Interpretando dados e estatísticas de criminalidade na pesquisa sobre crimes reais

Dados e estatísticas de criminalidade descrevem ou estimam padrões em populações, locais e períodos definidos; eles ajudam a contextualizar frequência, distribuição e mudança, mas não provam, por si só, o que ocorreu em um caso individual. Para interpretá-los corretamente, relacione a pergunta à medida e à fonte usadas e verifique população, denominador, período, geografia e comparabilidade antes de formular uma conclusão.

Crime registrado, estimativas de pesquisa, contagens, taxas e registros de caso medem aspectos diferentes do fenômeno. A interpretação deve permanecer vinculada ao sistema de origem e ao quadro estatístico que produziram o valor.

Índice⌄

O que as estatísticas de criminalidade podem estabelecer na pesquisa sobre crimes reais

O significado de uma conclusão estatística depende da população observada, da unidade geográfica abrangida, do período medido e da forma como a medida pertinente foi produzida.

Uma tendência descreve mudança apenas dentro de uma série suficientemente comparável, enquanto a frequência relativa expressa o quão comum um resultado medido é em relação a outra base ou contexto definido.

Uma estimativa de prevalência se aplica à população e ao método a partir dos quais foi estimada, e não a cada pessoa ou lugar.

Essas condições determinam até que ponto o contexto estatístico pode ser razoavelmente estendido na pesquisa sobre crimes reais.

Suponha que uma mesma medida de crime registrado mostre uma taxa de roubo a residência mais alta em uma cidade durante um período do que em um período anterior comparável.

Essa mudança pode contextualizar o padrão mais amplo em torno de um caso daquele lugar e época, mas não estabelece se uma alegação de roubo no caso individual é verdadeira.

Conclusões específicas de um caso ainda exigem evidências do caso.

Contagens de crimes, taxas de criminalidade e dados de casos medem coisas diferentes

Contagens de crimes, taxas de criminalidade e dados de casos respondem a diferentes perguntas de pesquisa porque usam diferentes unidades de observação, denominadores e níveis de detalhamento.

Uma contagem representa o volume de eventos como um número total de incidentes, enquanto uma taxa relaciona esse volume a uma população definida ou outro denominador apropriado.

Dados de casos, por outro lado, descrevem um evento ou registro de caso individual, preservando detalhes específicos do caso em vez de expressar frequência em nível populacional.

A comparação abaixo separa as três medidas pelo que é observado, se um denominador é usado, a pergunta de pesquisa que cada medida pode apoiar e sua principal limitação.

Essas dimensões esclarecem por que os mesmos incidentes subjacentes podem apoiar diferentes interpretações dependendo de como os dados são expressos.

Medida	Unidade de observação	Denominador	Uso típico	Principal limitação
Contagem de crimes	Número de eventos registrados ou estimados	Nenhum inerente à contagem	Descrever o volume total de eventos dentro de um escopo definido	Não considera diferenças no tamanho da população ou da exposição
Taxa de criminalidade	Eventos relativos a uma população definida ou base de exposição	População definida ou outra base relevante	Comparar a frequência relativa à população entre grupos ou períodos compatíveis	A interpretação depende do denominador, da definição da população, do período e da construção dos dados
Dados de casos	Incidente individual ou registro de caso	Nenhum denominador de população inerente	Examinar circunstâncias, eventos ou detalhes registrados específicos do caso	Registros individuais não descrevem por si só a frequência em nível populacional

Como exemplo hipotético, suponha que duas áreas registrem cada uma 100 incidentes durante o mesmo período sob a mesma definição de crime, mas uma tem uma população de 10.000 e a outra de 100.000.

A contagem é idêntica, mas esses valores ilustrativos correspondem a 10 incidentes por 1.000 pessoas na primeira área e 1 por 1.000 na segunda, portanto a taxa altera a interpretação relativa à população enquanto o volume de eventos permanece o mesmo.

Um registro de caso responderia a uma pergunta diferente ao descrever um incidente específico em vez da frequência geral.

A escolha da medida depende, portanto, da pergunta de pesquisa e dos dados disponíveis, e não de uma medida ser inerentemente preferível.

Contagens de crimes descrevem volume enquanto taxas padronizam para a população

Uma contagem de crimes relata o volume de eventos como o número total de incidentes registrados ou estimados, enquanto uma taxa de criminalidade expressa essa contagem em relação a uma população definida ou outro denominador apropriado.

