Notebook para criação de tabela de indicadores da PNS - S 2013 Pré-natal - Parte 1¶

Bibliotecas Utilizadas¶

In [ ]:
#Lendo pacotes necessários
library(survey)
library(ggplot2)
library(dplyr)
library(foreign)
library(forcats)
library(tidyverse)

Carregando microdados da PNS¶

In [2]:
#Carregando banco de dados para R versão 3.5.0 ou superior
load("<coloque aqui o caminho para o arquivo dos microdados formato RDATA PNS 2013>")

#conferindo as dimensões (número de linhas e colunas)
dim("<Coloque aqui o nome do arquivo RDATA PNS 2013>")
  1. 222385
  2. 1000

Definição do peso e filtragem de respondentes do questionário¶

In [3]:
#Selecionando registros válidos para o módulo S e calculando peso amostral - summary de verificação
pns2013.1<-<Coloque aqui o nome do arquivo RDATA> %>% filter(M001==1) 
pns2013.1<-pns2013.1 %>% mutate(peso_morador_selec=((V00291*(60202/145572211))))
pns2013.1<-pns2013.1 %>% filter(!is.na(peso_morador_selec))
summary(pns2013.1$peso_morador_selec)

     Min.   1st Qu.    Median      Mean   3rd Qu.      Max. 
 0.004156  0.243959  0.521557  1.000000  1.147413 31.179597

Criação de variáveis dos indicadores¶

In [4]:
#Desfechos - Indicadores

# 1. Proporção de mulheres que realizaram pré-natal - S001P.
pns2013.1$S001P <- NA
pns2013.1$S001P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==2] <- 2
pns2013.1$S001P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 ] <- 1
pns2013.1$S001P<-factor(pns2013.1$S001P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S001P)

# 2. Proporção de mulheres que realizaram pré-natal e que possuíam caderneta/cartão da gestante - S002P.
pns2013.1$S002P <- NA
pns2013.1$S002P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 ] <- 2
pns2013.1$S002P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & pns2013.1$S002==1] <- 1
pns2013.1$S002P<-factor(pns2013.1$S002P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S002P)

# 3. Proporção de mulheres que iniciaram pré-natal com menos de 13 semanas ou até 3 meses de gestação - S003P.
pns2013.1$S003P <- NA
pns2013.1$S003P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 ] <- 2
pns2013.1$S003P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & pns2013.1$S003 <13] <- 1
pns2013.1$S003P<-factor(pns2013.1$S003P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S003P)

# 4. Proporção de mulheres que tiveram 6 ou mais consultas de pré-natal entre as gestantes com parto a termo ou pós-termo) - S004P.
pns2013.1$S004P <- NA
pns2013.1$S004P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 ] <- 2
pns2013.1$S004P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & pns2013.1$S004 >=6] <- 1
pns2013.1$S004P<-factor(pns2013.1$S004P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S004P)

# 5. Proporção de mulheres que realizaram a maioria das consultas de pré-natal em estabelecimentos públicos de saúde - S005P.
pns2013.1$S005P <- NA
pns2013.1$S005P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1] <- 2
pns2013.1$S005P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & pns2013.1$S005 <=3] <- 1
pns2013.1$S005P<-factor(pns2013.1$S005P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S005P)
Sim
1851
Não
67
NA's
58284
Sim
1785
Não
66
NA's
58351
Sim
1527
Não
324
NA's
58351
Sim
1494
Não
357
NA's
58351
Sim
1401
Não
450
NA's
58351

Definições de abrangências¶

Situação urbana ou rural¶

In [5]:
#Situação Urbano ou Rural
pns2013.1 <- pns2013.1 %>% mutate(Sit_Urbano_Rural=V0026)
pns2013.1$Sit_Urbano_Rural<-factor(pns2013.1$Sit_Urbano_Rural, levels=c(1,2), labels=c("urbano", "rural"))
summary(pns2013.1$Sit_Urbano_Rural)
urbano
49245
rural
10957

Sexo¶

In [6]:
#Sexo
pns2013.1 <- pns2013.1 %>% mutate(Sexo=C006)
pns2013.1$Sexo<-factor(pns2013.1$Sexo, levels=c(1,2), labels=c("Masculino", "Feminino"))
summary(pns2013.1$Sexo)
Masculino
25920
Feminino
34282

