-
Notifications
You must be signed in to change notification settings - Fork 2
/
Apresentacao_TESE.Rmd
1243 lines (986 loc) · 54.2 KB
/
Apresentacao_TESE.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Ensaios em Criminalidade no Rio Grande do Sul"
author:
- 'Orientador: Adelar Fochezatto'
date: "Dezembro de 2017"
output:
beamer_presentation:
slide_level: 3
theme: Copenhagen
toc: yes
ioslides_presentation: default
header-includes:
- \usepackage[brazil]{babel}
- \usepackage{float}
- \usepackage{multirow}
- \usepackage{subcaption}
- \widowpenalties 1 150
fontsize: 10pt
subtitle: Tese de Doutorado (PPGE/PUCRS)
bibliography: Bibliografia_Tese_Presentation.bib
---
```{r setup, echo = FALSE, warning=FALSE, message=FALSE, include=FALSE}
knitr::opts_chunk$set(echo = TRUE, fig.pos = 'H')
library(knitr)
library(rgdal)
library(spdep)
library(pander)
library(xtable)
library(tidyverse) # Tem muitos pacotes como ggplot2, tidyr...
library(stringr) # str_pad function
library(rdrobust)
library(rdd) # Discontinuity regressions
library(KernSmooth) # Função locpoly
library(lubridate) # Para lidar com datas
library(gam)
setwd("C:/Users/Windows 8.1/Desktop/PhD-Thesis")
mapa_rs <- readRDS("rdss/MapaRS.rds")
mapa_rs_pre <- mapa_rs
```
# Crimes nos municípios gaúchos: análise de um índice geral de criminalidade
## Introdução
### Introdução
- A criminalidade e a sensação de insegurança diminui o bem-estar de população residente de um determinado local.
\bigskip
- O avanço de métodos de mensuração deste fenômeno são justificados.
\bigskip
- Problemas: alta volatilidade em taxas de municípios pequenos e alta probabilidade de não se observar o evento.
### Introdução
- @carvalho2012saude: taxa de homicídios em Nova Marilândia (MT) em 2008 foi de 211,1^[Mais de 3 vezes maior do que a do país com maior taxa de homicídio do mundo], sendo que este município tinha 2.369 habitantes e teve 5 homicídios.
\bigskip
- Problema amplamente discutido na literatura epidemiológica (@clayton1987biometrics, @marshall1991journalserieC, @pringle1996ecosoc e @catelan2010biomj).
\bigskip
- Possível solução: estimativas bayesianas.
## Metodologia
### Metodologia
- Os métodos empregados se diferem pois farão uso da estrutura espacial com diferentes especificações.
\bigskip
- Fará uso de métodos bayesianos hierárquicos.
\bigskip
- Literatura sobre o tema de estatística e econometria espacial pode ser encontrada em @besag1974, @lesage1997irsr, @lesage1999econometrics, @banerjee2004hierarchical e @bivand2008spatialwithR.
### Matrizes de Vizinhança
- Quatro diferentes tipos de estrutura espacial:
```{r echo=FALSE, warning=FALSE, message=FALSE, fig.cap = "Exemplo de Diferentes Especificações. (a) Vizinhos de contiguidade de 1ª ordem. (b) Knn de 1ª ordem. (c) Knn de 2ª ordem. (d) Knn de 3ª ordem.\\label{fig:tipos_graf}", fig.height = 5, fig.height = 5}
df_tx_mun_pre <- read.csv("csvs/DadosMunTxEnsaio2.csv", header=T, sep=";", dec=",")
df_tx_mun <- df_tx_mun_pre[df_tx_mun_pre$Mun != "Pinto Bandeira",] # Retira Pinto Bandeira
crimes <- c("Roub", "RoubVei", "Latro", "Furt", "HomDol", "FurtVei", "ExtoMS") # Crimes a serem avaliados
# Roub, RoubVei, Latro, Furt, HomDol, FurtVei, ExtoMS, Exto, Este, EntTra, EntPosse, DelCorrup, DelArmMun
banco_mun_tx <-
cbind(df_tx_mun[,1:2],
df_tx_mun[,substring(names(df_tx_mun), first=4, last=nchar(names(df_tx_mun))-4)
%in% crimes])
# all.x = FALSE é para retirar os dois lagos que não são municípios
mapa_rs <- merge(mapa_rs_pre, banco_mun_tx, by.x = "GEOCODIG_M", by.y="CodIBGE", all.x = FALSE)
# Construindo os grafos
# Contiguidade de 1ª ordem
nbrsm_c1 <- poly2nb(mapa_rs, queen = TRUE) # Um ponto já é suficiente para ser ser vizinho
nbrsw_c1 <- nb2listw(nbrsm_c1) # Lista de Vizinhança padronizada
# Vizinho de 1ª ordem (o número de vizinhos é o número de ordens)
nbrsm_pre <- knearneigh(coordinates(mapa_rs), k=1) # Um ponto já é suficiente para ser ser vizinho
nbrsm_k1 <- knn2nb(nbrsm_pre)
nbrsw_k1 <- nb2listw(nbrsm_k1) # Lista de Vizinhança padronizada
# Vizinho de 2ª ordem (o número de vizinhos é o número de ordens)
nbrsm_pre <- knearneigh(coordinates(mapa_rs), k=2) # Um ponto já é suficiente para ser ser vizinho
nbrsm_k2 <- knn2nb(nbrsm_pre)
nbrsw_k2 <- nb2listw(nbrsm_k2) # Lista de Vizinhança padronizada
# Vizinho de 3ª ordem (o número de vizinhos é o número de ordens)
nbrsm_pre <- knearneigh(coordinates(mapa_rs), k=3) # Um ponto já é suficiente para ser ser vizinho
nbrsm_k3 <- knn2nb(nbrsm_pre)
nbrsw_k3 <- nb2listw(nbrsm_k3) # Lista de Vizinhança padronizada
# Gráfico de ilustrações das 4 especificações de grafos!
par(mfrow=c(2,2), mar=c(1,1,2,1), oma=c(0,0,0,0))
plot(mapa_rs, border="grey", main="(a)")
plot(nbrsm_c1, coordinates(mapa_rs), add=TRUE, cex=0.1)
plot(mapa_rs, border="grey", main="(b)")
plot(nbrsm_k1, coordinates(mapa_rs), add=TRUE, cex=0.1)
plot(mapa_rs, border="grey", main="(c)")
plot(nbrsm_k2, coordinates(mapa_rs), add=TRUE, cex=0.1)
plot(mapa_rs, border="grey", main="(d)")
plot(nbrsm_k3, coordinates(mapa_rs), add=TRUE, cex=0.1)
```
### Modelos Autoregressivos Condicionais
- Os modelos CAR (@besag1974), considerando \textit{n} áreas de uma variável aleatória $\boldsymbol{x}=(x_1,...x_n)$, cada uma caracterizada por um grupo de vizinhos $N_{(i)}$, assume-se que $x_i$ segue a seguinte distribuição:
$$
x_i|\boldsymbol{x}_{-i}\sim Normal\left ( \mu_i+\sum_{j=1}^{n}r_{ij}\left ( x_j-\mu_j \right ),s_{i}^{2} \right )
$$
onde $\mu_j$ é a média da área $j$ e $s_{i}^{2} = \sigma_{x}^{2}/N_i$ é a variância da área $i$ que depende do número de vizinhos ($N_i=\#N_{(i)}$) o que faz com que a medida que o número de vizinhos da área $i$ aumente, sua variância diminua.