A contagem é o numerador, e o denominador fornece a base populacional necessária para expressar a frequência relativa à população.

Uma taxa padronizada permite comparação apenas quando a definição do crime, o período temporal e o denominador são suficientemente compatíveis para a interpretação pretendida.

Área A

Incidentes80

População20.000

Taxa40 por 10.000

Área B

Incidentes80

População100.000

Taxa8 por 10.000

O volume de eventos é o mesmo, mas a frequência relativa à população é diferente. A taxa incorpora o denominador; ela não prevê o que acontecerá com um indivíduo.

O denominador deve corresponder ao fenômeno que está sendo interpretado, pois alterar a população ou a base de exposição muda o que a taxa resultante representa.

Registros de casos descrevem eventos individuais, e não padrões em nível populacional

Registros de casos descrevem um evento individual, como um incidente registrado, alegação, resultado ou evento processual, enquanto estatísticas populacionais resumem observações em um grupo, área ou período mais amplo.

A unidade de análise difere, portanto: a evidência de caso diz respeito a um registro específico, enquanto as estatísticas em nível populacional descrevem um padrão agregado.

Essa diferença limita a inferência que pode ser feita a partir de cada forma de informação.

Por exemplo, um registro de caso pode documentar que uma determinada alegação foi registrada e qual resultado processual se seguiu, enquanto uma estatística em nível de área pode resumir com que frequência a mesma categoria de evento apareceu em muitas observações.

Os dados em nível de caso podem apoiar conclusões sobre aquele registro individual, enquanto as estatísticas agregadas podem apoiar conclusões sobre o padrão mais amplo dentro de seu escopo definido.

Registros de casos podem contribuir com observações para um agregado, mas o padrão em nível populacional resultante não estabelece por si só um fato sobre qualquer caso individual.

Como as estatísticas de criminalidade são coletadas e produzidas

A produção de estatísticas de criminalidade transforma eventos observados ou relatados em valores estatísticos publicados por meio de uma cadeia de decisões de coleta, classificação, validação, agregação e publicação.

O comportamento de notificação e o sistema de origem afetam quais incidentes entram no processo, enquanto as regras de codificação determinam como essas observações são classificadas em categorias estatísticas.

Verificações de completude, estimativa ou ajuste quando aplicável, e processamento posterior podem moldar ainda mais os valores que aparecem em uma série estatística publicada.

A sequência abaixo representa os principais estágios de processamento que podem conectar incidentes observados a um valor estatístico publicado.

Nem toda jurisdição ou sistema de dados usa todos os estágios da mesma forma ou na mesma ordem.

1. Coleta: As informações entram no sistema de origem por meio de seu mecanismo de coleta pertinente, influenciadas por quais eventos são observados, relatados ou capturados de outra forma.
2. Registro ou recepção: As informações submetidas ou observadas são inseridas nos registros de acordo com os procedimentos de recepção do sistema e os campos disponíveis.
3. Classificação e codificação: As informações registradas são atribuídas a categorias usando definições e regras de codificação aplicáveis, que determinam como os eventos são representados estatisticamente.
4. Validação e verificações de completude: Os dados podem ser verificados quanto a consistência, informações ausentes, duplicação ou outros problemas de completude antes da agregação.
5. Estimativa ou ajuste: Quando a metodologia exige, procedimentos estatísticos podem estimar, ponderar ou ajustar observações para lidar com características do desenho da fonte ou cobertura incompleta.
6. Agregação: Observações individuais são combinadas em totais, taxas ou outras medidas resumo para populações, locais ou períodos definidos.
7. Publicação e revisão: As estatísticas resultantes são divulgadas como uma série estatística, e alguns sistemas podem revisar posteriormente os valores publicados quando informações atualizadas ou mudanças no processamento são incorporadas.

O valor final publicado reflete as observações disponíveis para o sistema de origem e as regras metodológicas usadas para processá-las.

Diferenças na jurisdição, comportamento de notificação, definições, regras de codificação, procedimentos de completude e métodos de estimativa podem produzir séries estatísticas que não são diretamente equivalentes mesmo quando usam rótulos semelhantes.

A publicação não torna um valor livre de erros, e revisões podem ocorrer quando um sistema incorpora novas informações ou altera seu processamento.

A interpretação deve permanecer vinculada ao sistema de origem e à metodologia específicos que produziram a estatística.

