Permalink
Cannot retrieve contributors at this time
494 lines (412 sloc)
20.3 KB
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters. Learn more about bidirectional Unicode characters
| #### Projeto Insper Data - Duque | |
| rm(list = ls()) | |
| # Selecione o dirtorio a ser utilizado | |
| setwd('C:\\Users\\arthu\\Desktop\\InsperData\\COVID\\DiffDiff\\Data-Micro') | |
| # Pacotes utilizados | |
| library(dplyr) | |
| library(tidyverse) | |
| library(microdatasus) | |
| library(skimr) | |
| library(readxl) | |
| library(lubridate) | |
| library(broom) | |
| library(openxlsx) | |
| #=========================================================================================== | |
| ## Dados sobre mortalidade hospitalar | |
| #=========================================================================================== | |
| ## Caso não tenha os dados no sistema | |
| #=========================================================================================== | |
| SIH_18 <- fetch_datasus(year_start = 2018, month_start = 1, year_end = 2018, month_end = 8, information_system = "SIH-RD") | |
| SIH_18 <- process_sih(SIH_18) | |
| SIH_19 <- fetch_datasus(year_start = 2019, month_start = 1, year_end = 2019, month_end = 8, information_system = "SIH-RD") | |
| SIH_19 <- process_sih(SIH_19) | |
| SIH_20 <- fetch_datasus(year_start = 2020, month_start = 1, year_end = 2020, month_end = 8, information_system = "SIH-RD") | |
| SIH_20 <- process_sih(SIH_20) | |
| SIH_18 <- SIH_18 %>% | |
| filter(MORTE=="Sim") %>% | |
| select(MUNIC_RES, MES_CMPT, MORTE, RACA_COR, SEXO, IDADE) %>% | |
| mutate(MUNIC_RES = as.integer(MUNIC_RES)) %>% | |
| group_by(MES_CMPT, MUNIC_RES) %>% | |
| summarise(mortes_18 = n()) | |
| SIH_19 <- SIH_19 %>% | |
| filter(MORTE=="Sim") %>% | |
| select(MUNIC_RES, MES_CMPT, MORTE, RACA_COR, SEXO, IDADE) %>% | |
| mutate(MUNIC_RES = as.integer(MUNIC_RES)) %>% | |
| group_by(MES_CMPT, MUNIC_RES) %>% | |
| summarise(mortes_19 = n()) | |
| SIH_20 <- SIH_20 %>% | |
| filter(MORTE=="Sim") %>% | |
| select(MUNIC_RES, MES_CMPT, MORTE, RACA_COR, SEXO, IDADE) %>% | |
| mutate(MUNIC_RES = as.integer(MUNIC_RES)) %>% | |
| group_by(MES_CMPT, MUNIC_RES) %>% | |
| summarise(mortes_20 = n()) | |
| #=========================================================================================== | |
| ## Dados sobre mortalidade do CONASS | |
| #=========================================================================================== | |
| conas_18 <- read_excel("CONASS_2018.xlsx") %>% | |
| mutate(Ano = 2018) %>% | |
| rename(obitos = "mortes") %>% | |
| select(mes, UF, municipio, obitos) %>% | |
| rename(obitos_18 = "obitos") | |
| conas_19 <- read_excel("CONASS_2019.xlsx") %>% | |
| rename(mes = "Mês", | |
| municipio = "Município", | |
| obitos = "Óbitos", | |
| estado = "UF") %>% | |
| mutate(UF = ifelse(estado == "Acre", "AC", | |
| ifelse(estado == "Alagoas", "AL", | |
| ifelse(estado == "Amapá", "AP", | |
| ifelse(estado == "Amazonas", "AM", | |
| ifelse(estado == "Bahia", "BA", | |
| ifelse(estado == "Ceara", "CE", | |
| ifelse(estado == "Espírito Santo", "ES", | |
| ifelse(estado == "Goiás", "GO", | |
| ifelse(estado == "Maranhão", "MA", | |
| ifelse(estado == "Mato Grosso", "MT", | |
| ifelse(estado == "Mato Grosso do Sul", "MS", | |
| ifelse(estado == "Minas Gerais", "MG", | |
| ifelse(estado == "Pará", "PA", | |
| ifelse(estado == "Paraíba", "PB", | |
| ifelse(estado == "Paraná", "PR", | |
| ifelse(estado == "Pernambuco", "PE", | |
| ifelse(estado == "Piauí", "PI", | |
| ifelse(estado == "Rio de Janeiro", "RJ", | |
