Capítulo 6 — Coleta e análise dos dados

Capítulo 6 — Coleta e análise dos dados

Mapa da aula

Aula 06 publicada. Mapa, exemplo, EX034.

flowchart TD
  N0["6.1 Coletando dados com linhagem"]
  N1["6.2 O modelo de série temporal interrompida controla"]
  N2["6.3 Autocorrelação e intervalos robustos"]
  N3["6.4 Janelas placebo como evidência"]
  N4["6.5 Atividade prática: a análise quantitativa princi"]
  N5["6.6 A vertente qualitativa"]
  N6["6.7 Integração: o quadro conjunto"]
  N7["Síntese do capítulo"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5 --> N6 --> N7
  N7 --> EX["Exemplo resolvido"]
  EX --> Q["Exercício EX034"]

Desenho lógico

flowchart LR
  N0["6.1 Coletando dados com linhagem"]
  N1["6.2 O modelo de série temporal interrompida controla"]
  N2["6.3 Autocorrelação e intervalos robustos"]
  N3["6.4 Janelas placebo como evidência"]
  N4["6.5 Atividade prática: a análise quantitativa princi"]
  N5["6.6 A vertente qualitativa"]
  N6["6.7 Integração: o quadro conjunto"]
  N7["Síntese do capítulo"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5 --> N6 --> N7 --> Q["EX034"]

[6.1 Coletando dados com linhagem]
    |
    v
[6.2 O modelo de série temporal interrompida controla]
    |
    v
[6.3 Autocorrelação e intervalos robustos]
    |
    v
[6.4 Janelas placebo como evidência]
    |
    v
[6.5 Atividade prática: a análise quantitativa princi]
    |
    v
[6.6 A vertente qualitativa]
    |
    v
[6.7 Integração: o quadro conjunto]
    |
    v
[Síntese do capítulo]
    |
    v
[Exemplo resolvido] --> [Exercício EX034]

Objetivos de aprendizagem e conexão

Ao fim deste capítulo, o estudante será capaz de:

1. Executar um procedimento de coleta de dados que preserve a linhagem: cada arquivo recebido, auditado, congelado e rastreável até a análise que o usou.
2. Especificar e ajustar um modelo de série temporal interrompida controlada por regressão segmentada e interpretar cada coeficiente.
3. Diagnosticar a autocorrelação dos resíduos e calcular intervalos robustos à autocorrelação (Newey–West), relatando como a escolha da defasagem os afeta.
4. Usar janelas placebo como evidência baseada em postos e declarar o menor valor-p que um dado número de placebos pode produzir.
5. Conduzir e analisar entrevistas com uma análise temática documentada e usar a concordância entre codificadores como verificação reflexiva, e não como garantia.
6. Integrar as vertentes quantitativa e qualitativa num quadro conjunto, nomeando onde elas confirmam, ampliam ou conflitam.

Este capítulo executa o plano fixado nos Capítulos 3 e 5 e confronta os rivais do Capítulo 4 com os dados. O Capítulo 7 escreve o que ele encontra; o Capítulo 8 o defende.

6.1 Coletando dados com linhagem

Cada número da dissertação precisa ser rastreável até um arquivo, um script e uma versão. Sem isso, nem o candidato, nem o orientador, nem um examinador consegue saber de qual extrato veio um resultado, se ele foi corrigido ou se o script que o produziu ainda é o mesmo. Um procedimento mínimo para cada extrato:

1. Receber pelo canal indicado no acordo de dados; nunca por e-mail pessoal.
2. Registrar o nome do arquivo, o remetente, a data de recebimento e uma soma de verificação criptográfica (por exemplo, SHA-256) num registro de dados.
3. Armazenar o original somente para leitura na área restrita (os níveis do Capítulo 3).
4. Auditar com o script do Laboratório 5; enviar as constatações ao custodiante; registrar suas respostas no livro de códigos.
5. Congelar: quando um extrato for aprovado, registrar a sua soma de verificação como a versão da análise. Os arquivos derivados são produzidos apenas por scripts a partir de insumos congelados.
6. Capturar as fontes públicas (aqui, o painel de Wexmoor) com a data da captura, porque os painéis são revisados.

