Introdução à Análise de Dados no R

Desenho Experimental e Análise Avançada de Dados Ecológicos

João O. Santos

joao.santos@ispa.pt

ISPA

2025-10-07

O R é Fácil!

Passos Básicos

Carregar os pacotes úteis
Redefinir opções, se for necessário
Importar os dados
Resumir e visualizar os dados
Ajustar o modelo ou os modelos
Comparar ou testar os modelos

Passos Básicos

Carregar os pacotes úteis
- importar apenas os que usamos no script
Redefinir opções
- escolher valores adequados à nossa análise
Importar os dados
- ler os dados de um ficheiro para um objecto
Resumir e visualizar os dados
- calcular estatísticas descritivas

Passos Básicos

Ajustar o modelo ou os modelos
Comparar ou testar os modelos
Interpretar os resultados
Repetir até a análise responder à pergunta—ou até aparecer outra pergunta

Quando Já Estivermos à Vontade

Podemos usar RMarkdown ou Quarto para gerar e actualizar relatórios automaticamente
Os resultados mudam; o relatório acompanha-os sem uma tarde de copiar-colar, esse conhecido método estatístico

Um Script de Produção Mostra os Passos

# Carregar pacotes
# Definir opções
# Importar dados
# Preparar dados
# Resumir e visualizar
# Ajustar modelos
# Inspeccionar e guardar resultados

As secções tornam a análise mais fácil de percorrer e rever
Um projecto pequeno pode reuni-las num único script
Num projecto maior, cada fase pode ter o seu próprio script

Carregar Pacotes

Comecemos por um exemplo simples.

# Agrupar e resumir dados.
library(dplyr)
# Construir gráficos.
library(ggplot2)
# Usar os dados dos pinguins.
library(palmerpenguins)

Redefinir Opções

# Definir os contrastes para variáveis categoriais.
options(contrasts = c("contr.sum", "contr.poly"))

Importar Dados

# Habitualmente, leríamos os dados com uma função read.alguma_coisa().
# ds <- read.csv(file.choose())
# Por agora, trabalhamos com os dados que o pacote já fornece.
ds <- penguins

Assim, podemos concentrar-nos no R antes de discutirmos formatos de ficheiros e caminhos que misteriosamente funcionam só no computador do autor

O R Transforma Valores

mean(c(2, 4, 6, 8))

[1] 5

c() devolve um vector
Esse vector torna-se um argumento de mean()
mean() devolve outro valor
Uma análise combina muitas transformações deste género

O Mesmo Cálculo: Funções «Encastradas»

summarise(group_by(ds, species), N = n(), M = mean(body_mass_g, na.rm = TRUE), SD = sd(body_mass_g, na.rm = TRUE))

species	N	M	SD
Adelie	152	3700.662	458.5661
Chinstrap	68	3733.088	384.3351
Gentoo	124	5076.016	504.1162

Lemos da chamada mais interior para a mais exterior
Código compacto nem sempre é código fácil de ler

O Mesmo Cálculo: Parêntesis Alinhados

summarise(
    group_by(ds, species),
    N = n(),
    M = mean(body_mass_g, na.rm = TRUE),
    SD = sd(body_mass_g, na.rm = TRUE)
)

species	N	M	SD
Adelie	152	3700.662	458.5661
Chinstrap	68	3733.088	384.3351
Gentoo	124	5076.016	504.1162

A indentação mostra quais são os argumentos de cada função
Continuamos a executar group_by() antes de summarise()

O Mesmo Cálculo: Resultados Intermédios

grouped_ds <- group_by(ds, species)

species_descs <- summarise(
    grouped_ds,
    N = n(),
    M = mean(body_mass_g, na.rm = TRUE),
    SD = sd(body_mass_g, na.rm = TRUE)
)

species_descs

species	N	M	SD
Adelie	152	3700.662	458.5661
Chinstrap	68	3733.088	384.3351
Gentoo	124	5076.016	504.1162

Podemos inspeccionar ou reutilizar grouped_ds
É uma forma útil de encontrar erros numa análise mais longa

