Manipular variável categórica com muitas classes

Qual função ou funções são necessárias para fazer um corte nas classes de variáveis categóricas e trabalhar apenas com as variáveis mais frequentes? A minha pergunta é: existe algum padrão entre o número de lacinhos jogados no mangue e a quantidade de dúzias capturadas nos mangues mais visitados? Não sei se esta é a melhor pergunta, mas a ideia é investigar, por exemplo, qual é o mangue mais produtivo.

Recortei parte dos dados e compartilho em anexo!
Vamos estudar!

Brigadão!
Giggia

p.s: não consegui compartilhar a tabela aqui, vou mandar pro seu e-mail!

Cheguei!

Desculpe a demora.

Vamos lá, vou aqui por partes, ok? Primeiro, para quem quiser reproduzir o exemplo, basta colar este código para criar os dados:

Código:

dados<-structure(list(ID = 1:101, Comunidade = structure(c(2L, 3L, 4L,
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 4L, 4L, 4L, 4L, 4L, 4L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L,
4L, 4L, 4L, 4L, 4L, 4L, 4L, 2L, 2L, 2L, 4L, 4L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 3L, 1L, 1L, 1L, 1L, 1L, 1L, 2L,
2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L,
3L, 3L), .Label = c("Almeida", "Ilha_Rasa", "Ponta_do_Lanco",
"Tromomo"), class = "factor"), Mangue = structure(c(25L, 12L,
10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 23L, 14L, 9L,
9L, 14L, 12L, 14L, 14L, 14L, 5L, 4L, 13L, 7L, 10L, 28L, 25L,
25L, 25L, 25L, 26L, 24L, 6L, 14L, 1L, 1L, 14L, 6L, 14L, 11L,
10L, 7L, 3L, 23L, 10L, 13L, 26L, 10L, 4L, 4L, 13L, 18L, 16L,
10L, 10L, 13L, 17L, 8L, 25L, 8L, 23L, 6L, 14L, 14L, 20L, 20L,
20L, 19L, 19L, 19L, 19L, 9L, 22L, 22L, 12L, 21L, 21L, 21L, 21L,
26L, 26L, 14L, 14L, 25L, 12L, 12L, 27L, 27L, 27L, 2L, 2L, 2L,
2L, 2L, 8L, 27L, 8L, 15L, 12L, 6L), .Label = c("Almeida", "Ararapira",
"Barra_de_Tagacaba", "Cacunda", "Dicunha", "Furado", "Furado_Grande",
"Guanituba", "Guapicum", "Guaraquecaba", "Ilinha", "Laranjeiras",
"Melado", "Pauapique", "PeÁas", "Pocinho", "Pococa", "Rabelo",
"Rio_da_Cacada", "Rio_da_Pimenta", "Rio_do_Santo", "Rio_dos_Patos",
"Serelepe", "Teixeira", "Tibicanga", "Tromomo", "Vila_Fatima",
"Vilheira"), class = "factor"), Como = structure(c(2L, 2L, 1L,
1L, 1L, 2L, 1L, 1L, 2L, 2L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
2L, 2L, 1L, 1L, 2L, 2L, 2L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L,
3L, 1L, 1L, 2L, 2L, 1L, 2L, 1L, 3L, 2L, 1L, 2L, 2L, 2L, 2L, 2L,
1L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 2L, 1L,
1L, 1L, 1L, 1L, 2L, 2L, 1L, 1L, 2L, 3L, 3L, 3L, 3L, 2L, 2L, 2L,
2L, 3L, 2L, 2L, 2L, 2L, 2L, 3L, 1L, 2L, 1L, 1L, 2L, 2L, 2L, 2L,
2L, 1L), .Label = c("Andada", "Lacinho", "Outro"), class = "factor"),
    Lacinhos = c(900L, 400L, NA, NA, NA, 1300L, NA, NA, 600L,
    400L, NA, 500L, 600L, 800L, 300L, 300L, 600L, 500L, 700L,
    800L, 300L, NA, NA, 350L, 380L, 300L, NA, 400L, NA, 600L,
    NA, 600L, 1000L, NA, NA, NA, NA, NA, 240L, 300L, NA, 500L,
    NA, NA, 500L, NA, 250L, 400L, 500L, 800L, 200L, NA, 500L,
    500L, NA, NA, NA, 600L, 800L, 1500L, 1000L, 500L, NA, NA,
    NA, 1000L, NA, NA, NA, NA, NA, 600L, 400L, NA, NA, 450L,
    NA, NA, NA, NA, 400L, 375L, 500L, 300L, NA, 400L, 450L, 1000L,
    1000L, 1000L, NA, NA, 400L, NA, NA, 300L, 800L, 300L, 1000L,
    450L, NA), Duzias = c(50L, 17L, 47L, 47L, 47L, 70L, 25L,
    25L, 25L, 15L, 60L, 10L, 24L, 40L, 25L, 25L, 48L, 20L, 46L,
    56L, 21L, 30L, 40L, 14L, 14L, 30L, 40L, NA, 30L, NA, 30L,
    62L, 70L, 108L, 25L, 15L, 50L, 30L, 16L, 21L, 30L, 20L, 20L,
    6L, 21L, 25L, 10L, 20L, 30L, 41L, 8L, 8L, 30L, 25L, 8L, 20L,
    80L, 40L, 40L, 80L, 50L, 21L, 20L, 13L, 70L, 60L, 43L, 45L,