UF¶

In [7]:
#Estados - UFs
pns2013.1 <- pns2013.1 %>% mutate(Unidades_da_Federacao=V0001)
pns2013.1$Unidades_da_Federacao<-factor(pns2013.1$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(pns2013.1$Unidades_da_Federacao)
Rondônia
1694
Acre
1814
Amazonas
2586
Roraima
1591
Pará
2004
Amapá
1332
Tocantins
1515
Maranhão
1774
Piauí
1804
Ceará
2560
Rio Grande do Norte
1691
Paraíba
1943
Pernambuco
2591
Alagoas
1748
Sergipe
1553
Bahia
2641
Minas Gerais
3779
Espírito Santo
1724
Rio de Janeiro
3486
São Paulo
5305
Paraná
3012
Santa Catarina
1623
Rio Grande do Sul
2913
Mato Grosso do Sul
1809
Mato Grosso
1476
Goiás
2423
Distrito Federal
1811

Grandes Regiões¶

In [8]:
#Grandes Regiões
pns2013.1 <- pns2013.1 %>% 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(pns2013.1$GrandesRegioes)
Norte
12536
Nordeste
18305
Sudeste
14294
Sul
7548
Centro-Oeste
7519

Capital¶

In [9]:
#Capital
pns2013.1<- pns2013.1 %>% 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(pns2013.1$Capital)
Porto Velho
1694
Rio Branco
1814
Manaus
2586
Boa Vista
1591
Belém
2004
Macapá
1332
Palmas
1515
São Luís
1774
Teresina
1804
Fortaleza
2560
Natal
1691
João Pessoa
1943
Recife
2591
Maceió
1748
Aracaju
1553
Salvador
2641
Belo Horizonte
3779
Vitória
1724
Rio de Janeiro
3486
São Paulo
5305
Curitiba
3012
Florianópolis
1623
Porto Alegre
2913
Campo Grande
1809
Cuiabá
1476
Goiânia
2423
Brasília
1811

Faixa Etária¶

In [10]:
# Faixas Etárias
pns2013.1 <- pns2013.1 %>% mutate(fx_idade_S=cut(C008,
  breaks = c(18,25,30,40,120),
  labels = c("18 a 24 anos", "25 a 29 anos", "30 a 39 anos", "40 anos ou mais"), 
  ordered_result = TRUE, right = FALSE))
summary(pns2013.1$fx_idade_S)
18 a 24 anos
7823
25 a 29 anos
6498
30 a 39 anos
14269
40 anos ou mais
31612

Raça¶

In [11]:
# Raça
pns2013.1 <- pns2013.1 %>% mutate(Raca= ifelse(C009==1, 1, 
                        ifelse(C009==2, 2, 
                            ifelse(C009==4, 3, 9))))
pns2013.1$Raca<-factor(pns2013.1$Raca, levels=c(1,2,3),labels=c("Branca", "Preta", "Parda"))
summary(pns2013.1$Raca)
Branca
24106
Preta
5631
Parda
29512
NA's
953

Renda per capita¶

In [12]:
# Rendimento domiciliar per capita
pns2013.1 <-  pns2013.1 %>% mutate(rend_per_capita=cut(VDF003,
  breaks = c(-Inf,339, 678, 1356, 2034, Inf),
  labels=c("Até 1/2 SM","1/2 até 1 SM","1 até 2 SM","2 até 3 SM","Mais de 3 SM"), 
  ordered_result = TRUE, right = TRUE, na.exclude= TRUE))
summary(pns2013.1$rend_per_capita)
Até 1/2 SM
14256
1/2 até 1 SM
17504
1 até 2 SM
15493
2 até 3 SM
5335
Mais de 3 SM
7603
NA's
11

Escolaridade¶

In [13]:
# Escolaridade
pns2013.1 <- pns2013.1 %>% mutate(gescol = ifelse(VDD004A %in% 1:2, 1, 
                        ifelse(VDD004A%in% 3:4, 2, 
                        ifelse(VDD004A%in% 5:6, 3,4
                        ))))
pns2013.1$gescol<-factor(pns2013.1$gescol, levels=c(1,2,3,4), 
                                  labels=c("Fundamental incompleto ou equivalente","Médio incompleto ou equivalente",
                                           "Superior incompleto ou equivalente","Superior completo"))

summary(pns2013.1$gescol)
Fundamental incompleto ou equivalente
24083
Médio incompleto ou equivalente
9215
Superior incompleto ou equivalente
19149
Superior completo
7755