O Spillover Study recebeu agregados diários dos dias −180 a +89 de três custodiantes e capturou a série de Wexmoor do painel regional numa data registrada. Todos passaram na auditoria após uma rodada de correções, e os dias de indisponibilidade sinalizados pelos custodiantes foram registrados no livro de códigos. (O gerador do laboratório não simula dias de indisponibilidade, então os laboratórios analisam todos os dias.)

6.2 O modelo de série temporal interrompida controlada

Para cada DE vizinho, o desfecho no dia t é a razão logarítmica entre as suas chegadas e as chegadas agregadas de Wexmoor:

yₜ = log(Aₜ + 0.5) − log(Wₜ + 0.5) = β₀ + β₁·t + β₂·Dₜ + β₃·Pₜ + eₜ

em que Dₜ = 1 durante a janela do desvio (dias 0–20) e Pₜ = 1 depois dela (dias 21–89). Lendo os coeficientes:

• β₀, β₁: o nível e a tendência linear pré-evento da razão. Se as regiões tratada e de comparação compartilham a estação, a razão é aproximadamente plana mesmo quando cada série não é.
• β₂: a variação da razão logarítmica durante o desvio, em relação à tendência projetada. exp(β₂) − 1 é a variação percentual estimada — a estimativa primária.
• β₃: a variação após o fim do desvio, que absorve qualquer cauda, de modo que os dias pós-evento não contaminem a tendência.

As escolhas e suas razões, todas fixadas no plano de pré-análise: a razão logarítmica trata os efeitos como multiplicativos, o que convém a contagens cuja variabilidade cresce com o nível, e remove os padrões compartilhados de dia da semana e de estação; somar 0,5 evita log(0) em contagens muito pequenas e tem efeito desprezível nestes volumes; uma tendência linear ao longo de 180 dias capta a deriva lenta sem perseguir o ruído; um degrau separado pós-janela evita presumir que o sistema volta à sua tendência no dia em que o desvio termina. Lopez Bernal, Cummins e Gasparrini (2017) oferecem um tutorial de regressão segmentada para ITS, incluindo a necessidade de especificar de antemão o modelo de impacto (um degrau, uma mudança de inclinação ou ambos); o Spillover Study pré-especificou um degrau.

6.3 Autocorrelação e intervalos robustos

As séries operacionais diárias raramente são independentes de um dia para o outro: um dia movimentado pode ser seguido de outro dia movimentado. Os coeficientes de mínimos quadrados ordinários continuam não enviesados sob autocorrelação, mas seus erros-padrão usuais estão errados — geralmente pequenos demais quando a autocorrelação é positiva. Duas respostas são comuns:

1. Diagnosticar: inspecionar a autocorrelação dos resíduos nas defasagens 1 e 7, ou calcular a estatística de Durbin–Watson (Durbin e Watson, 1950); valores perto de 2 sugerem pouca autocorrelação de primeira ordem.
2. Tornar a inferência robusta: usar erros-padrão consistentes com heterocedasticidade e autocorrelação (HAC), como o estimador de Newey–West (1987), que pondera os produtos cruzados dos resíduos até uma defasagem escolhida L com pesos de Bartlett decrescentes 1 − l/(L + 1). Alternativamente, modelar diretamente o processo de erro (por exemplo, com erros ARIMA), como Lopez Bernal et al. discutem.

O Spillover Study pré-especificou Newey–West com defasagem 7 (uma semana, coincidindo com o ciclo semanal) e uma análise de sensibilidade com as defasagens 0 e 14. Para Alder Point, os resíduos mostraram autocorrelação de 0,03 na defasagem 1, de −0,12 na defasagem 7 e uma estatística de Durbin–Watson de 1,92: a autocorrelação é fraca, então o intervalo robusto não deveria diferir muito do ingênuo — e não difere (EX034).

