Hector Benatti

Médico Veterinário formado pela FMVZ - USP

Doutorando no Laboratório Doenças Parasitárias, Departamento de Medicina Veterinária Preventiva e Saúde Animal da Faculdade de Medicina Veterinária e Zootecnia da USP.

Tem como proposta para a tese definir o quanto a ação antrópica no ambiente no estado de SP influencia na saúde das capivaras e como isso tem influência na disseminação da Febre Maculosa Brasileira.

link para exec

FUNÇÃO: tick.genus

CONTEXTO: carrapatos são ectoparasitas de distribuição mundial. Parasitam mamíferos (incluindo humanos), aves, répteis e anfíbios. Possuem grande importância na epidemiologia de doenças humanas e em animais. Entretanto, existe uma grande dificuldade na identificação de gêneros e espécies pelos profissionais da saúde. Sendo assim, a função em questão criará uma chave simplificada para a identificação dos três principais gêneros de carrapatos de importância médica e médica veterinária no Brasil. Basta o usuário analisar estruturas específicas e de fácil visualização do carrapato e, sem o uso de uma chave pictórica, mas apenas com a função, e ele chegará facilmente ao gênero do ectoparasita. Com o uso de uma lupa simples é fácil de analisar as estruturas nos indivíduos adultos que são utilizadas para o desenho da chave de gênero. Conhecendo as estruturas, torna-se simples fazer uso da função.

TIPO DE FUNÇÃO: esta função analisará logicamente cinco características que vão possibilitar que o usuário chegue de forma rápida no gênero de carrapato coletado, podendo assim tomar as devidas medidas profiláticas para o paciente do qual o parasita foi retirado. A função seguirá o seguinte desenho esquemático:

Analisando as características, o usuário chegará a um dos três gêneros de maior importância no Brasil (IXODES, RHIPICEPHALUS, AMBLYOMMA), caso seja de outro gênero de menor importância, devolverá OTHER. o usuário não precisa possuir maiores conhecimentos sobre a chave pictórica de gêneros.

ARGUMENTOS: os argumentos da função serão justamente as características da chave (modificada) de Harry Pratt (1961), que serão julgadas como TRUE ou FALSE:

Sulco anal na frente do ânus → groove

Segundo segmento do palpo sem projeção → palp.proj

Hipostômio longo → hipostomy

Base do capítulo hexagonal → hexag

Escudo com olhos → eyes

DADOS DE ENTRADA: informações serão vetores lógicos para cada um dos argumentos da função. Os argumentos que não receberem o julgamento, pelo default da função, serão considerados FALSE. A falta de informação levará o usuário ao OTHER, por não possuir acurácia na análise.

DADOS DE SAÍDA: ao final, a função devolverá um vetor atômico com o gênero do carrapato.

HELP: o help da função auxiliará o usuário na identificação das estruturas a serem observadas nos carrapatos e julgadas para que se tenha maior acurácia na identificação do gênero.

REFERÊNCIA: Manual de Vigilância Acarológica do Estado de SP, 2002

Contexto: comumente na pesquisa de campo, seja coleta de dados à campo, seja na coleta de dados via preenchimento de questionário (prática comum em algumas pesquisas da área de Medicina Veterinária), alguns dados de determinados indivíduos não são colhidos: por falta de estrutura material ou pessoal na hora da coleta, ou, no caso de questionários, por imperícia do público a quem as perguntas são aplicadas. Tendo consciência da carência de algumas informações, nem sempre podemos dizer que nossos dados representam a verdade, desta forma, pensei em uma função que realize testes de reamostragem a partir dos dados coletados para que possamos inferir sobre a precisão de nossas estimativas.

Ideia: uma função que faça análises de intervalos de confiança e gráficos de normalidade em vetores com NAs inferindo sobre os valores faltantes.

Objeto de entrada: um vetor 'integer', a coluna de um dataframe (df$coluna) ou a coluna de uma matriz. Ex: vetor.entrada ← sample(c(1:10, NA), size = 20, replace = T)

vetor.entrada

[1] 6 9 4 3 2 8 3 1 4 9 1 3 2 3 5 5 3 2 NA 10

Estrutura: - detecta quantos NAs tem no vetor.

