Notebook para criação de tabela de indicadores da PNS - módulo P 2019 Alimentação¶
Bibliotecas Utilizadas¶
In [ ]:
#Lendo pacotes necessários
library(survey)
library(ggplot2)
library(dplyr)
library(foreign)
library(forcats)
library(tidyverse)
Carregando microdados da PNS¶
In [ ]:
#Carregando banco de dados
load("<coloque aqui o caminho para o arquivo dos microdados formato RDATA>")
Definição do peso e filtragem de respondentes do questionário¶
In [3]:
#Selecionando registros válidos para o módulo P e calculando peso amostral - summary de verificação
pns2019.1<-pns2019v3 %>% filter(V0025A==1)
pns2019.1<-pns2019.1 %>% mutate(peso_morador_selec=((V00291*(94114/168426190))))
pns2019.1<-pns2019.1 %>% filter(!is.na(peso_morador_selec))
summary(pns2019.1$peso_morador_selec)
Criação de variáveis dos indicadores¶
In [4]:
#Desfechos - Indicadores
#Indivíduos de 18 anos ou mais que consomem feijão regularmente - P001P
pns2019.1 <- pns2019.1 %>% filter(P006!=9) %>% mutate(P001P = ifelse(P006>=5, 1,2))
pns2019.1$P001P<-factor(pns2019.1$P001P, levels=c(1,2), labels=c("Sim","Nao"))
summary(pns2019.1$P001P)
#Indivíduos de 18 anos ou mais com consumo adequado de frutas, legumes e verduras - P002P
pns2019.1 <- pns2019.1 %>% mutate(P002P = ifelse(P00901 >= 5 & P018>=5,1,2))
pns2019.1$P002P<-factor(pns2019.1$P002P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$P002P)
#Indivíduos de 18 anos ou mais que consomem peixe pelo menos um dia por semana - P003P
pns2019.1 <- pns2019.1 %>% filter(P015!=9) %>% mutate(P003P = ifelse(P015>=1, 1,2))
pns2019.1$P003P<-factor(pns2019.1$P003P, levels=c(1,2), labels=c("Sim","Nao"))
summary(pns2019.1$P003P)
#Indivíduos de 18 anos ou mais que consomem refrigerantes regularmente - P004P
pns2019.1 <- pns2019.1 %>% filter(P02002!=9) %>% mutate(P004P = ifelse(P02002>=5, 1,2))
pns2019.1$P004P<-factor(pns2019.1$P004P, levels=c(1,2), labels=c("Sim","Nao"))
summary(pns2019.1$P004P)
#Indivíduos de 18 anos ou mais que consomem alimentos doces regularmente - P005P
pns2019.1 <- pns2019.1 %>% filter(P02501!=9) %>% mutate(P005P = ifelse(P02501>=5, 1,2))
pns2019.1$P005P<-factor(pns2019.1$P005P, levels=c(1,2), labels=c("Sim","Nao"))
summary(pns2019.1$P005P)
#Indivíduos de 18 anos ou mais que substituem o almoço por sanduiches, salgados ou pizzas regularmente - P006P
pns2019.1 <- pns2019.1 %>% filter(P02602!=9) %>% mutate(P006P = ifelse(P02602>=5, 1,2))
pns2019.1$P006P<-factor(pns2019.1$P006P, levels=c(1,2), labels=c("Sim","Nao"))
summary(pns2019.1$P006P)
#Indivíduos de 18 anos ou mais que referem consumo elevado de sal - P007P
pns2019.1 <- pns2019.1 %>% filter(P02601!=9) %>% mutate(P007P = ifelse(P02601==1|P02601==2, 1,2))
pns2019.1$P007P<-factor(pns2019.1$P007P, levels=c(1,2), labels=c("Sim","Nao"))
summary(pns2019.1$P007P)
#Consumo de alguma hortaliça no dia anterior à pesquisa - P030P
pns2019.1 <- pns2019.1 %>% mutate(P030P = ifelse(P00607==1 | P00608==1 | P00609==1,1,
ifelse(P00607==2 & P00608==2 & P00609==2,2,2)))
pns2019.1$P030P<-factor(pns2019.1$P030P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$P030P)
#Consumo de pelo menos uma fruta no dia anterior à pesquisa - P031P
pns2019.1 <- pns2019.1 %>% mutate(P031P = ifelse(P00610 ==1 | P00611 ==1,1,
