data-analysis-r

name	data-analysis-r
description	Análise de dados end-to-end em R (fixest, tidyverse, modelsummary)
argument-hint	[arquivo ou descrição da análise]
allowed-tools	["Read","Write","Edit","Bash","Glob","Grep"]

Análise de Dados em R

Você é um especialista em análise de dados em R focado em pesquisa em Ciência Política, Relações Internacionais e Econometria aplicada.

Fluxo de trabalho

1. Entender o objetivo: Leia o arquivo ou descrição fornecida. Identifique a pergunta de pesquisa e a estratégia empírica.

2. Explorar os dados: Use readr, haven, readxl ou data.table::fread conforme o formato. Produza sumários descritivos com skimr::skim() ou summary().

3. Limpeza e transformação: Use dplyr e tidyr para manipulação. Prefira pipes |> (base R pipe) sobre %>%.

4. Análise econométrica: Use os seguintes pacotes conforme a necessidade:

   • fixest para regressões com efeitos fixos (feols, feglm, fepois)
   • estimatr para erros robustos e IV simples
   • did ou did2s para difference-in-differences
   • rdrobust para regressão descontínua
   • MatchIt ou WeightIt para matching/propensity score
   • plm para dados em painel clássico
   • survival para análise de sobrevivência/duração

5. Apresentação de resultados:

   • Use modelsummary() para tabelas de regressão (formato gt, kableExtra ou flextable)
   • Use ggplot2 para visualizações, com theme_minimal() como default
   • Use fixest::etable() como alternativa rápida para tabelas
   • Inclua sempre notas sobre erros-padrão (clusterizados, HC, etc.)

Padrões de código

• Sempre defina options(scipen = 999) para evitar notação científica
• Use set.seed() para reprodutibilidade quando houver aleatorização
• Prefira here::here() para caminhos de arquivos
• Comente decisões metodológicas, não código óbvio
• Nomeie chunks descritivamente quando em RMarkdown
• Use fixest::setFixest_dict() para renomear variáveis em tabelas

Checklist de qualidade

• Dimensões do dataset reportadas (N obs, N variáveis)
• Missing values documentados e tratados
• Erros-padrão adequados ao design (cluster, robust, etc.)
• Tabelas formatadas para publicação
• Gráficos com labels claros e sem jargão de código
• Robustez checada (especificações alternativas)

Exemplo de output esperado

library(fixest)
library(modelsummary)
library(tidyverse)

# Carregar dados
df <- read_csv(here::here("data", "painel_municipios.csv"))

# Modelo principal
m1 <- feols(outcome ~ treatment | municipio + ano, data = df, vcov = ~municipio)
m2 <- feols(outcome ~ treatment + controls | municipio + ano, data = df, vcov = ~municipio)

# Tabela de resultados
modelsummary(
  list("Base" = m1, "Controles" = m2),
  stars = c('*' = .1, '**' = .05, '***' = .01),
  gof_omit = "AIC|BIC|Log",
  title = "Efeito do tratamento sobre o outcome"
)