- Faz um IF para ver qual método o usuário escolheu:

   Se média, substitui os NAs pela média do vetor;
   Se mediana, idem
   Se normal, substitui os NAs por valores arbitrários baseados em rnorm com MEAN e SD relativos aos valores do vetor

Como funciona (mede o impacto de usar as estimativas de substituição dos NA):

- calcula o intervalo de confiança do vetor original e do vetor final.

- calcula o intervalo de confiança baseado no bootstrap do vetor original.

- mesma coisa pro vetor final. O tamanho da amostra no bootsrap tem que ser igual ao vetor final (já com NA substituido)

Return:

- Um dataframe com o intervalo de confiança do vetor original e com o intervalo de confiança do vetor final (aqui não consigo lançar mão de exemplos)

- dois gráficos (ainda não consegui definir qual) para que o usuário compare o original do final graficamente

################################## NA2VALUE ##################################

na2value <- function(vetor.entrada, metodo){ #nomeando a função e colocando os objetos de entrada
    
    #### Verificando os Argumentos ####
    
    if(!is.vector(vetor.entrada)){ #conferindo se 'vetor.entrada' é mesmo um vetor
        stop("O argumento 'vetor.entrada' só aceita vetores.") #parando a funçao caso não seja
    }
    
    if((metodo %in% c('media', 'mediana', 'sorteio')) == F){ #conferindo se 'metodo' é uma das opções disponíveis
        
        stop("Selecione um método disponível para a alteração dos NAs") #avisando o usuário caso o haja algum problema no método selecionado
    
    }
    
    
    #### Verificando parametros e definindo o novo vetor ####
    
    na.entrada <- sum(is.na(vetor.entrada)) #detecção da quantidade de NAs no vetor de entrada
    
    if(na.entrada == 0){ #verificando se há NAs no vetor
        stop('Seu vetor não possui nenhum NA') #parando a função caso não haja NAs
    }
    
    media.entrada <- mean(vetor.entrada, na.rm = T) #criação do objeto da média do vetor orignal sem os NA

    mediana.entrada <- median(vetor.entrada, na.rm = T) #criação do objeto da mediana do vetor orignal sem os NA
    
    dp.entrada <- sd(vetor.entrada, na.rm = T) #criação do objeto do desvio padrão do vetor original sem os NA
    
    novo.vetor <- vetor.entrada #criação de um novo vetor para usar daqui para frente. O original será mantido
    
    
    #### Redefinindo os NAs ####
    
    if(metodo == "media"){ #caso o usuário escolha a substituição de NA por média
        
        novo.vetor[is.na(novo.vetor)] <- media.entrada #substitui NA por média do vetor
        
    }else if(metodo == "mediana"){ #caso o usuário escolha a substituição de NA por mediana
            
            novo.vetor[is.na(novo.vetor)] <- mediana.entrada #substitui NA por mediana do vetor
            
        }else if(metodo == "sorteio"){ #caso o usuário escolha a substituição de NA por valores aleatórios baseados na média e desvio padrão do vetor original
                novo.vetor[is.na(novo.vetor)] <- round(                #escolherá valores aleatórios
                    sample(      #de uma amostra de tamanho determinado
                        rnorm(10000, mean = media.entrada, sd = dp.entrada), #em que os valores serão de uma distribuição normal baseadas na média e desvio padrão do vetor original
                        na.entrada, replace = T),                      #ocupando o lugar dos NA e com reposição
                    3)                                       #aqui escolho o número de casas decimais
            }
    
    #### Calculando os intervalos de confiança e comparando os Vetores ####
    
    error.novo <- qnorm(0.975)*sd(novo.vetor/sqrt(length(novo.vetor))) #cálculo do erro amostral para o novo vetor
    
    min.novo <- mean(novo.vetor) - error.novo #determinação do valor mínimo do intervalo de confiança (média - erro amostral) do novo vetor
    
    max.novo <- mean(novo.vetor) + error.novo #determinação do valor máximo do intervalo de confiança (média + erro amostral) do novo vetor
    
    ic.novo <- c(min.novo, mean(novo.vetor),max.novo) #determinação do intervalo de confiança do novo vetor
    
    error.amostra <- qnorm(0.975)*sd(vetor.entrada[!is.na(vetor.entrada)])/sqrt(length(vetor.entrada[!is.na(vetor.entrada)])) #cálculo do erro amostral para o vetor original, descartando os NA
    