Dados registrados pela polícia, pesquisas de vitimização e estudos de autorrelato capturam crimes diferentes

Dados registrados pela polícia, pesquisas de vitimização e estudos de autorrelato observam parcelas diferentes do crime, portanto nenhuma fonte isolada captura todo o universo de crimes.

Os dados registrados pela polícia dependem de incidentes que chegam e são registrados pela polícia; as pesquisas de vitimização dependem da amostragem de pessoas e da obtenção de relatos de experiências de vítimas; e os estudos de autorrelato dependem de entrevistados que revelam seu próprio comportamento.

A comparação abaixo distingue sua população de origem, mecanismo de coleta, pontos fortes, pontos cegos e implicações para a pesquisa.

Tipo de fonte	População de origem	Mecanismo de coleta	Pontos fortes	Pontos cegos	Implicação para a pesquisa
Dados registrados pela polícia	Incidentes que entram nos sistemas de registro policial	Notificação, detecção policial ou outra recepção, seguidas por práticas oficiais de registro	Descreve crimes registrados dentro das definições e procedimentos do sistema de dados policiais	Crimes não notificados e incidentes que não entram ou não permanecem no sistema de registro não são representados	Útil para perguntas sobre infrações registradas e padrões estatísticos oficiais, sujeito ao comportamento de notificação e às regras de registro
Pesquisas de vitimização	Pessoas ou domicílios representados pela amostra da pesquisa	Entrevistados da amostra relatam experiências de vitimização por meio de perguntas da pesquisa	Pode capturar experiências de vítimas que não foram notificadas à polícia e fornecer informações sobre crimes não notificados dentro do escopo da pesquisa	A cobertura depende da amostragem, do escopo das perguntas, da memória e da disposição do entrevistado em relatar, e infrações sem uma vítima elegível ou identificável podem ficar fora do desenho	Útil para estimar a vitimização dentro da população representada quando o desenho da pesquisa corresponde à pergunta de pesquisa
Estudos de autorrelato	Entrevistados incluídos na amostra do estudo	Os participantes revelam seus próprios comportamentos ou infrações por meio de questionários ou entrevistas	Pode observar comportamentos autorrelatados que podem não aparecer nos dados de crime registrado	Os resultados dependem da amostragem e da disposição do entrevistado em relatar, incluindo a vontade e a capacidade de relatar o comportamento com precisão	Útil para estudar comportamentos relatados dentro da população amostrada quando o método de revelação e a amostra se adequam à pergunta de pesquisa

Os três tipos de fonte podem se complementar porque diferenças na notificação, amostragem e revelação fazem com que eles observem partes diferentes do mesmo fenômeno mais amplo.

Os dados registrados pela polícia podem descrever crimes registrados, enquanto pesquisas de vitimização e estudos de autorrelato podem fornecer evidências sobre experiências ou comportamentos que podem não aparecer nos registros policiais.

Qual fonte é adequada depende, portanto, do crime, da população, do desenho da coleta e da pergunta de pesquisa, e não de qualquer fonte ser inerentemente mais precisa.

Definições, classificação e regras de contagem moldam os resultados

Definição operacional

Determina quais observações se qualificam para a medição.

Classificação e codificação

Determinam a categoria de infração atribuída às observações registradas.

Regra de contagem

Determina como as observações qualificadas contribuem para um total estatístico.

Limiar de registro

Pode determinar se um evento entra na série registrada.

Implicação

Alterar qualquer uma dessas regras pode mudar o valor publicado sem representar uma mudança equivalente na criminalidade subjacente.

Por exemplo, se um sistema estatístico altera sua definição operacional de modo que uma classe anteriormente excluída de incidentes seja codificada dentro de uma classificação de infração existente, mais observações podem entrar nessa categoria e aumentar seu total estatístico mesmo quando a criminalidade subjacente não aumentou na mesma proporção.

Uma regra de contagem ou limiar de registro alterado pode igualmente modificar quantas observações registradas aparecem na série sem representar uma mudança equivalente em eventos do mundo real.

A tendência resultante deve, portanto, ser interpretada à luz das regras de medição e de possíveis mudanças na criminalidade subjacente.

Um aparente aumento ou diminuição pode refletir uma mudança na medição, uma mudança no mundo real ou uma combinação de ambos.

Unidades geográficas, períodos temporais e denominadores mudam o significado das medidas

Um quadro estatístico define o que uma medida de criminalidade representa por meio de sua unidade geográfica, período temporal e denominador.