Criando indicadores¶

Filtrando base de indicadores¶

In [14]:
# Selecionando variáveis para cálculo de indicadores no survey
pns2013Ssurvey<- pns2013.1 %>% select("V0024","UPA_PNS","peso_morador_selec",  "C008", "C006", "C009", "V0031", "Sit_Urbano_Rural", "Unidades_da_Federacao", "GrandesRegioes",  "Capital", "fx_idade_S", "Raca", "rend_per_capita", "gescol", "S001P", "S002P", "S003P", "S004P", "S005P", "S001")
summary(pns2013Ssurvey)

     V0024            UPA_PNS        peso_morador_selec       C008       
 Min.   :1110011   Min.   :1100001   Min.   : 0.004156   Min.   : 18.00  
 1st Qu.:2210013   1st Qu.:2200075   1st Qu.: 0.243959   1st Qu.: 30.00  
 Median :2951023   Median :2900192   Median : 0.521557   Median : 41.00  
 Mean   :3035353   Mean   :3007819   Mean   : 1.000000   Mean   : 43.31  
 3rd Qu.:4110111   3rd Qu.:4100002   3rd Qu.: 1.147413   3rd Qu.: 55.00  
 Max.   :5310220   Max.   :5300180   Max.   :31.179597   Max.   :101.00  
                                                                         
      C006            C009          V0031       Sit_Urbano_Rural
 Min.   :1.000   Min.   :1.00   Min.   :1.000   urbano:49245    
 1st Qu.:1.000   1st Qu.:1.00   1st Qu.:1.000   rural :10957    
 Median :2.000   Median :3.00   Median :2.000                   
 Mean   :1.569   Mean   :2.61   Mean   :2.308                   
 3rd Qu.:2.000   3rd Qu.:4.00   3rd Qu.:4.000                   
 Max.   :2.000   Max.   :9.00   Max.   :4.000                   
                                                                
       Unidades_da_Federacao      GrandesRegioes            Capital     
 São Paulo        : 5305     Norte       :12536   São Paulo     : 5305  
 Minas Gerais     : 3779     Nordeste    :18305   Belo Horizonte: 3779  
 Rio de Janeiro   : 3486     Sudeste     :14294   Rio de Janeiro: 3486  
 Paraná           : 3012     Sul         : 7548   Curitiba      : 3012  
 Rio Grande do Sul: 2913     Centro-Oeste: 7519   Porto Alegre  : 2913  
 Bahia            : 2641                          Salvador      : 2641  
 (Other)          :39066                          (Other)       :39066  
           fx_idade_S        Raca           rend_per_capita 
 18 a 24 anos   : 7823   Branca:24106   Até 1/2 SM  :14256  
 25 a 29 anos   : 6498   Preta : 5631   1/2 até 1 SM:17504  
 30 a 39 anos   :14269   Parda :29512   1 até 2 SM  :15493  
 40 anos ou mais:31612   NA's  :  953   2 até 3 SM  : 5335  
                                        Mais de 3 SM: 7603  
                                        NA's        :   11  
                                                            
                                   gescol       S001P        S002P      
 Fundamental incompleto ou equivalente:24083   Sim : 1851   Sim : 1785  
 Médio incompleto ou equivalente      : 9215   Não :   67   Não :   66  
 Superior incompleto ou equivalente   :19149   NA's:58284   NA's:58351  
 Superior completo                    : 7755                            
                                                                        
                                                                        
                                                                        
  S003P        S004P        S005P            S001      
 Sim : 1527   Sim : 1494   Sim : 1401   Min.   :1.00   
 Não :  324   Não :  357   Não :  450   1st Qu.:1.00   
 NA's:58351   NA's:58351   NA's:58351   Median :1.00   
                                        Mean   :1.03   
                                        3rd Qu.:1.00   
                                        Max.   :2.00   
                                        NA's   :58284

Exporta tabela filtrada com os dados específicos - Módulo S 2013 - Parte 1¶

In [15]:
# Salvando csv para cálculo de indicadores no survey
diretorio_saida <- "<coloque aqui o diretório>"
write.csv(pns2013Ssurvey, file.path(diretorio_saida, "pns2013Ssurvey.csv"))