### Modelos Autoregressivos Condicionais
- A distribuição da ocorência de crimes possui a verossimilhança Poisson:
$$
y_i|\lambda_i\sim Poisson(\lambda_i)
$$
onde a média $\lambda_i$ é definida em termos da taxa de risco $\rho_i$ e o número esperado de ocorrências $E_i$ onde $\lambda_i=\rho_i\times E_i$. Neste caso, o preditor linear adquire a seguinte forma
$$
\eta_i = \log (\rho_i)=\alpha + u_i
$$
onde o efeito aleatório $u_i$ segue uma especificação estruturada CAR.
### Modelos Autoregressivos Condicionais
- Modelo alternativo utilizado ($BYM$):
$$
\eta_i = \log (\rho_i)=\alpha + u_i + \varepsilon_i
$$
onde o efeito aleatório $u_i$ também segue CAR e o termo $\varepsilon_i$ segue um termo não estruturado $\varepsilon_i \sim Normal\left ( 0,\sigma_{\varepsilon}^{2} \right )$
### Integrated Nested Laplace Approximation
- \textit{Integrated Nested Laplace Approximation} (INLA) é uma recente abordagem de estimação Bayesiana (@rue2009approximate)
\bigskip
- Não necessita de simulações estocásticas (como MCMC ou Gibbs), pois faz aproximações analíticas das distribuições a posteriori.
\bigskip
- Usado em Modelos Gaussianos Latentes.
### Agregação do Índice
- Ponderações pelo menor valor de pena prevista
$$
ICrimeRS_i=\frac{\sum_{j=1}^{k}y_{ij}\times w_j}{População_i} \times 365
$$
onde a variável \textit{j} é o indexador de tipo de crime (que varia de 1 até \textit{k}), \textit{y} é a quantidade de ocorrência criminal e \textit{w} é o pena mínima prevista em lei.
- Interpretação prática: \textit{"Supondo que todos os crimes sejam julgados e condenados pela pena mínima, em Porto Alegre, quantos dias do ano cada habitante Porto Alegrense teria que passar na cadeia para pagar por todos os crimes cometidos?"}.
## Resultados
### Modelos Estimados
- Modelo Besag:
$$
\begin{aligned}
y_i|\lambda_i & \sim Poisson(\lambda_i)\\
\lambda_i & =\rho_i\times E_i\\
\eta_i & =\log (\rho_i)=\alpha + u_i\\
u_i & \sim Besag\
\end{aligned}
$$
### Modelos Estimados
- Modelo BYM:
$$
\begin{aligned}
y_i|\lambda_i & \sim Poisson(\lambda_i)\\
\lambda_i & =\rho_i\times E_i\\
\eta_i & =\log (\rho_i)=\alpha + u_i + \varepsilon_{i}\\
u_i & \sim Besag\\
\varepsilon_{i} & \sim Normal(0,\tau)\
\end{aligned}
$$
### Modelos Estimados
- Modelo Besag com efeito temporal de primeira ordem (RW1):
$$
\begin{aligned}
y_i|\lambda_i & \sim Poisson(\lambda_i)\\
\lambda_i & =\rho_i\times E_i\\
\eta_i & =\log (\rho_i)=\alpha + \theta_t + u_i\\
\theta_t & =\theta_{t-1} + \epsilon_i\\
u_i & \sim Besag\\
\epsilon_i & \sim Normal(0,\tau)\
\end{aligned}
$$
### Modelos Estimados
- Modelo BYM com efeito temporal de primeira ordem (RW1):
$$
\begin{aligned}
y_i|\lambda_i & \sim Poisson(\lambda_i)\\
\lambda_i & =\rho_i\times E_i\\
\eta_i & =\log (\rho_i)=\alpha + \theta_t + u_i + \varepsilon_i\\
\theta_t & =\theta_{t-1} + \epsilon_i\\
u_i & \sim Besag\\
\varepsilon_i & \sim Normal(0,\tau)\\
\epsilon_i & \sim Normal(0,\tau)\
\end{aligned}
$$
### Modelos Estimados
- Distribuições \textit{a priori} $1/\sigma ^{2}=\tau \sim Gama(1;0,0005)$^[$X \sim Gama(\alpha;\beta) \Rightarrow E(X)=\alpha/\beta$.]
\bigskip
- Os modelos escolhidos fazedo uso do *Deviance Information Criteria* (DIC) (@gelfandBS1992 e @deyBio1997) e do *Conditional Predictive Ordinate* (CPO) (@spiegelhalter2002) através do *Logarithm of Pseudo Marginal Likelihood* (LPML).