    min.amostra <- mean(vetor.entrada[!is.na(vetor.entrada)]) - error.amostra #determinação do valor mínimo do intervalo de confiança (média - erro amostral) do vetor original, descartando os NA
    
    max.amostra <- mean(vetor.entrada[!is.na(vetor.entrada)]) + error.amostra #determinação do valor máximo do intervalo de confiança (média + erro amostral) do vetor original, descartando os NA
    
    ic.amostra <- c(min.amostra, mean(vetor.entrada[!is.na(vetor.entrada)]),max.amostra) #determinação do intervalo de confiança do vetor original, descartando os NA
    
    #confeccionando o data.frame com o qual o ggplot2 consegue lidar
    wide <- data.frame(valores = rbind(ic.novo, ic.amostra, deparse.level = 0),
                       grupo = c('novo', 'amostra')) 
    
    
    library('ggplot2', quietly = T) #carregando o ggplot2
    
    comparacao <- ggplot(wide)+ #inserindo o data.frame no qual vamos trabalhar
        aes(x = grupo, y = valores.2)+ #definindo os eixos do gráfico
        geom_point()+ #plotando as médias
        geom_errorbar(aes(ymin = valores.1, ymax = valores.3), width = .1) #plotando as barras de erro
    
    comparacao
    
    #### Preparando a saída ####
    
    saida <- list(novo.vetor = novo.vetor, #criando a saída da função
                  grafico = comparacao) # colocando na saida o novo vetor e a comparação gráfica entre o antigo e o novo


    return(saida) #retornando os resultados da função

}

na2value                            package: unknown                       R Documentation

Description:

na2value consiste na substituição dos NAs de um vetor inicial por valores pré-determinados para futuras análises estatísticas. A função substituirá os NAs de acordo com a escolha do usuário: pela média do vetor, pela mediana do vetor ou por valores aleatórios (rnorm) baseados na média e no desvio padrão do vetor original. O usuário poderá escolher qual dos métodos de substituição mais se adequa à necessidade a partir da comparação entre o intervalo de confiança do vetor original e após a substituição dos NAs, e da análise visual gráfica do IC do vetor original e do novo vetor.

Usage:

na2value(vetor.entrada, método)

Arguments:

vetor.entrada → um vetor integer, a coluna de um dataframe ou de uma matriz.
método → media, mediana, sorteio
	media: os NAs do vetor são substituídos pela média do vetor original.
	mediana: os NAs do vetor são substituídos pela mediana do vetor original.
	sorteio: os NAs do vetor são substituídos por um valor aleatório baseado na distribuição normal de acordo com a média e desvio padrão do vetor original.

Value: 

Retorna o comparativo entre o vetor original e o novo vetor com os NAs substituídos, além de dois gráficos de intervalo de confiança para comparação visual.

Warning:

No caso do usuário não escolher nenhum dos métodos disponíveis, a função dará erro.

Author:

Hector Ribeiro Benatti

References:

Nakagawa, Shinichi, and Robert P. Freckleton. "Missing inaction: the dangers of ignoring missing data." Trends in Ecology & Evolution 23.11 (2008): 592-596.

Examples:

# criando um vetor com NAs

vetor.teste <- sample(c(1:100, rep(NA, 10)), 1000, replace = T)
mean(vetor.teste, na.rm = T)
(sum(is.na(vetor.teste))/length(vetor.teste))*100


# Conferindo o funcionamento da função ...

#... usando a media
resultado1 <- na2value(vetor.entrada = vetor.teste, metodo = 'media')
sum(is.na(resultado1$vetor))
resultado1$grafico

#... usando a mediana
resultado2 <- na2value(vetor.entrada = vetor.teste, metodo = 'mediana')
sum(is.na(resultado2$vetor))
resultado2$grafico

# ... usando o sorteio
resultado3 <- na2value(vetor.entrada = vetor.teste, metodo = 'sorteio')
sum(is.na(resultado3$vetor))
resultado3$grafico

# Testando um vetor sem NAs
vetor.sem.na <- rnorm(100)
resultado4 <- na2value(vetor.sem.na, 'media')

# Testando o uso de um método não disponível
resultado5 <- na2value(vetor.teste, 'median')

trabalho_final_hector.r

help_da_funcao.docx