#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$peso_morador_selec)
Min. 1st Qu. Median Mean 3rd Qu. Max. 0.00562 0.26621 0.54401 1.00000 1.12765 61.09981
#Desfechos - Indicadores
# 6. Proporção de mulheres que tiveram a pressão arterial medida em todas as consultas - S006P.
pns2019.1$S006P <- NA
pns2019.1$S006P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S006P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S07901==1] <- 1
pns2019.1$S006P<-factor(pns2019.1$S006P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S006P)
# 7. Proporção de mulheres que realizaram pré-natal e que tiveram o peso medido em todas as consultas - S007P.
pns2019.1$S007P <- NA
pns2019.1$S007P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S007P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S07902==1] <- 1
pns2019.1$S007P<-factor(pns2019.1$S007P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S007P)
# 8. Proporção de mulheres que tiveram a barriga medida em algumas/todas as consultas - S008P.
pns2019.1$S008P <- NA
pns2019.1$S008P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S008P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & (pns2019.1$S07903==1 | pns2019.1$S07903==2)] <- 1
pns2019.1$S008P<-factor(pns2019.1$S008P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S008P)
# 9. Proporção de mulheres que tiveram o coração do bebê ouvido em todas consultas - S009P.
pns2019.1$S009P <- NA
pns2019.1$S009P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S009P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & (pns2019.1$S07904==1)] <- 1
pns2019.1$S009P<-factor(pns2019.1$S009P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S009P)
# 10. Proporção de mulheres que tiveram exame das mamas em algumas/todas consultas - S010P.
pns2019.1$S010P <- NA
pns2019.1$S010P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 ] <- 2
pns2019.1$S010P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & (pns2019.1$S07905==1 | pns2019.1$S07905==2)] <- 1
pns2019.1$S010P<-factor(pns2019.1$S010P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S010P)
#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", "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", "S068")
summary(pns2019Ssurvey)
V0024 UPA_PNS peso_morador_selec C008 1210010: 1167 140001681: 18 Min. : 0.00562 Min. : 15.00 1410011: 792 140003815: 18 1st Qu.: 0.26621 1st Qu.: 32.00 2710111: 779 140005777: 18 Median : 0.54401 Median : 45.00 2410011: 745 140006746: 18 Mean : 1.00000 Mean : 46.39 5010011: 738 140007081: 18 3rd Qu.: 1.12765 3rd Qu.: 60.00 3210011: 711 140007715: 18 Max. :61.09981 Max. :107.00 (Other):85914 (Other) :90738 C006 C009 V0031 Sit_Urbano_Rural Min. :1.000 Min. :1.000 Min. :1.000 urbano:69873 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000 rural :20973 Median :2.000 Median :4.000 Median :2.000 Mean :1.529 Mean :2.679 Mean :2.605 3rd Qu.:2.000 3rd Qu.:4.000 3rd Qu.:4.000 Max. :2.000 Max. :9.000 Max. :4.000 Unidades_da_Federacao GrandesRegioes Capital São Paulo : 6114 Norte :17602 São Paulo : 6114 Minas Gerais : 5209 Nordeste :31544 Belo Horizonte: 5209 Maranhão : 5080 Sudeste :19830 São Luís : 5080 Rio de Janeiro: 4966 Sul :11472 Rio de Janeiro: 4966 Ceará : 4265 Centro-Oeste:10398 Fortaleza : 4265 Pernambuco : 4083 Recife : 4083 (Other) :61129 (Other) :61129 fx_idade_S Raca rend_per_capita 18 a 24 anos : 8145 Branca:33133 Até 1/2 