O limite geográfico determina a área incluída, a janela de observação determina quando os eventos são contados, e a população ou outro denominador determina a base contra a qual uma taxa é interpretada.

Esses três atributos estabelecem as condições para a comparabilidade entre medidas.

• Unidade geográfica: Uma medida definida para uma jurisdição ou área reflete eventos dentro daquele limite; alterar o limite pode mudar quais observações e população são incluídas, portanto valores de áreas definidas de forma diferente exigem qualificação antes da comparação.
• Período temporal: Uma janela de observação mensal representa um período de notificação diferente de uma janela anual; comparações exigem períodos compatíveis ou um ajuste explícito, pois a quantidade de tempo representada difere.
• Denominador: Uma taxa baseada na população residente pode significar algo diferente de uma baseada em uma população de exposição ou outra base populacional; alterar o denominador muda a relação expressa pela medida e, portanto, sua interpretação.

Por exemplo, suponha que um limite geográfico seja redesenhado de modo que uma área povoada adicional entre na unidade estatística enquanto a definição da infração e a janela de observação permanecem inalteradas.

O valor resultante pode diferir porque as observações e a população dentro do quadro mudaram, portanto a comparação com o limite anterior não é automaticamente equivalente.

A comparabilidade depende, portanto, de manter a unidade geográfica, o período temporal e o denominador suficientemente compatíveis, ou de qualificar explicitamente as diferenças.

Como interpretar estatísticas de criminalidade para pesquisa de casos

A interpretação criteriosa das estatísticas de criminalidade começa por adequar a pergunta de pesquisa a uma medida, fonte e quadro estatístico que possam efetivamente respondê-la.

A população, o período e o escopo geográfico pertinentes devem estar explícitos antes que um padrão estatístico seja usado como contexto para a pesquisa de casos.

O objetivo é uma conclusão delimitada que reflita o que os dados sustentam sem estender a inferência além do escopo ou das limitações da medida.

O método ordenado abaixo vai da pergunta de pesquisa a uma interpretação qualificada do contexto estatístico disponível.

Cada etapa inclui uma dica de verificação para testar se as evidências permanecem alinhadas com a pergunta feita.

1. Defina a pergunta de pesquisa: Enuncie precisamente o que precisa ser conhecido e verifique se a pergunta diz respeito a um padrão em nível populacional, a uma comparação ou a uma proposição específica de caso.
2. Selecione a medida pertinente: Identifique a contagem, taxa, estimativa de prevalência ou outra medida que responda à pergunta e verifique se seu significado corresponde à inferência pretendida.
3. Identifique a fonte e a construção: Inspecione como a estatística foi coletada, classificada, codificada e agregada e verifique quais observações a fonte pode incluir ou omitir.
4. Verifique o quadro estatístico: Confira a população, o período, o escopo geográfico e o denominador, quando aplicável, e verifique se eles correspondem ao contexto que está sendo interpretado.
5. Verifique a comparabilidade e as limitações: Avalie se definições, métodos e quadros são suficientemente compatíveis para a comparação pretendida e identifique qualquer limitação que exija qualificação.
6. Enuncie uma conclusão delimitada: Expresse apenas o padrão estatístico sustentado pelas evidências e verifique se a conclusão não implica causalidade ou um fato específico de caso que os dados não podem estabelecer.

Por exemplo, um conjunto de dados que mostre que uma infração registrada foi mais frequente em uma área definida durante um período do que em outro período comparável pode sustentar a conclusão restrita de que o padrão estatístico registrado diferiu entre esses períodos.

O mesmo conjunto de dados não estabelece por si só por que a mudança ocorreu nem se um caso específico seguiu aquele padrão mais amplo.

Evidências do caso seriam necessárias para sustentar uma conclusão sobre um evento individual.

Uma conclusão delimitada deve, portanto, enunciar o que a estatística mostra, o quadro no qual ela se aplica e a inferência que permanece sem suporte.

Corresponder a medida estatística à pergunta de pesquisa

A seleção da medida estatística depende da pergunta de pesquisa exata, porque diferentes medidas representam diferentes atributos dos dados de criminalidade.

Uma contagem representa o volume de eventos, uma taxa representa a frequência relativa a um denominador definido, uma proporção representa uma parte de um total definido, e uma observação em nível de caso preserva detalhes sobre um evento individual.

Os critérios abaixo correspondem a necessidades comuns de informação a uma medida adequada e à condição principal que rege sua interpretação.

