#Lendo pacotes necessários
library(survey)
library(ggplot2)
library(dplyr)
library(foreign)
library(forcats)
library(tidyverse)
#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>")
#Selecionando registros válidos para o módulo K 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$peso_morador_selec)
Min. 1st Qu. Median Mean 3rd Qu. Max. 0.004156 0.243959 0.521557 1.000000 1.147413 31.179597
#Desfechos - Indicadores
# 6. Proporção de mulheres que tiveram a pressão arterial medida em todas as consultas - S006P.
pns2013.1$S006P <- NA
pns2013.1$S006P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1] <- 2
pns2013.1$S006P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & pns2013.1$S01401 == 1] <- 1
pns2013.1$S006P<-factor(pns2013.1$S006P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S006P)
# 7. Proporção de mulheres que realizaram pré-natal e que tiveram o peso medido em todas as consultas - S007P.
pns2013.1$S007P <- NA
pns2013.1$S007P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 ] <- 2
pns2013.1$S007P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & pns2013.1$S01402 == 1] <- 1
pns2013.1$S007P<-factor(pns2013.1$S007P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S007P)
# 8. Proporção de mulheres que tiveram a barriga medida em algumas/todas as consultas - S008P.
pns2013.1$S008P <- NA
pns2013.1$S008P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 ] <- 2
pns2013.1$S008P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & (pns2013.1$S01403==1|pns2013.1$S01403==2)] <- 1
pns2013.1$S008P<-factor(pns2013.1$S008P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S008P)
# 9. Proporção de mulheres que tiveram o coração do bebê ouvido em todas consultas - S009P.
pns2013.1$S009P <- NA
pns2013.1$S009P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 ] <- 2
pns2013.1$S009P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & pns2013.1$S01404==1] <- 1
pns2013.1$S009P<-factor(pns2013.1$S009P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S009P)
# 10. Proporção de mulheres que tiveram exame das mamas em algumas/todas consultas - S010P.
pns2013.1$S010P <- NA
pns2013.1$S010P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 ] <- 2
pns2013.1$S010P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & (pns2013.1$S01405==1|pns2013.1$S01405==2)] <- 1
pns2013.1$S010P<-factor(pns2013.1$S010P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S010P)
#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$Sit_Urbano_Rural)
#Sexo
pns2013.1 <- pns2013.1 %>% mutate(Sexo=C006)
pns2013.1$Sexo<-factor(pns2013.1$Sexo, levels=c(1,2), labels=c("Masculino", "Feminino"))
summary(pns2013.1$Sexo)
#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$Unidades_da_Federacao)
#Grandes Regiões
pns2013.1 <- pns2013.1 %>% mutate(GrandesRegioes = fct_collapse(Unidades_da_Federacao,
`Norte` = c("Rondônia","Acre","Amazonas","Roraima","Pará", "Amapá","Tocantins"),
`Nordeste` = c("Maranhão", "Piauí", "Ceará", "Rio Grande do Norte", "Paraíba","Pernambuco", "Alagoas","Sergipe","Bahia"),
`Sudeste` = c("Minas Gerais", "Espírito Santo","Rio de Janeiro", "São Paulo"),
`Sul` = c("Paraná", "Santa Catarina", "Rio Grande do Sul"),
`Centro-Oeste`= c("Mato Grosso do Sul","Mato Grosso", "Goiás", "Distrito Federal")))
summary(pns2013.1$GrandesRegioes)
#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$Capital)
# Faixas Etárias
pns2013.1 <- pns2013.1 %>% mutate(fx_idade_S=cut(C008,
breaks = c(18,25,30,40,120),
labels = c("18 a 24 anos", "25 a 29 anos", "30 a 39 anos", "40 anos ou mais"),
ordered_result = TRUE, right = FALSE))
summary(pns2013.1$fx_idade_S)
