Trabalho final
Relatório reproduzível de uma análise própria
O que é
Uma análise completa de um conjunto de dados seu — idealmente do seu mestrado ou doutorado — escrita como documento Quarto que qualquer pessoa consiga renderizar do zero e obter exatamente os seus resultados.
Não é um relatório sobre a disciplina. É a análise que você precisaria fazer de qualquer jeito, feita direito e documentada.
Estrutura exigida
A espinha é o checklist de Davis & Kay (2023): quatro seções que toda descrição de método estatístico deve conter.
1. Objetivo
Qual é a pergunta? Formule de modo que a resposta seja um parâmetro estimável, não uma vaga “relação entre X e Y”. Diga se a análise é confirmatória (a hipótese existia antes de você olhar os dados) ou exploratória. As duas são legítimas; apresentá-las trocadas não é.
2. Variáveis
Resposta e preditoras, com unidade, escala de medida e amplitude observada. Para cada preditora, diga por que ela está no modelo — e, se couber, desenhe o DAG (dagitty) que justifica a escolha. Variável no modelo por estar no banco de dados não é justificativa.
3. Método estatístico
Distribuição assumida para a resposta e função de ligação, com a razão biológica da escolha. Estrutura de efeitos aleatórios, se houver, e o que cada um representa em termos de delineamento amostral. Como a sobredispersão e o excesso de zeros foram verificados. Critério de comparação de modelos, se houver comparação.
4. Implementação
Versão do R, versões dos pacotes principais, semente aleatória. Uma chamada sessionInfo() ou sessioninfo::session_info() ao final resolve.
Seções adicionais
Além do checklist, o relatório deve conter:
Análise exploratória seguindo o protocolo de Zuur & Ieno (2016): outliers, homogeneidade de variância, distribuição da resposta, excesso de zeros, colinearidade entre preditoras, relações entre resposta e preditoras, interações, independência.
Diagnóstico do modelo com DHARMa — resíduos quantílicos simulados, teste de dispersão, teste de zeros inflados. Mostre os gráficos e comente o que eles dizem, mesmo (e principalmente) quando o ajuste não é bom.
Interpretação biológica. Traduza os coeficientes para a escala da resposta e diga o que significam para o organismo ou o sistema. Um parágrafo de conclusão que um leitor da sua área entenda sem olhar a tabela.
Extensão bayesiana (opcional, recomendada)
Reajuste o mesmo modelo em brms e relate segundo o BARG (Kruschke 2021): preâmbulo mais os seis passos. Comparar as duas estimativas — e explicar por que diferem, ou por que não diferem — vale mais do que qualquer análise adicional.
Critérios de avaliação
| Critério | O que se espera |
|---|---|
| Adequação do modelo | A distribuição e a estrutura de efeitos correspondem ao que os dados são e a como foram coletados |
| Diagnóstico | Os problemas foram procurados, encontrados e discutidos — não escondidos |
| Justificativa | Cada escolha analítica tem uma razão explícita, biológica ou estatística |
| Reprodutibilidade | O documento renderiza do zero em outra máquina |
| Interpretação | Os resultados são traduzidos para linguagem biológica, sem exagerar o que os dados sustentam |
| Honestidade | Limitações declaradas; análises exploratórias não apresentadas como confirmatórias |
Um modelo que não ajustou bem, com diagnóstico honesto e discussão do porquê, vale mais do que um modelo aparentemente perfeito com o diagnóstico omitido.
Prazo
2 de outubro de 2026, uma semana depois do último encontro.
Como entregar
Por e-mail, para o meu endereço institucional, que eu passo no Encontro 1.
Assunto: ADU 2026/2 — trabalho final — Seu Nome
Anexos: o .qmd, o .html renderizado e os dados. Se passarem do limite de anexo, ou se não puderem circular, mande um link e a instrução de download no lugar dos dados.
No corpo do e-mail, quatro linhas — e elas contam, porque é por onde eu começo a ler:
- O sistema e o conjunto: que organismo, onde, quantas observações.
- A pergunta, em uma frase, formulada de modo que a resposta seja um parâmetro estimável.
- A análise é confirmatória ou exploratória? (Ou que parte é qual.)
- Onde você travou. O que não saiu como queria, o que ficou por fazer, a decisão de que você não gostou. Isto não desconta nota; é onde o meu comentário rende mais, e “em lugar nenhum” costuma ser a resposta menos verdadeira das quatro.
Para reenviar depois de corrigir, responda no mesmo fio de e-mail, sem abrir outro. Assim o histórico de versões fica junto.
Antes de apertar enviar
Confira, você mesmo, o que eu vou conferir:
O último item é o que mais se perde por descuido, e é critério de avaliação.
Dúvidas sobre o enunciado
No rodapé de cada página de encontro há uma caixa de comentários. Pergunta feita ali fica visível para a turma e a resposta serve para todo mundo — que é quase sempre o caso, quando a dúvida é sobre o enunciado. Essa caixa é pública: para falar de dados seus, e-mail.
Uso de modelos de linguagem
Permitido e esperado — com declaração. Ao final do relatório, informe:
- qual modelo e qual versão;
- que porções do código foram geradas ou modificadas com auxílio dele;
- os prompts das partes críticas, como material suplementar.
A responsabilidade pelo código é sua, como se o tivesse escrito. Regra prática do curso: o LLM escreve o código; você escreve a ciência.
Autoria
Em trabalhos em grupo, as iniciais dos autores nos Métodos seguem o MeRIT (Nakagawa et al. 2023) — quem fez o quê, explicitamente.
Esqueleto para copiar
---
title: "Efeito de <preditora> sobre <resposta> em <sistema>"
author: "Seu Nome"
date: today
format:
html:
toc: true
code-fold: show
embed-resources: true
execute:
warning: false
---
## 1. Objetivo
## 2. Variáveis
## 3. Método estatístico
## 4. Implementação
## Análise exploratória (Zuur & Ieno 2016)
## Ajuste do modelo
## Diagnóstico (DHARMa)
## Resultados e interpretação biológica
## Limitações
## Declaração de uso de IA
## Informações da sessão
```{r}
sessioninfo::session_info()
```