• Volume de eventos → contagem: Uma contagem se adequa a uma pergunta sobre quantos eventos foram registrados ou estimados dentro de um escopo definido; o período, o escopo geográfico e a definição do evento devem corresponder ao total pretendido.
• Frequência normalizada pela população → taxa: Uma taxa se adequa a uma pergunta sobre a frequência de eventos relativa a uma população ou outro denominador; o denominador deve representar uma base populacional apropriada para a comparação pretendida.
• Distribuição ou parcela → proporção: Uma proporção se adequa a uma pergunta sobre qual fração de um total definido pertence a uma categoria; tanto o subconjunto quanto o total usado como denominador devem ser claramente especificados.
• Tendência → medida estatística consistente: Uma pergunta sobre tendência exige que a mesma medida relevante seja avaliada ao longo de períodos sob definições e condições de medição suficientemente compatíveis, de modo que a mudança observada tenha um significado consistente.
• Detalhe específico do caso → observação em nível de caso: Uma observação em nível de caso se adequa a uma pergunta sobre atributos de um evento ou registro individual; seu detalhamento apoia a interpretação em nível de caso, e não a frequência em nível populacional.

Por exemplo, se a pergunta de pesquisa indaga se a frequência de infrações registradas difere em relação à população entre duas áreas, uma contagem bruta responde mal à pergunta porque mostra o volume de eventos sem considerar o tamanho populacional.

Uma taxa aborda essa pergunta de forma mais direta ao relacionar eventos a um denominador populacional definido, desde que o denominador, o período, o escopo geográfico e a definição da infração sejam suficientemente compatíveis.

A escolha da medida é, consequentemente, relevante para a decisão quando a medida selecionada representa o atributo sobre o qual a pergunta de pesquisa realmente indaga e sua condição interpretativa é satisfeita.

Compare dados apenas quando definições, locais e períodos forem compatíveis

A comparabilidade de dados exige definições, métodos de coleta, unidades geográficas, períodos temporais e denominadores suficientemente compatíveis antes que diferenças numéricas possam sustentar uma interpretação equivalente.

Valores semelhantes por si só não estabelecem compatibilidade metodológica, pois uma incompatibilidade em qualquer uma dessas condições pode mudar o que os números representam.

As verificações a seguir identificam se uma comparação é defensável ou exige qualificação.

• Definição: Verifique se a mesma definição de infração, classificação e base de codificação se aplicam a ambas as séries; se diferirem, os valores podem representar conjuntos diferentes de eventos e a comparação exige qualificação ou pode ser inadequada.
• Método de coleta: Confirme se as observações foram coletadas por métodos suficientemente compatíveis; uma incompatibilidade metodológica pode alterar quais eventos entram em cada conjunto de dados e enfraquecer a interpretação de uma diferença numérica.
• Unidade geográfica: Verifique se as áreas comparadas usam limites e escopo jurisdicional compatíveis; unidades geográficas diferentes podem incluir populações ou eventos distintos, impedindo uma comparação direta entre locais sem qualificação.
• Período temporal: Confira se as janelas de notificação abrangem períodos e durações compatíveis; comparar períodos temporais diferentes pode confundir a diferença numérica com diferenças no momento ou na duração da exposição.
• Denominador: Verifique se as taxas usam bases populacionais ou outros denominadores compatíveis; uma incompatibilidade de denominador altera a relação de frequência expressa por cada taxa e pode tornar os valores nominais não equivalentes.

Por exemplo, suponha que duas séries de crimes, de resto semelhantes, usem limites geográficos que colocam uma área adicional dentro de uma unidade estatística, mas fora da outra.

Mesmo que seus valores informados pareçam próximos, a comparação não é totalmente equivalente porque a unidade geográfica e a população representadas por cada série diferem.

O resultado deve, portanto, ser explicitamente qualificado, ou a comparação deve ser abandonada, quando a incompatibilidade impedir uma interpretação defensável.

Trate padrões estatísticos como contexto, e não como prova de caso

Suponha que os dados mostrem que uma infração registrada é mais frequente em uma área durante um período definido do que em uma área ou período comparável.

Uma afirmação defensável é que o caso ocorreu dentro de um contexto onde o padrão agregado registrado era mais frequente.

Seria uma inferência excessiva usar esse contexto estatístico isoladamente para atribuir um motivo, identidade ou causa particular ao caso individual.