SM :23697 25 a 29 anos : 7249 Preta :10345 1/2 até 1 SM:26406 30 a 39 anos :18150 Parda :45994 1 até 2 SM :22466 40 anos ou mais:54987 NA's : 1374 2 até 3 SM : 7612 NA's : 2315 Mais de 3 SM:10643 NA's : 22 gescol S006P S007P Fundamental incompleto ou equivalente:36276 Sim : 2561 Sim : 2585 Médio incompleto ou equivalente :13520 Não : 173 Não : 149 Superior incompleto ou equivalente :27433 NA's:88112 NA's:88112 Superior completo :13617 S008P S009P S010P S068 Sim : 2663 Sim : 2208 Sim : 833 Min. :1.00 Não : 71 Não : 526 Não : 1901 1st Qu.:1.00 NA's:88112 NA's:88112 NA's:88112 Median :1.00 Mean :1.03 3rd Qu.:1.00 Max. :2.00 NA's :87936
#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 S006P a S010P
desPNSS006P=subset(desPNS, C006==2 & C008>=18 & S068==1)
desPNSS006P_C=subset(desPNS, C006==2 & C008>=18 & S068==1 & V0031==1)
desPNSS006P_R=subset(desPNS, C006==2 & C008>=18 & S068==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 <- "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]== "S006P" | ListaIndicadoresTexto[i]== "S007P" | ListaIndicadoresTexto[i]== "S008P" | ListaIndicadoresTexto[i]== "S009P" | ListaIndicadoresTexto[i]== "S010P"){
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]== "S006P" | ListaIndicadoresTexto[i]== "S007P" | ListaIndicadoresTexto[i]== "S008P"| ListaIndicadoresTexto[i]== "S009P"){
dataframe_indicador<-svyby( indicador , dominio , desPNSS006P_C , svymean,vartype= c("ci","cv"))
} else if (ListaIndicadoresTexto[i]== "S010P") {
dataframe_indicador<-svyby( indicador , dominio , desPNSS006P_C, svymean,vartype= c("ci","cv"))
}
} else if (ListaDominiosTexto[j]=="raça"){
if (ListaIndicadoresTexto[i]== "S006P" | ListaIndicadoresTexto[i]== "S007P" | ListaIndicadoresTexto[i]== "S008P" | ListaIndicadoresTexto[i]== "S009P"){
dataframe_indicador<-svyby( indicador , dominio , desPNSS006P_R , svymean,vartype= c("ci","cv"))
} else if
(ListaIndicadoresTexto[i]== "S010P"){
dataframe_indicador<-svyby( indicador , dominio , desPNSS006P_R , svymean,vartype= c("ci","cv"))
}
#design geral para o subconjunto maior que 15 anos
} else {
if (ListaIndicadoresTexto[i]== "S006P" | ListaIndicadoresTexto[i]== "S007P" | ListaIndicadoresTexto[i]== "S008P" | ListaIndicadoresTexto[i]== "S009P"){
dataframe_indicador<-svyby( indicador , dominio , desPNSS006P , svymean,vartype= c("ci","cv"))
} else if
(ListaIndicadoresTexto[i]== "S010P")
{
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$Ano <- Ano
dataframe_indicador <- dataframe_indicador %>% select("abr_tipo","abr_nome","Ano","Indicador","Sim","LowerS","UpperS","cvS")
matrizIndicadores <-rbind(matrizIndicadores,dataframe_indicador)
j <- j + 1
}
}
matriz_totais <- data.frame()
i = 0
#para cada indicador
for(indicador in ListaIndicadores){
i <- i + 1
#para os totais Brasil e total das capitais
for(total in ListaTotais){
dataframe_indicador <- data.frame()
dataframe_indicador_S <- data.frame()
#Uso do design que é subconjunto do dataset para cada Capital
if (total == "Capital"){
#Indicadores que são subconjunto do dataset total
if (ListaIndicadoresTexto[i]== "S006P" | ListaIndicadoresTexto[i]== "S007P" | ListaIndicadoresTexto[i]== "S008P"| ListaIndicadoresTexto[i]== "S009P"){
dataframe_indicador <- svymean(indicador,desPNSS006P_C)
} else if
(ListaIndicadoresTexto[i]== "S010P"){
dataframe_indicador <- svymean(indicador,desPNSS006P_C)
}
} else {