# 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$Raca)
# Rendimento domiciliar per capita
pns2013.1 <- pns2013.1 %>% mutate(rend_per_capita=cut(VDF003,
breaks = c(-Inf,339, 678, 1356, 2034, Inf),
labels=c("Até 1/2 SM","1/2 até 1 SM","1 até 2 SM","2 até 3 SM","Mais de 3 SM"),
ordered_result = TRUE, right = TRUE, na.exclude= TRUE))
summary(pns2013.1$rend_per_capita)
# 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)
# 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", "S006P", "S007P", "S008P", "S009P", "S010P", "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 S006P S007P Fundamental incompleto ou equivalente:24083 Sim : 1663 Sim : 1677 Médio incompleto ou equivalente : 9215 Não : 188 Não : 174 Superior incompleto ou equivalente :19149 NA's:58351 NA's:58351 Superior completo : 7755 S008P S009P S010P S001 Sim : 1787 Sim : 1456 Sim : 1130 Min. :1.00 Não : 64 Não : 395 Não : 721 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
# Salvando csv para cálculo de indicadores no survey
diretorio_saida <- "<coloque aqui o diretório>"
write.csv(pns2013Ssurvey, file.path(diretorio_saida, "pns2013Ssurvey.csv"))
#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", "S006P", "S007P", "S008P",
"S009P", "S010P", "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 S006P S007P Fundamental incompleto ou equivalente:24083 Sim : 1663 Sim : 1677 Médio incompleto ou equivalente : 9215 Não : 188 Não : 174 Superior incompleto ou equivalente :19149 NA's:58351 NA's:58351 Superior completo : 7755 S008P S009P S010P S001 Sim : 1787 Sim : 1456 Sim : 1130 Min. :1.00 Não : 64 Não : 395 Não : 721 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
# survey design
desPNS=svydesign(id=~UPA_PNS, strat=~V0024, weight=~peso_morador_selec, nest=TRUE,
data=pns2013Ssurvey)
#survey design S006P a S010P
desPNSS006P=subset(desPNS, C006==2 & C008>=18 & S001==1)
desPNSS006P_C=subset(desPNS, C006==2 & C008>=18 & S001==1 & V0031==1)
desPNSS006P_R=subset(desPNS, C006==2 & C008>=18 & S001==1 & !is.na(Raca))
Essa tabela é responsável por unir os indicadores no formato do painel de indicadores
matrizIndicadores = data.frame()
ListaIndicadores = c(~S006P, ~S007P, ~S008P, ~S009P, ~S010P)
ListaIndicadoresTexto = c("S006P", "S007P", "S008P", "S009P", "S010P" )
ListaTotais = c('Brasil','Capital')
Ano <- "2013"
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")
#Cálculo dos indicadores usando o pacote survey
i <- 0
#Para cada indicador
for( indicador in ListaIndicadores){
i <- i + 1; j <- 1
if (ListaIndicadoresTexto[i]== "S006P" | ListaIndicadoresTexto[i]== "S007P" | ListaIndicadoresTexto[i]== "S008P" | ListaIndicadoresTexto[i]== "S009P" | ListaIndicadoresTexto[i]== "S010P"){
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
dataframe_indicador<-svyby( indicador , dominio , desPNSS006P_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"){
dataframe_indicador<-svyby( indicador , dominio , desPNSS006P_R , svymean,vartype= c("ci","cv"))
#design geral para o subconjunto maior que 18 anos
} else {
dataframe_indicador<-svyby( indicador , dominio , desPNSS006P , 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
}
}
matriz_totais <- data.frame()
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
dataframe_indicador <- svymean(indicador,desPNSS006P_C)
} else {
dataframe_indicador <- svymean(indicador,desPNSS006P)
}
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)
}
}
matriz_totais
abr_tipo | abr_nome | Ano | Indicador | Sim | LowerS | UpperS | cvS | |
---|---|---|---|---|---|---|---|---|
<chr> | <chr> | <chr> | <chr> | <dbl> | <dbl> | <dbl> | <dbl> | |
S006PSim | total | Brasil | 2013 | S006P | 0.9191290 | 0.9008558 | 0.9374022 | 0.01014356 |
