#Lendo pacotes necessários
library(survey)
library(ggplot2)
library(dplyr)
library(tictoc)
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 2019>")
#conferindo as dimensões (número de linhas e colunas)
dim("<Coloque aqui o nome do arquivo RDATA PNS 2019>")
#Selecionando registros válidos e calculando peso amostral - summary de verificação
pns2019.1<- <Coloque aqui o nome do arquivo RDATA> %>% filter(V0025A==1)
pns2019.1<-pns2019.1 %>% mutate(peso_morador_selec=((V00291*(90846/168426190))))
pns2019.1<-pns2019.1 %>% filter(!is.na(peso_morador_selec))
summary(pns2019.1$peso_morador_selec)
Min. 1st Qu. Median Mean 3rd Qu. Max. 0.00562 0.26621 0.54401 1.00000 1.12765 61.09981
# Desfechos - Indicadores
# 1. Proporção de mulheres que realizaram pré-natal - S001P.
pns2019.1$S001P <- NA
pns2019.1$S001P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0] <- 2
pns2019.1$S001P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 1
pns2019.1$S001P<-factor(pns2019.1$S001P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S001P)
# 2. Proporção de mulheres que realizaram pré-natal e que possuíam caderneta/cartão da gestante - S002P.
pns2019.1$S002P <- NA
pns2019.1$S002P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S002P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S075==1] <- 1
pns2019.1$S002P<-factor(pns2019.1$S002P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S002P)
# 3. Proporção de mulheres que iniciaram pré-natal com menos de 13 semanas ou até 3 meses de gestação - S003P.
pns2019.1$S003P <- NA
pns2019.1$S003P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S003P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & (pns2019.1$S06902 <= 3 | pns2019.1$S06901 < 13)] <- 1
pns2019.1$S003P<-factor(pns2019.1$S003P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$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.
pns2019.1$S004P <- NA
pns2019.1$S004P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S11801>=37] <- 2
pns2019.1$S004P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S11801>=37 & (pns2019.1$S070>=6 & pns2019.1$S070<8)] <- 1
pns2019.1$S004P<-factor(pns2019.1$S004P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S004P)
# 5. Proporção de mulheres que realizaram a maioria das consultas de pré-natal em estabelecimentos públicos de saúde - S005P.
pns2019.1$S005P <- NA
pns2019.1$S005P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S005P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & (pns2019.1$S071 <=2 | pns2019.1$S071 <=4)] <- 1
pns2019.1$S005P<-factor(pns2019.1$S005P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S005P)
#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$Sit_Urbano_Rural)
#Estados - UFs
pns2019.1 <- pns2019.1 %>% rename(Unidades_da_Federacao=V0001)
pns2019.1$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
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$GrandesRegioes)
#Capital
pns2019.1<- pns2019.1 %>% mutate(Capital= fct_collapse(Unidades_da_Federacao,
`Porto Velho`= "Rondônia",
`Boa Vista`= "Roraima",
`Rio Branco`= "Acre",
`Manaus` = "Amazonas",
`Belém` = "Pará" ,
