library(vigiar)
vigiar_conectar()
pm25 <- process_pm25(vigiar_baixar_rj("df_anual"), tipo = "anual")
# Diagnóstico completo
diag <- vigiar_diagnosticar_serie(pm25)
# Verificar severidade geral
diag$severidade10 Diagnóstico de Séries Temporais
O módulo de diagnóstico é o coração da filosofia do pacote: desconfie dos dados antes de analisá-los. Ele avalia a qualidade das séries temporais e classifica cada aspecto com níveis de severidade.
10.1 Diagnóstico completo
A função principal é vigiar_diagnosticar_serie():
10.2 Checks individuais
O diagnóstico é composto por verificações individuais que podem ser executadas separadamente:
10.2.1 Verificação de códigos IBGE
# Verificar consistência dos códigos de município
vigiar_checar_ibge(diag, pm25, "cod_municipio")10.2.2 Verificação de PM2.5
# Verificar valores de PM2.5
vigiar_checar_pm25(diag, pm25, "pm25_media_anual")O que verifica: - Valores negativos (severidade: crítico) - Valores extremamente altos (> 200 µg/m³) - Valores zerados em todos os anos para um município - Variabilidade zero (todos os anos iguais)
10.2.3 Verificação de duplicatas
# Verificar registros duplicados
vigiar_checar_duplicatas(diag, pm25, "cod_municipio", "ano")10.2.4 Verificação de quebra de série
# Detectar quebras na série temporal
vigiar_checar_quebra_serie(diag, pm25,
"cod_municipio", "ano", "pm25_media_anual"
)Uma “quebra de série” ocorre quando: - Um município não tem dados em um ano intermediário (ex: tem 2018 e 2020, mas não 2019) - A variação ano-a-ano excede um limiar (ex: PM2.5 dobra de um ano para outro) - O número de municípios reportados muda abruptamente
10.2.5 Verificação de cobertura temporal
# Verificar cobertura de anos
vigiar_checar_cobertura_temporal(diag, pm25, "ano")Analisa: - Range de anos disponíveis - Anos faltantes no intervalo - Número de municípios por ano
10.2.6 Verificação de cobertura espacial
# Verificar cobertura de municípios
vigiar_checar_cobertura_espacial(diag, pm25, "cod_municipio", uf = "RJ")10.3 Relatório de diagnóstico
Para obter um relatório consolidado:
Saída:
==================================================
RELATÓRIO DE DIAGNÓSTICO — VIGIAR
==================================================
Tabela: df_anual
Dimensão: 5570 linhas × 12 colunas
Período: 2010–2022
Severidade geral: aviso
--------------------------------------------------
CHECKS
--------------------------------------------------
[ok] Códigos IBGE — 92/92 municípios válidos
[ok] Duplicatas — 0 registros duplicados
[aviso] PM2.5 — 234 valores ausentes (4.2%)
[ok] Cobertura temporal — 13 anos (2010–2022) completos
[aviso] Cobertura espacial — 5 municípios sem dados em 2022
[problema] Quebra de série — 3 municípios com variação > 50%
==================================================
AÇÕES RECOMENDADAS:
1. [aviso] Investigar 234 valores ausentes de PM2.5
2. [problema] Verificar 3 municípios com variação anômala:
- Rio das Ostras (330452): 2021→2022 (+67%)
- Itaguaí (330200): 2020→2021 (-52%)
- Paraty (330380): 2019→2020 (+71%)
==================================================
10.4 Níveis de severidade
| Nível | Significado | Ícone |
|---|---|---|
ok |
Sem problemas detectados | ✅ |
aviso |
Problema menor, documentar | ⚠️ |
problema |
Problema que requer investigação | 🔴 |
crítico |
Dados potencialmente corrompidos | 🚫 |
10.5 Uso do objeto diagnostic
O objeto vigiar_diagnostic é uma lista estruturada:
10.6 Criando um diagnostic manualmente
Você pode criar um objeto diagnostic e adicionar checks:
diag <- new_vigiar_diagnostic(tabela = "df_anual")
# Adicionar checks
vigiar_checar_ibge(diag, pm25, "cod_municipio")
vigiar_checar_pm25(diag, pm25, "pm25_media_anual")
# Ver resultado
diag$severidade10.7 Exemplo completo: pipeline de diagnóstico
library(vigiar)
# 1. Conectar e baixar
vigiar_conectar()
pm25 <- process_pm25(vigiar_baixar_rj("df_anual"), tipo = "anual")
# 2. Criar diagnóstico
diag <- new_vigiar_diagnostic(tabela = "df_anual")
# 3. Executar todos os checks
diag <- vigiar_checar_ibge(diag, pm25, "cod_municipio")
diag <- vigiar_checar_pm25(diag, pm25, "pm25_media_anual")
diag <- vigiar_checar_duplicatas(diag, pm25, "cod_municipio", "ano")
diag <- vigiar_checar_quebra_serie(diag, pm25,
"cod_municipio", "ano", "pm25_media_anual"
)
diag <- vigiar_checar_cobertura_temporal(diag, pm25, "ano")
diag <- vigiar_checar_cobertura_espacial(diag, pm25,
"cod_municipio", uf = "RJ"
)
# 4. Relatório
vigiar_relatorio_diagnostico(diag)
# 5. Agir sobre os problemas
if (diag$severidade %in% c("problema", "crítico")) {
warning("Dados precisam de investigação antes da análise!")
}
vigiar_desconectar()10.8 Boas práticas
- Sempre execute o diagnóstico antes de qualquer análise ou modelagem
- Documente os problemas encontrados — eles fazem parte dos metadados da pesquisa
-
Não ignore severidade
crítico— os dados podem estar corrompidos - Investigue quebras de série — podem indicar mudanças metodológicas
- Registre o diagnóstico junto com o snapshot para reprodutibilidade