Código da função

prev <- function(x,y, teste="rrt", probs=c(0.25, 0.5833), nsim=1000)    # função prev com argumentos: x (dados de respostas randomizadas), y (dados de questionamento direto), teste (tipos de teste desejado: rrt, qd ou ambos), probs (probabilidades de "sim" forçado e "diga a verdade", ver página de ajuda), nsim (número de simulações)
	{
	if(teste=="rrt")    # se usuário optou pela análise de dados de respostas randomizadas
		{
		rrt <- function(x) ((sum(na.omit(x))/length(na.omit(x)))-probs[1])/probs[2]    # fórmula de Hox & Lensvelt-Mulders (2004) para estimar prevalência de comportamento com base em dados RRT
		a <- round(rrt(x), 4)    # criando objeto a com estimativa de prevalência do comportamento para os dados de respostas randomizadas e arredondando
		rrt.boot <- rep(NA, nsim)    # criando objeto rrt.boot para receber valores de simulação a seguir
		for(i in 1:nsim)    # criando contador
			{
			sample.x <- sample(x, replace=TRUE)    # reamostrando vetor de dados de respostas randomizadas (x), com substituição
			rrt.boot[i] <- rrt(sample.x)    # preenchendo objeto rrt.boot com estimativas de prevalência para valores simulados
			}
		b <- round(quantile(rrt.boot, probs=c(0.025, 0.975), na.rm=T), 4)    # criando objeto b com quantis referentes ao intervalo de confiança de 95% dos valores simulados e arredondando
		n.NAx <- (length(x))-(length(na.omit(x)))    # calcula numero de NAs no vetor de dados x
		cat("\n\t", n.NAx," valores NA omitidos de x\n\n")    # retorna texto informando número de NAs omitidos de x
		boxplot(rrt.boot, xlab="RRT", ylab="Prevalência")    # boxplot dos valores de prevalência reamostrados por bootstrap (objeto rrt.boot)
		m1 <- data.frame(matrix(c(a, b), ncol = 3, nrow = 1, byrow = TRUE))    # criando objeto m1 com resultados da analise
		rownames(m1) <- "RRT"    # modificando nomes de linhas de m1
		colnames(m1) <- c("prevalencia", "Q 2.5%", "Q 97.5%")    # modificando nomes de colunas de m1
		return(m1)    # retorna objeto m1 com resultados da análise
		}
	if(teste=="qd")    # se usuário optou pela análise de dados de questionamento direto
		{
		qd <- function(y) sum(na.omit(y))/length(na.omit(y))    # fórmula para estimar prevalência de comportamento com base em dados de questionamento direto
		a2 <- round(qd(y), 4)    # criando objeto a2 com estimativa de prevalência para os dados de questionamento direto e arredondando
		qd.boot <- rep(NA, nsim)    # criando objeto qd.boot para receber valores de simulação a seguir
		for(i in 1:nsim)    # criando contador
			{
			sample.y <- sample(y, replace=TRUE)    # reamostrando vetor de dados de questionamento direto (y), com substituição
			qd.boot[i] <- qd(sample.y)    # preenchendo objeto qd.boot com estimativas de prevalência para valores reamostrados
			}
		b2 <- round(quantile(qd.boot, probs=c(0.025, 0.975), na.rm=T), 4)    # criando objeto b2 com quantis referentes ao intervalo de confiança de 95% dos valores simulados e arredondando
		n.NAy <- (length(y))-(length(na.omit(y)))    # calcula numero de NAs no vetor de dados y
		cat("\n\t", n.NAy," valores NA omitidos de y\n\n")    # retorna texto informando número de NAs omitidos de y
		boxplot(qd.boot, xlab="QD", ylab="Prevalência")    # boxplot dos valores de prevalência reamostrados por bootstrap (objeto qd.boot) 
		m2 <- data.frame(matrix(c(a2, b2), ncol = 3, nrow = 1, byrow = TRUE))    # criando objeto m2 com resultados da analise
		rownames(m2) <- "QD"    # modificando nomes de linhas de m2
		colnames(m2) <- c("prevalencia", "Q 2.5%", "Q 97.5%")    # modificando nomes de colunas de m2
		return(m2)    # retorna objeto m2 com resultados da análise
		}
	if(teste=="rrt.qd")    # se usuário optou por análise simultânea de dados de respostas randomizadas e questionamento direto
		{
		rrt <- function(x) ((sum(na.omit(x))/length(na.omit(x)))-probs[1])/probs[2]    # fórmula de Hox & Lensvelt-Mulders (2004) para estimar prevalência de comportamento com base em dados RRT
		a <- round(rrt(x), 4)    # criando objeto a com estimativa de prevalência do comportamento para os dados de respostas randomizadas e arredondando
		rrt.boot <- rep(NA, nsim)    # criando objeto rrt.boot para receber valores de simulação