Cria plano amostral complexo¶

In [16]:
#survey design
pns2013Ssurvey<- pns2013.1 %>% 
    select("V0024","UPA_PNS","peso_morador_selec", 
            "C008", "C006", "C009", "V0031", "Sit_Urbano_Rural",
            "Unidades_da_Federacao", "GrandesRegioes", "Capital",
            "fx_idade_S", "Raca", "rend_per_capita", "gescol", 
            "S001P", "S002P", "S003P", "S004P", "S005P", "S001")
summary(pns2013Ssurvey)

     V0024            UPA_PNS        peso_morador_selec       C008       
 Min.   :1110011   Min.   :1100001   Min.   : 0.004156   Min.   : 18.00  
 1st Qu.:2210013   1st Qu.:2200075   1st Qu.: 0.243959   1st Qu.: 30.00  
 Median :2951023   Median :2900192   Median : 0.521557   Median : 41.00  
 Mean   :3035353   Mean   :3007819   Mean   : 1.000000   Mean   : 43.31  
 3rd Qu.:4110111   3rd Qu.:4100002   3rd Qu.: 1.147413   3rd Qu.: 55.00  
 Max.   :5310220   Max.   :5300180   Max.   :31.179597   Max.   :101.00  
                                                                         
      C006            C009          V0031       Sit_Urbano_Rural
 Min.   :1.000   Min.   :1.00   Min.   :1.000   urbano:49245    
 1st Qu.:1.000   1st Qu.:1.00   1st Qu.:1.000   rural :10957    
 Median :2.000   Median :3.00   Median :2.000                   
 Mean   :1.569   Mean   :2.61   Mean   :2.308                   
 3rd Qu.:2.000   3rd Qu.:4.00   3rd Qu.:4.000                   
 Max.   :2.000   Max.   :9.00   Max.   :4.000                   
                                                                
       Unidades_da_Federacao      GrandesRegioes            Capital     
 São Paulo        : 5305     Norte       :12536   São Paulo     : 5305  
 Minas Gerais     : 3779     Nordeste    :18305   Belo Horizonte: 3779  
 Rio de Janeiro   : 3486     Sudeste     :14294   Rio de Janeiro: 3486  
 Paraná           : 3012     Sul         : 7548   Curitiba      : 3012  
 Rio Grande do Sul: 2913     Centro-Oeste: 7519   Porto Alegre  : 2913  
 Bahia            : 2641                          Salvador      : 2641  
 (Other)          :39066                          (Other)       :39066  
           fx_idade_S        Raca           rend_per_capita 
 18 a 24 anos   : 7823   Branca:24106   Até 1/2 SM  :14256  
 25 a 29 anos   : 6498   Preta : 5631   1/2 até 1 SM:17504  
 30 a 39 anos   :14269   Parda :29512   1 até 2 SM  :15493  
 40 anos ou mais:31612   NA's  :  953   2 até 3 SM  : 5335  
                                        Mais de 3 SM: 7603  
                                        NA's        :   11  
                                                            
                                   gescol       S001P        S002P      
 Fundamental incompleto ou equivalente:24083   Sim : 1851   Sim : 1785  
 Médio incompleto ou equivalente      : 9215   Não :   67   Não :   66  
 Superior incompleto ou equivalente   :19149   NA's:58284   NA's:58351  
 Superior completo                    : 7755                            
                                                                        
                                                                        
                                                                        
  S003P        S004P        S005P            S001      
 Sim : 1527   Sim : 1494   Sim : 1401   Min.   :1.00   
 Não :  324   Não :  357   Não :  450   1st Qu.:1.00   
 NA's:58351   NA's:58351   NA's:58351   Median :1.00   
                                        Mean   :1.03   
                                        3rd Qu.:1.00   
                                        Max.   :2.00   
                                        NA's   :58284
In [17]:
# survey design
desPNS=svydesign(id=~UPA_PNS, strat=~V0024, weight=~peso_morador_selec, nest=TRUE,
                 data=pns2013Ssurvey)
In [18]:
# survey design S001P
desPNSS001P=subset(desPNS, C006==2 & C008>=18 & S001>0)
desPNSS001P_C=subset(desPNS, C006==2 & C008>=18 & S001>0 & V0031==1)
desPNSS001P_R=subset(desPNS, C006==2 & C008>=18 & S001>0 & !is.na(Raca))
In [19]:
# survey design S002P, S003P, S004P, S005P
desPNSS002P=subset(desPNS, C006==2 & C008>=18 & S001==1)
desPNSS002P_C=subset(desPNS, C006==2 & C008>=18 & S001==1 & V0031==1)
desPNSS002P_R=subset(desPNS, C006==2 & C008>=18 & S001==1 & !is.na(Raca))