### Modelos - Resultados LPML
\begin{table}[H]
\begin{tiny}
\begin{center}
\begin{tiny}
\caption{LPML para diferentes especificações e diferentes matrizes}
\label{tab:LPML}
\centering
\begin{tabular}{llrrrrrrr}
\hline
Matriz & Especificação & Roubo & RouboVei & Latro & Furto & HomDol & FurtVei & ExtoMS \\
\hline
Cont. (1ª) & Besag & 25419.99 & 11742.86 & 2075.90 & 52413.51 & 8021.24 & 22301.31 & 590.16 \\
Cont. (1ª) & BYM & \textbf{\textcolor{red}{25419.01}} & \textbf{\textcolor{red}{11741.85}} & \textbf{\textcolor{red}{2075.66}} & 52413.63 & \textbf{\textcolor{red}{8020.62}} & 22300.33 & \textbf{\textcolor{red}{590.16}} \\
Cont. (1ª) & Besag + RW1 & 25444.43 & 11805.33 & 2076.24 & 52368.41 & 8023.76 & 22237.35 & 590.21 \\
Cont. (1ª) & BYM + RW1 & 25442.21 & 11800.29 & 2076.03 & 52370.02 & 8023.52 & \textbf{\textcolor{red}{22234.19}} & 590.22 \\
Knn (1ª) & Besag & 29184.34 & 17460.42 & 2147.53 & 52415.55 & 9527.48 & 24611.89 & 623.52 \\
Knn (1ª) & BYM & 28735.78 & 16916.85 & 2134.61 & 52541.77 & 9338.64 & 24262.77 & 616.78 \\
Knn (1ª) & Besag + RW1 & 29194.09 & 17558.20 & 2147.76 & 52370.63 & 9520.94 & 24517.45 & 623.59 \\
Knn (1ª) & BYM + RW1 & 28744.92 & 16983.56 & 2134.44 & 52475.20 & 9336.73 & 24143.70 & 618.19 \\
Knn (2ª) & Besag & 25425.73 & 12376.43 & 2155.34 & 52413.47 & 9601.24 & 22312.34 & 625.27 \\
Knn (2ª) & BYM & 116942.77 & 58923.96 & 2170.16 & 88132.22 & 10244.07 & 49997.24 & 626.30 \\
Knn (2ª) & Besag + RW1 & 25449.27 & 12437.28 & 2155.35 & 52370.74 & 9598.03 & 22368.72 & 625.27 \\
Knn (2ª) & BYM + RW1 & 28318.18 & 33458.38 & 2170.29 & 56544.52 & 10263.77 & 33539.89 & 626.30 \\
Knn (3ª) & Besag & 25423.06 & 12342.54 & 2157.44 & 52412.85 & 8726.26 & 22305.15 & 624.44 \\
Knn (3ª) & BYM & 116979.91 & 58353.86 & 2172.73 & 90182.97 & 10329.64 & 49515.16 & 626.32 \\
Knn (3ª) & Besag + RW1 & 25447.32 & 12412.15 & 2157.35 & \textbf{\textcolor{red}{52368.22}} & 8699.60 & 22241.59 & 624.59 \\
Knn (3ª) & BYM + RW1 & 25565.82 & 33097.15 & 2172.89 & 56663.46 & 10369.80 & 33618.43 & 626.37 \\
\hline
\multicolumn{9}{l}{Fonte: Elaboração própria.}
\end{tabular}
\end{tiny}
\end{center}
\end{tiny}
\end{table}
### Modelos - Resultados DIC
\begin{table}[H]
\begin{center}
\begin{tiny}
\caption{DIC para diferentes especificações e diferentes matrizes}
\label{tab:DIC}
\centering
\begin{tabular}{llrrrrrrr}
\hline
Matriz & Especificação & Roubo & RouboVei & Latro & Furto & HomDol & FurtVei & ExtoMS \\
\hline
Cont. (1ª) & Besag & 49748.71 & 22952.88 & 4150.39 & 100654.70 & 15975.00 & 44451.91 & 1179.17 \\
Cont. (1ª) & BYM & \textbf{\textcolor{red}{49746.27}} & \textbf{\textcolor{red}{22949.99}} & \textbf{\textcolor{red}{4149.81}} & 100654.47 & \textbf{\textcolor{red}{15973.04}} & \textcolor{red}{44448.67} & \textbf{\textcolor{red}{1179.15}} \\
Cont. (1ª) & Besag + RW1 & 49690.41 & 22947.45 & 4151.02 & 100477.84 & 15977.64 & 44462.45 & 1179.24 \\
Cont. (1ª) & BYM + RW1 & \textcolor{red}{49688.18} & \textcolor{red}{22944.77} & 4150.55 & 100478.17 & 15977.30 & \textbf{\textcolor{red}{44458.96}} & 1179.24 \\
Knn (1ª) & Besag & 57239.63 & 34319.00 & 4294.40 & 100663.69 & 19005.37 & 49155.42 & 1246.90 \\
Knn (1ª) & BYM & 56362.48 & 33239.63 & 4269.43 & 100983.19 & 18632.38 & 48445.20 & 1233.44 \\
Knn (1ª) & Besag + RW1 & 57165.47 & 34294.24 & 4294.73 & 100496.22 & 18990.73 & 49141.97 & 1247.01 \\
Knn (1ª) & BYM + RW1 & 56295.99 & 33190.24 & 4269.00 & 100767.21 & 18627.23 & 48408.08 & 1236.17 \\
Knn (2ª) & Besag & 49772.66 & 24302.50 & 4309.83 & 100657.15 & 19152.10 & 44485.44 & 1250.52 \\
Knn (2ª) & BYM & 231142.70 & 116952.17 & 4339.80 & 171989.60 & 20455.88 & 99960.90 & 1252.56 \\
Knn (2ª) & Besag + RW1 & 49714.19 & 24279.69 & 4309.76 & 100478.71 & 19144.05 & 44785.79 & 1250.50 \\
Knn (2ª) & BYM + RW1 & 55449.86 & 65740.68 & 4340.06 & 108971.87 & 20493.95 & 67182.64 & 1252.56 \\
Knn (3ª) & Besag & 49768.63 & 24236.07 & 4313.94 & 100656.60 & 17403.92 & 44472.25 & 1248.83 \\
Knn (3ª) & BYM & 231313.12 & 115829.00 & 4345.05 & 175962.87 & 20625.67 & 99200.93 & 1252.61 \\
Knn (3ª) & Besag + RW1 & 49710.14 & 24229.56 & 4313.71 & \textbf{\textcolor{red}{100479.81}} & 17349.44 & 44482.71 & 1249.10 \\
Knn (3ª) & BYM + RW1 & 49996.59 & 65035.74 & 4345.36 & 109202.52 & 20705.62 & 67400.28 & 1252.72 \\
\hline
\multicolumn{9}{l}{Fonte: Elaboração própria.}
\end{tabular}
\end{tiny}
\end{center}
\end{table}
### Estimativas INLA
- Sobresuavização das estimativas.
\bigskip
- Dois terços de seu peso para os valores estimados e um terço para os valores brutos como \textit{proxy} das ocorrências.
\bigskip
- A volatilidade não é eliminada, mas existe uma suavização dos seus valores, bem como a presença de valores não-nulos quando o número de ocorrências é zero.