6.4 Janelas placebo como evidência

O Capítulo 4 introduziu os testes de placebo no tempo. Aqui eles se tornam precisos: ajuste o mesmo modelo a janelas falsas de 21 dias colocadas na linha de base, usando apenas dados anteriores ao evento real, e registre cada "efeito" falso. Se a estimativa real for maior do que todas as k estimativas placebo, seu posto é 1 de k + 1 e, sob o pressuposto de que a janela real é permutável com as falsas, a probabilidade unilateral de um posto tão extremo por acaso é 1/(k + 1). Com 15 placebos, o menor valor atingível é 1/16 = 0,0625. Os testes placebo, portanto, não conseguem chegar a 0,05 com menos de 19 janelas (nem ficar abaixo disso com menos de 20), sejam quais forem os dados; relate o posto, e não um valor-p enganoso. As janelas placebo também têm uma fraqueza: os ajustes perto do início da série se apoiam em períodos prévios curtos e são mais ruidosos do que o ajuste real, o que torna o teste conservador.

6.5 Atividade prática: a análise quantitativa principal

Salve o Laboratório 4 como lab4_data.py e o arquivo a seguir como lab6_its.py na mesma pasta (o Laboratório 8 o importa). Ele implementa mínimos quadrados por eliminação de Gauss–Jordan, erros-padrão de Newey–West e a ITS controlada de §6.2, ajusta-a para cada vizinho contra Wexmoor agregada, executa 15 janelas placebo por local e ajusta uma ITS não controlada para o tempo de espera de Alder Point.

# Lab 6 - controlled interrupted time series with autocorrelation-robust intervals (offline)
# Save Lab 4 as lab4_data.py in the same folder first. Save this file as lab6_its.py (Lab 8 imports it).
import math
from lab4_data import make_region, DAYS

def solve(A, b):                                   # Gauss-Jordan with partial pivoting
    n = len(A)
    M = [row[:] + [b[i]] for i, row in enumerate(A)]
    for c in range(n):
        p = max(range(c, n), key=lambda r: abs(M[r][c]))
        M[c], M[p] = M[p], M[c]
        for r in range(n):
            if r != c:
                f = M[r][c] / M[c][c]
                M[r] = [x - f * y for x, y in zip(M[r], M[c])]
    return [M[i][n] / M[i][i] for i in range(n)]

def inverse(A):
    n = len(A)
    cols = [solve(A, [1.0 if i == j else 0.0 for i in range(n)]) for j in range(n)]
    return [[cols[j][i] for j in range(n)] for i in range(n)]

def ols_nw(X, y, lag=7):
    k = len(X[0])
    XtX = [[sum(r[i] * r[j] for r in X) for j in range(k)] for i in range(k)]
    beta = solve(XtX, [sum(r[i] * v for r, v in zip(X, y)) for i in range(k)])
    e = [v - sum(b * x for b, x in zip(beta, r)) for r, v in zip(X, y)]
    S = [[0.0] * k for _ in range(k)]
    for l in range(lag + 1):                         # Newey-West with Bartlett weights
        w = 1.0 if l == 0 else 1 - l / (lag + 1)
        for t in range(l, len(y)):
            for i in range(k):
                for j in range(k):
                    v = e[t] * e[t - l] * X[t][i] * X[t - l][j]
                    S[i][j] += w * (v if l == 0 else v + e[t] * e[t - l] * X[t - l][i] * X[t][j])
    B = inverse(XtX)
    V = [[sum(B[i][a] * S[a][b] * B[b][j] for a in range(k) for b in range(k)) for j in range(k)] for i in range(k)]
    return beta, [math.sqrt(V[i][i]) for i in range(k)], e

def design_row(t, start, ev_len):
    return [1.0, t / 100, 1.0 if start <= t < start + ev_len else 0.0, 1.0 if t >= start + ev_len else 0.0]

def fit(treated, control, days, start, ev_len):
    """log(treated) - log(control) = b0 + b1*t + b2*[event window] + b3*[after window]; b2 as % change."""
    X = [design_row(t, start, ev_len) for t in days]
    y = [math.log(treated[t] + 0.5) - math.log(control[t] + 0.5) for t in days]
    beta, se, _ = ols_nw(X, y)
    b, s = beta[2], se[2]
    return math.exp(b) - 1, math.exp(b - 1.96 * s) - 1, math.exp(b + 1.96 * s) - 1