		for(i in 1:nsim)    # criando contador
			{
			sample.x <- sample(x, replace=TRUE)    # reamostrando vetor de dados de respostas randomizadas (x), com substituição
			rrt.boot[i] <- rrt(sample.x)    # preenchendo objeto rrt.boot com estimativa de prevalência para valores reamostrados
			}
		b <- round(quantile(rrt.boot, probs=c(0.025, 0.975), na.rm=T),4)    # criando objeto b com quantis referentes ao intervalo de confiança de 95% dos valores simulados e arredondando
		qd <- function(y) sum(na.omit(y))/length(na.omit(y))    # fórmula para estimar prevalência de comportamento com base em dados de questionamento direto
		a2 <- round(qd(y),4)    # criando objeto a2 com estimativa de prevalência para os dados de questionamento direto
		qd.boot <- rep(NA, nsim)    # criando objeto qd.boot para receber valores de simulação a seguir
		for(i in 1:nsim)    # criando contador
			{
			sample.y <- sample(y, replace=TRUE)    # reamostrando vetor de dados de questionamento direto (y), com substituição
			qd.boot[i] <- qd(sample.y)    # preenchendo objeto qd.boot com estimativa de prevalência para valores reamostrados
			}
		b2 <- round(quantile(qd.boot, probs=c(0.025, 0.975), na.rm=T),4)    # criando objeto b2com quantis referentes ao intervalo de confiança de 95% dos valores simulados e arredondando
		boxplot(rrt.boot, qd.boot, xlab="Metodo de amostragem", ylab="Prevalência", xaxt="n")    # boxplot das estimativas de prevalência obtidos pelos dois métodos
		axis(side=1, at=(1:2), labels=c("RRT", "QD"))    # adicionando labels ao boxplot criado acima
		dif.obs <- a-a2    # criando objeto dif.obs com diferença observada entre estimativas RRT e QD
		dif <- rep(NA, nsim)    # criando objeto dif que será preenchido por simulação a seguir
		for(i in 1:nsim)    # criando contador
		{
		dif[i] <- (((sum(na.omit(sample(c(x,y), size=length(x), replace=TRUE)))/length(na.omit(x)))-probs[1])/probs[2]) - (sum(na.omit(sample(c(x,y), size=length(x), replace=TRUE)))/length(na.omit(y)))    # preenche objeto dif com diferenças entre RRT e QD produzidas por bootstrap
		}
		n <- NROW(dif[dif >= dif.obs | dif <= -dif.obs])    # calculando quantas vezes o módulo da diferença observada foi obtido nas simulações de boostrap
		prob <- (n)/nsim    # calculando a probabilidade de o valor observado ter sido obtido ao acaso
		x11()    # abrindo novo graphic device
		hist(dif, ylab="Frequência", xlab="RRT-QD", main="Distribuição das diferenças entre as \n estimativas obtidas por RRT e QD")    # plota histograma exibindo distribuição da diferença entre estimativas de prevalência obtidas pelos dois métodos nas simulações de boostrap
		legend("topleft", legend=paste("diferença observada =", dif.obs, ", p = ", prob), bty="n", text.col="red3")    # insere legenda informando a diferença observada e a probabilidade de amesma ter sido obtida ao acaso
		n.NAx <- (length(x))-(length(na.omit(x)))    # calcula numero de NAs no vetor de dados x
		cat("\n\t", n.NAx," valores NA omitidos de x\n")    # insere texto informando numero de valores de NA omitidos de x
		n.NAy <- (length(y))-(length(na.omit(y)))    # calcula numero de NAs no vetor de dados y
		cat("\n\t", n.NAy," valores NA omitidos de y\n\n")    # insere texto informando numero de valores de NA omitidos de y
		m <- data.frame(matrix(c(a, b, a2, b2), ncol = 3, nrow = 2, byrow = TRUE))    # cria objeto m com resultados da análise
		rownames(m) <- c("RRT", "QD")    # modificando nomes de linhas de m
		colnames(m) <- c("prevalencia", "Q 2.5%", "Q 97.5%")    # modificando nomes de colunas de m1
		ret.rrt.qd <- list(m, "Probabilidade de diferença entre estimativas RRT e QD ter sido obtida ao acaso"=prob)    # cria objeto com lista de itens a serem exibidos no return, incluindo m e prob
		return(ret.rrt.qd)    # retorna os objetos listados acima (resultados da análise)
		}
	}

Página de ajuda

prev                package:nenhum                R Documentation

Prevalência de comportamentos sensitivos

Description:

Função para estimar a prevalência de comportamentos sensitivos a partir de dados obtidos pela técnica de respostas randomizadas (RRT) e questionamento direto (QD).