    45L, 40L, 30L, 38L, 25L, 12L, 48L, 19L, 7L, 9L, 5L, 9L, 20L,
    16L, 40L, 25L, 30L, 17L, 20L, 52L, 56L, 53L, 8L, 75L, 22L,
    42L, 42L, 16L, 40L, 16L, 53L, 19L, 12L), Companhia = structure(c(4L,
    17L, 12L, 12L, 12L, 12L, 11L, 11L, 11L, 11L, 11L, 22L, 22L,
    11L, 8L, 8L, 8L, 22L, 21L, 21L, 21L, 16L, 16L, 22L, 22L,
    22L, 22L, 22L, 22L, 3L, 3L, 5L, 13L, 7L, 7L, 22L, 22L, 8L,
    22L, 22L, 16L, 10L, 22L, 22L, 22L, 22L, 22L, 22L, 12L, 23L,
    22L, 22L, 1L, 11L, 12L, 12L, 2L, 11L, 18L, 19L, 18L, 22L,
    22L, 22L, 6L, 21L, 22L, 22L, 8L, 8L, 8L, 8L, 14L, 15L, 15L,
    17L, 22L, 22L, 22L, 22L, 8L, 8L, 22L, 22L, 9L, 20L, 20L,
    5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 20L, 5L), .Label = c("Amos_e_John_Lennon_",
    "Amos_e_John_Lenon", "Azuil", "Brener", "Colega", "Cunhado",
    "Esposa_e_filho", "Filho", "Filho_e_irmao", "Genro", "Irmao",
    "Isaac", "Jeferson", "Keila", "Keila_e_filho", "Luana", "Naldo",
    "Pai", "Pai_e_irmao", "Primo", "Sobrinho", "Sozinho", "Wanderley"
    ), class = "factor"), Parentesco = structure(c(6L, 14L, 9L,
    9L, 9L, 9L, 11L, 11L, 11L, 11L, 11L, NA, NA, 11L, 6L, 6L,
    6L, NA, 15L, 15L, 15L, 5L, 5L, NA, NA, NA, NA, NA, NA, 12L,
    12L, 1L, 1L, 4L, 4L, NA, NA, 6L, NA, NA, 5L, 9L, NA, NA,
    NA, NA, NA, NA, 9L, 1L, NA, NA, 10L, 10L, 8L, 8L, 10L, 11L,
    12L, 13L, 12L, NA, NA, NA, 2L, 15L, NA, NA, 6L, 6L, 6L, 6L,
    3L, 4L, 4L, 14L, NA, NA, NA, NA, 6L, 6L, NA, NA, 7L, 14L,
    14L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 14L,
    1L), .Label = c("Colega", "Cunhado", "esposa", "Esposa_e_filho",
    "Filha", "Filho", "Filho_e_irmao", "genro", "Genro", "irmao",
    "Irmao", "Pai", "Pai_e_irmao", "Primo", "Sobrinho"), class = "factor"),
    N_Pescadores = c(2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L, 1L, 1L, 2L, 2L, 2L, 2L, 1L, 2L, 2L, 2L, 2L, 2L, 1L, 1L,
    1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 2L, 1L, 1L,
    2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 1L, 1L, 3L, 2L, 2L,
    2L, 3L, 2L, 2L, 3L, 2L, 1L, 1L, 1L, 2L, 2L, 1L, 1L, 2L, 2L,
    2L, 2L, 2L, 3L, 3L, 2L, 1L, 1L, 1L, 1L, 2L, 2L, 1L, 1L, 3L,
    2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
    2L), Atravessador = structure(c(1L, 11L, 16L, 16L, 16L, 7L,
    7L, 7L, 7L, 7L, 7L, 7L, 7L, 17L, 18L, 18L, 17L, 16L, 4L,
    4L, 4L, 8L, 8L, 7L, 7L, 2L, 2L, NA, 3L, 9L, 9L, 11L, 13L,
    13L, 13L, 17L, 17L, 17L, 4L, 4L, 5L, 6L, 7L, 15L, 7L, 7L,
    7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 16L, 16L,
    16L, 7L, 7L, 17L, 17L, 4L, 4L, 4L, 14L, 14L, 14L, 14L, 18L,
    18L, 18L, 11L, NA, 12L, 18L, 18L, 18L, 18L, 3L, 3L, 3L, 11L,
    11L, 10L, 10L, 17L, 10L, 14L, 17L, 17L, 17L, 17L, 17L, 17L,
    17L, 11L, 17L), .Label = c("Aelton", "Anderson", "Elton",
    "Gabriel", "irmao", "Joel", "Joel_Junior", "Joel_Junior_e_Anderson",
    "Josi", "Juico", "Nelson", "Pedrinho", "Saulo_", "Tiao",
    "Turista", "Vanico", "Verci", "Wilson"), class = "factor"),
    Preco = c(NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, 5L, 10L,
    NA, 12L, 12L, 12L, 11L, 12L, 10L, 10L, 10L, 7L, 7L, 11L,
    11L, 9L, 6L, NA, 10L, NA, 10L, 12L, 11L, 8L, 8L, 11L, 10L,
    NA, 11L, 11L, 7L, 12L, NA, 12L, 11L, NA, 11L, 11L, NA, 11L,
    11L, 11L, 11L, NA, NA, NA, NA, NA, 12L, 12L, 12L, 11L, NA,
    NA, NA, 10L, NA, NA, 11L, 11L, 11L, 11L, 12L, 10L, NA, 9L,
    NA, 11L, 11L, 11L, 12L, 12L, 12L, 12L, 12L, 10L, 10L, 15L,
    15L, 11L, 15L, 7L, 11L, 10L, 7L, 11L, 11L, 11L, 11L, 10L,
    10L)), .Names = c("ID", "Comunidade", "Mangue", "Como", "Lacinhos",
"Duzias", "Companhia", "Parentesco", "N_Pescadores", "Atravessador",
"Preco"), class = "data.frame", row.names = c(NA, -101L))



