar alguma coisa logo de cara. Nem tudo é o que parece.