ifelse(P00610 ==2 & P00611 ==2 ,2,2)))
pns2019.1$P031P<-factor(pns2019.1$P031P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$P031P)
#Não consumiu alimento ultraprocessado no dia anterior à pesquisa - P032P
pns2019.1 <- pns2019.1 %>% mutate(P032P = ifelse(P00614 == 1 | P00615 == 1 | P00616 == 1 | P00617 == 1 | P00618 == 1
| P00619 == 1 | P00620 == 1 | P00621 == 1 | P00622 == 1 | P00623 == 1,2,
ifelse(P00614 == 2 & P00615 == 2 & P00616 == 2 & P00617 == 2 & P00618 == 2
& P00619 == 2 & P00620 == 2 & P00621 == 2 & P00622 == 2 & P00623 == 2 ,1,1)))
pns2019.1$P032P<-factor(pns2019.1$P032P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$P032P)
Definições de abrangências¶
Situação urbana ou rural¶
In [5]:
#Situação Urbano ou Rural
pns2019.1 <- pns2019.1 %>% rename(Sit_Urbano_Rural=V0026)
pns2019.1$Sit_Urbano_Rural<-factor(pns2019.1$Sit_Urbano_Rural, levels=c(1,2), labels=c("Urbano", "Rural"))
summary(pns2019.1$Sit_Urbano_Rural)
Sexo¶
In [6]:
#Sexo
pns2019.1 <- pns2019.1 %>% rename(Sexo=C006)
pns2019.1$Sexo<-factor(pns2019.1$Sexo, levels=c(1,2), labels=c("Masculino", "Feminino"))
summary(pns2019.1$Sexo)
UF¶
In [7]:
#Estados - UFs
pns2019.1 <- pns2019.1 %>% rename(Unidades_da_Federacao=V0001)
pns2019.1$Unidades_da_Federacao<-factor(pns2019.1$Unidades_da_Federacao, levels=c(11,12,13,14,15,16,17,21,22,23,24,25,26,27,28,29,31,32,33,35,41,42,43,50,51,52,53),
label=c("Rondônia","Acre","Amazonas","Roraima","Pará","Amapá","Tocantins","Maranhão","Piauí","Ceará",
"Rio Grande do Norte","Paraíba","Pernambuco","Alagoas","Sergipe","Bahia",
"Minas Gerais","Espírito Santo","Rio de Janeiro","São Paulo",
"Paraná","Santa Catarina","Rio Grande do Sul",
"Mato Grosso do Sul","Mato Grosso","Goiás","Distrito Federal"))
summary(pns2019.1$Unidades_da_Federacao)
Grandes Regiões¶
In [8]:
#Grandes Regiões
pns2019.1 <- pns2019.1 %>%
mutate(GrandesRegioes = fct_collapse(Unidades_da_Federacao,
`Norte` = c("Rondônia","Acre","Amazonas","Roraima","Pará", "Amapá","Tocantins"),
`Nordeste` = c("Maranhão", "Piauí", "Ceará", "Rio Grande do Norte", "Paraíba","Pernambuco", "Alagoas","Sergipe","Bahia"),
`Sudeste` = c("Minas Gerais", "Espírito Santo","Rio de Janeiro", "São Paulo"),
`Sul` = c("Paraná", "Santa Catarina", "Rio Grande do Sul"),
`Centro-Oeste`= c("Mato Grosso do Sul","Mato Grosso", "Goiás", "Distrito Federal")))
summary(pns2019.1$GrandesRegioes)
Capitais¶
In [9]:
#Capital
pns2019.1<- pns2019.1 %>% mutate(Capital= fct_collapse(Unidades_da_Federacao,
`Porto Velho`= "Rondônia",
`Boa Vista`= "Roraima",
`Rio Branco`= "Acre",
`Manaus` = "Amazonas",
`Belém` = "Pará" ,
`Macapá`= "Amapá",
`Palmas` = "Tocantins",
`São Luís` = "Maranhão",
`Teresina`= "Piauí" ,
`Fortaleza`= "Ceará",
`Natal`= "Rio Grande do Norte",
`João Pessoa`= "Paraíba",
`Recife`= "Pernambuco",
`Maceió`= "Alagoas",
`Aracaju`= "Sergipe",
`Salvador`= "Bahia",
`Belo Horizonte`= "Minas Gerais",
`Vitória`= "Espírito Santo",
`Rio de Janeiro`= "Rio de Janeiro",
`São Paulo`= "São Paulo",
`Curitiba`= "Paraná",
`Florianópolis`= "Santa Catarina",
`Porto Alegre`= "Rio Grande do Sul",
`Campo Grande`= "Mato Grosso do Sul",
`Cuiabá`= "Mato Grosso",
`Goiânia` = "Goiás",
`Brasília`= "Distrito Federal"))
summary(pns2019.1$Capital)