def cits(treated, control, pre_len=180, ev_len=21, post_end=89, drop=frozenset()):
    days = [t for t in range(-pre_len, post_end + 1) if t not in drop]
    return fit(treated, control, days, 0, ev_len)

def placebo(treated, control, ev_len=21, first=-150, last=-28, step=7):
    """Fake event windows inside the baseline; each fit uses only days before the real event."""
    out = []
    for s in range(first, last - ev_len + 1, step):
        days = range(-180, s + ev_len + 7)
        out.append(fit(treated, control, days, s, ev_len)[0])
    return out

if __name__ == "__main__":
    d = make_region()
    comp = {t: d["W1"][t] + d["W2"][t] for t in DAYS}
    print("site  effect  95% interval        placebo_min  placebo_max  rank")
    for s in ("AP", "BF", "CG"):
        est, lo, hi = cits(d[s], comp)
        pl = placebo(d[s], comp)
        rank = 1 + sum(p >= est for p in pl)
        print(f"{s:4}  {est:+.3f}  ({lo:+.3f}, {hi:+.3f})  {min(pl):+11.3f}  {max(pl):+11.3f}  {rank}/{len(pl) + 1}")
    # secondary outcome: AP median minutes to provider, uncontrolled ITS with linear trend (no comparison)
    rows, y = [], []
    for t in DAYS:
        rows.append([1.0, t / 100, 1.0 if 0 <= t <= 20 else 0.0, 1.0 if t > 20 else 0.0])
        y.append(d["AP_wait"][t])
    beta, se, _ = ols_nw(rows, y)
    print(f"AP wait: event-window change {beta[2]:+.1f} min (95% interval {beta[2] - 1.96 * se[2]:+.1f} to {beta[2] + 1.96 * se[2]:+.1f})")

Saída esperada (menos de um segundo):

site  effect  95% interval        placebo_min  placebo_max  rank
AP    +0.244  (+0.067, +0.449)       -0.190       +0.166  1/16
BF    +0.058  (-0.067, +0.199)       -0.137       +0.255  8/16
CG    +0.008  (-0.093, +0.121)       -0.104       +0.242  9/16
AP wait: event-window change +5.9 min (95% interval +2.6 to +9.2)

Interpretação, escrita como o capítulo de resultados da dissertação a declararia:

• RQ1, Alder Point (6 km). As chegadas de ambulâncias durante o desvio foram cerca de 24,4% maiores do que o esperado pela tendência pré-evento e pela variação simultânea de Wexmoor (intervalo de 95% de 6,7% a 44,9%). A estimativa superou todas as 15 estimativas placebo (posto 1 de 16). O valor verdadeiro do gerador é 22%; a estimativa está perto, mas o intervalo é largo — coerente com o alerta do Laboratório 3 sobre a precisão num único DE.
• RQ1, Brookfield (14 km). +5,8% (−6,7% a +19,9%); posto 8 de 16. Os dados são compatíveis com nenhuma variação e com uma variação de cerca de 20%. O valor verdadeiro era 10%: o estudo não detectou um efeito que existe. A afirmação honesta é "inconclusivo", nunca "nenhum efeito".
• RQ1, Calloway (38 km). +0,8% (−9,3% a +12,1%); posto 9 de 16. Compatível com nenhuma variação; aumentos acima de cerca de 12% são improváveis sob o modelo.
• RQ2, distância. As estimativas pontuais diminuem com a distância (24,4%, 5,8%, 0,8%), coerentes com uma transferência de carga concentrada no DE mais próximo. Os intervalos de Brookfield e de Calloway se sobrepõem muito, então os dados não conseguem dizer se a queda é gradual ou confinada ao hospital mais próximo.
• Desfecho secundário, tempo de espera em Alder Point. +5,9 minutos durante o desvio (2,6 a 9,2). Este modelo não tem série de comparação, porque Wexmoor não publica tempos de espera; a estimativa, portanto, inclui qualquer superlotação sazonal. No gerador sintético, a estação acrescenta até 3 minutos e o efeito verdadeiro do desvio é de 4 minutos; a estimativa combina os dois. A dissertação precisa dizer que a estimativa do tempo de espera está confundida pela estação e provavelmente superestima a contribuição do desvio.