if (ListaIndicadoresTexto[i]== "S006P" | ListaIndicadoresTexto[i]== "S007P" | ListaIndicadoresTexto[i]== "S008P"| ListaIndicadoresTexto[i]== "S009P"){
dataframe_indicador <- svymean(indicador,desPNSS006P)
} else if
(ListaIndicadoresTexto[i]== "S010P"){
dataframe_indicador <- svymean(indicador,desPNSS006P)
}
}
intervalo_confianca <- confint(dataframe_indicador)
coeficiente_variacao <- cv(dataframe_indicador)
dataframe_indicador <- cbind(data.frame(dataframe_indicador),data.frame(intervalo_confianca))
dataframe_indicador <- cbind(data.frame(dataframe_indicador),data.frame(coeficiente_variacao))
dataframe_indicador <- dataframe_indicador %>%
select('mean','X2.5..','X97.5..',coeficiente_variacao)
dataframe_indicador_S <- dataframe_indicador %>%
slice(1)
colnames(dataframe_indicador_S) <- c('Sim','LowerS','UpperS', 'cvS')
dataframe_indicador_S$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 | 2019 | S006P | 0.9477060 | 0.9358079 | 0.9596041 | 0.006405528 |
S006PSim1 | total | Capital | 2019 | S006P | 0.9447823 | 0.9259869 | 0.9635778 | 0.010150173 |
S007PSim | total | Brasil | 2019 | S007P | 0.9532179 | 0.9414090 | 0.9650268 | 0.006320746 |
S007PSim1 | total | Capital | 2019 | S007P | 0.9536965 | 0.9346891 | 0.9727039 | 0.010168667 |
S008PSim | total | Brasil | 2019 | S008P | 0.9706513 | 0.9588280 | 0.9824745 | 0.006214775 |
S008PSim1 | total | Capital | 2019 | S008P | 0.9779854 | 0.9653568 | 0.9906139 | 0.006588311 |
S009PSim | total | Brasil | 2019 | S009P | 0.8143380 | 0.7916183 | 0.8370577 | 0.014234744 |
S009PSim1 | total | Capital | 2019 | S009P | 0.8167267 | 0.7804770 | 0.8529764 | 0.022645383 |
S010PSim | total | Brasil | 2019 | S010P | 0.3625718 | 0.3297028 | 0.3954409 | 0.046253562 |
S010PSim1 | total | Capital | 2019 | S010P | 0.4309147 | 0.3771172 | 0.4847121 | 0.063697480 |
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 | S006P | 0.9662739 | 0.9519088 | 0.9806390 | 0.007585076 |
Preta | raça | Preta | 2019 | S006P | 0.9733110 | 0.9428696 | 1.0037524 | 0.015957505 |
Parda | raça | Parda | 2019 | S006P | 0.9289165 | 0.9101413 | 0.9476918 | 0.010312412 |
Até 1/2 SM | rend_per_capita | Até 1/2 SM | 2019 | S006P | 0.9294211 | 0.9095124 | 0.9493298 | 0.010929053 |
1/2 até 1 SM | rend_per_capita | 1/2 até 1 SM | 2019 | S006P | 0.9568221 | 0.9360314 | 0.9776127 | 0.011086351 |
1 até 2 SM | rend_per_capita | 1 até 2 SM | 2019 | S006P | 0.9665089 | 0.9448690 | 0.9881489 | 0.011423580 |
2 até 3 SM | rend_per_capita | 2 até 3 SM | 2019 | S006P | 0.9746447 | 0.9395043 | 1.0097851 | 0.018395535 |
Mais de 3 SM | rend_per_capita | Mais de 3 SM | 2019 | S006P | 0.9682655 | 0.9328796 | 1.0036515 | 0.018646104 |
18 a 24 anos | fx_idade_S | 18 a 24 anos | 2019 | S006P | 0.9377567 | 0.9114195 | 0.9640940 | 0.014329515 |
25 a 29 anos | fx_idade_S | 25 a 29 anos | 2019 | S006P | 0.9481978 | 0.9271267 | 0.9692689 | 0.011338103 |
30 a 39 anos | fx_idade_S | 30 a 39 anos | 2019 | S006P | 0.9571161 | 0.9413678 | 0.9728643 | 0.008394974 |
40 anos ou mais | fx_idade_S | 40 anos ou mais | 2019 | S006P | 0.9295020 | 0.8649302 | 0.9940738 | 0.035444158 |
urbano | urb_rur | urbano | 2019 | S006P | 0.9523245 | 0.9393560 | 0.9652929 | 0.006947935 |
rural | urb_rur | rural | 2019 | S006P | 0.9220950 | 0.8926638 | 0.9515261 | 0.016284855 |
Rondônia | uf | Rondônia | 2019 | S006P | 0.9450174 | 0.8846023 | 1.0054325 | 0.032618027 |
Acre | uf | Acre | 2019 | S006P | 0.9246594 | 0.8472836 | 1.0020352 | 0.042694832 |