`Macapá`= "Amapá",
`Palmas` = "Tocantins",
`São Luís` = "Maranhão",
`Teresina`= "Piauí" ,
`Fortaleza`= "Ceará",
`Natal`= "Rio Grande do Norte",
`João Pessoa`= "Paraíba",
`Recife`= "Pernambuco",
`Maceió`= "Alagoas",
`Aracaju`= "Sergipe",
`Salvador`= "Bahia",
`Belo Horizonte`= "Minas Gerais",
`Vitória`= "Espírito Santo",
`Rio de Janeiro`= "Rio de Janeiro",
`São Paulo`= "São Paulo",
`Curitiba`= "Paraná",
`Florianópolis`= "Santa Catarina",
`Porto Alegre`= "Rio Grande do Sul",
`Campo Grande`= "Mato Grosso do Sul",
`Cuiabá`= "Mato Grosso",
`Goiânia` = "Goiás",
`Brasília`= "Distrito Federal"))
summary(pns2019.1$Capital)
#Faixas Etárias
pns2019.1 <- pns2019.1 %>% 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(pns2019.1$fx_idade_S)
#Raça
pns2019.1 <- pns2019.1 %>% mutate(Raca= ifelse(C009==1, 1,
ifelse(C009==2, 2,
ifelse(C009==4, 3, 9))))
pns2019.1$Raca<-factor(pns2019.1$Raca, levels=c(1,2,3),labels=c("Branca", "Preta", "Parda"))
summary(pns2019.1$Raca)
#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,
ifelse(is.na(VDF004)==TRUE, NA_real_, 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$rend_per_capita)
# Escolaridade
pns2019.1 <- pns2019.1 %>% mutate(gescol = ifelse(VDD004A %in% 1:2, 1,
ifelse(VDD004A%in% 3:4, 2,
ifelse(VDD004A%in% 5:6, 3,4
))))
pns2019.1$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)
#Selecionando variáveis para cálculo de indicadores no survey
pns2019Ssurvey<- pns2019.1 %>% select("V0024","UPA_PNS","peso_morador_selec", "S001P", "S002P", "S003P",
"S004P", "S005P", "C008", "C006", "C009", "S068", "S11801", "S118",
"V0031", "Sit_Urbano_Rural", "Unidades_da_Federacao",
"GrandesRegioes", "Capital", "fx_idade_S", "Raca",
"rend_per_capita", "gescol") #"Sexo",
summary(pns2019Ssurvey)
V0024 UPA_PNS peso_morador_selec S001P S002P
1210010: 1167 140001681: 18 Min. : 0.00562 Sim : 2734 Sim : 2657
1410011: 792 140003815: 18 1st Qu.: 0.26621 Não : 84 Não : 77
2710111: 779 140005777: 18 Median : 0.54401 NA's:88028 NA's:88112
2410011: 745 140006746: 18 Mean : 1.00000
5010011: 738 140007081: 18 3rd Qu.: 1.12765
3210011: 711 140007715: 18 Max. :61.09981
(Other):85914 (Other) :90738
S003P S004P S005P C008 C006
Sim : 2356 Sim : 2073 Sim : 2056 Min. : 15.00 Min. :1.000
Não : 378 Não : 661 Não : 678 1st Qu.: 32.00 1st Qu.:1.000
NA's:88112 NA's:88112 NA's:88112 Median : 45.00 Median :2.000
Mean : 46.39 Mean :1.529
3rd Qu.: 60.00 3rd Qu.:2.000
Max. :107.00 Max. :2.000
C009 S068 S11801 S118
Min. :1.000 Min. :1.00 Min. : 2.00 Min. :1.0
1st Qu.:1.000 1st Qu.:1.00 1st Qu.:38.00 1st Qu.:1.0
Median :4.000 Median :1.00 Median :39.00 Median :1.0
Mean :2.679 Mean :1.03 Mean :38.16 Mean :1.1
3rd Qu.:4.000 3rd Qu.:1.00 3rd Qu.:40.00 3rd Qu.:1.0
Max. :9.000 Max. :2.00 Max. :43.00 Max. :2.0
NA's :87936 NA's :88227 NA's :87936
V0031 Sit_Urbano_Rural Unidades_da_Federacao GrandesRegioes
Min. :1.000 urbano:69873 São Paulo : 6114 Norte :17602
1st Qu.:1.000 rural :20973 Minas Gerais : 5209 Nordeste :31544
Median :2.000 Maranhão : 5080 Sudeste :19830
Mean :2.605 Rio de Janeiro: 4966 Sul :11472
3rd Qu.:4.000 Ceará : 4265 Centro-Oeste:10398