6.6 A vertente qualitativa

6.6.1 Amostragem e entrevistas

A RQ3 pergunta como a carga foi redistribuída, o que só as pessoas envolvidas podem contar. A amostragem é intencional: a liderança dos DEs de cada vizinho, os supervisores de operações e de despacho do EMS e a equipe da coalizão. Quantas entrevistas bastam não tem uma resposta única. Guest, Bunce e Johnson (2006) constataram, num estudo com participantes relativamente homogêneos, que a maioria dos temas apareceu nas primeiras doze entrevistas; Malterud, Siersma e Guassora (2016) propõem o poder informacional: quanto mais informação relevante cada participante detém para um objetivo estreito, menos participantes são necessários. O objetivo do Spillover Study é estreito e seus participantes detêm um conhecimento direto e específico; dez entrevistas (I01–I10) nas três funções deram um poder informacional adequado, um julgamento que a dissertação precisa explicar, e não apenas afirmar.

As entrevistas seguiram o roteiro revisado (Capítulo 5), ancorado no tempo e na informação. Foram gravadas com consentimento, transcritas, desidentificadas (nomes, nomes das organizações, títulos de função únicos e datas substituídos), e as gravações foram destruídas após a transcrição, como o termo de consentimento declarava.

6.6.2 Análise temática

Braun e Clarke (2006) descrevem a análise temática em seis fases: familiarização com os dados; geração dos códigos iniciais; busca de temas; revisão dos temas; definição e nomeação dos temas; e produção do relatório. Cada fase deixa um produto que outra pessoa pode inspecionar, e é isso que distingue uma análise documentada de uma leitura impressionista das transcrições. Mantenha uma trilha de auditoria: o livro de códigos com definições e exemplos, memorandos que expliquem cada decisão e as versões da estrutura de temas.

6.6.3 Concordância entre codificadores

Se se deve medir a concordância entre codificadores é algo debatido. O'Connor e Joffe (2020) revisam o debate e sugerem que a confiabilidade entre codificadores pode acrescentar rigor e transparência quando um livro de códigos é aplicado de forma consistente, enquanto se ajusta mal a abordagens interpretativas em que a perspectiva do pesquisador faz parte da análise. O Spillover Study usa uma abordagem baseada em livro de códigos para as perguntas operacionais, então um segundo codificador codificou independentemente uma amostra de trechos; a concordância foi medida com o kappa de Cohen (Capítulo 1) e cada divergência foi discutida e resolvida refinando as definições dos códigos. O kappa é relatado como evidência de que o livro de códigos pode ser aplicado de forma consistente — e não como prova de que os temas são verdadeiros.

6.6.4 Temas (sintéticos)

6.7 Integração: o quadro conjunto

Fetters, Curry e Creswell (2013) descrevem a integração nos níveis do desenho, dos métodos e da interpretação, e o quadro conjunto como uma forma de reunir os resultados. Cada linha emparelha um resultado quantitativo com uma constatação qualitativa e declara uma metainferência: confirmação (as duas vertentes concordam), ampliação (uma acrescenta algo à outra) ou discordância (elas conflitam, o que exige explicação).

A linha da discordância não é uma fraqueza do estudo; é uma constatação. Uma dissertação que esconde a discordância para contar uma história mais limpa perde a parte mais informativa dos métodos mistos.

6.8 Exemplo resolvido: o desvio que quase foi escondido (sintético)

Após a análise principal, o candidato notou que retirar os dois feriados regionais mudava ligeiramente a estimativa de Brookfield e ficou tentado a relatar a versão sem os feriados, que "parecia mais com o gradiente esperado". A regra do orientador: o modelo pré-especificado é a análise primária; qualquer alternativa é relatada como verificação de robustez, com a razão pela qual foi examinada, no registro de desvios, datada, anotando que os resultados já tinham sido vistos. A curva de especificação do Capítulo 8 então relata todas as escolhas razoáveis em conjunto, de modo que nenhuma escolha isolada — feita depois de ver os resultados — sustente a conclusão. O episódio é típico: o risco da análise flexível não é a desonestidade, mas a atração silenciosa de uma história preferida (Gelman e Loken, 2014).