Criação da tabela de indicadores¶

Essa tabela é responsável por unir os indicadores no formato do painel de indicadores

In [20]:
matrizIndicadores = data.frame()

Definição de variáveis para iteração dos indicadores¶

In [21]:
ListaIndicadores = c(~S001P, ~S002P, ~S003P, ~S004P, ~S005P)
ListaIndicadoresTexto = c("S001P", "S002P", "S003P", "S004P", "S005P" )
ListaTotais = c('Brasil','Capital')
Ano <- "2013"
In [22]:
ListaDominiosS001 = c(~Raca,~rend_per_capita,~fx_idade_S,~Sit_Urbano_Rural,
                      ~Unidades_da_Federacao,~GrandesRegioes,~Capital,~gescol) 
ListaDominiosTextoS001= c("raça","rend_per_capita","fx_idade_S","urb_rur","uf","região",
                          "capital","gescol")

Criando a tabela pela abrangência total¶

In [23]:
matriz_totais <- data.frame()

Preenchendo a tabela de indicadores¶

In [24]:
# Cálculo dos indicadores usando o pacote survey 
i <- 0
for( indicador in ListaIndicadores){
    i <- i + 1; j <- 1
    if (ListaIndicadoresTexto[i]== "S001P" | ListaIndicadoresTexto[i]== "S002P" | ListaIndicadoresTexto[i]== "S003P" | ListaIndicadoresTexto[i]== "S004P" | ListaIndicadoresTexto[i]== "S005P"){
        ListaDominios<-ListaDominiosS001
        ListaDominiosTexto<-ListaDominiosTextoS001
        } else {
                  ListaDominios<-ListaDominiosS001
                  ListaDominiosTexto<-ListaDominiosTextoS001
                }
    #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
                   if (ListaIndicadoresTexto[i]== "S002P" |  ListaIndicadoresTexto[i]== "S003P" | ListaIndicadoresTexto[i]== "S004P" | ListaIndicadoresTexto[i]== "S005P"){
                            dataframe_indicador<-svyby( indicador , dominio , desPNSS002P_C , svymean,vartype= c("ci","cv"))
                        } else if (ListaIndicadoresTexto[i]== "S001P") {
dataframe_indicador<-svyby( indicador , dominio , desPNSS001P_C , 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"){
                    if (ListaIndicadoresTexto[i]== "S002P" | ListaIndicadoresTexto[i]== "S003P" |  ListaIndicadoresTexto[i]== "S004P" |  ListaIndicadoresTexto[i]== "S005P"){
                            dataframe_indicador<-svyby( indicador , dominio , desPNSS002P_R , svymean,vartype= c("ci","cv"))
                        } else if
(ListaIndicadoresTexto[i]== "S001P"){
                            dataframe_indicador<-svyby( indicador , dominio , desPNSS001P_R , svymean,vartype= c("ci","cv"))
                                    }
               #design geral para o subconjunto maior que 18 anos   
                   } else {
                        if (ListaIndicadoresTexto[i]== "S002P" | ListaIndicadoresTexto[i]== "S003P" | ListaIndicadoresTexto[i]== "S004P" | ListaIndicadoresTexto[i]== "S005P"){
                                dataframe_indicador<-svyby( indicador , dominio , desPNSS002P , svymean,vartype= c("ci","cv"))
                            } else if
(ListaIndicadoresTexto[i]== "S001P"){
                            dataframe_indicador<-svyby( indicador , dominio , desPNSS001P , 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","Nao","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
    }
}