### Estimativas INLA
```{r echo=FALSE, warning=FALSE, message=FALSE, fig.cap = "Comparação de Número de Homicídios de municípios selecionados\\label{fig:compara_homdol_muni_selecionados}", fig.height = 4, fig.align='center'}
load("rdatas/Estimativas_de_Ocorrencia_modelos.Rdata")
load("rdatas/bases_para_estimar_y.Rdata")
corresp <- readRDS("rdss/Corresp_Mun_PopRS.rds")
corresp$CodIBGE <- as.factor(corresp$CodIBGE) # Para pode 'joinear' depois
corresp_aux <- corresp %>% select(CodIBGE, Cidade)
base_aux <- tbl_df(base_roubo)
base_aux2 <- base_aux %>%
select(GEOCODIG_M, Ano, Pop, i) %>%
mutate(Roubo_INLA = yhat_roubo_m.bym.c1, Roubo_Bruto = base_roubo$y,
RouboVei_INLA = yhat_roubovei_m.bym.c1, RouboVei_Bruto = base_roubovei$y,
Latro_INLA = yhat_latro_m.bym.c1, Latro_Bruto = base_latro$y,
Furto_INLA = yhat_furt_m.bes.rw.k3, Furto_Bruto = base_furt$y,
HomDol_INLA = yhat_homdol_m.bym.c1, HomDol_Bruto = base_homdol$y,
FurtoVei_INLA = yhat_furtvei_m.bym.rw.c1, FurtoVei_Bruto = base_furtvei$y,
Exto_INLA = yhat_extoms_m.bym.c1 , Exto_Bruto = base_extoms$y) %>%
left_join(corresp_aux, by = c("GEOCODIG_M" = "CodIBGE"))
# Gráfico comparativo Bruto vs. INLA
aux_1 <- base_aux2 %>%
gather(Tipo, Valor_INLA, Roubo_INLA, RouboVei_INLA, Latro_INLA, Furto_INLA, HomDol_INLA, FurtoVei_INLA, Exto_INLA) %>%
select(Tipo, Valor_INLA)
aux_2 <- base_aux2 %>% # Direita
gather(Tipo2, Valor_Bruto, Roubo_Bruto, RouboVei_Bruto, Latro_Bruto, Furto_Bruto, HomDol_Bruto, FurtoVei_Bruto, Exto_Bruto) %>%
select(Tipo2, Valor_Bruto)
aux3 <- bind_cols(aux_1, aux_2) %>% separate(col = Tipo, into = c("Crime", "Método"), sep="_") %>%
select(Crime, Valor_INLA, Valor_Bruto)
w_INLA <- 2
w_Bruto <- 1
ww <- w_INLA + w_Bruto
# Calculando o número de ocorrências combinando INLA e o dado bruto
base_aux3 <- base_aux2 %>%
mutate(Roubo_O = (Roubo_INLA * w_INLA + Roubo_Bruto * w_Bruto) / ww,
RouboVei_O = (RouboVei_INLA * w_INLA + RouboVei_Bruto * w_Bruto) / ww,
Latro_O = (Latro_INLA * w_INLA + Latro_Bruto * w_Bruto) / ww,
Furto_O = (Furto_INLA * w_INLA + Furto_Bruto * w_Bruto) / ww,
HomDol_O = (HomDol_INLA * w_INLA + HomDol_Bruto * w_Bruto) / ww,
FurtoVei_O = (FurtoVei_INLA * w_INLA + FurtoVei_Bruto * w_Bruto) / ww,
Exto_O = (Exto_INLA * w_INLA + Exto_Bruto * w_Bruto) / ww) %>%
select(GEOCODIG_M, Ano, Pop, i, Cidade, Roubo_O, RouboVei_O, Latro_O, Furto_O, HomDol_O, FurtoVei_O, Exto_O,
HomDol_Bruto, Latro_Bruto)
# Homicídio: Esmeralda, São José do Herval,São José do Inhacorá
cid_hom <- c("PELOTAS", "ESMERALDA", "SAO JOSE DO HERVAL", "SAO JOSE DO INHACORA")
aux <- base_aux3 %>% filter(Cidade %in% cid_hom) %>% gather(Tipo, Quantidade, HomDol_O, HomDol_Bruto)
ggplot(aux, aes(x = Ano+2001, y = Quantidade, col = Tipo)) + geom_line(size= 1.1) +
facet_wrap(~ Cidade, scales="free") +
ggtitle("Homicídios Comparativos") +
theme(plot.title = element_text(hjust = 0.5)) +
xlab("Anos")
```
### Construção/Resultados dos Índices
- Índices contra a vida (homicídio e latrocínio) e contra o patrimônio (demais).
\bigskip
- Porto Alegre é o município que apresenta o maior índice de criminalidade geral em 2015.
\bigskip
- Cada Porto Alegrense deveria, em média, passar entre 49 e 50 dias dentro da cadeia neste ano para pagar por todos os crimes cometidos.
\bigskip
- Este indicador geral é composto majoritariamente por crimes contra o patrimônio.
### Construção/Resultados dos Índices
```{r echo=FALSE, warning=FALSE, message=FALSE, fig.cap = "Comparação dos índices para 10 municípios relevantes selecionados. O painel à esquerda mostra o ICrime geral, o painel central apresenta o índice contra o patrimônio e à direita o índice contra à vida.\\label{fig:indices_top10}", fig.height = 4, fig.align='center'}
base_aux4 <- base_aux3 %>%
mutate(Numerador = Roubo_O * 4 +
RouboVei_O * 4 +
Latro_O * 20 +
Furto_O * 1 +
HomDol_O * 6 +
FurtoVei_O * 1 +
Exto_O * 8,
Numerador_Vida = Latro_O * 20 +
HomDol_O * 6,
Numerador_Patri = Roubo_O * 4 +
RouboVei_O * 4 +
Furto_O * 1 +
FurtoVei_O * 1 +
Exto_O * 8,
ICrime = Numerador/Pop * 365,
Indice_Vida = Numerador_Vida/Pop * 365,
Indice_Patri = Numerador_Patri/Pop * 365) %>% # Interpretação do indicador: Número de Dias esperado que cada habitante teria que pagar por ano caso todos fossem condenados a pena mínima
select(GEOCODIG_M, Ano, Pop, i, Cidade, ICrime, Indice_Vida, Indice_Patri)
# TOP 10 CIDADES #
cidades <- c("PORTO ALEGRE", "CAXIAS DO SUL", "CANOAS", "PELOTAS", "SANTA MARIA", "GRAVATAI", "VIAMAO", "NOVO HAMBURGO", "SAO LEOPOLDO", "ALVORADA")
tb <- base_aux4 %>% filter(Cidade %in% cidades)
tb_top_10 <- gather(tb, Tipo_Indice, Valor, ICrime, Indice_Vida, Indice_Patri)
ggplot(tb_top_10, aes(x=Ano+2001, y = Valor, col=Cidade)) + geom_line(size=1.1) +
facet_wrap(~Tipo_Indice, scales="free") +
xlab("Anos") +
theme(legend.position="bottom",
legend.text=element_text(size=6),
legend.title=element_blank())
```
### Construção/Resultados dos Índices
- Apesar do ICrime ter relação com o Furto, foi Porto Alegre que liderou o ranking em 2015.
\bigskip
- O município que lidera o ranking de mais perigoso em termos de crimes vitais é Alvorada, que não está presente nas cinco maiores taxas brutas de latrocínio ou de homicídio.
\bigskip
- Esmeralda, que apresentava taxa de 91 homicídios por 100 mil habitantes, liderando o ranking, caiu para a sexta posição de crimes contra a vida em 2015.
\bigskip
- Cidades que não apresentavam altas posições em homicídios e latrocínios, apareceram como altamente violentas, como é o caso de Porto Alegre, Vicente Dutra, Viamão e Canoas.