| ifelse(estado == "Rio Grande do Norte", "RN", | |
| ifelse(estado == "Rio Grande do Sul", "RS", | |
| ifelse(estado == "Rondônia", "RO", | |
| ifelse(estado == "Roraima", "RR", | |
| ifelse(estado == "Santa Catarina", "SC", | |
| ifelse(estado == "São Paulo", "SP", | |
| ifelse(estado == "Sergipe", "SE", | |
| ifelse(estado == "Tocantins", "TO", | |
| ifelse(estado == "Distrito Federal", "DF", NA) | |
| ))))))))))))))))))))))))))) %>% | |
| select(mes, UF, municipio, obitos) %>% | |
| rename(obitos_19 = "obitos") | |
| conas_20 <- read_excel("CONASS_2020.xlsx") %>% | |
| select(Mes_num, Sigla, Cidade, Registros) %>% | |
| rename(mes = "Mes_num", | |
| UF = "Sigla", | |
| municipio = "Cidade", | |
| obitos_20 = "Registros") | |
| #=========================================================================================== | |
| ## Dados referentes ao Mercado de Trabalho | |
| #=========================================================================================== | |
| #=========================================================================================== | |
| ## Dados referentes ao PIB Muncipal | |
| #=========================================================================================== | |
| # Base de dados com o PIB Municipal | |
| base_PIB <- read_excel("PIB_2010_2017.xlsx") %>% | |
| filter(Ano == 2017) %>% | |
| rename(codigo_regiao = "Código da Grande Região", | |
| regiao = "Nome da Grande Região", | |
| codigo_UF = "Código da Unidade da Federação", | |
| UF = "Sigla da Unidade da Federação", | |
| nome_UF = "Nome da Unidade da Federação", | |
| codigo_municipio = "Código do Município", | |
| nome_municipio = "Nome do Município", | |
| regiao_metropolitana = "Região Metropolitana", | |
| codigo_mesorregiao = "Código da Mesorregião", | |
| nome_mesorregiao = "Nome da Mesorregião", | |
| codigo_microrregiao = "Código da Microrregião", | |
| nome_microrregiao = "Nome da Microrregião", | |
| PIB = "Produto Interno Bruto, \r\na preços correntes\r\n(R$ 1.000)") %>% | |
| select(regiao, UF, nome_UF, | |
| nome_municipio, | |
| nome_mesorregiao, | |
| nome_microrregiao, | |
| PIB) | |
| #=========================================================================================== | |
| ## Dados referentes a contaminacao por COVID-19 | |
| #=========================================================================================== | |
| # Base de dados bruta -> ultima atualizacao: 31/ago/2020 | |
| covid_bruto <- read_excel("HIST_PAINEL_COVIDBR_31ago2020_1.xlsx", | |
| col_types = c('text', 'text', 'text','numeric','numeric','numeric', | |
| 'text', 'date','numeric','numeric','numeric','numeric', | |
| 'numeric','numeric','numeric','numeric','logical')) | |
| # Pegar apenas os dados referentes ao final de cada mes | |
| covid_mensal <- covid_bruto %>% | |
| filter(codmun != 0, | |
| codRegiaoSaude != 0, | |
| data == as.Date("2020-01-31")| | |
| data == as.Date("2020-02-29")| | |
| data == as.Date("2020-03-31")| | |
| data == as.Date("2020-04-30")| | |
| data == as.Date("2020-05-31")| | |
| data == as.Date("2020-06-30")| | |
| data == as.Date("2020-07-31")| | |
| data == as.Date("2020-08-31")| | |
| data == as.Date("2020-09-30")) %>% | |
| select(codmun, municipio, data, populacaoTCU2019, | |
| casosAcumulado, `interior/metropolitana`) %>% | |
| rename(populacao = populacaoTCU2019, | |
| metropolitana = `interior/metropolitana`) %>% | |
| separate(data, into = c('ano', 'mes', 'dia'), sep = "-") %>% | |
| separate(mes, into = c('zero', 'mes'), sep = 1) %>% | |
| select(-c(ano, dia, zero)) | |