Amazonas | uf | Amazonas | 2019 | S006P | 0.9255540 | 0.8678541 | 0.9832539 | 0.031807182 |
Roraima | uf | Roraima | 2019 | S006P | 0.9200423 | 0.8582398 | 0.9818449 | 0.034272864 |
Pará | uf | Pará | 2019 | S006P | 0.7882825 | 0.6822214 | 0.8943437 | 0.068647762 |
Amapá | uf | Amapá | 2019 | S006P | 0.9051400 | 0.8086482 | 1.0016317 | 0.054390920 |
Tocantins | uf | Tocantins | 2019 | S006P | 0.9356463 | 0.8617041 | 1.0095886 | 0.040321142 |
Maranhão | uf | Maranhão | 2019 | S006P | 0.9159778 | 0.8736760 | 0.9582795 | 0.023562721 |
Piauí | uf | Piauí | 2019 | S006P | 0.8627019 | 0.6869081 | 1.0384957 | 0.103966825 |
Ceará | uf | Ceará | 2019 | S006P | 0.9761845 | 0.9483533 | 1.0040156 | 0.014546244 |
Rio Grande do Norte | uf | Rio Grande do Norte | 2019 | S006P | 0.9656500 | 0.9285301 | 1.0027699 | 0.019612787 |
Paraíba | uf | Paraíba | 2019 | S006P | 0.9721313 | 0.9454015 | 0.9988612 | 0.014028894 |
Pernambuco | uf | Pernambuco | 2019 | S006P | 0.9087186 | 0.8437950 | 0.9736423 | 0.036452357 |
Alagoas | uf | Alagoas | 2019 | S006P | 0.8957079 | 0.8217818 | 0.9696339 | 0.042109787 |
Sergipe | uf | Sergipe | 2019 | S006P | 0.8544216 | 0.7346006 | 0.9742425 | 0.071550470 |
Bahia | uf | Bahia | 2019 | S006P | 0.9792001 | 0.9501999 | 1.0082002 | 0.015110557 |
⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ |
João Pessoa4 | capital | João Pessoa | 2019 | S010P | 0.3867097 | 0.21123672 | 0.5621827 | 0.231513927 |
Recife4 | capital | Recife | 2019 | S010P | 0.3527943 | 0.09592159 | 0.6096669 | 0.371491005 |
Maceió4 | capital | Maceió | 2019 | S010P | 0.3824473 | 0.22543304 | 0.5394615 | 0.209468819 |
Aracaju4 | capital | Aracaju | 2019 | S010P | 0.3756955 | 0.14420235 | 0.6071887 | 0.314379397 |
Salvador4 | capital | Salvador | 2019 | S010P | 0.2679056 | 0.06832399 | 0.4674872 | 0.380093676 |
Belo Horizonte4 | capital | Belo Horizonte | 2019 | S010P | 0.4435615 | 0.26391733 | 0.6232057 | 0.206638504 |
Vitória4 | capital | Vitória | 2019 | S010P | 0.4759572 | 0.19530180 | 0.7566126 | 0.300855120 |
Rio de Janeiro9 | capital | Rio de Janeiro | 2019 | S010P | 0.6607904 | 0.48516174 | 0.8364191 | 0.135607481 |
São Paulo8 | capital | São Paulo | 2019 | S010P | 0.4785714 | 0.30539213 | 0.6517507 | 0.184629484 |
Curitiba4 | capital | Curitiba | 2019 | S010P | 0.6617726 | 0.41532884 | 0.9082163 | 0.190003212 |
Florianópolis4 | capital | Florianópolis | 2019 | S010P | 0.5720892 | 0.28723166 | 0.8569467 | 0.254048058 |
Porto Alegre4 | capital | Porto Alegre | 2019 | S010P | 0.6245495 | 0.39424494 | 0.8548540 | 0.188142772 |
Campo Grande4 | capital | Campo Grande | 2019 | S010P | 0.2382817 | 0.11825417 | 0.3583092 | 0.257005267 |
Cuiabá4 | capital | Cuiabá | 2019 | S010P | 0.3686500 | 0.13726859 | 0.6000314 | 0.320233031 |
Goiânia4 | capital | Goiânia | 2019 | S010P | 0.3700647 | 0.12943287 | 0.6106966 | 0.331762536 |
Brasília4 | capital | Brasília | 2019 | S010P | 0.4275936 | 0.26620782 | 0.5889794 | 0.192568835 |
Fundamental incompleto ou equivalente4 | gescol | Fundamental incompleto ou equivalente | 2019 | S010P | 0.1780056 | 0.13036830 | 0.2256429 | 0.136541742 |
Médio incompleto ou equivalente4 | gescol | Médio incompleto ou equivalente | 2019 | S010P | 0.2202463 | 0.15019034 | 0.2903022 | 0.162288665 |
Superior incompleto ou equivalente4 | gescol | Superior incompleto ou equivalente | 2019 | S010P | 0.3635603 | 0.31730061 | 0.4098200 | 0.064919946 |