6.9 Erros comuns e limites

• Editar dados à mão depois do congelamento, ou analisar um extrato cuja versão não pode ser identificada.
• Ajustar uma ITS não controlada e chamar o resultado de efeito quando um choque compartilhado é plausível.
• Relatar intervalos de mínimos quadrados ordinários para dados diários autocorrelacionados sem verificar.
• Converter um posto placebo em "p < 0,05" quando o número de placebos torna isso impossível.
• Relatar uma estimativa inconclusiva como "nenhum efeito".
• Apresentar um desfecho secundário confundido com a mesma confiança que o desfecho primário controlado.
• Alegar saturação ou adequação do número de entrevistas sem explicar o raciocínio.
• Tratar um kappa alto como prova de que os temas são válidos.
• Esconder a discordância entre as vertentes.
• Escolher entre variantes da análise depois de ver os resultados e relatar apenas a preferida.

O limite desta análise é que ela se apoia num único evento, numa única região de comparação e num modelo cujos pressupostos — tendências paralelas, uma tendência pré-evento linear, um efeito em forma de degrau — podem ser sondados, mas não provados. O Capítulo 8 testa quanto a conclusão depende deles.

Exercícios — capítulo 6

EX033 — Execute e relate a análise principal. Objetivo: usar o Laboratório 6 e escrever os resultados. Insumos: Laboratórios 4 e 6. Restrições: off-line; não alterar as sementes. Passos: (1) executar o Laboratório 6 e registrar a saída; (2) escrever um parágrafo de resultados de 200 palavras para a RQ1 e a RQ2, usando estimativas, intervalos e postos placebo; (3) escrever uma frase sobre o resultado do tempo de espera que declare a sua limitação. Evidência esperada: saída e texto. Rubrica: 3 = números exatos, Brookfield descrito como inconclusivo, e não nulo, gradiente declarado com a ressalva da sobreposição, tempo de espera sinalizado como não controlado; 2 = um exagero; 1 = "significativo" usado como conclusão sem estimativas; 0 = nada.

EX034 — Sensibilidade à defasagem. Objetivo: testar o método dos intervalos. Insumos: lab6_its.py. Restrições: alterar apenas a defasagem de Newey–West. Passos: (1) calcular o intervalo de Alder Point com as defasagens 0, 7 e 14; (2) calcular a autocorrelação dos resíduos nas defasagens 1 e 7 e a estatística de Durbin–Watson; (3) explicar por que uma defasagem maior nem sempre alarga o intervalo; (4) declarar o que você relataria. Evidência esperada: tabela e parágrafo. Rubrica: 3 = intervalos e diagnósticos corretos, comportamento não monotônico explicado (as autocovariâncias amostrais ponderadas por Bartlett podem ser negativas), defasagem pré-especificada relatada com a sensibilidade; 2 = um valor errado; 1 = escolhe o intervalo mais estreito; 0 = nada.

EX035 — Aritmética dos placebos. Objetivo: interpretar evidência baseada em postos. Insumos: a saída placebo do Laboratório 6. Restrições: nenhum código novo necessário. Passos: (1) declarar o valor-p unilateral baseado em postos para cada local; (2) declarar quantas janelas placebo seriam necessárias para que o menor valor atingível chegue a 0,05 e a 0,01, e para que fique estritamente abaixo deles; (3) explicar por que as primeiras janelas placebo são mais ruidosas do que o ajuste real; (4) propor uma mudança que acrescente janelas sem usar dados pós-evento. Evidência esperada: respostas. Rubrica: 3 = 1/16, 8/16, 9/16 calculados; 19 e 99 janelas para chegar a 0,05 e 0,01, 20 e 100 para ficar abaixo; períodos prévios curtos explicados; uma proposta válida (por exemplo, inícios diários em vez de semanais, ou janelas de anos anteriores, se os dados existirem) com a sua ressalva de dependência; 2 = um erro; 1 = trata o p placebo como exato; 0 = nada.