Max. :4.000 Pernambuco : 4083
(Other) :61129
Capital fx_idade_S Raca
São Paulo : 6114 18 a 24 anos : 8145 Branca:33133
Belo Horizonte: 5209 25 a 29 anos : 7249 Preta :10345
São Luís : 5080 30 a 39 anos :18150 Parda :45994
Rio de Janeiro: 4966 40 anos ou mais:54987 NA's : 1374
Fortaleza : 4265 NA's : 2315
Recife : 4083
(Other) :61129
rend_per_capita gescol
Até 1/2 SM :23697 Fundamental incompleto ou equivalente:36276
1/2 até 1 SM:26406 Médio incompleto ou equivalente :13520
1 até 2 SM :22466 Superior incompleto ou equivalente :27433
2 até 3 SM : 7612 Superior completo :13617
Mais de 3 SM:10643
NA's : 22
#Salvando csv para cálculo de indicadores no survey
diretorio_saida <- "<coloque aqui o diretório>"
write.csv(pns2019Ssurvey, file.path(diretorio_saida, "pns2019Ssurvey.csv"))
desPNS=svydesign(id=~UPA_PNS, strat=~V0024, weight=~peso_morador_selec, nest=TRUE,
data=pns2019Ssurvey)
#survey design S001P
desPNSS001P=subset(desPNS, C006==2 & C008>=18 & S068>0)
desPNSS001P_C=subset(desPNS, C006==2 & C008>=18 & S068>0 & V0031==1)
desPNSS001P_R=subset(desPNS, C006==2 & C008>=18 & S068>0 & !is.na(Raca))
#survey design S002P, S003P, S005P
desPNSS002P=subset(desPNS, C006==2 & C008>=18 & S068==1)
desPNSS002P_C=subset(desPNS, C006==2 & C008>=18 & S068==1 & V0031==1)
desPNSS002P_R=subset(desPNS, C006==2 & C008>=18 & S068==1 & !is.na(Raca))
#survey design S004P
desPNSS004P=subset(desPNS, C006==2 & C008>=18 & (S068==1 & S11801>=37))
desPNSS004P_C=subset(desPNS, C006==2 & C008>=18 & (S068==1 & S11801>=37) & V0031==1)
desPNSS004P_R=subset(desPNS, C006==2 & C008>=18 & (S068==1 & S11801>=37) & !is.na(Raca))
Essa tabela é responsável por unir os indicadores no formato do painel de indicadores
matrizIndicadores = data.frame()
ListaIndicadores = c(~S001P, ~S002P, ~S003P, ~S004P, ~S005P)
ListaIndicadoresTexto = c("S001P", "S002P", "S003P", "S004P", "S005P" )
ListaTotais = c('Brasil','Capital')
Ano <- "2019"
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")
Essas iterações rodam por indicador, abrangência e por design
#Cálculo dos indicadores usando o pacote survey
i <- 0
#Para cada indicador
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]== "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"))
} else if (ListaIndicadoresTexto[i]== "S004P") {
dataframe_indicador<-svyby( indicador , dominio , desPNSS004P_C, svymean,vartype= c("ci","cv"))
}
} else if (ListaDominiosTexto[j]=="raça"){
if (ListaIndicadoresTexto[i]== "S002P" |
ListaIndicadoresTexto[i]== "S003P" |
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"))
} else if
(ListaIndicadoresTexto[i]== "S004P"){
dataframe_indicador<-svyby( indicador , dominio , desPNSS004P_R , svymean,vartype= c("ci","cv"))
}
#design geral para o subconjunto maior que 15 anos
} else {
if (ListaIndicadoresTexto[i]== "S002P" |
ListaIndicadoresTexto[i]== "S003P" |
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"))
} else if
(ListaIndicadoresTexto[i]== "S004P")
{
dataframe_indicador<-svyby( indicador , dominio , desPNSS004P , 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$Ano <- Ano
