#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$peso_morador_selec)
Min. 1st Qu. Median Mean 3rd Qu. Max. 0.00562 0.26621 0.54401 1.00000 1.12765 61.09981
#Desfechos - Indicadores
# 11. Proporção de mulheres que realizaram teste/exame para sífilis durante o pré-natal - S011P.
pns2019.1$S011P <- NA
pns2019.1$S011P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S011P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S080==1] <- 1
pns2019.1$S011P<-factor(pns2019.1$S011P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S011P)
# 12. Proporção de mulheres que realizaram teste/exame para sífilis durante o pré-natal e receberam o resultado antes do parto - S012P.
pns2019.1$S012P <- NA
pns2019.1$S012P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S012P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S081==1] <- 1
pns2019.1$S012P<-factor(pns2019.1$S012P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S012P)
# 13. Proporção de mulheres que realizaram teste/exame para hepatite B durante o pré-natal - S013P.
pns2019.1$S013P <- NA
pns2019.1$S013P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S013P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S088==1] <- 1
pns2019.1$S013P<-factor(pns2019.1$S013P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S013P)
# 14. Proporção de mulheres que realizaram teste/exame para hepatite B durante o pré-natal e receberam o resultado antes do parto - S014P.
pns2019.1$S014P <- NA
pns2019.1$S014P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S014P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S089==1] <- 1
pns2019.1$S014P<-factor(pns2019.1$S014P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S014P)
# 15. Proporção de mulheres que tiveram solicitação de teste/exame para HIV/AIDS durante o pré-natal - S015P.
pns2019.1$S015P <- NA
pns2019.1$S015P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S015P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S090==1] <- 1
pns2019.1$S015P<-factor(pns2019.1$S015P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S015P)
#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",
"S011P", "S012P", "S013P", "S014P", "S015P", "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 S011P S012P Fundamental incompleto ou equivalente:36276 Sim : 2131 Sim : 2071 Médio incompleto ou equivalente :13520 Não : 603 Não : 663 Superior incompleto ou equivalente :27433 NA's:88112 NA's:88112 Superior completo :13617 S013P S014P S015P S068 Sim : 2246 Sim : 2172 Sim : 2423 Min. :1.00 Não : 488 Não : 562 Não : 311 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
desPNSS=subset(desPNS, C006==2 & C008>=18 & S068==1)
desPNSS_C=subset(desPNS, C006==2 & C008>=18 & S068==1 & V0031==1)
desPNSS_R=subset(desPNS, C006==2 & C008>=18 & S068==1 & !is.na(Raca))
desPNSS_Rend=subset(desPNS, C006==2 & C008>=18 & S068==1 & !is.na(rend_per_capita))
Essa tabela é responsável por unir os indicadores no formato do painel de indicadores
matrizIndicadores = data.frame()
ListaIndicadores = c(~S011P, ~S012P, ~S013P, ~S014P, ~S015P)
ListaIndicadoresTexto = c("S011P", "S012P", "S013P", "S014P", "S015P" )
ListaTotais = c('Brasil','Capital')
Ano <- "2019"
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")
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
#Para cada dominio
for (dominio in ListaDominios){
#design especifico para capital que é subconjunto do dataframe total
#design geral para capital
if (ListaDominiosTexto[j]=="capital"){
dataframe_indicador<-svyby( indicador , dominio , desPNSS_C , svymean,vartype= c("ci","cv"))
#design geral para raça
} else if (ListaDominiosTexto[j]=="raça"){
dataframe_indicador<-svyby( indicador , dominio , desPNSS_R , svymean,vartype= c("ci","cv"))
#design geral para renda per capita
} 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$Ano <- Ano
dataframe_indicador <- dataframe_indicador %>% select("abr_tipo","abr_nome","Ano","Indicador","Sim","LowerS","UpperS","cvS")
matrizIndicadores <-rbind(matrizIndicadores,dataframe_indicador)
j <- j + 1
}
}
matriz_totais <- data.frame()
i = 0
# para cada indicador
for(indicador in ListaIndicadores){
i <- i + 1
# para os totais Brasil e total das capitais
for(total in ListaTotais){
dataframe_indicador <- data.frame()
dataframe_indicador_S <- data.frame()
# Uso do design que é subconjunto do dataset para cada Capital
if (total == "Capital"){
#Indicadores que são subconjunto do dataset total
dataframe_indicador <- svymean(indicador,desPNSS_C)