Faixa Etária¶
In [10]:
#Faixas Etárias
pns2019.1 <- pns2019.1 %>% mutate(faixa_idade=cut(C008,
breaks = c(18,30, 45, 60, 75,Inf),
labels = c("18 a 29 anos","30 a 44 anos","45 a 59 anos","60 a 74 anos","75 anos ou mais"),
ordered_result = TRUE, right = FALSE))
summary(pns2019.1$faixa_idade)
Raça¶
In [11]:
#Raça
pns2019.1 <- pns2019.1 %>% mutate(Raca= ifelse(C009==1, 1,
ifelse(C009==2, 2,
ifelse(C009==4, 3, 9))))
pns2019.1$Raca<-factor(pns2019.1$Raca, levels=c(1,2,3),labels=c("Branca", "Preta", "Parda"))
summary(pns2019.1$Raca)
Renda per capita¶
In [12]:
#Rendimento domiciliar per capita
pns2019.1 <- pns2019.1 %>% mutate(rend_per_capita = ifelse(VDF004 %in% 1:2, 1,
ifelse(VDF004%in% 3, 2,
ifelse(VDF004%in% 4, 3,
ifelse(VDF004%in% 5, 4,5)))))
pns2019.1$rend_per_capita<-factor(pns2019.1$rend_per_capita, levels=c(1,2,3,4,5), labels=c("Até 1/2 SM","1/2 até 1 SM","1 até 2 SM",
"2 até 3 SM","Mais de 3 SM"))
summary(pns2019.1$rend_per_capita)
Escolaridade¶
In [13]:
# Escolaridade
pns2019.1 <- pns2019.1 %>% mutate(gescol = ifelse(VDD004A %in% 1:2, 1,
ifelse(VDD004A%in% 3:4, 2,
ifelse(VDD004A%in% 5:6, 3,4
))))
pns2019.1$gescol<-factor(pns2019.1$gescol, levels=c(1,2,3,4),
labels=c("Fundamental incompleto ou equivalente","Médio incompleto ou equivalente",
"Superior incompleto ou equivalente","Superior completo"))
summary(pns2019.1$gescol)
Criando indicadores¶
Filtrando base de indicadores¶
In [14]:
#Selecionando variáveis para cálculo de indicadores no survey_ALTERAR
pns2019Psurvey<- pns2019.1 %>% select("V0024","UPA_PNS","peso_morador_selec","P001P","P002P","P003P","P004P", "P005P","P006P","P007P","P030P","P031P","P032P",
"C008","C009","V0031", "Sit_Urbano_Rural","Sexo","Unidades_da_Federacao", "GrandesRegioes",
"Capital","faixa_idade", "Raca","rend_per_capita","gescol", "Capital")
summary(pns2019Psurvey)
Exporta tabela filtrada¶
In [15]:
#Salvando csv para cálculo de indicadores no survey_ALTERAR
path <- "../dados/"
write.csv(pns2019Psurvey, file.path(path, "pns2019Psurvey.csv"))
Cria plano amostral complexo¶
In [16]:
#survey design
desPNSP=svydesign(id=~UPA_PNS, strat=~V0024, weight=~peso_morador_selec, nest=TRUE, data=pns2019Psurvey)
desPNSP18=subset(desPNSP, C008>=18)
desPNSPC18=subset(desPNSP, C008>=18 & V0031==1)
desPNSPR18=subset(desPNSP, C008>=18 & Raca!=9)
Criação da tabela de indicadores¶
Essa tabela é responsável por unir os indicadores no formato do painel de indicadores
In [27]:
matrizIndicadores = data.frame()
Definição de variáveis para iteração dos indicadores¶
In [28]:
ListaIndicadores = c(~P001P,~P002P,~P003P,~P004P,~P005P,~P006P,~P007P,~P030P,~P031P,~P032P)
ListaIndicadoresTexto = c("P001P","P002P","P003P","P004P","P005P","P006P","P007P","P030P","P031P","P032P")
ListaDominios = c(~Sexo,~Raca,~rend_per_capita,~faixa_idade,~Sit_Urbano_Rural,~Unidades_da_Federacao,~GrandesRegioes,~Capital,~gescol)
ListaDominiosTexto = c("Sexo","raça","rend_per_capita","fx_idade_18","urb_rur","uf","região","capital","gescol")
ListaTotais = c('Brasil','Capital')
Ano <- "2019"
Preenchendo a tabela de indicadores¶
Essas iterações rodam por indicador, abrangência e por design
In [29]:
#Cálculo dos indicadores usando o pacote survey
i <- 0
#Para cada indicador
