Notebook para criação de tabela de indicadores da PNS - S 2013 Pré-natal - Parte 3

Bibliotecas Utilizadas

#Lendo pacotes necessários
library(survey)
library(ggplot2)
library(dplyr)
library(foreign)
library(forcats)
library(tidyverse)

Carregando microdados da PNS

#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

#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 

Criação de variáveis dos indicadores

#Desfechos - Indicadores

# 11. Proporção de mulheres que realizaram teste/exame para sífilis durante o pré-natal - S011P.
pns2013.1$S011P <- NA
pns2013.1$S011P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1] <- 2
pns2013.1$S011P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & pns2013.1$S027==1] <- 1
pns2013.1$S011P<-factor(pns2013.1$S011P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S011P)


# 12. Proporção de mulheres que realizaram teste/exame para sífilis durante o pré-natal e receberam o resultado antes do parto - S012P.

pns2013.1$S012P <- NA
pns2013.1$S012P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1] <- 2
pns2013.1$S012P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & ( pns2013.1$S028==1 |  pns2013.1$S028==2)] <- 1
pns2013.1$S012P<-factor(pns2013.1$S012P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S012P)

# 15. Proporção de mulheres que tiveram solicitação de teste/exame para HIV/AIDS durante o pré-natal - S015P.

pns2013.1$S015P <- NA
pns2013.1$S015P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1] <- 2
pns2013.1$S015P[pns2013.1$C006==2 & pns2013.1$C008>=18 & pns2013.1$S001==1 & pns2013.1$S033 == 1] <- 1
pns2013.1$S015P<-factor(pns2013.1$S015P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$S015P)

Sim

1251

Não

600

NA's

58351

Sim

1222

Não

629

NA's

58351

Sim

1655

Não

196

NA's

58351

Definições de abrangências

Situação urbana ou rural

#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

#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

#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

#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

#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

# 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

# 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

# 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

# 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

# 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", "S011P", "S012P", "S015P", "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       S011P        S012P      
 Fundamental incompleto ou equivalente:24083   Sim : 1251   Sim : 1222  
 Médio incompleto ou equivalente      : 9215   Não :  600   Não :  629  
 Superior incompleto ou equivalente   :19149   NA's:58351   NA's:58351  
 Superior completo                    : 7755                            
                                                                        
                                                                        
                                                                        
  S015P            S001      
 Sim : 1655   Min.   :1.00   
 Não :  196   1st Qu.:1.00   
 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-Parte3 2013

# 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

#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", "S011P", "S012P", "S015P", "S001") summary(pns2013Ssurvey)

# survey design
desPNS=svydesign(id=~UPA_PNS, 
                 strat=~V0024,
                 weight=~peso_morador_selec,
                 nest=TRUE,
                 data=pns2013Ssurvey)

#survey design S011P, S012P e S015P
desPNSS=subset(desPNS,   C006==2 & C008>=18 & S001==1)
desPNSS_C=subset(desPNS, C006==2 & C008>=18 & S001==1 & V0031==1)
desPNSS_R=subset(desPNS, C006==2 & C008>=18 & S001==1 & !is.na(Raca))
desPNSS_Rend=subset(desPNS, C006==2 & C008>=18 & S001==1 & !is.na(rend_per_capita))

Criação da tabela de indicadores

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

matrizIndicadores = data.frame()

Definição de variáveis para iteração dos indicadores

ListaIndicadores = c(~S011P, ~S012P, ~S015P)
ListaIndicadoresTexto = c("S011P", "S012P", "S015P" )
ListaTotais = c('Brasil','Capital')
Ano <- "2013"

ListaDominios = c(~Raca,~rend_per_capita,~fx_idade_S,~Sit_Urbano_Rural,
                      ~Unidades_da_Federacao,~GrandesRegioes,~Capital,~gescol) 
ListaDominiosTexto= c("raça","rend_per_capita","fx_idade_S","urb_rur","uf","região",
                          "capital","gescol")

Preenchendo a tabela de indicadores

#Cálculo dos indicadores usando o pacote survey 
i <- 0
#Para cada indicador
for( indicador in ListaIndicadores){
    i <- i + 1; j <- 1
   
        #Para cada dominio
        for (dominio in ListaDominios){
               #design especifico para capital que é subconjunto do dataframe total
               if (ListaDominiosTexto[j]=="capital"){
                   #designs especificos por variavel que são subconjuntos do dataset total
                   dataframe_indicador<-svyby( indicador , dominio , desPNSS_C , svymean,vartype= c("ci","cv"))
               #Uso design do subconjunto para raça/cor que inclui preta,branca e parda  
               # as outras raças não possuiam dados suficientes para os dominios dos indicadores
               } else if (ListaDominiosTexto[j]=="raça"){
                            dataframe_indicador<-svyby( indicador , dominio , desPNSS_R , svymean,vartype= c("ci","cv"))
               #Udeign específico para renda per capta
               } else if (ListaDominiosTexto[j]=="rend_per_capita"){
                            dataframe_indicador<-svyby( indicador , dominio , desPNSS_Rend , svymean,vartype= c("ci","cv"))    
               #design geral para o subconjunto maior que 18 anos   
               } else {
                        dataframe_indicador<-svyby( indicador , dominio , desPNSS , 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
    }
}