dataframe_indicador <- dataframe_indicador %>% select("abr_tipo","abr_nome","Ano","Indicador","Sim","LowerS","UpperS","cvS")
matrizIndicadores <-rbind(matrizIndicadores,dataframe_indicador)
j <- j + 1
}
}
matriz_totais <- data.frame()
i <- 0
#para cada indicador
for(indicador in ListaIndicadores){
i <- i + 1
#para os totais Brasil e total das capitais
for(total in ListaTotais){
dataframe_indicador <- data.frame()
dataframe_indicador_S <- data.frame()
#Uso do design que é subconjunto do dataset para cada Capital
if (total == "Capital"){
#Indicadores que são subconjunto do dataset total
if (ListaIndicadoresTexto[i]== "S002P" |
ListaIndicadoresTexto[i]== "S003P" |
ListaIndicadoresTexto[i]== "S005P"){
dataframe_indicador <- svymean(indicador,desPNSS002P_C)
} else if
(ListaIndicadoresTexto[i]== "S001P"){
dataframe_indicador <- svymean(indicador,desPNSS001P_C)
} else if
(ListaIndicadoresTexto[i]== "S004P"){
dataframe_indicador <- svymean(indicador,desPNSS004P_C)
}
} else {
if (ListaIndicadoresTexto[i]== "S002P" |
ListaIndicadoresTexto[i]== "S003P" |
ListaIndicadoresTexto[i]== "S005P"){
dataframe_indicador <- svymean(indicador,desPNSS002P)
} else if (ListaIndicadoresTexto[i]== "S001P"){
dataframe_indicador <- svymean(indicador,desPNSS001P)
} else if
(ListaIndicadoresTexto[i]== "S004P"){
dataframe_indicador <- svymean(indicador,desPNSS004P)
}
}
intervalo_confianca <- confint(dataframe_indicador)
coeficiente_variacao <- cv(dataframe_indicador)
dataframe_indicador <- cbind(data.frame(dataframe_indicador),data.frame(intervalo_confianca))
dataframe_indicador <- cbind(data.frame(dataframe_indicador),data.frame(coeficiente_variacao))
dataframe_indicador <- dataframe_indicador %>%
select('mean','X2.5..','X97.5..',coeficiente_variacao)
dataframe_indicador_S <- dataframe_indicador %>%
slice(1)
colnames(dataframe_indicador_S) <- c('Sim','LowerS','UpperS', 'cvS')
dataframe_indicador_S$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> | |
| S001PSim | total | Brasil | 2019 | S001P | 0.9802181 | 0.9735800 | 0.9868562 | 0.003455195 |
| S001PSim1 | total | Capital | 2019 | S001P | 0.9806496 | 0.9721002 | 0.9891990 | 0.004448070 |
| S002PSim | total | Brasil | 2019 | S002P | 0.9624012 | 0.9492620 | 0.9755404 | 0.006965703 |
| S002PSim1 | total | Capital | 2019 | S002P | 0.9341446 | 0.9050284 | 0.9632609 | 0.015902776 |
| S003PSim | total | Brasil | 2019 | S003P | 0.8814929 | 0.8630816 | 0.8999041 | 0.010656560 |
| S003PSim1 | total | Capital | 2019 | S003P | 0.8898081 | 0.8547462 | 0.9248701 | 0.020104431 |
| S004PSim | total | Brasil | 2019 | S004P | 0.8939233 | 0.8748669 | 0.9129797 | 0.010876579 |
| S004PSim1 | total | Capital | 2019 | S004P | 0.9086737 | 0.8785255 | 0.9388218 | 0.016927946 |
| S005PSim | total | Brasil | 2019 | S005P | 0.6712686 | 0.6383040 | 0.7042333 | 0.025055548 |
| S005PSim1 | total | Capital | 2019 | S005P | 0.5467601 | 0.4924781 | 0.6010420 | 0.050653646 |
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 | 2019 | S001P | 0.9848342 | 0.9728009 | 0.9968675 | 6.234103e-03 |
| Preta | raça | Preta | 2019 | S001P | 0.9706214 | 0.9496967 | 0.9915462 | 1.099923e-02 |
