Conteúdos da Oficina
Até o momento, foram desenvolvidos seis módulos para a oficina “Introdução ao R para análise de dados em Psicologia”. Em breve, serão acrescentadas discussões sobre estatística descritiva e sobre as análises mais básicas: correlação, test t, anova, qui-quadrado e regressão. Em cada módulo, você também vai encontrar um conjunto de exercícios que acompanha a oficina. Siga com as atividades no seu ritmo, mas é interessante que, a cada módulo, você tente responder o bloco de exercícios correspondente. Também aproveite a oportunidade para discutir com os seus colegas sobre os códigos utilizados.
Introdução ao R
Neste módulo é apresentado o mínimo necessário para se familiarizar com a linguagem básica do R. Neste caso, nem sempre há uma transposição do que é feito em software com interface gráfica, mas este passo inicial é importante para que se entenda como R funciona por si mesmo.
Transformação de dados
Antes de analisarmos os dados que colhemos, algumas tarefas são essenciais: criar variáveis a partir daquelas coletadas inicialmente, filtrar valores e arranjá-los de forma ascendente ou descendente. Eventualmente, também é necessário selecionar variáveis, renomeá-las e mudá-las de posição. Sumariar alguns resultados é, ainda, uma atividade importante nessa fase de manipulação dos dados. Todas essas tarefas podem ser feitas com o pacote dplyr e é sobre ele que vamos nos debruçar nesse módulo.
Iteração
No contexto do tidyverse, iteração diz respeito a executar repetidamente a mesma ação em diferentes objetos. É possível, por exemplo, com a função summarise calcular a média e o desvio padrão de várias colunas de uma só vez ou transformá-las com a função mutate. A iteração é importante porque evita copiar e colar funções mais de 2 vezes, o que pode gerar erros que se propagam no código. Essa é uma capacidade do tidyverse muito poderosa, contudo, dado o caráter introdutório da oficina, vamos nos deter na função across.
Importação de dados
Trabalhar com os bancos de dados que acompanham o R e alguns pacotes foi muito divertido, mas é hora de analisar seus próprios dados. A importação de dados é uma tarefa simples, mas que pode ter nuances que demandam atenção. Vamos aprender a importar arquivos csv (valores separados por vírgula), csv2 (valores separados por ponto e vírgula), .sav (SPSS), .xlsx (Excel). Também teremos algumas dicas sobre como organizar os dados e os nomes das variáveis. Além disso, vamos aprender a exportar os dados no formato csv. Para tanto, vamos utilizar os pacotes readr, haven e readxl.
Gráficos
Gráficos são uma ferramenta muito importante para explorar os dados assim como para tornar a apresentação de resultados mais amigável, de modo que não precisamos nos ater somente a aridez das tabelas. Para tanto, vamos trabalhar com uma ferramenta poderosa: o pacote ggplot2. Serão apresentadas funções para a criação de gráficos simples e, ainda, algumas que permitem controlar vários elementos da figura que se quer produzir.
Dados arrumados
Este talvez seja o módulo que mais se distancia do cotidiano de pesquisadores de psicologia e de ciências humanas. Usualmente, trabalhamos com dados que nós coletamos e, ao importá-los ou alimentarmos planilhas, já os temos no formato tidy (arrumado). Este formato se refere ao seguinte:
- Cada variável é uma coluna; cada coluna é uma variável.
- Cada observação é uma linha; cada linha é uma observação.
- Cada valor é uma célula; cada célula é um único valor.
Contudo, não é incomum que trabalhemos com, por exemplo, bancos de dados públicos ou que não coletamos diretamente, de sorte que é essencial arrumá-los para que possamos executar nossas análises. Nesse sentido, vamos dar um pequeno passeio pela função pivot_longer
Regressão linear
Regressão linear é uma análise estatística simples, mas é uma ferramenta que ajuda a resolver muitos problemas no cotidiano dos pesquisadores. Neste módulo, teremos noções básicas sobre esta ferramenta, bem como sobre a sua implementação no R. Além da função lm(), que está na base do R, vamos utilizar alguns pacotes do tidymodels. O tidymodels é um conjunto de ferramentas e pacotes que fornecem uma abordagem consistente e organizada para modelagem estatística e aprendizado de máquina, seguindo os princípios de organização e clareza do tidyverse. Ele facilita a construção, avaliação e ajuste de modelos estatísticos de forma eficiente e intuitiva.
A página da oficina está em construção e passando por constantes atualizações e revisões.