Preenchendo a tabela com as abrangencia Brasil e total das capitais¶

In [25]:
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"){
                   #Indicadores que são subconjunto do dataset total
                if (ListaIndicadoresTexto[i]== "S002P" | ListaIndicadoresTexto[i]== "S003P" | ListaIndicadoresTexto[i]== "S004P" | ListaIndicadoresTexto[i]== "S005P"){
                            dataframe_indicador <- svymean(indicador,desPNSS002P_C)
                        } else if
(ListaIndicadoresTexto[i]== "S001P"){
                            dataframe_indicador <- svymean(indicador,desPNSS001P_C)
                        } 
                } else {
                if (ListaIndicadoresTexto[i]== "S002P" | ListaIndicadoresTexto[i]== "S003P" | ListaIndicadoresTexto[i]== "S004P" | ListaIndicadoresTexto[i]== "S005P"){
                            dataframe_indicador <- svymean(indicador,desPNSS002P)
                        } else if (ListaIndicadoresTexto[i]== "S001P"){
                            dataframe_indicador <- svymean(indicador,desPNSS001P)
                        } 
                }
        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]
        
        dataframe_indicador_S$abr_tipo <- "total"
        dataframe_indicador_S$abr_nome <- total
        dataframe_indicador_S$Ano <- Ano
        
        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)
    }
}
In [26]:
matriz_totais
A data.frame: 10 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><chr><chr><chr><dbl><dbl><dbl><dbl>
S001PSimtotalBrasil 2013S001P0.97352580.96379440.98325730.005100147
S001PSim1totalCapital2013S001P0.96848750.95435750.98261750.007443900
S002PSimtotalBrasil 2013S002P0.95533840.93958920.97108770.008411119
S002PSim1totalCapital2013S002P0.94969280.92543720.97394840.013031097
S003PSimtotalBrasil 2013S003P0.83733940.80819900.86647970.017756001
S003PSim1totalCapital2013S003P0.83876460.80318550.87434370.021642473
S004PSimtotalBrasil 2013S004P0.83717070.80890440.86543690.017226844
S004PSim1totalCapital2013S004P0.83345190.79719840.86970530.022193247
S005PSimtotalBrasil 2013S005P0.71835210.68082400.75588010.026654517
S005PSim1totalCapital2013S005P0.64584120.59260370.69907870.042057542

Unindo tabela de indicadores e de totais¶

In [27]:
matrizIndicadores<-rbind(matrizIndicadores,matriz_totais)