A conclusão permitida deve, portanto, permanecer dentro do escopo das evidências: use o padrão agregado para contexto e recorra à documentação específica do caso para alegações sobre o caso individual.

Limitações que afetam a precisão e a comparabilidade

Limitações das estatísticas de criminalidade, como incompletude, erro de medição, comportamento de notificação e restrições metodológicas, podem reduzir a confiança em uma conclusão sem invalidar automaticamente os dados subjacentes.

Seu efeito depende da fonte, do crime, do período e do sistema estatístico, incluindo como os eventos são notificados, registrados, estimados e revisados.

A interpretação deve, portanto, refletir tanto a limitação presente quanto se ela afeta a precisão, a comparabilidade ou o escopo da conclusão.

A tabela relaciona limitações comuns ao mecanismo pelo qual elas afetam as estatísticas registradas e à resposta interpretativa resultante.

Ela se concentra em subnotificação, diferenças de registro, dados ausentes, estimação, revisão e definições incompatíveis, sem assumir que cada limitação tem o mesmo efeito em todos os conjuntos de dados.

Limitação	Mecanismo	Efeito provável	Resposta interpretativa
Subnotificação	O comportamento de notificação determina se alguns eventos vivenciados ou observados entram em um sistema de crime registrado.	Os totais registrados podem ser incompletos em relação aos eventos dentro do fenômeno pretendido, sendo o grau de incompletude dependente dos padrões de notificação.	Trate a estatística como uma medida do crime registrado naquele processo de notificação e qualifique conclusões que exijam uma cobertura mais completa dos eventos.
Diferenças de registro	Diferenças na codificação, classificação ou prática de registro podem introduzir erro de medição ao alterar a forma como observações semelhantes são representadas.	Diferenças aparentes entre conjuntos de dados podem refletir parcialmente a metodologia, em vez de diferenças nos eventos subjacentes.	Verifique se as práticas de registro são suficientemente compatíveis antes de interpretar uma diferença numérica como substantiva.
Períodos ou observações ausentes	Dados ausentes criam lacunas nas observações disponíveis para um período ou série definidos.	Totais, taxas ou tendências podem representar cobertura incompleta e fornecer evidências mais fracas para comparações que abranjam o período ausente.	Identifique a lacuna explicitamente e restrinja ou qualifique a conclusão às observações que estão realmente disponíveis.
Estimação	Procedimentos estatísticos podem estimar valores não observados ou incompletamente observados usando suposições definidas pela metodologia da fonte.	O valor publicado pode conter incerteza adicional porque parte dele é inferida, em vez de diretamente observada.	Distinga valores estimados de valores diretamente observados e mantenha a confiança proporcional ao método de estimação e à cobertura documentados.
Revisão	Informações posteriores ou alterações no processamento podem modificar valores publicados anteriormente.	Diferentes versões da mesma série podem conter valores distintos, afetando a continuidade e as comparações feitas a partir de versões anteriores.	Use uma versão consistente sempre que possível e identifique o status da revisão quando diferenças entre versões afetarem a interpretação.
Definições incompatíveis	Diferentes definições de crime, limites de categoria ou regras de inclusão podem fazer com que estatísticas com rótulos semelhantes representem fenômenos distintos.	A semelhança numérica não estabelece comparabilidade quando as categorias subjacentes não são equivalentes.	Restrinja a comparação a definições suficientemente compatíveis ou apresente uma qualificação explicando por que os números não devem ser interpretados como equivalentes.

A gravidade de uma limitação determina o quão estritamente a inferência resultante deve ser delimitada, em vez de determinar se os dados devem ser aceitos ou rejeitados como um todo.

Uma restrição menor pode exigir uma qualificação específica, enquanto cobertura ausente ou definições incompatíveis podem enfraquecer substancialmente a confiança em uma comparação mais ampla.

As conclusões não devem, portanto, ser mais fortes do que a precisão, a cobertura e a comparabilidade suportadas pelo conjunto de dados e pelas condições específicas que estão sendo examinados.

Subnotificação e práticas de registro afetam o crime registrado

A magnitude e a direção dessas lacunas podem diferir entre tipos de crime, populações e jurisdições, porque o comportamento de notificação, a prática de registro e as regras administrativas não operam uniformemente em todos os contextos.

Uma propensão menor à notificação para um tipo de crime pode deixar uma parcela maior dos incidentes vivenciados fora do conjunto de dados registrados, enquanto diferenças no registro ou no tratamento administrativo podem alterar a relação entre incidentes notificados e a contagem oficial final.