\bigskip
- A suavização proposta com o presente método tangibiliza o problema de variabilidade sem perder as especificidades regionais.
## Considerações Finais
### Considerações Finais
- Fácil interpretabilidade do seu resultado.
\bigskip
- Possíveis Limitações: muito afetado pelos crimes contra o patrimônio e um grau de volatilidade ainda presente.
\bigskip
- Transformação nos dados poderia ser feita, mas perderia interpretabilidade.
\bigskip
- O índice geral refletir os crimes contra o patrimônio tem justificativa uma vez que ele busca medir a realização criminal e a sensação de insegurança.
# Daylight Saving Time and Homicides: the effect of light in crimes in RS
## Introduction
### Introduction
- According to the rational choice from @becker1968economy, the individual chooses to commit a crime if the expected benefits are greater than the expected costs.
\bigskip
- Several factors influence both incentives.
\bigskip
- Probability of being captured may play an important deterrent to crime.
### Introduction
- One of the ways to assess whether clarity affects criminal behavior is to make use of Daylight Saving Time (DST).
\bigskip
- In terms of criminality, @doleac2015 estimate a 7\% drop in robberies after the DST beginning and a 11\% reduction in rapes.
### Introduction
- In Brazil, @toro2016 estimated that the change in ambient light caused by the DST was responsible for saving about 3,850 potential victims from 2006 to 2011.
\bigskip
- Specificities: analysis of a single state, intra-annual models, inclusion of climate covariates and effects of the beginning and end of the DST.
## Methodology
### Data Source
- \textit{Mortality Information System} (SIM) has mortality information at the municipal level, including date and time of death.
\bigskip
- Cause of death through the codes of the International Statistical Classification of Diseases and Related Health Problems (ICD-10).
\begin{table}[H]
\begin{tiny}
\caption{Code description of ICD-10 used}
\begin{center}
\begin{tabular}{cl} % Isto diz respeito a centralização ou justificação à esquerda/direita de cada coluna
\hline
Code & Description\\
\hline
X93 & Assault by handgun discharge\tabularnewline
X94 & Assault by rifle, shotgun and larger firearm discharge\tabularnewline
X95 & Assault by other and unspecified firearm discharge\tabularnewline
X99 & Assault by sharp object\tabularnewline
Y00 & Assault by blunt object\tabularnewline
Y22 & Handgun discharge, undetermined intent\tabularnewline
Y23 & Rifle, shotgun and larger firearm discharge, undetermined intent\tabularnewline
Y24 & Other and unspecified firearm discharge, undetermined intent\tabularnewline
\hline
\multicolumn{2}{l}{Source: Elaborated by the author.}
\end{tabular}
\end{center}
\label{tab:cid10}
\end{tiny}
\end{table}
- National Institute of Meteorology (INMET) has daily public weather data for municipalities in RS.
### Regression Discontinuity Design (RDD)
```{r echo=FALSE, warning=FALSE, message=FALSE, cache=FALSE, results='asis'}
x1 <- seq(-3, 0, by=0.1)
y1 <- rep(0,length(x1))
plot(x1,y1,type="l", xlim=c(-3,3), ylim=c(0,1),
lwd=2, cex.axis=0.75, xlab="No. of days centered in the intervention", ylab="P(T=1)")
x2 <- seq(0, 3, by=0.1)
y2 <- rep(1,length(x2))
lines(x2,y2,lwd=2)
abline(v=0, lty=2)
arrows(-0.5, 0.2, x1 = -0.05, y1 = 0.05, length = 0.1)
text(-0.95, 0.3, "Intervention Moment", cex=0.65)
```
### Regression Discontinuity Design (RDD)
- The equation below presents the model in its reduced form
\begin{align*}
Y_{da}=\beta_{0} + \tau I(T_{da}\geq 0)+g(T_{da})+X_{da}\beta + \varepsilon_{da}
\label{eq:mod_rdd}
\end{align*}
- $d$: nº of days after DST
- $a$: year
- $T_{da}$: horizontal axis variable
- $X_{da}$: vector of covariates
- $g(\cdot)$: nonparametric flexible function
- $Y_{da}$: homicide rate per 100,000 inhabitants
\bigskip
- Particular case of Generalized Additive Models (GAM).
### Data Preparation
- Clocks must be advanced by one hour at start of DST, this could underestimate the number of homicide cases on the day immediately following the change in DST.
\bigskip
- The number of homicides occurring on this day is multiplied by 24/23 and when DST is terminated the number of deaths of the immediately subsequent day is multiplied by 23/24.
## Results
### Start of DST
- Complete model fitted (with covariates):
\bigskip
\begin{tiny}
\begin{equation*}
HR_{da}=\beta_{0}+\tau I(T_{da}\geq 0)+g(T_{da})+\beta_{1}Temp_{da}+\beta_{2}Prec_{da}+\beta_{3}Wind_{da} + \beta_{k}Day_{dak} + \varepsilon_{da}
\end{equation*}
\end{tiny}
\bigskip
- Previous discontinuity between climate covariates: in general, lack of significance.
\bigskip
- In all years and models it was observed a high absence of significance with the exception for the model with no covariates in 2007 (Sig. = 0.0300), with **an opposite direction than expected** ($\tau = 0.0195$).
### Start of DST
```{r echo=FALSE, warning=FALSE, message=FALSE, cache=FALSE, results='asis', fig.align="center"}
base <- readRDS("rdss/BaseHV.rds")
pop_mun <- readRDS("rdss/DemoVisBase.rds")
meteoro <- readRDS("rdss/meteoro_pos.rds") # Já adicionando a precipitação
corresp_pop <- pop_mun %>%
filter(Classe == "Total") %>%
mutate(CodIBGE6 = as.numeric(substring(CodIBGE, first=1, last=6))) %>%
select(CodIBGE6, Ano, Total)
corresp_pop_RS <- corresp_pop %>%
group_by(Ano) %>%
summarise(Total = sum(Total))
meteoro <- meteoro %>% mutate(DataClima = as.Date(Data, format="%d/%m/%Y"))
meteoro_RS <- meteoro %>%
mutate(CodIBGE6 = as.numeric(substring(CodIBGE, first=1, last=6))) %>%
select(Data, CodIBGE6, TempCompMedia, VelocidadedoVentoMedia, Precipitacao) %>% # Pega só algumas variáveis climáticas
inner_join(corresp_pop, by = "CodIBGE6") %>%
group_by(Data) %>%
summarise(TempCompMedia = weighted.mean(TempCompMedia, Total, na.rm = TRUE), # Média ponderada (colocar isto na TESE!)