Visualizando tabela de indicadores¶

In [28]:
matrizIndicadores
A data.frame: 395 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><fct><chr><chr><dbl><dbl><dbl><dbl>
Brancaraça Branca 2013S001P0.98553910.97336440.99771396.302872e-03
Pretaraça Preta 2013S001P0.93505670.88437720.98573622.765327e-02
Pardaraça Parda 2013S001P0.97051230.95667330.98435137.275367e-03
Até 1/2 SMrend_per_capitaAté 1/2 SM 2013S001P0.96342100.94609980.98074219.173033e-03
1/2 até 1 SMrend_per_capita1/2 até 1 SM 2013S001P0.98078530.96280940.99876129.351212e-03
1 até 2 SMrend_per_capita1 até 2 SM 2013S001P0.98705800.97633650.99777965.541992e-03
2 até 3 SMrend_per_capita2 até 3 SM 2013S001P0.96156150.92188891.00123412.105064e-02
Mais de 3 SMrend_per_capitaMais de 3 SM 2013S001P0.98059970.95174401.00945541.501384e-02
18 a 24 anosfx_idade_S 18 a 24 anos 2013S001P0.96561730.94610390.98513071.031050e-02
25 a 29 anosfx_idade_S 25 a 29 anos 2013S001P0.97704850.96304480.99105227.312710e-03
30 a 39 anosfx_idade_S 30 a 39 anos 2013S001P0.97795340.96278700.99311987.912546e-03
40 anos ou maisfx_idade_S 40 anos ou mais 2013S001P0.98987420.96990281.00984561.029391e-02
urbanourb_rur urbano 2013S001P0.97323090.96218520.98427675.790700e-03
ruralurb_rur rural 2013S001P0.97509010.95689460.99328559.520707e-03
Rondôniauf Rondônia 2013S001P0.87678890.79200790.96156984.933500e-02
Acreuf Acre 2013S001P1.00000001.00000001.00000001.419089e-17
Amazonasuf Amazonas 2013S001P0.98563980.96749891.00378069.390557e-03
Roraimauf Roraima 2013S001P0.96629420.92805311.00453532.019169e-02
Paráuf Pará 2013S001P0.94040680.87568601.00512753.511396e-02
Amapáuf Amapá 2013S001P0.93419910.87409260.99430563.282719e-02
Tocantinsuf Tocantins 2013S001P1.00000001.00000001.00000000.000000e+00
Maranhãouf Maranhão 2013S001P0.94413270.85712581.03113974.701896e-02
Piauíuf Piauí 2013S001P0.97121450.92581581.01661332.384959e-02
Cearáuf Ceará 2013S001P1.00000001.00000001.00000000.000000e+00
Rio Grande do Norteuf Rio Grande do Norte2013S001P1.00000001.00000001.00000000.000000e+00
Paraíbauf Paraíba 2013S001P0.97013840.93369871.00657811.916430e-02
Pernambucouf Pernambuco 2013S001P0.98108340.95114511.01102181.556946e-02
Alagoasuf Alagoas 2013S001P0.98075760.94305551.01845971.961352e-02
Sergipeuf Sergipe 2013S001P1.00000001.00000001.00000000.000000e+00
Bahiauf Bahia 2013S001P0.99154660.97634581.00674747.821758e-03
⋮⋮⋮⋮⋮⋮⋮⋮⋮
João Pessoa4capitalJoão Pessoa 2013S005P0.71687980.55075410.88300550.118234030
Recife4capitalRecife 2013S005P0.52445750.22748840.82142650.288903499
Maceió4capitalMaceió 2013S005P0.85493200.70028421.00957980.092292000
Aracaju4capitalAracaju 2013S005P0.79278190.59554190.99002190.126938457
Salvador4capitalSalvador 2013S005P0.52019400.33325810.70713000.183349364
Belo Horizonte4capitalBelo Horizonte 2013S005P0.65311940.46227880.84396000.149083695
Vitória4capitalVitória 2013S005P0.56451570.28556300.84346830.252119509
Rio de Janeiro9capitalRio de Janeiro 2013S005P0.81838360.66387060.97289660.096329670
São Paulo8capitalSão Paulo 2013S005P0.53098080.38811640.67384530.137276829
Curitiba4capitalCuritiba 2013S005P0.51108110.27929830.74286390.231389291
Florianópolis4capitalFlorianópolis 2013S005P0.58025710.32423590.83627840.225116528
Porto Alegre4capitalPorto Alegre 2013S005P0.51081930.26372340.75791520.246802808
Campo Grande4capitalCampo Grande 2013S005P0.44355700.23374500.65336900.241341966
Cuiabá4capitalCuiabá 2013S005P0.62131150.35389240.88873060.219601299
Goiânia4capitalGoiânia 2013S005P0.44066000.21802690.66329320.257773410
Brasília4capitalBrasília 2013S005P0.62837150.47734530.77939780.122627515
Fundamental incompleto ou equivalente4gescol Fundamental incompleto ou equivalente2013S005P0.94023510.89941590.98105430.022150320
Médio incompleto ou equivalente4gescol Médio incompleto ou equivalente 2013S005P0.86840680.81339360.92342000.032321815
Superior incompleto ou equivalente4gescol Superior incompleto ou equivalente 2013S005P0.63531090.57013030.70049160.052346124
Superior completo4gescol Superior completo 2013S005P0.27333560.16775490.37891620.197078856
S001PSimtotal Brasil 2013S001P0.97352580.96379440.98325730.005100147
S001PSim1total Capital 2013S001P0.96848750.95435750.98261750.007443900
S002PSimtotal Brasil 2013S002P0.95533840.93958920.97108770.008411119
S002PSim1total Capital 2013S002P0.94969280.92543720.97394840.013031097
S003PSimtotal Brasil 2013S003P0.83733940.80819900.86647970.017756001
S003PSim1total Capital 2013S003P0.83876460.80318550.87434370.021642473
S004PSimtotal Brasil 2013S004P0.83717070.80890440.86543690.017226844
S004PSim1total Capital 2013S004P0.83345190.79719840.86970530.022193247
S005PSimtotal Brasil 2013S005P0.71835210.68082400.75588010.026654517
S005PSim1total Capital 2013S005P0.64584120.59260370.69907870.042057542

Exportando tabela de indicadores calculados - Módulo S 2013¶

In [30]:
diretorio_saida <- "<coloque aqui o diretório>"
write.table(matrizIndicadores,file=paste0(diretorio_saida,"Indicadores_2013S_R.csv"),sep = ";",dec = ",",row.names = FALSE)