| Parda | raça | Parda | 2019 | S001P | 0.9802893 | 0.9718436 | 0.9887350 | 4.395738e-03 |
| Até 1/2 SM | rend_per_capita | Até 1/2 SM | 2019 | S001P | 0.9748696 | 0.9634649 | 0.9862743 | 5.968842e-03 |
| 1/2 até 1 SM | rend_per_capita | 1/2 até 1 SM | 2019 | S001P | 0.9809000 | 0.9691323 | 0.9926676 | 6.120930e-03 |
| 1 até 2 SM | rend_per_capita | 1 até 2 SM | 2019 | S001P | 0.9900064 | 0.9798280 | 1.0001847 | 5.245551e-03 |
| 2 até 3 SM | rend_per_capita | 2 até 3 SM | 2019 | S001P | 0.9874788 | 0.9684689 | 1.0064888 | 9.822109e-03 |
| Mais de 3 SM | rend_per_capita | Mais de 3 SM | 2019 | S001P | 0.9850570 | 0.9559967 | 1.0141173 | 1.505188e-02 |
| 18 a 24 anos | fx_idade_S | 18 a 24 anos | 2019 | S001P | 0.9780003 | 0.9636430 | 0.9923577 | 7.490081e-03 |
| 25 a 29 anos | fx_idade_S | 25 a 29 anos | 2019 | S001P | 0.9761319 | 0.9599660 | 0.9922979 | 8.449762e-03 |
| 30 a 39 anos | fx_idade_S | 30 a 39 anos | 2019 | S001P | 0.9872648 | 0.9801366 | 0.9943931 | 3.683855e-03 |
| 40 anos ou mais | fx_idade_S | 40 anos ou mais | 2019 | S001P | 0.9584802 | 0.9286191 | 0.9883414 | 1.589556e-02 |
| urbano | urb_rur | urbano | 2019 | S001P | 0.9822630 | 0.9752768 | 0.9892492 | 3.628817e-03 |
| rural | urb_rur | rural | 2019 | S001P | 0.9690309 | 0.9495219 | 0.9885399 | 1.027184e-02 |
| Rondônia | uf | Rondônia | 2019 | S001P | 0.9922432 | 0.9813513 | 1.0031351 | 5.600634e-03 |
| Acre | uf | Acre | 2019 | S001P | 0.9400931 | 0.8740058 | 1.0061804 | 3.586734e-02 |
| Amazonas | uf | Amazonas | 2019 | S001P | 0.9471638 | 0.9097590 | 0.9845686 | 2.014902e-02 |
| Roraima | uf | Roraima | 2019 | S001P | 0.9381625 | 0.8778433 | 0.9984818 | 3.280420e-02 |
| Pará | uf | Pará | 2019 | S001P | 0.9753771 | 0.9511006 | 0.9996535 | 1.269886e-02 |
| Amapá | uf | Amapá | 2019 | S001P | 0.9382793 | 0.8674707 | 1.0090880 | 3.850401e-02 |
| Tocantins | uf | Tocantins | 2019 | S001P | 1.0000000 | 1.0000000 | 1.0000000 | 0.000000e+00 |
| Maranhão | uf | Maranhão | 2019 | S001P | 0.9882002 | 0.9774606 | 0.9989399 | 5.544946e-03 |
| Piauí | uf | Piauí | 2019 | S001P | 1.0000000 | 1.0000000 | 1.0000000 | 0.000000e+00 |
| Ceará | uf | Ceará | 2019 | S001P | 0.9908578 | 0.9730003 | 1.0087154 | 9.195250e-03 |
| Rio Grande do Norte | uf | Rio Grande do Norte | 2019 | S001P | 0.9599420 | 0.9283055 | 0.9915785 | 1.681495e-02 |
| Paraíba | uf | Paraíba | 2019 | S001P | 0.9259756 | 0.8549651 | 0.9969862 | 3.912687e-02 |
| Pernambuco | uf | Pernambuco | 2019 | S001P | 0.9653698 | 0.9289815 | 1.0017582 | 1.923183e-02 |
| Alagoas | uf | Alagoas | 2019 | S001P | 0.9641940 | 0.9305357 | 0.9978523 | 1.781065e-02 |
| Sergipe | uf | Sergipe | 2019 | S001P | 1.0000000 | 1.0000000 | 1.0000000 | 1.782482e-17 |
| Bahia | uf | Bahia | 2019 | S001P | 0.9956594 | 0.9871376 | 1.0041812 | 4.366894e-03 |
| ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ |
| João Pessoa4 | capital | João Pessoa | 2019 | S005P | 0.4891024 | 0.31333773 | 0.6648670 | 0.183351143 |
| Recife4 | capital | Recife | 2019 | S005P | 0.6154032 | 0.35946656 | 0.8713398 | 0.212189839 |
| Maceió4 | capital | Maceió | 2019 | S005P | 0.6770275 | 0.53995647 | 0.8140986 | 0.103297871 |