VelocidadedoVentoMedia = weighted.mean(VelocidadedoVentoMedia, Total, na.rm = TRUE), # Velocidade do Vento tem muito NA
Precipitacao = weighted.mean(Precipitacao, Total, na.rm = TRUE)) %>%
mutate(DataClima = as.Date(Data, format="%d/%m/%Y"))
# Funções:
#extrai_dia_semana <- function(x) {factor(weekdays(x), levels = c("domingo","segunda-feira","terça-feira","quarta-feira","quinta-feira","sexta-feira","sábado"))}
#extrai_mes <- Vectorize(function(data) {switch(month(data),"1" = "Jan","2" = "Fev","3" = "Mar","4" = "Abr","5" = "Mai","6" = "Jun","7" = "Jul","8" = "Ago","9" = "Set","10" = "Out","11" = "Nov","12" = "Dez")})
#extrai_e_ordena_mes <- function(x) {factor(extrai_mes(x), levels = c("Jan","Fev","Mar","Abr","Mai","Jun","Jul","Ago","Set","Out","Nov","Dez"))}
extrai_dia_semana_ptBR <- function(x) {factor(weekdays(x), levels = c("domingo","segunda-feira","terça-feira","quarta-feira","quinta-feira","sexta-feira","sábado"))}
extrai_dia_semana_pre <- Vectorize(function(data) {switch(extrai_dia_semana_ptBR(data),"domingo" = "sunday","segunda-feira" = "monday","terça-feira" = "tuesday","quarta-feira" = "wednesday","quinta-feira" = "thursday","sexta-feira" = "friday","sábado" = "saturday")})
extrai_dia_semana <- function(x) {factor(extrai_dia_semana_pre(x), levels = c("sunday","monday","tuesday","wednesday","thursday","friday","saturday"))}
extrai_mes <- Vectorize(function(data) {switch(month(data),"1" = "Jan","2" = "Feb","3" = "Mar","4" = "Apr","5" = "May","6" = "Jun","7" = "Jul","8" = "Aug","9" = "Sep","10" = "Oct","11" = "Nov","12" = "Dec")})
extrai_e_ordena_mes <- function(x) {factor(extrai_mes(x), levels = c("Jan","Feb","Mar","Apr","May","Jun","Jul","Aug","Sep","Oct","Nov","Dec"))}
faz_estimacao_por_ano <- function(banco, ano) {
# Vamos fazer primeiramente por ano:
banco_local <- banco %>%
filter(abs(Diff) <= 40, Ano == ano)
x <- as.numeric(banco_local$Diff)
y <- banco_local$Taxa
Temp <- banco_local$TempCompMedia
Prec <- banco_local$Precipitacao
Veloc <- banco_local$VelocidadedoVentoMedia
DiaSemana <- banco_local$DiaSemana
DiaSemanaDummies <- model.matrix(~ DiaSemana - 1)[,-1] # Retira "DiaSemanaDomingo", pois senão a matriz não é positiva-definida. Se o vetor tem k fatores, é necessário que a matriz tenha (k-1) colunas.
# Pelo pacote rdrobust
fit.cov <- rdrobust(y, x, covs = data.frame(Temp, Prec, Veloc, DiaSemanaDummies))
fit.bru <- rdrobust(y, x)
aux <- data.frame(X = x, Y = y, Period = ifelse(x < 0,"Pré","Pós"))
p <- ggplot(aux, aes(x = X, y = Y, colour = Period)) +
geom_point() +
stat_smooth(method = "loess")
matriz <- rbind(
summary(fit.cov)$coefficients[2,], # Bias Corrected
summary(fit.bru)$coefficients[2,] # Bias Corrected
)
row.names(matriz) <- c("Com Covariáveis", "Sem Covariáveis")
return(list(Matriz = matriz, Graph = p))
}
# Colocar na Tese:
# Nas estações meteorológicas são feitas leituras das temperaturas de seis em seis horas, às 9h, 15h e 21h, por exemplo. Para um perfeito controle, dever-se-ia fazer uma quarta leitura, às 3h da madrugada, o que não costuma ocorrer, por se tratar de horário de descanso do observador. Assim, a temperatura média que se calcula não é exatamente a média do dia, pois falta o valor das 3h. O que os meteorologistas fazem então é calcular uma média das três leituras, mais a máxima e a mínima. A média desses cinco valores é chamada de temperatura média compensada.
# http://www.cprm.gov.br/publique/Redes-Institucionais/Rede-de-Bibliotecas---Rede-Ametista/Canal-Escola/Elementos-Que-Caracterizam-o-Clima-1267.html
# Mais populosos de 2014: Porto Alegre (4314902), Caxias (4305108), Canoas (4304606), Pelotas (4314407) e Santa Maria (4316907)
# Maior número de homicídios: Porto Alegre (4314902), Alvorada (4300604), São Leopoldo (4318705), Canoas (4304606) e Viamão (4323002)
mais_pop <- c(431490, 430510, 430460, 431440, 431690)
mais_hom <- c(431490, 430060, 431870, 430460, 432300)
lista_mun <- unique(c(mais_pop, mais_hom))
lista_desc <- c("X93", "X94", "X95", "X99", "Y00", "Y22", "Y23", "Y24")
# Tirando caracteres bizarros na hora do óbito que apareceram:
caract_biz <- c("NULL","07 3","10 0","8 50","22 3","06 0","7 16","14;3","07/00","42418","19?30","NULL ","08;40","06;00")
# Pega só os municípios de interesse, pega só os 3 primeiros dígitos da causa, pega só os crimes de interesse e transforma a data para DATE.
# Somente locais fora do hospital ou estab de saúde! (lococor != 1 & lococor != 2)
# Quando se usa o objeto 'lista_mun' pega somente os municípios de interesse.
tb1 <- base %>%
#filter(codmunocor %in% lista_mun) %>%
mutate(causa3 = substring(causabas, first=1, last=3)) %>%
filter(causa3 %in% lista_desc, # Lista CID-10.