Criando a tabela pela abrangência total

matriz_totais <- data.frame()

Preenchendo a tabela com as abrangencia Brasil e total das capitais

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,desPNSS_C)
                } else {
                            dataframe_indicador <- svymean(indicador,desPNSS)
                }
        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

A data.frame: 6 × 8

	abr_tipo	abr_nome	Ano	Indicador	Sim	LowerS	UpperS	cvS
	<chr>	<chr>	<chr>	<chr>	<dbl>	<dbl>	<dbl>	<dbl>
S011PSim	total	Brasil	2013	S011P	0.6462873	0.6074201	0.6851544	0.03068382
S011PSim1	total	Capital	2013	S011P	0.7459302	0.6968370	0.7950235	0.03357959
S012PSim	total	Brasil	2013	S012P	0.6342498	0.5953764	0.6731232	0.03127117
S012PSim1	total	Capital	2013	S012P	0.7282405	0.6782334	0.7782476	0.03503553
S015PSim	total	Brasil	2013	S015P	0.8909992	0.8676960	0.9143023	0.01334411
S015PSim1	total	Capital	2013	S015P	0.9331653	0.9090692	0.9572614	0.01317468

Unindo tabela de indicadores e de totais

matrizIndicadores<-rbind(matrizIndicadores,matriz_totais)