| # Com essa base temos a populacao, o municipio, e indicador de zona urbana. | |
| #=========================================================================================== | |
| ## Populacao acima de 65 anos | |
| #=========================================================================================== | |
| age <- read_csv("POPBR12.csv") | |
| poptotal <- age %>% | |
| group_by(MUNIC_RES) %>% | |
| summarise(TOTAL = sum(POPULACAO)) | |
| mais65 <- age %>% | |
| separate(FXETARIA, into = c('min', 'max'), sep = -2) %>% | |
| filter(min >= 65, | |
| min != 7, | |
| min != 8, | |
| min != 9) %>% | |
| unite(faixa, min, max, sep = "-") %>% | |
| group_by(MUNIC_RES) %>% | |
| summarise(POPULACAO = sum(POPULACAO)) %>% | |
| left_join(poptotal, by = c('MUNIC_RES' = 'MUNIC_RES'))%>% | |
| left_join(covid_mensal, by = c('MUNIC_RES' = 'codmun')) %>% | |
| select(c(POPULACAO:municipio)) %>% | |
| left_join(base_PIB, by = c('municipio' = 'nome_municipio')) %>% | |
| unique() %>% | |
| group_by(nome_microrregiao) %>% | |
| summarise(POPULACAO = sum(POPULACAO), | |
| TOTAL = sum(TOTAL)) %>% | |
| mutate(mais65 = POPULACAO / TOTAL) %>% | |
| select(-c(POPULACAO:TOTAL)) | |
| ## Caso tenha os dados de mortalidade hospitalar no sistema | |
| #=========================================================================================== | |
| load("SIH_18.Rdata") | |
| load("SIH_19.Rdata") | |
| load("SIH_20.Rdata") | |
| ## Agrupando e preparando | |
| #=========================================================================================== | |
| # Dados hospitalares | |
| SIH_19 <- SIH_19 | |
| obitos <- SIH_18 %>% | |
| left_join(SIH_19, by = c('MES_CMPT' = 'MES_CMPT', 'MUNIC_RES' = 'MUNIC_RES')) %>% | |
| left_join(SIH_20, by = c('MES_CMPT' = 'MES_CMPT', 'MUNIC_RES' = 'MUNIC_RES')) %>% | |
| filter(MES_CMPT != 8) #ainda não temos dados completos de agosto | |
| write.xlsx(obitos, "obitos.xlsx") | |
| mortes <- obitos %>% | |
| mutate(MES_CMPT = as.character(MES_CMPT)) %>% | |
| left_join(covid_mensal, by = c('MUNIC_RES' = 'codmun')) %>% | |
| left_join(base_PIB, by = c('municipio' = 'nome_municipio')) %>% | |
| filter(mes == 3)%>% | |
| group_by(MES_CMPT, nome_microrregiao) %>% | |
| filter(!is.na(mortes_18), | |
| !is.na(mortes_19), | |
| !is.na(mortes_20)) %>% | |
| summarise(mortes_18 = sum(mortes_18), | |
| mortes_19 = sum(mortes_19), | |
| mortes_20 = sum(mortes_20)) %>% | |
| mutate(excesso = (mortes_20) / ( (mortes_18 + mortes_19) / 2 ) ) %>% | |
| select(-c(mortes_18:mortes_20)) | |
| # Dados do Conass | |
| conass <- conas_18 %>% | |
| full_join(conas_19, by = c('municipio' = 'municipio', 'mes' = 'mes', 'UF' = 'UF')) %>% | |
| full_join(conas_20, by = c('municipio' = 'municipio', 'mes' = 'mes', 'UF' = 'UF')) %>% | |
| replace_na(list(obitos_18 = 0, obitos_19 = 0, obitos_20 = 0)) | |
| conass_2 <- conas_18 %>% | |
| full_join(conas_19, by = c('municipio' = 'municipio', 'mes' = 'mes', 'UF' = 'UF')) %>% | |
| full_join(conas_20, by = c('municipio' = 'municipio', 'mes' = 'mes', 'UF' = 'UF')) | |
| conass_mortes <- conass %>% | |
| left_join(base_PIB, by = c('municipio' = 'nome_municipio', 'UF' = 'UF')) %>% | |
| group_by(nome_microrregiao, mes, UF) %>% | |
| summarise(obitos_18 = sum(obitos_18), | |
| obitos_19 = sum(obitos_19), | |
| obitos_20 = sum(obitos_20)) %>% | |
| mutate(excesso_conass = obitos_20 / ((obitos_18 + obitos_19) / 2)) %>% | |
| mutate(excesso_conass_2 = excesso_conass -1) | |
| conass_mortes_NA <- conass %>% | |
| left_join(base_PIB, by = c('municipio' = 'nome_municipio', 'UF' = 'UF')) %>% | |