E aí, se quiserem espiar os dados:

Código:

summary(dados)


A nossa questão pode ser divididas em três partes:
1 - Identificar os mangues mais selecionados;
2 - Criar uma lista com os nomes destes mangues;
3 - Cortar os dados, criando uma nova planilha para estes mangues.

Um alerta: este é um bom exemplo de situação na qual não devemos usar attach!
Isto vai acontecer porque vamos criar um sub-conjunto dos nossos dados, e os nomes de colunas vão se repetir. Então seria uma enorme bagunção fazer isso...
Na prática, então, vamos neste exemplo usar o formato mais básico do R: dados$variável
Beleza?

Na próxima postagem faço o primeiro passo.

Certo, vamos continuar.
O primeiro passo é identificar os Mangues mais visitados. Não tem muito mistério:

Código:

###Quais os mangues mais visitados?

#Tabulando:
tabela.m<-table(dados$Mangue)

tabela.m

#Colocando na ordem:
tabela.m.ordem<-sort(tabela.m, decreasing=T)

tabela.m.ordem



Na sequência, passo 2.

Segundo passo!
Digamos que a gente queira analisar os dados apenas para os Mangues com mais do que 4 visitas.
Lá vai:

Código:

###Preparando para separar os dados:

#Podemos ver os nomes assim:
names(tabela.m.ordem)

#E podemos "perguntar" quem tem mais visitas que um ponto de corte qualquer assim:
tabela.m.ordem>4  #Neste caso considerando quem tem mais do que 4 visitas

#Podemos listar os nomes dos mangues mais visitados assim:
names(tabela.m.ordem[tabela.m.ordem>4])

#Vamos salvar estes nomes:
mangues.mais<-names(tabela.m.ordem[tabela.m.ordem>4])




Agora o último passo!

Parece que vai ser complicado, né? Mas é só uma linha de comando.

Basta isso:

Código:

dados.selecionados<-subset(dados, dados$Mangue %in% mangues.mais)


A função subset serve pra isso mesmo, criar um "subset" dos dados, um sub-conjunto deles com o critério (ou critérios) que desejarmos.
O nosso critério já estava criado, era a lista de nomes, certo? Aí bastou avisar pro R que o subset deve ser criado com todos os mangues cujos nomes estejam na nossa lista. Dizer para o R selecionar qualquer mangue da lista é feito com aquele %in%. É o mesmo que dizer: considere os Mangues cujo nome seja "A" ou "B" ou "C", etc.