O Mesmo Cálculo: Pipe Nativo

species_descs <- ds |>
    group_by(species) |>
    summarise(
        N = n(),
        M = mean(body_mass_g, na.rm = TRUE),
        SD = sd(body_mass_g, na.rm = TRUE)
    )

species_descs

species	N	M	SD
Adelie	152	3700.662	458.5661
Chinstrap	68	3733.088	384.3351
Gentoo	124	5076.016	504.1162

Pipe significa «tubo»: transporta um valor de um passo para o seguinte
Podemos ler |> como «e depois»
O valor à esquerda torna-se o primeiro argumento da função à direita
Este é o pipe nativo do R, não o operador %>% do tidyverse

Do «Tubo» aos Parêntesis

ds |>
    group_by(species) |>
    summarise(...)

corresponde, nesta cadeia simples, a:

summarise(
    group_by(ds, species),
    ...
)

O R transforma a primeira expressão na segunda quando analisa o código
Este tipo de sintaxe alternativa chama-se syntactic sugar
Escolhemos a forma que torna a transformação mais fácil de seguir

Resumir os Dados

summarise(group_by(ds, sex),
          N = n(),
          M = mean(body_mass_g, na.rm = TRUE),
          SD = sd(body_mass_g, na.rm = TRUE))

sex	N	M	SD
female	165	3862.273	666.1720
male	168	4545.685	787.6289
NA	11	4005.556	679.3584

Resumir os Dados

summarise(group_by(ds, species),
          N = n(),
          M = mean(body_mass_g, na.rm = TRUE),
          SD = sd(body_mass_g, na.rm = TRUE))

species	N	M	SD
Adelie	152	3700.662	458.5661
Chinstrap	68	3733.088	384.3351
Gentoo	124	5076.016	504.1162

Conseguem encontrar a diferença?

Resumir os Dados

Conseguem encontrar a diferença?

summarise(group_by(ds, species, sex),
          N = n(),
          M = mean(body_mass_g, na.rm = TRUE),
          SD = sd(body_mass_g, na.rm = TRUE))

species	sex	N	M	SD
Adelie	female	73	3368.836	269.3801
Adelie	male	73	4043.493	346.8116
Adelie	NA	6	3540.000	477.1661
Chinstrap	female	34	3527.206	285.3339
Chinstrap	male	34	3938.971	362.1376
Gentoo	female	58	4679.741	281.5783
Gentoo	male	61	5484.836	313.1586
Gentoo	NA	5	4587.500	338.1937

Resumir os Dados

Conseguem encontrar a diferença?

summarise(group_by(ds, species, sex),
          N = n(),
          Min = min(body_mass_g, na.rm = TRUE),
          Max = max(body_mass_g, na.rm = TRUE),
          M = mean(body_mass_g, na.rm = TRUE),
          SD = sd(body_mass_g, na.rm = TRUE))

species	sex	N	Min	Max	M	SD
Adelie	female	73	2850	3900	3368.836	269.3801
Adelie	male	73	3325	4775	4043.493	346.8116
Adelie	NA	6	2975	4250	3540.000	477.1661
Chinstrap	female	34	2700	4150	3527.206	285.3339
Chinstrap	male	34	3250	4800	3938.971	362.1376
Gentoo	female	58	3950	5200	4679.741	281.5783
Gentoo	male	61	4750	6300	5484.836	313.1586
Gentoo	NA	5	4100	4875	4587.500	338.1937

Resumir os Dados

summarise(group_by(ds, species, sex),
          N = n(),
          Min = mni(body_mass_g, na.rm = TRUE),
          Max = max(body_mass_g, na.rm = TRUE),
          M = mean(body_mass_g, na.rm = TRUE),
          SD = sd(body_mass_g, na.rm = TRUE))

Há um erro de nome/avaliação. Conseguem encontrá-lo e corrigi-lo?