A interpretação deve, portanto, tratar o crime registrado como evidência sobre incidentes capturados pelo sistema de notificação e registro pertinente, considerando a subnotificação e os processos de registro ao relacionar esse conjunto de dados à incidência subjacente.

Dados ausentes, estimativas e revisões afetam a força das conclusões

A força da conclusão deve, portanto, refletir a quantidade de dados disponíveis, o método de ajuste e o estado da revisão: uma confiança mais forte é mais defensável quando as observações relevantes têm completude suficiente, enquanto lacunas substanciais ou estimativas incertas podem exigir uma conclusão provisória ou tornar uma inferência específica inadequada.

Por exemplo, se um período em uma série for identificado como estimado em vez de observado, uma afirmação de tendência que abranja esse período deve reconhecer a estimativa, em vez de apresentar cada ponto como tendo o mesmo status probatório.

Se esse período for posteriormente revisado usando informações adicionais, a série revisada pode sustentar uma interpretação diferente sem implicar que a própria revisão enfraqueceu os dados.

Onde as revisões afetam uma conclusão, o histórico de versões deve ser verificado para que os valores publicados que estão sendo comparados sejam da versão pretendida.

Como usar estatísticas históricas de criminalidade ao longo do tempo

Estatísticas históricas de criminalidade devem ser interpretadas como uma série temporal apenas quando a continuidade metodológica for suficientemente estável ou as mudanças forem explicitamente reconciliadas.

Uma tendência de longo prazo pode refletir mudança numérica, mas seu significado também depende se a definição, o sistema de coleta, a cobertura geográfica e a base populacional permanecem comparáveis ao longo do período.

Os valores históricos são interpretáveis em relação às regras de medição e à população que os produziram, e não como valores uniformemente comparáveis ao longo de toda a série.

As seguintes verificações de continuidade estabelecem se uma série histórica possui um quadro de medição estável ou explicitamente reconciliado.

Cada condição afeta se a mudança observada pode sustentar uma comparação de longo prazo ou exige qualificação.

• Continuidade da definição: Verificar se a definição da infração, a classificação e as regras de inclusão permanecem suficientemente consistentes; uma definição alterada pode modificar quais eventos entram na série temporal e criar uma mudança aparente que é parcialmente metodológica.
• Continuidade do sistema de coleta: Verificar se o sistema de coleta e a metodologia central de registro permanecem estáveis; uma mudança no sistema pode alterar como as observações são capturadas e enfraquecer a comparação ao longo da transição.
• Cobertura geográfica: Confirmar se as mesmas jurisdições, limites ou áreas de notificação permanecem no escopo; a cobertura geográfica alterada pode adicionar ou remover populações e eventos da série histórica.
• Base populacional: Verificar se as taxas usam uma base populacional ou denominador compatíveis ao longo do período; uma base populacional alterada pode modificar a frequência representada mesmo quando a contagem de eventos registrados segue um padrão diferente.
• Status de revisão: Determinar se os valores provêm de versões compatíveis da série; revisões posteriores podem alterar observações publicadas anteriormente e afetar comparações que misturam diferentes estados de revisão.
• Quebras documentadas na série: Identificar qualquer quebra na série causada por uma mudança metodológica ou jurisdicional conhecida; valores em lados opostos da quebra devem ser qualificados ou tratados como segmentos separados, a menos que a fonte forneça uma base para reconciliação.

Por exemplo, suponha que uma série histórica mostre um aumento ao longo de um período no qual o sistema de coleta muda e a fonte identifica uma quebra na série.

Os valores podem descrever os números publicados antes e depois dessa mudança, mas a diferença numérica isoladamente não estabelece uma única tendência de longo prazo, porque parte da mudança pode refletir o quadro de medição alterado.

A comparação deve, por esse motivo, identificar a quebra e limitar a afirmação a períodos com continuidade metodológica suficiente ou qualificar explicitamente a interpretação que cruza a quebra.

Isso mantém a conclusão histórica vinculada à definição, à população e ao sistema que produziram cada parte da série.

Considerar mudanças na lei, nas definições e nos métodos de coleta

Para um exemplo ilustrativo, suponha que uma regra de classificação seja ampliada de modo que incidentes anteriormente excluídos de uma categoria de infração sejam incluídos após a mudança.