| group_by(nome_microrregiao, mes, UF) %>% | |
| summarise(obitos_18 = sum(obitos_18), | |
| obitos_19 = sum(obitos_19), | |
| obitos_20 = sum(obitos_20)) %>% | |
| mutate(excesso_conass_NA = obitos_20 / ((obitos_18 + obitos_19) / 2)) %>% | |
| mutate(excesso_conass_NA_2 = excesso_conass_NA -1) | |
| #=========================================================================================== | |
| ## Dados CNES | |
| #=========================================================================================== | |
| cnes <- read_excel('CNES_Final.xlsx' )%>% | |
| mutate(across(names(cnes)[3:19], as.double)) %>% | |
| mutate_all(funs(replace_na(., 0))) %>% | |
| separate(Municipio, into = c("mun_cod", "mun_nome"), sep = 6) %>% | |
| separate(mun_nome, into = c("mun_nome", "cod"), sep = "-") %>% | |
| filter(is.na(cod)) %>% | |
| select(-cod) | |
| #=========================================================================================== | |
| ## Juntando todos os dados em uma base | |
| #=========================================================================================== | |
| # Juntando as bases em uma, para fazer as regress?es | |
| dados_dataSUS_excesso <- covid_mensal %>% | |
| left_join(base_PIB, by = c('municipio' = 'nome_municipio')) %>% | |
| group_by(nome_microrregiao, mes) %>% | |
| summarise(populacao = sum(populacao), | |
| casosAcumulado = sum(casosAcumulado), | |
| PIB = sum(PIB), | |
| regiao = regiao, | |
| metropolitana = mean(metropolitana), | |
| UF = UF, | |
| mesorregiao = nome_mesorregiao) %>% | |
| unique() %>% | |
| mutate(casos_relativos = casosAcumulado / populacao, | |
| PIB_per_capita = PIB / populacao, | |
| ua = ifelse(metropolitana > 0.5, TRUE, FALSE)) %>% | |
| group_by(nome_microrregiao) %>% | |
| summarise(volatilidade = sd(casos_relativos), | |
| PIB_per_capita = PIB_per_capita, | |
| regiao = regiao, | |
| ua = ua, | |
| UF = UF, | |
| mesorregiao = mesorregiao, | |
| populacao = populacao) %>% | |
| unique() %>% | |
| filter(!is.na(nome_microrregiao), | |
| !is.na(PIB_per_capita)) %>% | |
| arrange(desc(PIB_per_capita)) %>% | |
| mutate(wealth = ifelse(PIB_per_capita >= 27.364441, 'RICO', | |
| ifelse(PIB_per_capita >= 14.771092, 'MEDIO', 'POBRE'))) %>% | |
| right_join(mortes, by = c('nome_microrregiao' = 'nome_microrregiao')) %>% | |
| left_join(mais65, by = c('nome_microrregiao' = 'nome_microrregiao')) %>% | |
| mutate(infect = ifelse(volatilidade >= 0.006040925, "ALTA", "BAIXA"), | |
| corona = ifelse(MES_CMPT > 3, TRUE, FALSE)) %>% | |
| mutate(alta = ifelse(wealth == "RICO", TRUE, FALSE), | |
| baixa = ifelse(wealth == "POBRE", TRUE, FALSE), | |
| media = ifelse(wealth == "MEDIO", TRUE, FALSE), | |
| MES_CMPT = as.double(MES_CMPT)) %>% | |
| mutate(excesso_2 = excesso -1) %>% | |
| select(UF, regiao, nome_microrregiao, MES_CMPT, excesso, excesso_2, corona, wealth, ua, everything()) %>% | |
| select(-c(volatilidade, infect, mesorregiao)) %>% | |
| rename("mes" = "MES_CMPT") | |
| write.xlsx(dados_dataSUS_excesso, "dados_dataSUS_excesso.xlsx") | |
| Acum <- covid_mensal %>% | |
| left_join(base_PIB,by = c('municipio' = 'nome_municipio')) %>% | |
| select(nome_microrregiao, codmun, mes, casosAcumulado) %>% | |
| filter(mes == 7) %>% | |
| group_by(nome_microrregiao) %>% | |
| summarise(casosAcumulado = sum(casosAcumulado)) | |
| COVID_test <- COVID %>% | |
| filter(!is.na(nome_microrregiao)) %>% | |
| left_join(Acum, by = c("nome_microrregiao" = "nome_microrregiao")) %>% | |
| mutate(casos_per_capita = (casosAcumulado / populacao), | |