Resumir os Dados

summarise(group_by(ds, species, sex),
          N = n(),
          Min = max(body_mass_g, na.rm = TRUE),
          Max = max(body_mass_g, na.rm = TRUE),
          M = mean(body_mass_g, na.rm = TRUE),
          SD = sd(body_mass_g, na.rm = TRUE))

species	sex	N	Min	Max	M	SD
Adelie	female	73	3900	3900	3368.836	269.3801
Adelie	male	73	4775	4775	4043.493	346.8116
Adelie	NA	6	4250	4250	3540.000	477.1661
Chinstrap	female	34	4150	4150	3527.206	285.3339
Chinstrap	male	34	4800	4800	3938.971	362.1376
Gentoo	female	58	5200	5200	4679.741	281.5783
Gentoo	male	61	6300	6300	5484.836	313.1586
Gentoo	NA	5	4875	4875	4587.500	338.1937

Há um erro semântico. Conseguem encontrá-lo e corrigi-lo?

Reutilizar uma Função Pequena

mean_no_na <- function(x) {
    mean(x, na.rm = TRUE)
}

mean_no_na(ds$body_mass_g)

[1] 4201.754

O nome descreve a decisão tomada sobre os valores omissos
Definimos essa decisão uma vez e podemos testá-la separadamente
Uma função recebe um valor e devolve outro

Usar uma Função Dentro de um Pipe

ds |>
    group_by(species, sex) |>
    summarise(
        N = sum(!is.na(body_mass_g)),
        M = mean_no_na(body_mass_g),
        SD = sd(body_mass_g, na.rm = TRUE)
    )

species	sex	N	M	SD
Adelie	female	73	3368.836	269.3801
Adelie	male	73	4043.493	346.8116
Adelie	NA	5	3540.000	477.1661
Chinstrap	female	34	3527.206	285.3339
Chinstrap	male	34	3938.971	362.1376
Gentoo	female	58	4679.741	281.5783
Gentoo	male	61	5484.836	313.1586
Gentoo	NA	4	4587.500	338.1937

dplyr::summarise() continua a ser a ferramenta que resume os dados
O pipe nativo apenas organiza a passagem do resultado entre os passos

As Funções Também Podem Ser Argumentos

ds$body_mass_g |>
    split(ds$species) |>
    lapply(mean_no_na)

$Adelie
[1] 3700.662

$Chinstrap
[1] 3733.088

$Gentoo
[1] 5076.016

split() devolve um vector por espécie
lapply() recebe mean_no_na como argumento
Separamos os dados, a operação e a repetição

Um Estilo Funcional

Privilegiamos transformações pequenas que:

recebem os valores necessários através de argumentos;
devolvem um resultado;
podem ser testadas isoladamente;
podem ser combinadas com outras transformações;
evitam alterações escondidas em objectos alheios.
O objectivo é obter clareza e reutilização, não enfiar um pipe em todas as linhas

Visualizar os Dados

# O ggplot2 usa uma gramática de gráficos para construir figuras.
library(ggplot2)

Visualizar os Dados

# Desenhar um diagrama de extremos e quartis da massa por espécie.
ggplot(ds, aes(x = species, y = body_mass_g)) +
    geom_boxplot()

Visualizar os Dados

ggplot(ds, aes(x = species, y = body_mass_g, fill = species)) +
    geom_boxplot() +
    theme_classic()

Conseguem encontrar as diferenças?

Visualizar os Dados

ggplot(ds, aes(x = sex, y = body_mass_g, fill = sex)) +
    geom_boxplot() +
    theme_classic()

Conseguem encontrar as diferenças?

Visualizar os Dados

ggplot(ds, aes(x = flipper_length_mm, y = body_mass_g, color = species)) +
    geom_point() +
    theme_classic()

Conseguem encontrar as diferenças?

