Este repositório contém o código usado para a produção das figuras
presentes no texto ‘Não deixe que os dados te enganem!’ (abaixo),
publicado no dia 03 de janeiro de 2024. Um arquivo em .ppt com as
imagens está disponível para download. Foram utilizados principalmente
pacotes associados ao tidyverse, além de outros pacotes extras, como
extrafont, scales e countrycode.
Dizem por aí que um conjunto de dados é uma ‘coleção de fatos’, talvez em um sentido da palavra ‘fato’ próximo de “ação ou coisa feita, ocorrida ou em processo de realização” (definição lá do Oxford Languages). Mas isso não significa que a sua interpretação deva ser direta - ou seja, sem que alguém pense na natureza e no tipo dos dados antes de tirar alguma conclusão. Um exemplinho com o Google Mobility Report vai deixar essa ideia mais clara.
Durante a pandemia, o Google resolveu disponibilizar os chamados ‘dados de mobilidade’ com intuito de “informar sobre o que mudou em função das políticas de enfrentamento à COVID-19”, principalmente lockdowns. Nada mais eram do que séries de tempo segmentadas por região e categorias de localidade (Varejo e Lazer, Mercados e Farmácias, Parques, Estações de Transporte Público, Locais de Trabalho e Áreas Residenciais), em que os números representavam variações percentuais do nível de atividade em relação período pré-pandemia. No total, quase 80 mil séries foram produzidas, representando a combinação das 6 categoriais para cada uma das 13 mil regiões selecionadas (entre países, estados, municípios e macrorregiões)!
Logo de cara vale a pergunta: o que é o ‘nível pré-pandemia’? Ou, falando de forma mais técnica, qual é a base de comparação? Aqui os detalhes já começam a ficar importantes. Isso porque o Google definiu, em cada série, um nível pré-pandemia para cada dia da semana! O cálculo em si é a mediana das observações dos valores brutos (a princípio quantidade de pessoas, com exceção de áreas residenciais, medido em horas), para cada dia da semana, nas cinco semanas entre 03/jan/2020 e 06/fev/2020. Seguindo esse raciocínio, o valor base para segunda-feira, por exemplo, é a mediana dos valores brutos registrados nos dias 03, 10, 17, 24 e 31 de janeiro de 2020 - e não a média ou mediana do período inteiro, como tenderíamos a pensar. A metodologia faz com que um analista tenha que ter certos cuidados na interpretação:
-
O mesmo número de pessoas em dois dias seguidos pode gerar variações percentuais diferentes simplesmente porque a base de comparação vai ser diferente! Se as mesmas 100 pessoas visitarem áreas de ‘varejo e lazer’ na terça e quarta, mas a mediana no período de coleta para esses dias for de 60 e 70 pessoas, respectivamente, então as variações percentuais serão de 67% e 43%. Quem for olhar pode acabar achando que tem menos gente indo se divertir de um dia para o outro, o que não é verdade.
-
Outra implicação é a de que dados de dias úteis tendem a ser diferentes dos registrados aos finais de semana. Se em tempos normais poucas pessoas já visitam locais de trabalho aos sábados e domingos, por exemplo, então a queda percentual em função de lockdowns tende a ser um valor naturalmente menor (gráfico 1). Isso significa que o impacto das políticas contra Covid é menor nos finais de semana? A resposta é não, pelo mesmo raciocínio anterior.
-
Até o clima pode induzir à má interpretação dos dados! Como o período base de coleta é entre janeiro e fevereiro, estamos falando então do inverno no hemisfério norte, onde costuma ser bastante frio. Esse é o momento em que as pessoas naturalmente tendem a visitar parques com menor frequência, o que acaba resultando em uma mediana de valor próximo aos mais baixos que podem ser registrados. Logo, as variações percentuais tendem a ser números mais elevados nessas regiões; de forma simétrica, o inverso ocorre onde é verão (gráfico 2, de linhas, ainda que não seja o mais indicado). Mais uma vez: isso não significa que nesses lugares houve aumento significativo de atividade. Alemanha, Estados Unidos e Portugal só deram ‘sorte’ de estarem mais frios do que Argentina, Chile e Brasil durante janeiro!
De certa forma, o Google deixa bem claro as limitações dos dados. No fim das contas, esse textão todo é só para dizer uma coisa: cuidado com as conclusões precipitadas. Dados podem representar fatos mas isso não é condição suficiente para achar alguma coisa logo de cara. Nem tudo é o que parece.