EX036 — Repare o desfecho secundário. Objetivo: tratar uma estimativa confundida. Insumos: o resultado do tempo de espera e §6.5. Restrições: nenhum dado novo pode ser inventado. Passos: (1) explicar o confundimento; (2) propor dois desenhos que possam removê-lo com dados obteníveis; (3) declarar a alegação que a estimativa atual sustenta; (4) escrever a frase para a seção de limitações. Evidência esperada: uma página. Rubrica: 3 = confundimento pela estação explicado, desenhos viáveis (Calloway como comparação dentro da região para o tempo de espera, dado o seu efeito nulo nas chegadas, ou uma série de comparação a partir de dados publicados de outra região), alegação limitada a "coerente com um aumento; magnitude confundida", limitação com direção; 2 = um desenho inviável; 1 = sem limitação; 0 = nada.

EX037 — Concordância entre codificadores. Objetivo: aplicar e interpretar o kappa na codificação qualitativa. Insumos: doze trechos sintéticos codificados por dois codificadores com os códigos DIV (decisões de destino do EMS), INFO (informação e notificação), STAFF (pessoal e sobrecarga), PROC (procedimentos). Codificador A: DIV, INFO, STAFF, DIV, PROC, INFO, INFO, STAFF, DIV, PROC, INFO, STAFF. Codificador B: DIV, INFO, STAFF, STAFF, PROC, INFO, DIV, STAFF, DIV, PROC, PROC, STAFF. Trecho 4: "Tínhamos duas equipes esperando na porta e ninguém para receber a passagem do caso." Trecho 7: "O despacho não sabia que o Kestrel estava fechado, então a equipe decidiu na estrada." Trecho 11: "Não sabíamos se começávamos o processo de triagem em papel ou se esperávamos notícia da TI." Restrições: calcular à mão ou com a função do Laboratório 1. Passos: (1) calcular a concordância observada, a concordância ao acaso e o kappa; (2) para cada divergência, decidir se o problema é a definição do livro de códigos ou o trecho; (3) revisar uma definição. Evidência esperada: cálculo, análise e definição revisada. Rubrica: 3 = κ ≈ 0,67 calculado corretamente, divergências diagnosticadas como problemas de fronteira (trechos que se encaixam em dois códigos), uma revisão que permita ou regule a dupla codificação; 2 = cálculo correto, diagnóstico ralo; 1 = apenas a concordância bruta; 0 = nada.

EX038 — Quadro conjunto. Objetivo: integrar as vertentes. Insumos: §6.5 e §6.6.4. Restrições: pelo menos quatro linhas; pelo menos uma discordância. Passos: (1) montar o quadro; (2) declarar a metainferência de cada linha; (3) para cada discordância, listar as explicações e as evidências que poderiam escolher entre elas. Evidência esperada: tabela e parágrafo. Rubrica: 3 = metainferências rotuladas corretamente, discordância explicada sem deixar uma vertente se sobrepor à outra, evidências de acompanhamento específicas; 2 = discordância omitida; 1 = vertentes lado a lado sem inferência; 0 = nada.

Síntese do capítulo

Mantenha a linhagem: cada extrato registrado, auditado, congelado e usado apenas por meio de scripts. A ITS controlada modela a razão logarítmica entre as chegadas de um vizinho e as da região de comparação, com uma tendência, um degrau do desvio e um degrau pós-desvio; exp(β₂) − 1 é a estimativa. Verifique a autocorrelação e use intervalos robustos com uma defasagem pré-especificada e sensibilidade. Os postos placebo são evidências honestas cujo menor valor-p atingível depende do número de janelas. No Spillover Study sintético, as chegadas a Alder Point subiram cerca de um quarto durante o desvio, com um intervalo largo; o resultado de Brookfield é inconclusivo, embora um efeito real existisse; o de Calloway é compatível com nenhum; a estimativa do tempo de espera está confundida pela estação. As entrevistas explicam o gradiente pela geografia viária e revelam a notificação tardia, a sobrecarga noturna e a ligação entre a duração do desvio e a recuperação dos sistemas clínicos. Integre as vertentes num quadro conjunto e relate a discordância como uma constatação.

Continue estudando — capítulo 06 de 08

← Capítulo 05 · Índice de capítulos do curso · Capítulo 07 →

Siga para a próxima lição escrita.