Ajustar o Modelo

# Fórmula geral: lm(VD ~ VI, dados)
# Exemplo: massa em função do comprimento da barbatana.
model <- lm(body_mass_g ~ flipper_length_mm, ds)

Ao longo do semestre, vamos aprender o que este modelo faz e quando faz sentido

Testar Hipóteses

Podemos usar funções diferentes, consoante o modelo:
- summary(model)
- afex::nice(model)
- car::Anova(model, type = 3)

Testar Hipóteses

summary(model)


Call:
lm(formula = body_mass_g ~ flipper_length_mm, data = ds)

Residuals:
     Min       1Q   Median       3Q      Max 
-1058.80  -259.27   -26.88   247.33  1288.69 

Coefficients:
                   Estimate Std. Error t value Pr(>|t|)    
(Intercept)       -5780.831    305.815  -18.90   <2e-16 ***
flipper_length_mm    49.686      1.518   32.72   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 394.3 on 340 degrees of freedom
  (2 observations deleted due to missingness)
Multiple R-squared:  0.759, Adjusted R-squared:  0.7583 
F-statistic:  1071 on 1 and 340 DF,  p-value: < 2.2e-16

Isso é Imenso!!!

Mentiste!!!! O R é complicado!
- Calma…não é assim tanto. Por enquanto, é sobretudo pouco familiar
Vamos contar as linhas que realmente fazem alguma coisa

Um Script Típico

# Carregar o pacote.
library(palmerpenguins)

# Importar os dados.
ds <- penguins
# Ajustar o modelo.
model <- lm(body_mass_g ~ flipper_length_mm, ds)

# Inspeccionar os resultados.
summary(model)


Call:
lm(formula = body_mass_g ~ flipper_length_mm, data = ds)

Residuals:
     Min       1Q   Median       3Q      Max 
-1058.80  -259.27   -26.88   247.33  1288.69 

Coefficients:
                   Estimate Std. Error t value Pr(>|t|)    
(Intercept)       -5780.831    305.815  -18.90   <2e-16 ***
flipper_length_mm    49.686      1.518   32.72   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 394.3 on 340 degrees of freedom
  (2 observations deleted due to missingness)
Multiple R-squared:  0.759, Adjusted R-squared:  0.7583 
F-statistic:  1071 on 1 and 340 DF,  p-value: < 2.2e-16

São quatro linhas de código, quatro comentários e duas linhas em branco

Um Script de Análise Mais Completo: Preparar

# Carregar pacotes.
library(dplyr)
library(ggplot2)
library(palmerpenguins)

# Definir opções.
options(contrasts = c("contr.sum", "contr.poly"))

# Importar dados.
ds <- penguins

Um Script de Análise Mais Completo: Resumir

# Calcular estatísticas descritivas.
descs <- ds |>
    group_by(species) |>
    summarise(
        N = sum(!is.na(body_mass_g)),
        M = mean(body_mass_g, na.rm = TRUE),
        SD = sd(body_mass_g, na.rm = TRUE)
    )

Um Script de Análise Mais Completo: Visualizar

# Visualizar os dados.
graph <- ggplot(ds, aes(flipper_length_mm, body_mass_g,
                        color = species)) +
    geom_point() +
    theme_classic()

Um Script de Análise Mais Completo: Modelar e Inspeccionar

# Ajustar o modelo.
model <- lm(body_mass_g ~ flipper_length_mm, data = ds)

# Inspeccionar os resultados.
descs

species	N	M	SD
Adelie	151	3700.662	458.5661
Chinstrap	68	3733.088	384.3351
Gentoo	123	5076.016	504.1162

graph

model |> summary()


Call:
lm(formula = body_mass_g ~ flipper_length_mm, data = ds)

Residuals:
     Min       1Q   Median       3Q      Max 
-1058.80  -259.27   -26.88   247.33  1288.69 

Coefficients:
                   Estimate Std. Error t value Pr(>|t|)    
(Intercept)       -5780.831    305.815  -18.90   <2e-16 ***
flipper_length_mm    49.686      1.518   32.72   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 394.3 on 340 degrees of freedom
  (2 observations deleted due to missingness)
Multiple R-squared:  0.759, Adjusted R-squared:  0.7583 
F-statistic:  1071 on 1 and 340 DF,  p-value: < 2.2e-16

Pacotes → opções → dados → descritivas → gráfico → modelo → resultados
Esta organização já se aproxima de uma análise de produção