S006PSim1 | total | Capital | 2013 | S006P | 0.9046326 | 0.8778735 | 0.9313918 | 0.01509217 |
S007PSim | total | Brasil | 2013 | S007P | 0.9193162 | 0.9009148 | 0.9377175 | 0.01021262 |
S007PSim1 | total | Capital | 2013 | S007P | 0.9219355 | 0.8996615 | 0.9442096 | 0.01232683 |
S008PSim | total | Brasil | 2013 | S008P | 0.9533423 | 0.9341326 | 0.9725519 | 0.01028071 |
S008PSim1 | total | Capital | 2013 | S008P | 0.9690400 | 0.9539991 | 0.9840809 | 0.00791925 |
S009PSim | total | Brasil | 2013 | S009P | 0.7938898 | 0.7637936 | 0.8239861 | 0.01934213 |
S009PSim1 | total | Capital | 2013 | S009P | 0.8256118 | 0.7914599 | 0.8597638 | 0.02110531 |
S010PSim | total | Brasil | 2013 | S010P | 0.6290175 | 0.5920922 | 0.6659427 | 0.02995110 |
S010PSim1 | total | Capital | 2013 | S010P | 0.7322755 | 0.6886802 | 0.7758709 | 0.03037507 |
matrizIndicadores<-rbind(matrizIndicadores,matriz_totais)
matrizIndicadores
abr_tipo | abr_nome | Ano | Indicador | Sim | LowerS | UpperS | cvS | |
---|---|---|---|---|---|---|---|---|
<chr> | <fct> | <chr> | <chr> | <dbl> | <dbl> | <dbl> | <dbl> | |
Branca | raça | Branca | 2013 | S006P | 0.9353405 | 0.9124360 | 0.9582451 | 0.01249408 |
Preta | raça | Preta | 2013 | S006P | 0.9364380 | 0.8911910 | 0.9816849 | 0.02465258 |
Parda | raça | Parda | 2013 | S006P | 0.9032724 | 0.8725175 | 0.9340274 | 0.01737191 |
Até 1/2 SM | rend_per_capita | Até 1/2 SM | 2013 | S006P | 0.8964176 | 0.8631214 | 0.9297138 | 0.01895117 |
1/2 até 1 SM | rend_per_capita | 1/2 até 1 SM | 2013 | S006P | 0.9387157 | 0.9119168 | 0.9655145 | 0.01456581 |
1 até 2 SM | rend_per_capita | 1 até 2 SM | 2013 | S006P | 0.9262797 | 0.8851700 | 0.9673894 | 0.02264406 |
2 até 3 SM | rend_per_capita | 2 até 3 SM | 2013 | S006P | 0.9225736 | 0.8392025 | 1.0059447 | 0.04610696 |
Mais de 3 SM | rend_per_capita | Mais de 3 SM | 2013 | S006P | 0.9626974 | 0.9227521 | 1.0026426 | 0.02117031 |
18 a 24 anos | fx_idade_S | 18 a 24 anos | 2013 | S006P | 0.9032538 | 0.8727386 | 0.9337689 | 0.01723682 |
25 a 29 anos | fx_idade_S | 25 a 29 anos | 2013 | S006P | 0.9113085 | 0.8621052 | 0.9605117 | 0.02754739 |
30 a 39 anos | fx_idade_S | 30 a 39 anos | 2013 | S006P | 0.9372034 | 0.9151844 | 0.9592224 | 0.01198714 |
40 anos ou mais | fx_idade_S | 40 anos ou mais | 2013 | S006P | 0.9597732 | 0.9079741 | 1.0115723 | 0.02753630 |
urbano | urb_rur | urbano | 2013 | S006P | 0.9220240 | 0.9015390 | 0.9425091 | 0.01133563 |
rural | urb_rur | rural | 2013 | S006P | 0.9038009 | 0.8653612 | 0.9422406 | 0.02169996 |
Rondônia | uf | Rondônia | 2013 | S006P | 0.9393916 | 0.8832686 | 0.9955146 | 0.03048219 |
Acre | uf | Acre | 2013 | S006P | 0.8839096 | 0.8105302 | 0.9572891 | 0.04235636 |
Amazonas | uf | Amazonas | 2013 | S006P | 0.9187480 | 0.8618497 | 0.9756462 | 0.03159762 |
Roraima | uf | Roraima | 2013 | S006P | 0.9583850 | 0.9055711 | 1.0111988 | 0.02811642 |
Pará | uf | Pará | 2013 | S006P | 0.8452552 | 0.7502696 | 0.9402408 | 0.05733528 |
Amapá | uf | Amapá | 2013 | S006P | 0.8058591 | 0.6951539 | 0.9165644 | 0.07009079 |
Tocantins | uf | Tocantins | 2013 | S006P | 0.8701040 | 0.7713350 | 0.9688730 | 0.05791637 |
Maranhão | uf | Maranhão | 2013 | S006P | 0.8030800 | 0.6851746 | 0.9209854 | 0.07490773 |
Piauí | uf | Piauí | 2013 | S006P | 0.9616551 | 0.9200417 | 1.0032686 | 0.02207833 |
Ceará | uf | Ceará | 2013 | S006P | 0.8442796 | 0.7408442 | 0.9477150 | 0.06250791 |
Rio Grande do Norte | uf | Rio Grande do Norte | 2013 | S006P | 0.9646266 | 0.9229758 | 1.0062775 | 0.02203011 |
Paraíba | uf | Paraíba | 2013 | S006P | 0.9244460 | 0.8130879 | 1.0358042 | 0.06145996 |