| infec1 = ifelse(volatilidade >= median(COVID$volatilidade, na.rm = TRUE), "ALTA", "BAIXA"), | |
| infec2 = ifelse(casos_per_capita >= 0.009373, "ALTA", "BAIXA")) | |
| median(COVID_test$casos_per_capita, na.rm = TRUE) | |
| median(COVID$volatilidade, na.rm = TRUE) | |
| base_PIB_conass <- covid_mensal %>% | |
| left_join(base_PIB, c('municipio' = 'nome_municipio')) %>% | |
| group_by(nome_microrregiao) %>% | |
| summarise(populacao = sum(populacao), | |
| PIB = sum(PIB), | |
| metropolitana = mean(metropolitana)) %>% | |
| mutate(PIB_per_capita = PIB / populacao, | |
| ua = ifelse(metropolitana > 0.5, TRUE, FALSE)) %>% | |
| filter(!is.na(nome_microrregiao), | |
| !is.na(PIB_per_capita)) %>% | |
| arrange(desc(PIB_per_capita)) %>% | |
| mutate(wealth = ifelse(PIB_per_capita >= 27.364441, 'RICO', | |
| ifelse(PIB_per_capita >= 14.771092, 'MEDIO', 'POBRE'))) %>% | |
| mutate(alta = ifelse(wealth == "RICO", TRUE, FALSE), | |
| baixa = ifelse(wealth == "POBRE", TRUE, FALSE), | |
| media = ifelse(wealth == "MEDIO", TRUE, FALSE)) | |
| base_CONASS <- conass_mortes %>% | |
| left_join(mais65, c("nome_microrregiao" = "nome_microrregiao")) %>% | |
| left_join(base_PIB_conass, c("nome_microrregiao" = "nome_microrregiao")) %>% | |
| mutate(corona = ifelse(mes > 3, TRUE, FALSE)) | |
| dados_conass_excesso <- base_CONASS %>% | |
| select(-metropolitana) | |
| write.xlsx(dados_conass_excesso, "dados_conass_excesso.xlsx") | |
| #=========================================================================================== | |
| ## Regressao hospitalar | |
| #=========================================================================================== | |
| summary(lm(excesso ~ wealth*corona + wealth + corona + ua + mais65 + regiao + populacao, data = COVID)) #com Efeitos Fixos de Regiao e sem Efeitos Fixos de Tempo | |
| summary(lm(excesso ~ wealth*corona + wealth + corona + ua + mais65 + UF + populacao, data = COVID)) #com Efeitos Fixos de Unidade Federativa e sem Efeitos Fixos de Tempo | |
| summary(lm(excesso ~ wealth*corona + wealth + corona + ua + mais65 + populacao + MES_CMPT, data = COVID)) #sem Efeitos Fixos de Regiao/UF e com Efeitos Fixos de Tempo | |
| summary(lm(excesso ~ wealth*corona + wealth + corona + ua + mais65 + UF + populacao + MES_CMPT, data = COVID)) #com Efeitos Fixos de Unidade Federativa e com Efeitos Fixos de Tempo | |
| summary(lm(excesso ~ wealth*corona + wealth + corona + ua + mais65 + regiao + populacao + MES_CMPT, data = COVID)) #com Efeitos Fixos de Regiao e com Efeitos Fixos de Tempo | |
| summary(lm(excesso_2 ~ wealth*corona + wealth + corona + ua + mais65 + regiao + populacao + MES_CMPT, data = COVID)) #com Efeitos Fixos de Regiao e com Efeitos Fixos de Tempo | |
| # Regressao com efeitos fixos de regiao | |
| reg_regiao <- summary(lm(excesso ~ wealth*corona + wealth + corona + ua + mais65 + regiao + populacao + MES_CMPT, data = COVID)) | |
| tidy_reg_regiao <- tidy(reg_regiao) | |
| tidy_reg_regiao | |
| write.csv(tidy_reg_regiao, "reg_regiao.csv") | |
| # Regressao com efeitos fixos de estado | |
| reg_UF <- (lm(excesso ~ wealth*corona + wealth + corona + ua + mais65 + UF + populacao + MES_CMPT, data = COVID)) | |
| reg_UF | |
| tidy_reg_UF <- tidy(reg_UF) | |
| tidy_reg_UF | |
| write.csv(tidy_reg_UF, "reg_UF.csv") | |
| #=========================================================================================== | |
| ## Regressao CONASS | |
| #=========================================================================================== | |
| summary(lm(excesso_conass ~ wealth*corona + ua + mais65 + UF + populacao + mes, data = base_CONASS)) | |