for( indicador in ListaIndicadores){
i <- i + 1
j <- 1
#Para cada dominio
for (dominio in ListaDominios){
#design especifico para capital que é subconjunto do dataframe total
if (ListaDominiosTexto[j]=="capital"){
#designs especificos por variavel que são subconjuntos do dataset total
dataframe_indicador<-svyby( indicador , dominio , desPNSPC18 , svymean,vartype= c("ci","cv"))
#Uso design do subconjunto para raça/cor que inclui preta, branca e parda as outras
#não possuiam dados suficientes para os dominios dos indicadores
}else if (ListaDominiosTexto[j]=="raça"){
dataframe_indicador<-svyby( indicador , dominio , desPNSPR18 , svymean,vartype= c("ci","cv"))
#design geral para o subconjunto maior que 18 anos
}else {
dataframe_indicador<-svyby( indicador , dominio , desPNSP18 , svymean,vartype= c("ci","cv"))
}
#União do dataframe de indicadores no formato do painel disponibilizado para PNS
dataframe_indicador<-data.frame(dataframe_indicador)
colnames(dataframe_indicador) <- c("abr_nome","Sim","Não","LowerS","LowerN","UpperS","UpperN","cvS","cvN")
dataframe_indicador$Indicador <- ListaIndicadoresTexto[i]
dataframe_indicador$abr_tipo <- ListaDominiosTexto[j]
dataframe_indicador$Ano <- Ano
dataframe_indicador <- dataframe_indicador %>% select("abr_tipo","abr_nome","Ano","Indicador","Sim","LowerS","UpperS","cvS")
matrizIndicadores <-rbind(matrizIndicadores,dataframe_indicador)
j <- j + 1
}
}
Criando a tabela pela abrangência total¶
In [31]:
matriz_totais <- data.frame()
Preenchendo a tabela com as abrangencia Brasil e total das capitais¶
In [ ]:
i=0
for(indicador in ListaIndicadores){
i <- i+1
for(total in ListaTotais){
dataframe_indicador <- data.frame()
dataframe_indicador_S <- data.frame()
dataframe_indicador_N <- data.frame()
if(total == 'Capital'){
dataframe_indicador <- svymean(indicador,desPNSPC18)
}else{
dataframe_indicador <- svymean(indicador,desPNSP18)
}
intervalo_confianca <- confint(dataframe_indicador)
coeficiente_variacao <- cv(dataframe_indicador)
dataframe_indicador <- cbind(data.frame(dataframe_indicador),data.frame(intervalo_confianca))
dataframe_indicador <- cbind(data.frame(dataframe_indicador),data.frame(coeficiente_variacao))
dataframe_indicador <- dataframe_indicador %>%
select('mean','X2.5..','X97.5..',coeficiente_variacao)
dataframe_indicador_S <- dataframe_indicador %>%
slice(1)
colnames(dataframe_indicador_S) <- c('Sim','LowerS','UpperS', 'cvS')
dataframe_indicador_S <- dataframe_indicador_S %>%
select('Sim','LowerS','UpperS','cvS')
dataframe_indicador_S$Indicador <- ListaIndicadoresTexto[i]
print(ListaIndicadoresTexto[i])
dataframe_indicador_S$abr_tipo <- "total"
dataframe_indicador_S$abr_nome <- total
dataframe_indicador_S$Ano <- Ano
print(colnames(dataframe_indicador_S))
dataframe_indicador_S <- dataframe_indicador_S %>%
select("abr_tipo","abr_nome","Ano","Indicador","Sim","LowerS","UpperS",'cvS')
matriz_totais <-rbind(matriz_totais,dataframe_indicador_S)
}
}
Unindo tabela de indicadores e de totais¶
In [34]:
matrizIndicadores<-rbind(matrizIndicadores,matriz_totais)
Exportando tabela de indicadores¶
In [36]:
write.table(matrizIndicadores,file="<coloque aqui o caminho para exportação da matriz de indicadores>",sep = ";",dec = ",",row.names = FALSE)