Pernambuco | uf | Pernambuco | 2013 | S006P | 0.9273147 | 0.8623928 | 0.9922367 | 0.03572037 |
Alagoas | uf | Alagoas | 2013 | S006P | 0.8826389 | 0.7779239 | 0.9873538 | 0.06053095 |
Sergipe | uf | Sergipe | 2013 | S006P | 0.8158053 | 0.7085811 | 0.9230296 | 0.06705919 |
Bahia | uf | Bahia | 2013 | S006P | 0.8962115 | 0.7611081 | 1.0313149 | 0.07691441 |
⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ |
João Pessoa4 | capital | João Pessoa | 2013 | S010P | 0.7256134 | 0.5492371 | 0.9019896 | 0.12401857 |
Recife4 | capital | Recife | 2013 | S010P | 0.8769714 | 0.6546970 | 1.0992459 | 0.12931710 |
Maceió4 | capital | Maceió | 2013 | S010P | 0.6023361 | 0.3637321 | 0.8409402 | 0.20211143 |
Aracaju4 | capital | Aracaju | 2013 | S010P | 0.7090139 | 0.5179086 | 0.9001193 | 0.13752131 |
Salvador4 | capital | Salvador | 2013 | S010P | 0.6684193 | 0.4673974 | 0.8694411 | 0.15344269 |
Belo Horizonte4 | capital | Belo Horizonte | 2013 | S010P | 0.9246923 | 0.8214191 | 1.0279656 | 0.05698264 |
Vitória4 | capital | Vitória | 2013 | S010P | 0.5636613 | 0.2387367 | 0.8885858 | 0.29411439 |
Rio de Janeiro9 | capital | Rio de Janeiro | 2013 | S010P | 0.7217021 | 0.5230292 | 0.9203750 | 0.14045351 |
São Paulo8 | capital | São Paulo | 2013 | S010P | 0.8356969 | 0.7431034 | 0.9282905 | 0.05653064 |
Curitiba4 | capital | Curitiba | 2013 | S010P | 0.8698185 | 0.7461015 | 0.9935356 | 0.07256928 |
Florianópolis4 | capital | Florianópolis | 2013 | S010P | 0.8333401 | 0.6210548 | 1.0456253 | 0.12997189 |
Porto Alegre4 | capital | Porto Alegre | 2013 | S010P | 0.7994632 | 0.6335701 | 0.9653563 | 0.10587216 |
Campo Grande4 | capital | Campo Grande | 2013 | S010P | 0.5686973 | 0.3646697 | 0.7727249 | 0.18304573 |
Cuiabá4 | capital | Cuiabá | 2013 | S010P | 0.6972378 | 0.3910189 | 1.0034568 | 0.22407998 |
Goiânia4 | capital | Goiânia | 2013 | S010P | 0.8470102 | 0.6988170 | 0.9952035 | 0.08926716 |
Brasília4 | capital | Brasília | 2013 | S010P | 0.6804643 | 0.5418433 | 0.8190853 | 0.10393828 |
Fundamental incompleto ou equivalente4 | gescol | Fundamental incompleto ou equivalente | 2013 | S010P | 0.5431967 | 0.4678433 | 0.6185502 | 0.07077790 |
Médio incompleto ou equivalente4 | gescol | Médio incompleto ou equivalente | 2013 | S010P | 0.5823845 | 0.5111638 | 0.6536052 | 0.06239476 |
Superior incompleto ou equivalente4 | gescol | Superior incompleto ou equivalente | 2013 | S010P | 0.6639388 | 0.6044679 | 0.7234097 | 0.04570129 |
Superior completo4 | gescol | Superior completo | 2013 | S010P | 0.7684213 | 0.6633976 | 0.8734449 | 0.06973318 |
S006PSim | total | Brasil | 2013 | S006P | 0.9191290 | 0.9008558 | 0.9374022 | 0.01014356 |
S006PSim1 | total | Capital | 2013 | S006P | 0.9046326 | 0.8778735 | 0.9313918 | 0.01509217 |
S007PSim | total | Brasil | 2013 | S007P | 0.9193162 | 0.9009148 | 0.9377175 | 0.01021262 |
S007PSim1 | total | Capital | 2013 | S007P | 0.9219355 | 0.8996615 | 0.9442096 | 0.01232683 |
S008PSim | total | Brasil | 2013 | S008P | 0.9533423 | 0.9341326 | 0.9725519 | 0.01028071 |
S008PSim1 | total | Capital | 2013 | S008P | 0.9690400 | 0.9539991 | 0.9840809 | 0.00791925 |
S009PSim | total | Brasil | 2013 | S009P | 0.7938898 | 0.7637936 | 0.8239861 | 0.01934213 |
S009PSim1 | total | Capital | 2013 | S009P | 0.8256118 | 0.7914599 | 0.8597638 | 0.02110531 |
S010PSim | total | Brasil | 2013 | S010P | 0.6290175 | 0.5920922 | 0.6659427 | 0.02995110 |
S010PSim1 | total | Capital | 2013 | S010P | 0.7322755 | 0.6886802 | 0.7758709 | 0.03037507 |
diretorio_saida <- "<coloque aqui o diretório>"
write.table(matrizIndicadores,file=paste0(diretorio_saida,"Indicadores_2013S_R.csv"),sep = ";",dec = ",",row.names = FALSE)