| # Grafico de Excesso de Mortalidade | |
| COVID %>% | |
| filter(!is.na(wealth)) %>% | |
| group_by(wealth, MES_CMPT) %>% | |
| summarise(excesso_2 = mean(excesso_2), | |
| sd = sd(excesso_2)) %>% | |
| unique() %>% | |
| ggplot() + | |
| geom_line(aes(MES_CMPT, excesso_2, group = wealth, color = wealth), size = 2) + | |
| theme_classic() + | |
| ylab("Excesso de mortalidade relativo") + | |
| xlab("Mês") + | |
| scale_colour_discrete(name = "Nível de PIB per capita", labels = c("Alto","Médio", "Baixo")) + | |
| labs(color = "Nível de Renda", | |
| title = "Evolução do excesso de mortalidade em 2020", | |
| subtitle = "por microrregião", | |
| caption = "Fonte: MicroDataSUS e IBGE") | |
| COVID %>% | |
| filter(!is.na(wealth)) %>% | |
| group_by(wealth, MES_CMPT) %>% | |
| summarise(excesso = mean(excesso), | |
| sd = sd(excesso)) %>% | |
| unique() %>% | |
| ggplot() + | |
| geom_line(aes(MES_CMPT, excesso, group = wealth, color = wealth), size = 2) + | |
| theme_classic() + | |
| ylab("Excesso de mortalidade relativo") + | |
| xlab("Mês") + | |
| scale_colour_discrete(name = "Nível de PIB per capita", labels = c("Alto","Médio", "Baixo")) + | |
| labs(color = "Nível de Renda", | |
| title = "Evolução do excesso de mortalidade em 2020", | |
| subtitle = "por microrregião", | |
| caption = "Fonte: MicroDataSUS e IBGE") | |
| # Gráfico de Excesso de Mortalidade com eixos diferentes | |
| COVID %>% | |
| filter(!is.na(wealth)) %>% | |
| group_by(wealth, MES_CMPT) %>% | |
| summarise(excesso = mean(excesso)) %>% | |
| unique() %>% | |
| ggplot() + | |
| geom_line(aes(MES_CMPT, excesso, group = wealth, color = wealth), size = 2) + | |
| theme_classic() + | |
| ylab("Excesso de mortalidade relativo") + | |
| xlab("Mês") + | |
| coord_cartesian(xlim = c(1,7), ylim = c(0,1.5))+ | |
| scale_colour_discrete(name = "Nível de PIB per capita", labels = c("Alto","Médio", "Baixo"))+ | |
| labs(title = "Evolução do excesso de mortalidade em 2020", | |
| subtitle = "por microrregião", | |
| caption = "Fonte: MicroDataSUS e IBGE") | |
| #=========================================================================================== | |
| # EXTRA | |
| #=========================================================================================== | |
| Acum <- covid_mensal %>% | |
| left_join(base_PIB,by = c('municipio' = 'nome_municipio')) %>% | |
| select(nome_microrregiao, codmun, mes, casosAcumulado) %>% | |
| filter(mes == 7) %>% | |
| group_by(nome_microrregiao) %>% | |
| summarise(casosAcumulado = sum(casosAcumulado))1 | |
| median(COVID_test$casos_per_capita, na.rm = TRUE) | |
| median(COVID$volatilidade, na.rm = TRUE) | |
| COVID_test <- COVID %>% | |
| filter(!is.na(nome_microrregiao)) %>% | |
| left_join(Acum, by = c("nome_microrregiao" = "nome_microrregiao")) %>% | |
| mutate(casos_per_capita = (casosAcumulado / populacao), | |
| infec1 = ifelse(volatilidade >= median(COVID_test$volatilidade, na.rm = TRUE), "ALTA", "BAIXA"), | |
| infec2 = ifelse(casos_per_capita >= 0.009373, "ALTA", "BAIXA")) | |
| ################################################################################################## | |
| ################################################################################################## | |
| ################################################################################################## | |
| ################################################################################################## | |
| ################################################################################################## |