Os arquivos estão meio fora do lugar padrão:

• Não é necessário salvar um .rda com os resultados das metricas. Esse tipo de arquivo serve pra salvar os dados de entrada e/ou saída, e não resultados.
• Tirar os scripts .R do report/
• Nomear os arquivos .qmd iniciando com um número que represente a ordem deles: 01_tratamento_dados.qmd, etc.
• Qual a diferença entre os scripts auto_p_value.R e auto_p_value2.R ? Caso um seja uma "segunda versão", não crie um script novo. O git serve justamente para controlar a versão do arquivo.
• Mudar o nome do scripts.R para algo que represente o que esse script faz.

Depois de encerrar o passo de processamento das nossas variáveis, temos que ajustar as funções em scripts .R e depois inserir tudo em uma pasta R/, para manter a organização.

• Mudar header da tabela para fundo azul com texto branco
• Mudar texto do corpo da tabela para cor padrão

Dados tratados e prontos:

• DataSUS
• PRF
• RENAVAM
• RENACH

• Trocar PNATRANS de slide
• Tirar "diferentes modelos"
• Em correlação, colocar colinearidade
• Trocar "média móvel" por análise temporal

Explicar a saída das variáveis do modelo:

• PIB
• População
• Quantidade de mortes
• Quantidade de feridos

• #37
• Criar dataframe mensal estadual

• Organizar os dados de entrada de acordo com o padrão de projetos do R, inserindo tudo que for input na pasta data/.
• Remover subdiretórios desnecessários.
• Automatizar a importação das bases

• FIgura 19: Fazer taxa de óbitos até 2022
• Figura 36: Ajeitar nota

• Mortes por 100 mil habitantes
• Mortes por 10.000 veículos

• Mudar tudo que for acidente para sinistro

Fazer um README explicando o conteúdo do repositório.

• Objetivo
• Método
• Estrutura dos arquivos
• Principais resultados

Observando o resultado das métricas de performance, acho que vale a pena usar todas as variáveis com p-valor < 0.05:

• Referenciar base teórica
• Adicionar figuras e referenciar
• Rever introdução
• Consertar gráficos
• Mudar PIB anual de IBGE para Bacen
• Calcular p-valores do correlograma (pacote Hmisc)
• Explicar dados melhor

Futuramente testar modelos de redes neurais:

• Multi-Layer Perceptron
• Long Short Term Memory

Modelos a testar para modelo mensal/estadual:

• Regressão Linear
• Random Forest
• ARIMA
• Exponential Smoothing
• #47

• Determinar quantidade de novos condutores por ano
• Testar modelo com população novamente

Adicionar a quantidade de óbitos previstos para 2022, considerando cada modelo elaborado. Também adicionar os intervalos de confiança.

O PIB importado está errado. Cada valor da planilha é o PIB absoluto daquele trimestre, e não acumulado. Para extraír o valor anual é necessário somar os quatro trimestres de um ano

Os dados da frota brasileira, quando calculados para a metodologia mensal e anual, resultam em valores finais divergentes:

• Possivelmente ao fato das estimativas anuais serem feitas a partir de um mês apenas (Julho no caso do modelo anual)
• Isso possivelmente causará uma alteração no modelo anual
• Modelo deverá ser treinado e testado novamente

Usar os modelos de série temporal para prever a quantidade mensal de mortes até 2030.

Script não será mais compatível quando o modelo for atualizado a nível mensal

• Na seção da metodologia, inserir a fonte de todos os dados citados no texto, inclusive nas referências bibliográficas
• Escrever sobre o Plano Nacional de Redução de Mortes e Lesões no Trânsito na introdução e conclusão
• Inserir o paper no github pages

Issue para destacar algumas observações importantes sobre o modelo:

• Atualmente, o dado utilizado para condutores em 2023 é de novembro e não dezembro pela falta do mesmo
• O modelo Random Forest sempre terá um desempenho ligeiramente diferente a cada execução devido à aleatoriedade das árvores (mesmo com set.seet())
• No script datasus.R as mortes foram parseadas de uma forma onde algumas mortes foram perdidas, a correção pode fazer o modelo ter um resultado diferente

Fazer relatório ser reativo ao tamanho da tela, pois gráficos quebram em telas de celular

Criar um novo capítulo no paper com o conteúdo dos modelos em escala mensal

Revisão de código e aplicar correções de correcoes_15_relatorio.md

1 Introdução

• Modificar as referencias do Global status report 2018 da WHO para a versão mais recente de 2023 (global status report on road safety 2023).

• Na frase "sendo a oitava causa de óbitos em todas as faixas etárias e a principal entre indivíduos de 5 a 29 anos [@worldhealthorganization2018]" verificar se isso ainda é válido no relatório de 2023.

• O Pnatrans foi atualizado através da resolução contran 1004. Atualizar a descrição feita na frase "se apoia em seis principais pilares: gestão da segurança no trânsito, vias seguras, segurança veicular, educação para o trânsito, atendimento às vítimas, e normalização e fiscalização" e descrever as atualizações feitas pela resolução 1004.

• Criar uma seção ao fim do capítulo 1 explicando que o código fonte do trabalho pode ser acessado no repositório do github do observatório.

Resultados dos modelos

• Ficou faltando inserir os parâmetros de cada variável independente (coeficiente estimado, p-valor, etc.)

• Nos casos de treino e teste, explicar como foi feito o processo (qual foi a divisão, quantas vezes o processo de regressão foi aplicado no cross-validation, etc.)

• No item 3.5, os gráficos anuais considerando as taxas vão até 2021. Aumentar a escala dos anos até 2023.

Geral

• Mudar o estilo de citação para o estilo ABNT: pesquisar na documentação do Quarto