A medida pós-alteração pode, então, conter um conjunto mais amplo de eventos registrados do que a medida pré-alteração, mesmo que a criminalidade subjacente não mude na mesma proporção.

Comparar os dois períodos sem qualificação poderia, portanto, superestimar o quanto da diferença numérica representa mudança no mundo real.

A regra de classificação alterada, a medida afetada e a quebra na série resultante devem ser divulgadas sempre que limitarem a comparabilidade entre os períodos pré e pós-alteração.

Considerar mudanças populacionais e de limites geográficos

Crescimento ou migração

Pode alterar o denominador populacional; uma contagem igual pode corresponder a uma taxa diferente quando a população muda.

Redesenho de limites

Pode alterar a população representada e também quais incidentes entram no numerador.

Mesmo nome de lugar

Não garante o mesmo quadro estatístico ao longo do tempo; a cobertura territorial precisa ser verificada.

Comparação defensável

Use normalização, harmonização de limites ou uma conclusão mais restrita quando os quadros não forem diretamente equivalentes.

Para uma comparação hipotética, suponha que a mesma contagem bruta de crimes seja registrada em dois períodos, mas o crescimento populacional por meio da migração aumente a base populacional enquanto o limite geográfico permanece inalterado.

O numerador permanece inalterado, mas o denominador maior produz uma taxa normalizada pela população menor, portanto a contagem e a taxa sustentam diferentes interpretações de mudança ao longo dos dois períodos.

Se uma alteração de limite também modificar quais residentes e incidentes estão dentro da jurisdição, tanto a população representada quanto potencialmente o numerador podem mudar, tornando a comparação dependente do quadro geográfico revisado.

Uma comparação histórica defensável exige, portanto, normalização quando a base populacional muda, harmonização de limites quando as definições de área podem ser reconciliadas, ou uma afirmação qualificada mais restrita quando esses ajustes não são suportados pelos dados disponíveis.

Preferir séries estatísticas comparáveis ao traçar mudanças de longo prazo

Séries estatísticas comparáveis sustentam uma interpretação mais defensável da mudança de longo prazo do que uma coleção mais longa de valores cuja definição, método, cobertura ou denominador muda sem reconciliação.

A extensão histórica por si só não estabelece continuidade, pois diferenças na medição podem ser confundidas com mudanças na criminalidade.

A seguinte lista de verificação testa se uma série retém continuidade suficiente em seu quadro de medição para sustentar uma afirmação de tendência de longo prazo.

• Continuidade da fonte: Verificar se a série provém do mesmo sistema de fonte ou de fontes com métodos explicitamente reconciliados; uma mudança de fonte sem reconciliação pode tornar as diferenças observadas parcialmente atribuíveis a uma mudança na medição.
• Continuidade da definição da infração: Verificar se uma definição consistente e a base de classificação pertinente se aplicam aos períodos comparados; uma definição de infração alterada pode modificar quais eventos entram na série e enfraquecer a interpretação da mudança numérica.
• Cobertura geográfica: Confirmar se as áreas ou jurisdições representadas permanecem suficientemente consistentes; a cobertura alterada pode adicionar ou remover populações e eventos registrados, limitando a comparação equivalente.
• Denominador: Verificar se as taxas usam uma base populacional compatível ou outro denominador ao longo da comparação; um denominador alterado modifica a relação de frequência expressa pela série.
• Período de notificação: Verificar se cada observação representa um período e duração de notificação compatíveis; períodos inconsistentes podem fazer com que mudanças aparentes reflitam diferentes janelas de medição, em vez de mudança de longo prazo comparável.
• Quebras e revisões documentadas: Identificar cada quebra documentada ou revisão material que afete a série; valores em tais pontos exigem qualificação ou reconciliação explícita antes que possam sustentar uma interpretação de tendência contínua.

Por exemplo, uma série histórica mais longa pode conter mudanças nas definições ou nos métodos de coleta, enquanto uma série mais curta pode preservar uma definição, método, cobertura, denominador e período de notificação consistentes em toda a sua extensão.

Para uma afirmação de tendência de longo prazo restrita a esse período mais curto, a série metodologicamente comparável permite uma interpretação mais direta, mesmo que contenha menos anos.

A série mais longa ainda pode ser usada quando as descontinuidades pertinentes são identificadas e a afirmação é qualificada para refleti-las.

Se conjuntos de dados incompatíveis precisarem ser combinados, suas diferenças exigem reconciliação explícita, em vez de serem emendados em uma tendência contínua.