Mais Tarde: Preparar uma Análise

library(afex)
library(emmeans)
library(ggplot2)

options(contrasts = c("contr.sum", "contr.poly"))
afex_options(es_aov = "pes", method_mixed = "KR")

data("obk.long", package = "afex")

Cada função representa uma operação que aprenderemos ao longo do curso
Não precisam de dominar isto hoje. É o destino, não o ponto de partida

Mais Tarde: Ajustar um Modelo com `afex`

m_value <- mixed(
    value ~ treatment * phase * hour + (phase | id),
    data = obk.long
)

afex::mixed() encapsula um ajuste que seria trabalhoso montar à mão

Mais Tarde: Obter Médias Marginais

emm_value <- emmeans(m_value, pairwise ~ treatment | phase * hour)
emm_ds <- as.data.frame(emm_value$emmeans)

emmeans() obtém médias marginais estimadas e comparações aos pares

Mais Tarde: Construir o Gráfico

graph <- ggplot(
    emm_ds,
    aes(phase, emmean, color = treatment, group = treatment)
) +
    geom_errorbar(aes(ymin = lower.CL, ymax = upper.CL), width = .1) +
    geom_line() +
    geom_point() +
    facet_wrap(~ hour) +
    theme_classic()

Mais Tarde: Inspeccionar o Gráfico

graph

O resultado do modelo alimenta a preparação do gráfico
A cadeia continua a ser: dados → função → resultado → função seguinte

Quando o Projecto Cresce: Estrutura

analysis/
├── 0-anonymize.R
├── 1-wrangle.R
├── 2-analyze.R
├── report.qmd
└── run_all.R

Separamos as fases sem esconder a sua ordem

Quando o Projecto Cresce: Orquestração

# run_all.R
source("0-anonymize.R")
source("1-wrangle.R")
source("2-analyze.R")

Cada script tem uma responsabilidade e declara as suas dependências
run_all.R rege a orquestra; não toca os instrumentos

Porque Usamos Esta Organização?

Os passos principais da análise continuam visíveis
As funções dão nomes a operações repetidas ou conceptualmente importantes
Os objectos intermédios expõem resultados que vale a pena verificar ou reutilizar
Os pipes nativos tornam claras as cadeias lineares de transformação
As funções encastradas continuam a ser úteis em expressões curtas
Não existe uma única sintaxe adequada a todos os trabalhos

Introdução à Análise de Dados no R

O R é Fácil!

Passos Básicos

Passos Básicos

Passos Básicos

Quando Já Estivermos à Vontade

Um Script de Produção Mostra os Passos

Carregar Pacotes

Redefinir Opções

Importar Dados

O R Transforma Valores

O Mesmo Cálculo: Funções «Encastradas»

O Mesmo Cálculo: Parêntesis Alinhados

O Mesmo Cálculo: Resultados Intermédios

O Mesmo Cálculo: Pipe Nativo

Do «Tubo» aos Parêntesis

Resumir os Dados

Resumir os Dados

Resumir os Dados

Resumir os Dados

Resumir os Dados

Resumir os Dados

Reutilizar uma Função Pequena

Usar uma Função Dentro de um Pipe

As Funções Também Podem Ser Argumentos

Um Estilo Funcional

Visualizar os Dados

Visualizar os Dados

Visualizar os Dados

Visualizar os Dados

Visualizar os Dados

Ajustar o Modelo

Testar Hipóteses

Testar Hipóteses

Isso é Imenso!!!

Um Script Típico

Um Script de Análise Mais Completo: Preparar

Um Script de Análise Mais Completo: Resumir

Um Script de Análise Mais Completo: Visualizar

Um Script de Análise Mais Completo: Modelar e Inspeccionar

Mais Tarde: Preparar uma Análise

Mais Tarde: Ajustar um Modelo com afex

Mais Tarde: Obter Médias Marginais

Mais Tarde: Construir o Gráfico

Mais Tarde: Inspeccionar o Gráfico

Quando o Projecto Cresce: Estrutura

Quando o Projecto Cresce: Orquestração

Porque Usamos Esta Organização?

Mais Tarde: Ajustar um Modelo com `afex`