!(horaobito %in% caract_biz)) %>% # Caracteres Bizarros
filter(lococor != 1 & lococor != 2) %>% # Local de Ocorrência 1 - Hospital; 2 - Outro estab saúde
mutate(DATAobito_char = ifelse(nchar(dtobito) < 8, paste0("0",dtobito), dtobito),
DATAobito = as.Date(DATAobito_char, "%d%m%Y"),
HORAobito = str_pad(horaobito, 4, pad = "0"),
Ano = as.numeric(format(DATAobito, "%Y"))) %>%
select(-natural, -dtnasc, -esc, -dtobito, -DATAobito_char, -horaobito) %>% # Retira algumas colunas inúteis
inner_join(corresp_pop, by = c("codmunocor" = "CodIBGE6", "Ano" = "Ano"))
# Lista de dias que entrou em vigor o horário de verão no Brasil
# COLOCAR ESTA TABELA NA TESE
# https://pt.wikipedia.org/wiki/Lista_de_per%C3%ADodos_em_que_vigorou_o_hor%C3%A1rio_de_ver%C3%A3o_no_Brasil
# Assume-se 40 dias antes e 40 dias depois
HVs <- c("16-10-2005", "19-02-2006",
"05-11-2006", "25-02-2007",
"14-10-2007", "17-02-2008",
"19-10-2008", "15-02-2009",
"18-10-2009", "21-02-2010",
"17-10-2010", "20-02-2011",
"16-10-2011", "26-02-2012",
"21-10-2012", "17-02-2013",
"20-10-2013", "16-02-2014",
"19-10-2014", "22-02-2015",
"18-10-2015", "21-02-2016",
"16-10-2016", "19-02-2017")
# Para evitar um encadeamento de if {} else... ou ifelse
# Vectorized SWITCH (http://stackoverflow.com/questions/31156957/use-of-switch-in-r-to-replace-vector-values):
data_entrada <- Vectorize(function(ano) {
switch(as.character(ano),
"2006" = "05-11-2006",
"2007" = "14-10-2007",
"2008" = "19-10-2008",
"2009" = "18-10-2009",
"2010" = "17-10-2010",
"2011" = "16-10-2011",
"2012" = "21-10-2012",
"2013" = "20-10-2013",
"2014" = "19-10-2014",
"2015" = "18-10-2015",
"2016" = "16-10-2016")
})
data_saida <- Vectorize(function(ano) {
switch(as.character(ano),
"2006" = "19-02-2006",
"2007" = "25-02-2007",
"2008" = "17-02-2008",
"2009" = "15-02-2009",
"2010" = "21-02-2010",
"2011" = "20-02-2011",
"2012" = "26-02-2012",
"2013" = "17-02-2013",
"2014" = "16-02-2014",
"2015" = "22-02-2015",
"2016" = "21-02-2016")
})
#############################################################
### TRABALHOS PÓS E-MAIL DO ROBSON E DA BANCA DO PROJETO! ###
#############################################################
# rdrobust e rdd possuem compatibilidade com covariáveis
# INCLUIR PRECIPITAÇÃO!!!
# Fazendo todas as pendências para o RS COMO UM TODO:
# colocar população (para fazer taxa), dummy de dia da semana, covariáveis,
# multiplicando pelo 24/23 no dia 0 (quando for entrada de HV) (apesar deles mostrarem no paper deles que é robusto a essa mudança)
# Somente para o RS pegar somente horas que estão próximas do pôr-do-sol?
# 1800 <= as.numeric(HORAobito) <= 2100
tb_RS_full_day <- tb1 %>%
#filter(1800 <= as.numeric(HORAobito) & as.numeric(HORAobito) <= 2100) %>% # Sunset pela frequência só faz sentido usar no RS, porque nos municípios deve ficar muito rarefeito
count(DATAobito) %>%
mutate(DiaSemana = extrai_dia_semana(DATAobito),
Mes = extrai_e_ordena_mes(DATAobito),
Ano = as.numeric(format(DATAobito, "%Y")),
Entrada = as.Date(data_entrada(Ano),format="%d-%m-%Y"),
Saida = as.Date(data_saida(Ano),format="%d-%m-%Y"),
Diff_Entrada = DATAobito - Entrada,
Diff_Saida = DATAobito - Saida) %>%
inner_join(corresp_pop_RS, by = c("Ano" = "Ano")) %>%
mutate(n_corrig = ifelse(Diff_Entrada == 0, 24/23 * n, ifelse(Diff_Saida == 0, 23/24 * n, n)), # Correção do n: Se entra no HV multiplica por 24/23, se sai divide.
Taxa = n_corrig / Total * 100000) %>%
left_join(meteoro_RS, by = c("DATAobito" = "DataClima")) # Insere as covariáveis de clima
tb_RS_sunset <- tb1 %>%
filter(1700 <= as.numeric(HORAobito) & as.numeric(HORAobito) <= 2100) %>% # Sunset pela frequência só faz sentido usar no RS, porque nos municípios deve ficar muito rarefeito
count(DATAobito) %>%
mutate(DiaSemana = extrai_dia_semana(DATAobito),
Mes = extrai_e_ordena_mes(DATAobito),
Ano = as.numeric(format(DATAobito, "%Y")),
Entrada = as.Date(data_entrada(Ano),format="%d-%m-%Y"),
Saida = as.Date(data_saida(Ano),format="%d-%m-%Y"),
Diff_Entrada = DATAobito - Entrada,
Diff_Saida = DATAobito - Saida) %>%
inner_join(corresp_pop_RS, by = c("Ano" = "Ano")) %>%
mutate(n_corrig = ifelse(Diff_Entrada == 0, 24/23 * n, ifelse(Diff_Saida == 0, 23/24 * n, n)), # Correção do n: Se entra no HV multiplica por 24/23, se sai divide.
Taxa = n_corrig / Total * 100000) %>%
left_join(meteoro_RS, by = c("DATAobito" = "DataClima")) # Insere as covariáveis de clima
obitos_horarios <- tb1 %>%
#filter(!(HORAobito %in% "")) %>%
group_by(HORAobito) %>%
summarise(Qtd_Obitos = n())
banda <- 0.5
tb_RS_full_day_entrada <- rename(tb_RS_full_day, Diff = Diff_Entrada)
# De maneira mais esperta
anos <- 2006:2014
aux_graph <- NA
result.gam <- NA
for (i in anos) {
banco <- tb_RS_full_day_entrada %>%
filter(abs(Diff) <= 40, Ano == i) %>%
mutate(Tau = ifelse(Diff < 0, 0, 1), # Dummy
Period = ifelse(Diff < 0, "Pre", "Post"))
mod_cru <- gam(Taxa ~ lo(Diff, span = banda) + Tau, data = banco, family = "gaussian")
mod_cov <- gam(Taxa ~ lo(Diff, span = banda) +
Tau +
TempCompMedia +
Precipitacao +
VelocidadedoVentoMedia +
DiaSemana, data = banco, family = "gaussian")
matriz.gam <- rbind(
cbind(data.frame(Efeitos = round(coef(mod_cov), 3), Valor_p = round(coefficients(summary.glm(mod_cov))[,4], 3), Inclui_Covariável = "Sim")),
cbind(data.frame(Efeitos = round(coef(mod_cru), 3), Valor_p = round(coefficients(summary.glm(mod_cru))[,4], 3), Inclui_Covariável = "Não"))
)
#fit <- faz_estimacao_gam(tb_RS_full_day_entrada, i)
#assign(paste0("fit_",i), fit)
aux_graph <- rbind(aux_graph, data.frame(Ano = i, banco))
result.gam <- rbind(result.gam, data.frame(Ano = i, matriz.gam))
}
aux_graph_E <- aux_graph[-1,]
result.gam_E <- result.gam[-1,]
result.gam.taus_E <- result.gam_E[grepl("Tau", row.names(result.gam_E)),]
result.gam.temp_E <- result.gam_E[grepl("TempComp", row.names(result.gam_E)),]
result.gam.prec_E <- result.gam_E[grepl("Precipitacao", row.names(result.gam_E)),]
result.gam.velo_E <- result.gam_E[grepl("Velocidade", row.names(result.gam_E)),]
row.names(result.gam.taus_E) <- NULL
#xtable(result.gam.taus_E, digits = 4)
# Gráfico por ano
ggplot(aux_graph_E, aes(x = Diff, y = Taxa, colour = Period)) +
geom_point() +
stat_smooth(method = "loess", span = banda) +
facet_wrap(~ Ano) +
ylab("Homicide Rate") +
xlab("No. of days in relation to the start of Daylight Saving Time")
```
### Start of DST - Covariates
- The average temperature, in 2013 and 2014, was **positively related** to homicide rates.