Visualizando tabela de indicadores

matrizIndicadores

A data.frame: 237 × 8

	abr_tipo	abr_nome	Ano	Indicador	Sim	LowerS	UpperS	cvS
	<chr>	<fct>	<chr>	<chr>	<dbl>	<dbl>	<dbl>	<dbl>
Branca	raça	Branca	2013	S011P	0.6683691	0.6030402	0.7336980	0.04987020
Preta	raça	Preta	2013	S011P	0.6656212	0.5534047	0.7778377	0.08601644
Parda	raça	Parda	2013	S011P	0.6257640	0.5738207	0.6777072	0.04235168
Até 1/2 SM	rend_per_capita	Até 1/2 SM	2013	S011P	0.5563509	0.4997013	0.6130006	0.05195179
1/2 até 1 SM	rend_per_capita	1/2 até 1 SM	2013	S011P	0.6926944	0.6259659	0.7594230	0.04914982
1 até 2 SM	rend_per_capita	1 até 2 SM	2013	S011P	0.6989497	0.5858396	0.8120598	0.08256715
2 até 3 SM	rend_per_capita	2 até 3 SM	2013	S011P	0.7046433	0.5013134	0.9079731	0.14722572
Mais de 3 SM	rend_per_capita	Mais de 3 SM	2013	S011P	0.8715717	0.7715561	0.9715873	0.05854859
18 a 24 anos	fx_idade_S	18 a 24 anos	2013	S011P	0.5445912	0.4751882	0.6139942	0.06502185
25 a 29 anos	fx_idade_S	25 a 29 anos	2013	S011P	0.6764866	0.6090854	0.7438878	0.05083470
30 a 39 anos	fx_idade_S	30 a 39 anos	2013	S011P	0.7204156	0.6620884	0.7787429	0.04130857
40 anos ou mais	fx_idade_S	40 anos ou mais	2013	S011P	0.7708853	0.6460579	0.8957127	0.08261751
urbano	urb_rur	urbano	2013	S011P	0.6840317	0.6417656	0.7262978	0.03152595
rural	urb_rur	rural	2013	S011P	0.4464469	0.3576844	0.5352094	0.10144059
Rondônia	uf	Rondônia	2013	S011P	0.7529792	0.6217340	0.8842243	0.08893078
Acre	uf	Acre	2013	S011P	0.5818416	0.4488706	0.7148126	0.11660147
Amazonas	uf	Amazonas	2013	S011P	0.6656666	0.5454980	0.7858352	0.09210563
Roraima	uf	Roraima	2013	S011P	0.7201235	0.6053944	0.8348525	0.08128648
Pará	uf	Pará	2013	S011P	0.6892216	0.5380645	0.8403788	0.11189783
Amapá	uf	Amapá	2013	S011P	0.7682803	0.6638398	0.8727207	0.06935871
Tocantins	uf	Tocantins	2013	S011P	0.7300095	0.5883882	0.8716308	0.09898103
Maranhão	uf	Maranhão	2013	S011P	0.5337305	0.3933675	0.6740936	0.13417844
Piauí	uf	Piauí	2013	S011P	0.5812204	0.4400004	0.7224403	0.12396732
Ceará	uf	Ceará	2013	S011P	0.4374979	0.3050836	0.5699122	0.15442257
Rio Grande do Norte	uf	Rio Grande do Norte	2013	S011P	0.7303299	0.5566231	0.9040367	0.12135272
Paraíba	uf	Paraíba	2013	S011P	0.5868331	0.4238806	0.7497855	0.14167664
Pernambuco	uf	Pernambuco	2013	S011P	0.6110323	0.4658322	0.7562324	0.12124245
Alagoas	uf	Alagoas	2013	S011P	0.6972541	0.5449244	0.8495839	0.11146677
Sergipe	uf	Sergipe	2013	S011P	0.6568815	0.5097511	0.8040119	0.11427921
Bahia	uf	Bahia	2013	S011P	0.5370482	0.3453146	0.7287818	0.18215324
⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮
São Luís2	capital	São Luís	2013	S015P	0.9307045	0.8530392	1.0083699	0.04257625
Teresina2	capital	Teresina	2013	S015P	0.9094356	0.8074327	1.0114386	0.05722591
Fortaleza2	capital	Fortaleza	2013	S015P	0.8584404	0.7212515	0.9956293	0.08153814
Natal2	capital	Natal	2013	S015P	0.9257387	0.7839958	1.0674816	0.07812048
João Pessoa2	capital	João Pessoa	2013	S015P	0.8617728	0.7151385	1.0084071	0.08681497
Recife2	capital	Recife	2013	S015P	0.9303945	0.7967853	1.0640036	0.07326913
Maceió2	capital	Maceió	2013	S015P	0.8200770	0.5950867	1.0450673	0.13997840
Aracaju2	capital	Aracaju	2013	S015P	1.0000000	1.0000000	1.0000000	0.00000000
Salvador2	capital	Salvador	2013	S015P	0.8034361	0.6389775	0.9678947	0.10443766
Belo Horizonte2	capital	Belo Horizonte	2013	S015P	1.0000000	1.0000000	1.0000000	0.00000000
Vitória2	capital	Vitória	2013	S015P	1.0000000	1.0000000	1.0000000	0.00000000
Rio de Janeiro5	capital	Rio de Janeiro	2013	S015P	0.9093470	0.7987965	1.0198975	0.06202733
São Paulo4	capital	São Paulo	2013	S015P	0.9528147	0.9005774	1.0050521	0.02797209
Curitiba2	capital	Curitiba	2013	S015P	1.0000000	1.0000000	1.0000000	0.00000000
Florianópolis2	capital	Florianópolis	2013	S015P	1.0000000	1.0000000	1.0000000	0.00000000
Porto Alegre2	capital	Porto Alegre	2013	S015P	0.9501900	0.8754792	1.0249009	0.04011667
Campo Grande2	capital	Campo Grande	2013	S015P	0.9277999	0.8446933	1.0109064	0.04570176
Cuiabá2	capital	Cuiabá	2013	S015P	0.8533539	0.6322484	1.0744594	0.13219720
Goiânia2	capital	Goiânia	2013	S015P	0.8691505	0.7296437	1.0086572	0.08189400
Brasília2	capital	Brasília	2013	S015P	1.0000000	1.0000000	1.0000000	0.00000000
Fundamental incompleto ou equivalente2	gescol	Fundamental incompleto ou equivalente	2013	S015P	0.8165614	0.7567752	0.8763477	0.03735636
Médio incompleto ou equivalente2	gescol	Médio incompleto ou equivalente	2013	S015P	0.9291123	0.9021561	0.9560684	0.01480272
Superior incompleto ou equivalente2	gescol	Superior incompleto ou equivalente	2013	S015P	0.9187364	0.8857760	0.9516968	0.01830431
Superior completo2	gescol	Superior completo	2013	S015P	0.8618983	0.7709542	0.9528424	0.05383570
S011PSim	total	Brasil	2013	S011P	0.6462873	0.6074201	0.6851544	0.03068382
S011PSim1	total	Capital	2013	S011P	0.7459302	0.6968370	0.7950235	0.03357959
S012PSim	total	Brasil	2013	S012P	0.6342498	0.5953764	0.6731232	0.03127117
S012PSim1	total	Capital	2013	S012P	0.7282405	0.6782334	0.7782476	0.03503553
S015PSim	total	Brasil	2013	S015P	0.8909992	0.8676960	0.9143023	0.01334411
S015PSim1	total	Capital	2013	S015P	0.9331653	0.9090692	0.9572614	0.01317468

Exportando tabela de indicadores calculados - Módulo S 2013

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