E pronto, dados.selecionados é a nova planilha de dados, que contém apenas os mangues mais do que 4 visitas.

Dúvidas? Questões?
Qualquer coisa a gente continua.

Legal, Marcos. Deu pra acompanhar aqui direitinho!

Agora eu queria saber qual desses mangues é mais produtivo. Aí inclui todos, pois pode ser que eu tenha mangues que mesmo tendo sido menos visitado tenha um número de captura maior. Eu tenho a variável lacinho (que é quantitativa) e dúzias (também quantitativa).

Como eu posso chegar nesse resultado?

Giovanna Barreto escreveu:Legal, Marcos. Deu pra acompanhar aqui direitinho!

Agora eu queria saber qual desses mangues é mais produtivo. Aí inclui todos, pois pode ser que eu tenha mangues que mesmo tendo sido menos visitado tenha um número de captura maior. Eu tenho a variável lacinho (que é quantitativa) e dúzias (também quantitativa).

Como eu posso chegar nesse resultado?

Oi, Giovanna!

Bom, em princípio, você tem o mangue como variável explicativa e cada medida de produtividade como variável resposta. Então em cada caso (ou seja, para cada variável resposta) você faria uma ANOVA. Você estaria, então, comparando o valor médio daquela variável entre os mangues. Faz sentido para o que você quer saber?

Mas aí algumas coisas precisam ser pensadas: a anova vai funcionar bem quanto melhor for o balanceamento dos dados. O seja: o cenário ideal seria ter o mesmo esforço amostral para cada mangue. Não é que ela não funcione sem isso, mas o poder do teste diminui, e você vai ficar mais em dúvida no caso de um resultado não significativo.

Aí, como prosseguir vai depender dos seus dados. Pode ser que os mangues com uma quantidade muito pequena de unidades amostrais devam ficar de fora, pois podem comprometer muito o poder estatístico da sua análise. Aqui não vamos ter uma regra clara, e sim o bom senso mesmo.

Ah, sim, e estou aqui pensando em ANOVA, mas é sempre bom lembrar que os pressupostos precisam ser observados. Dependendo de como for, pode ser legal partir para um não paramétrico ou um GLM.

Enfim: tudo assunto do nosso atual módulo 4.

Qualquer coisa vamos nos falando mais sobre isso.

hum, não entendi muito bem.

Se na ANOVA eu calculo a variação entre a média de cada variável e a média geral e a variação dentro de cada média, por que e como eu devo fazer uma ANOVA para cada variável resposta?

No caso específico desses meus dados, a quantidade de "lacinho" também influencia minha variável resposta produtividade. Então eu teria 2 variáveis explicativas sendo que uma é categórica e a outra quantitativa e uma variável resposta que é quantitativa. Acho que ainda não vimos um teste nessa situação. Existe algum?

Terminei os exercícios do módulo 4 ontem, mas fiquei com muitas dúvidas na interpretação dos resultados. Aprendemos muita coisa nesse módulo. Penso que seria legal e importante se no nosso próximo Webinário a gente fizesse juntos os exercícios.

Será que dá tempo?

Seria através de modelos lineares mistos ou tô viajando? Li que um tal de GAM pode ser usado quando se espera relações não-lineares entre as variáveis...

Oi, Giovanna

O melhor caminho aqui, para nos direcionarmos para os métodos estatísticos adequados, é delinear claramente as hipóteses, declarando as variáveis e tudo mais - e por um momento esquecer os testes, apenas pensar nas ideias.

Então tente colocar as ideias a serem testadas desta maneira: apresente as suas hipóteses a partir das variáveis, identificando apenas a natureza delas (quantitativa, qualitativa) e sua "posição" (explicativa ou resposta; ou, em alguns casos, nenhum dos dois, pois pode acontecer).

Aí podemos pegar as hipóteses e entender melhor, para aí sim podermos pensar nos testes.
Acho que me perdi um pouco nas ideias a serem testadas, então precisamos voltar atrás e olhar pra isso, ok?

Ah, mas adiantando uma coisa:
"Então eu teria 2 variáveis explicativas sendo que uma é categórica e a outra quantitativa e uma variável resposta que é quantitativa."

Na última parte do módulo 4 eu falo da ANCOVA. Veja lá,s erve exatamente pra isso!

Beleza! Vou refletir e (re)elaborar minhas hipóteses!

idem do tópico sobre o TM!