Superior completo4 | gescol | Superior completo | 2019 | S010P | 0.6702861 | 0.59955801 | 0.7410142 | 0.053837339 |
S006PSim | total | Brasil | 2019 | S006P | 0.9477060 | 0.93580792 | 0.9596041 | 0.006405528 |
S006PSim1 | total | Capital | 2019 | S006P | 0.9447823 | 0.92598686 | 0.9635778 | 0.010150173 |
S007PSim | total | Brasil | 2019 | S007P | 0.9532179 | 0.94140901 | 0.9650268 | 0.006320746 |
S007PSim1 | total | Capital | 2019 | S007P | 0.9536965 | 0.93468915 | 0.9727039 | 0.010168667 |
S008PSim | total | Brasil | 2019 | S008P | 0.9706513 | 0.95882802 | 0.9824745 | 0.006214775 |
S008PSim1 | total | Capital | 2019 | S008P | 0.9779854 | 0.96535678 | 0.9906139 | 0.006588311 |
S009PSim | total | Brasil | 2019 | S009P | 0.8143380 | 0.79161833 | 0.8370577 | 0.014234744 |
S009PSim1 | total | Capital | 2019 | S009P | 0.8167267 | 0.78047698 | 0.8529764 | 0.022645383 |
S010PSim | total | Brasil | 2019 | S010P | 0.3625718 | 0.32970278 | 0.3954409 | 0.046253562 |
S010PSim1 | total | Capital | 2019 | S010P | 0.4309147 | 0.37711724 | 0.4847121 | 0.063697480 |
matrizIndicadores_cv= subset(matrizIndicadores, matrizIndicadores$cvS>0.30)
matrizIndicadores_cv
abr_tipo | abr_nome | Ano | Indicador | Sim | LowerS | UpperS | cvS | |
---|---|---|---|---|---|---|---|---|
<chr> | <fct> | <chr> | <chr> | <dbl> | <dbl> | <dbl> | <dbl> | |
Rondônia4 | uf | Rondônia | 2019 | S010P | 0.14414580 | 0.045523932 | 0.2427677 | 0.3490785 |
Acre4 | uf | Acre | 2019 | S010P | 0.17103094 | 0.021710491 | 0.3203514 | 0.4454475 |
Roraima4 | uf | Roraima | 2019 | S010P | 0.14047197 | 0.034479287 | 0.2464646 | 0.3849800 |
Amapá4 | uf | Amapá | 2019 | S010P | 0.15446528 | 0.041395021 | 0.2675355 | 0.3734818 |
Tocantins4 | uf | Tocantins | 2019 | S010P | 0.20078192 | 0.075294990 | 0.3262688 | 0.3188789 |
Porto Velho4 | capital | Porto Velho | 2019 | S010P | 0.13378315 | 0.024767904 | 0.2427984 | 0.4157552 |
Rio Branco4 | capital | Rio Branco | 2019 | S010P | 0.10641712 | 0.001993107 | 0.2108411 | 0.5006576 |
Boa Vista4 | capital | Boa Vista | 2019 | S010P | 0.17462065 | 0.028415842 | 0.3208255 | 0.4271869 |
Belém4 | capital | Belém | 2019 | S010P | 0.27229725 | 0.054425379 | 0.4901691 | 0.4082346 |
Macapá4 | capital | Macapá | 2019 | S010P | 0.09110738 | -0.009283284 | 0.1914980 | 0.5622011 |
Palmas4 | capital | Palmas | 2019 | S010P | 0.32739968 | 0.130858595 | 0.5239408 | 0.3062859 |
São Luís4 | capital | São Luís | 2019 | S010P | 0.28881737 | 0.099542378 | 0.4780924 | 0.3343658 |
Natal4 | capital | Natal | 2019 | S010P | 0.23060926 | 0.061300854 | 0.3999177 | 0.3745878 |
Recife4 | capital | Recife | 2019 | S010P | 0.35279425 | 0.095921585 | 0.6096669 | 0.3714910 |
Aracaju4 | capital | Aracaju | 2019 | S010P | 0.37569552 | 0.144202348 | 0.6071887 | 0.3143794 |
Salvador4 | capital | Salvador | 2019 | S010P | 0.26790560 | 0.068323987 | 0.4674872 | 0.3800937 |
Vitória4 | capital | Vitória | 2019 | S010P | 0.47595719 | 0.195301798 | 0.7566126 | 0.3008551 |
Cuiabá4 | capital | Cuiabá | 2019 | S010P | 0.36865000 | 0.137268593 | 0.6000314 | 0.3202330 |
Goiânia4 | capital | Goiânia | 2019 | S010P | 0.37006473 | 0.129432871 | 0.6106966 | 0.3317625 |
diretorio_saida <- "<coloque aqui o diretório>"
write.table(matrizIndicadores,file=paste0(diretorio_saida,"Indicadores_2019S_R.csv"),sep = ";",dec = ",",row.names = FALSE)