| Aracaju4 | capital | Aracaju | 2019 | S005P | 0.5389670 | 0.28151970 | 0.7964143 | 0.243712643 |
| Salvador4 | capital | Salvador | 2019 | S005P | 0.5306442 | 0.26607586 | 0.7952126 | 0.254381995 |
| Belo Horizonte4 | capital | Belo Horizonte | 2019 | S005P | 0.3741457 | 0.20269372 | 0.5455976 | 0.233804895 |
| Vitória4 | capital | Vitória | 2019 | S005P | 0.4852118 | 0.20101229 | 0.7694113 | 0.298843552 |
| Rio de Janeiro9 | capital | Rio de Janeiro | 2019 | S005P | 0.5061534 | 0.27485324 | 0.7374535 | 0.233155491 |
| São Paulo8 | capital | São Paulo | 2019 | S005P | 0.3925847 | 0.21472169 | 0.5704477 | 0.231155467 |
| Curitiba4 | capital | Curitiba | 2019 | S005P | 0.2620324 | 0.03101129 | 0.4930534 | 0.449830155 |
| Florianópolis4 | capital | Florianópolis | 2019 | S005P | 0.5773166 | 0.31513885 | 0.8394944 | 0.231704095 |
| Porto Alegre4 | capital | Porto Alegre | 2019 | S005P | 0.4038861 | 0.17145033 | 0.6363218 | 0.293626959 |
| Campo Grande4 | capital | Campo Grande | 2019 | S005P | 0.6491680 | 0.50650967 | 0.7918262 | 0.112122258 |
| Cuiabá4 | capital | Cuiabá | 2019 | S005P | 0.6268727 | 0.37278925 | 0.8809562 | 0.206799253 |
| Goiânia4 | capital | Goiânia | 2019 | S005P | 0.5727847 | 0.32629493 | 0.8192745 | 0.219563127 |
| Brasília4 | capital | Brasília | 2019 | S005P | 0.6320122 | 0.47297955 | 0.7910448 | 0.128384529 |
| Fundamental incompleto ou equivalente4 | gescol | Fundamental incompleto ou equivalente | 2019 | S005P | 0.9124938 | 0.87271915 | 0.9522685 | 0.022239685 |
| Médio incompleto ou equivalente4 | gescol | Médio incompleto ou equivalente | 2019 | S005P | 0.9012396 | 0.85482924 | 0.9476500 | 0.026274048 |
| Superior incompleto ou equivalente4 | gescol | Superior incompleto ou equivalente | 2019 | S005P | 0.6802039 | 0.63250129 | 0.7279064 | 0.035781180 |
| Superior completo4 | gescol | Superior completo | 2019 | S005P | 0.2032387 | 0.14803143 | 0.2584459 | 0.138593119 |
| S001PSim | total | Brasil | 2019 | S001P | 0.9802181 | 0.97357997 | 0.9868562 | 0.003455195 |
| S001PSim1 | total | Capital | 2019 | S001P | 0.9806496 | 0.97210024 | 0.9891990 | 0.004448070 |
| S002PSim | total | Brasil | 2019 | S002P | 0.9624012 | 0.94926198 | 0.9755404 | 0.006965703 |
| S002PSim1 | total | Capital | 2019 | S002P | 0.9341446 | 0.90502841 | 0.9632609 | 0.015902776 |
| S003PSim | total | Brasil | 2019 | S003P | 0.8814929 | 0.86308159 | 0.8999041 | 0.010656560 |
| S003PSim1 | total | Capital | 2019 | S003P | 0.8898081 | 0.85474618 | 0.9248701 | 0.020104431 |
| S004PSim | total | Brasil | 2019 | S004P | 0.8939233 | 0.87486687 | 0.9129797 | 0.010876579 |
| S004PSim1 | total | Capital | 2019 | S004P | 0.9086737 | 0.87852554 | 0.9388218 | 0.016927946 |
| S005PSim | total | Brasil | 2019 | S005P | 0.6712686 | 0.63830397 | 0.7042333 | 0.025055548 |
| S005PSim1 | total | Capital | 2019 | S005P | 0.5467601 | 0.49247810 | 0.6010420 | 0.050653646 |
diretorio_saida <- "<coloque aqui o diretório>"
write.table(matrizIndicadores,file=paste0(diretorio_saida,"Indicadores_2019S_R.csv"),sep = ";",dec = ",",row.names = FALSE)