Usage:

prev(x, y, teste=c("rrt", "qd", "rrt.qd"), probs=c(0.25, 0.5833), nsim=1000)

Arguments:

x	vetor numérico representando dados obtidos pela técnica de respostas randomizadas.
y	vetor numérico representando dados obtidos por questionamento direto.
teste	argumento lógico que indica a opção de analise ("rrt" para tecnica de respostas randomizadas, "qd" para questionamento direto, "rrt.qd" para ambas)
probs	vetor representando probabilidades de "SIM" forçado e "DIGA A VERDADE" associados à técnica de respostas randomizadas (Hox & Lensvelt-Mulders 2004).
nsim	número de simulações.

Details:


Os dados de entrada devem ser binários, na forma de 0 e 1 representando respostas NAO e SIM respectivamente. A fórmula para cálculo de prevalência com base em respostas randomizadas corresponde ao método de "respostas forçadas" (Lensvelt-Mulders et al. 2005), onde as probabilidades de "SIM FORÇADO" e "DIGA A VERDADE" podem ser definidas pelo usuário (default 0.25 e 0.5833 para "SIM FORÇADO" e "DIGA A VERDADE" respectivamente). A fórmula para cálculo de prevalência com base em questionamento direto corresponde à proporção de respostas SIM em relação ao tamanho da amostra (Lee 1993). Na opção de teste "rrt.qd", a função executa um teste de permutação comparando a diferença observada entre estimativas de prevalência obtidas por respostas randomizadas e questionametno direto com diferenças obtidas por meio de reamostragem dos dados originais. O número de reamostragens é definido pelo usuário com o argumento nsim.


Value:

A função retorna um dataframe com a estimativa de prevalência do comportamento de acordo com o teste selecionado e com os limites inferior e superior do intervalo de confiança de 95% da estimativa, gerados por bootstrap. A função também retorna um boxplot representando estimativas de prevalência geradas por bootstrap. Caso o usuário opte pelo teste "rrt.qd", a função retorna ainda o resultado de um teste de permutação bicauldal comparando as estimativas obtidas pelos dois métodos, e um histograma com a distribuição das diferenças entre as estimativas obtidas pelos dois métodos.


Warnings:

A função roda mesmo se houverem NAs e retorna um aviso informando o número de NAs omitidos para cada vetor. Estimativas de prevalência com valor negativo podem ser obtidas por simulação.


Note:

     ....

Author(s):

Elildo Alves Ribeiro de Carvalho Jr (CENAP/ICMBio)
contato: elildojr@gmail.com, elildo.carvalho-junior@icmbio.gov.br

References:

Hox, J. & Lensvelt-Mulders, G. 2004. Randomized response analysis in Mplus. Struct. Equ. Model. 11,615–620. (doi:10.1207/s15328007sem1104_6)
Lee, R.M. 1993. Doing research on sensitive topics. Sage Publications, London.
Lensvelt-Mulders, G.J.L.M., Hox, J.J., van der Heijden, P.G.M. 2005. How to improve the efficiency of randomised response designs. Qual. Quantity 39, 253–265. (doi:10.1007/s11135-004-0432-3)


See Also:

     ~~objects to See Also as 'help', ~~~


Examples:

x <- rbinom(n=200, size=1, prob=0.5)    # simula conjunto de dados x com 50% de respostas SIM
y <- rbinom(n=200, size=1, prob=0.2)    # simula conjunto de dados y com 20% de respostas SIM

prev(x, teste="rrt")    # estima prevalência por respostas randomizadas
prev(,y, teste="qd")    # estima prevalência por questionamento direto 
prev(x, y, teste="rrt.qd")    # estima prevalência pelos dois métodos e executa teste de permutação comparando estimativas 
prev(x, y, teste="rrt.qd", nsim=2000)    # idem, mas modificando número de simulações 

Arquivo da função prev.r