\bigskip
- In 2008, there was an inverse effect between wind speed and homicide rate.
\bigskip
- Weekdays: effects according to excpected of the descriptive statistics (\textit{weekend} effect).
\bigskip
- Both the start and the end of DST, \textbf{always occur at dawn between Saturday and Sunday}.
\bigskip
- Since the effect of the discontinuity of the regression is local and takes into account the neighborhood of the points the effect, ''Friday vs. Saturday'' locally affects the transition ''Saturday vs. Sunday''.
### End of DST
- Previous discontinuity between climate covariates: some significances deserve attention.
\bigskip
- Temperature: positive discontinuities in 2007 and 2009.
- Precipitation: discontinuity of 5.42 in 2006 and -11.64 in 2007.
- Wind speed: discontinuity in 2006 (0,53), 2009 (-0,499) and 2013 (0,7565).
\bigskip
- **High absence of significance in all models, except in 2013** (with or without covariates).
\bigskip
- Direction of the effect is the opposite of what is expected (negative)
- Abrupt positive change in wind speed in 2013 (possible endogeneity).
### End of DST
```{r echo=FALSE, warning=FALSE, message=FALSE, cache=FALSE, results='asis', fig.align="center"}
banda <- 0.5
tb_RS_full_day_saida <- rename(tb_RS_full_day, Diff = Diff_Saida)
# De maneira mais esperta
anos <- 2006:2014
aux_graph <- NA
result.gam <- NA
for (i in anos) {
banco <- tb_RS_full_day_saida %>%
filter(abs(Diff) <= 40, Ano == i) %>%
mutate(Tau = ifelse(Diff < 0, 0, 1), # Dummy
Period = ifelse(Diff < 0, "Pre", "Post"))
mod_cru <- gam(Taxa ~ lo(Diff, span = banda) + Tau, data = banco, family = "gaussian")
mod_cov <- gam(Taxa ~ lo(Diff, span = banda) +
Tau +
TempCompMedia +
Precipitacao +
VelocidadedoVentoMedia +
DiaSemana, data = banco, family = "gaussian")
matriz.gam <- rbind(
cbind(data.frame(Efeitos = round(coef(mod_cov), 4), Valor_p = round(coefficients(summary.glm(mod_cov))[,4], 4), Inclui_Covariável = "Sim")),
cbind(data.frame(Efeitos = round(coef(mod_cru), 4), Valor_p = round(coefficients(summary.glm(mod_cru))[,4], 4), Inclui_Covariável = "Não"))
)
#fit <- faz_estimacao_gam(tb_RS_full_day_entrada, i)
#assign(paste0("fit_",i), fit)
aux_graph <- rbind(aux_graph, data.frame(Ano = i, banco))
result.gam <- rbind(result.gam, data.frame(Ano = i, matriz.gam))
}
aux_graph_S <- aux_graph[-1,]
result.gam_S <- result.gam[-1,]
result.gam.taus_S <- result.gam_S[grepl("Tau", row.names(result.gam_S)),]
result.gam.temp_S <- result.gam_S[grepl("TempComp", row.names(result.gam_S)),]
result.gam.prec_S <- result.gam_S[grepl("Precipitacao", row.names(result.gam_S)),]
result.gam.velo_S <- result.gam_S[grepl("Velocidade", row.names(result.gam_S)),]
# Gráfico por ano
ggplot(aux_graph_S, aes(x = Diff, y = Taxa, colour = Period)) +
geom_point() +
stat_smooth(method = "loess", span = banda) +
facet_wrap(~ Ano) +
ylab("Homicide Rate") +
xlab("No. of days in relation to the end of Daylight Saving Time")
```
### End of DST - Covariates and Results
- Temperature in 2012 and Wind Speed in 2006 showed significant results.
\bigskip
- There is evidence that **as temperatures rise, criminal rates increase as well**.
\bigskip
- Weekdays results analogous to the start of the DST.
\bigskip
- Again, there is no substantial evidence that DST has an influence on crime.
## Robustness Checks
###Robustness Checks
- Results were robust in several specifications:
\bigskip
1. \textit{Demean} approach
2. Alternative Bandwidth minimizing \textit{mean square error}
3. Filtering for only most affected hours by the DST
4. Analysis at all death occurrence location
## Final Considerations
### Final Considerations
- DST, in general, has no effect on the homicide rate.
\bigskip
- In some cases the results that were significant pointed in the \textbf{opposite-to-expected}.
\bigskip
- DST is not able to capture the luminosity effect on criminal activity.
\bigskip
- Weekday plays a crucial role in criminal rates.
\bigskip
- Evidence of a positive correlation between temperature and homicides.
\bigskip
- Robust results.
### Final Considerations
- Pioneering character of local evaluation of the DST effect on RS crimes.
\bigskip
- No work is known that addressed this topic in the state.
\bigskip
- Relevant subject to study since Brazilian government studied to remove DST from the calendar in 2017.
# CrimeVis: uma ferramenta de visualização de dados de criminalidade
## Resumo
### Resumo
- Aplicativo de visualização de dados.
- Foco na visualização interativa de gráficos e mapas.
- Ferramenta pioneira em segurança pública no RS.
- Uso de recentes tecnologias e conceitos: \texttt{Shiny}, \texttt{htmlwidgets}, \textit{tidy data} e gramática de gráficos.
## Repercussão
### Grande repercussão na mídia/governo/academia
### Grande repercussão na mídia/governo/academia
### Grande repercussão na mídia/governo/academia
# Cadeias de Markov Espaço-Temporais dos crimes no RS
## Introdução
### Introdução
- A atividade criminal é um fenômeno que pode depender tanto do espaço quanto do tempo.
\bigskip
- Objetivo Primário: fazer um estudo espaço-temporal da criminalidade do RS através de Cadeias de Markov.
\bigskip
- Objetivo Secundário: acoplar estas novas funcionalidades e métodos no CrimeVis.
\bigskip
- São avalidados o efeito da vizinhança na transição temporal em termos de probabilidades de transição, razões de chance e testes de homogeneidade temporal e espacial.
\bigskip