} else {
dataframe_indicador <- svymean(indicador,desPNSS)
}
intervalo_confianca <- confint(dataframe_indicador)
coeficiente_variacao <- cv(dataframe_indicador)
dataframe_indicador <- cbind(data.frame(dataframe_indicador),data.frame(intervalo_confianca))
dataframe_indicador <- cbind(data.frame(dataframe_indicador),data.frame(coeficiente_variacao))
dataframe_indicador <- dataframe_indicador %>%
select('mean','X2.5..','X97.5..',coeficiente_variacao)
dataframe_indicador_S <- dataframe_indicador %>%
slice(1)
colnames(dataframe_indicador_S) <- c('Sim','LowerS','UpperS', 'cvS')
dataframe_indicador_S$Indicador <- ListaIndicadoresTexto[i]
dataframe_indicador_S$abr_tipo <- "total"
dataframe_indicador_S$abr_nome <- total
dataframe_indicador_S$Ano <- Ano
#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
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> | |
S011PSim | total | Brasil | 2019 | S011P | 0.7970506 | 0.7729093 | 0.8211920 | 0.015453529 |
S011PSim1 | total | Capital | 2019 | S011P | 0.7856012 | 0.7367190 | 0.8344834 | 0.031746843 |
S012PSim | total | Brasil | 2019 | S012P | 0.7709437 | 0.7450416 | 0.7968458 | 0.017142104 |
S012PSim1 | total | Capital | 2019 | S012P | 0.7605274 | 0.7105432 | 0.8105116 | 0.033532798 |
S013PSim | total | Brasil | 2019 | S013P | 0.8423751 | 0.8206783 | 0.8640719 | 0.013141415 |
S013PSim1 | total | Capital | 2019 | S013P | 0.8497500 | 0.8098841 | 0.8896158 | 0.023936576 |
S014PSim | total | Brasil | 2019 | S014P | 0.8117146 | 0.7881055 | 0.8353238 | 0.014839855 |
S014PSim1 | total | Capital | 2019 | S014P | 0.8189464 | 0.7762082 | 0.8616846 | 0.026626396 |
S015PSim | total | Brasil | 2019 | S015P | 0.8997072 | 0.8831155 | 0.9162988 | 0.009408937 |
S015PSim1 | total | Capital | 2019 | S015P | 0.8832092 | 0.8432095 | 0.9232089 | 0.023107083 |
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 | S011P | 0.7873750 | 0.7422421 | 0.8325079 | 0.02924581 |
Preta | raça | Preta | 2019 | S011P | 0.7794471 | 0.7046830 | 0.8542112 | 0.04893935 |
Parda | raça | Parda | 2019 | S011P | 0.8112202 | 0.7821922 | 0.8402482 | 0.01825704 |
Até 1/2 SM | rend_per_capita | Até 1/2 SM | 2019 | S011P | 0.7674890 | 0.7344969 | 0.8004810 | 0.02193252 |
1/2 até 1 SM | rend_per_capita | 1/2 até 1 SM | 2019 | S011P | 0.8227927 | 0.7772524 | 0.8683330 | 0.02823954 |
1 até 2 SM | rend_per_capita | 1 até 2 SM | 2019 | S011P | 0.8572637 | 0.7962834 | 0.9182440 | 0.03629337 |
2 até 3 SM | rend_per_capita | 2 até 3 SM | 2019 | S011P | 0.7506448 | 0.6173035 | 0.8839861 | 0.09063210 |
Mais de 3 SM | rend_per_capita | Mais de 3 SM | 2019 | S011P | 0.7643860 | 0.6571495 | 0.8716225 | 0.07157838 |
18 a 24 anos | fx_idade_S | 18 a 24 anos | 2019 | S011P | 0.7642557 | 0.7172469 | 0.8112645 | 0.03138288 |
25 a 29 anos | fx_idade_S | 25 a 29 anos | 2019 | S011P | 0.7897381 | 0.7367238 | 0.8427525 | 0.03425013 |
30 a 39 anos | fx_idade_S | 30 a 39 anos | 2019 | S011P | 0.8265024 | 0.7909434 | 0.8620615 | 0.02195119 |
40 anos ou mais | fx_idade_S | 40 anos ou mais | 2019 | S011P | 0.7832286 | 0.6845172 | 0.8819400 | 0.06430293 |
urbano | urb_rur | urbano | 2019 | S011P | 0.8123256 | 0.7851979 | 0.8394532 | 0.01703859 |
rural | urb_rur | rural | 2019 | S011P | 0.7123457 | 0.6653805 | 0.7593109 | 0.03363856 |
Rondônia | uf | Rondônia | 2019 | S011P | 0.8113854 | 0.7112533 | 0.9115175 | 0.06296482 |
Acre | uf | Acre | 2019 | S011P | 0.8715134 | 0.7777214 | 0.9653054 | 0.05490903 |
Amazonas | uf | Amazonas | 2019 | S011P | 0.7675780 | 0.6671789 | 0.8679770 | 0.06673581 |
Roraima | uf | Roraima | 2019 | S011P | 0.8092680 | 0.6458560 | 0.9726801 | 0.10302523 |
Pará | uf | Pará | 2019 | S011P | 0.7977664 | 0.7155590 | 0.8799738 | 0.05257592 |
Amapá | uf | Amapá | 2019 | S011P | 0.8772571 | 0.7620805 | 0.9924338 | 0.06698682 |
Tocantins | uf | Tocantins | 2019 | S011P | 0.8597343 | 0.7646931 | 0.9547755 | 0.05640264 |
Maranhão | uf | Maranhão | 2019 | S011P | 0.6763398 | 0.5883963 | 0.7642833 | 0.06634235 |
Piauí | uf | Piauí | 2019 | S011P | 0.7918508 | 0.6875284 | 0.8961731 | 0.06721805 |
Ceará | uf | Ceará | 2019 | S011P | 0.7318008 | 0.6417493 | 0.8218522 | 0.06278410 |
Rio Grande do Norte | uf | Rio Grande do Norte | 2019 | S011P | 0.8062034 | 0.7020560 | 0.9103508 | 0.06591067 |
Paraíba | uf | Paraíba | 2019 | S011P | 0.6354086 | 0.5038523 | 0.7669648 | 0.10563561 |
Pernambuco | uf | Pernambuco | 2019 | S011P | 0.7903354 | 0.7019489 | 0.8787220 | 0.05705934 |
Alagoas | uf | Alagoas | 2019 | S011P | 0.7448166 | 0.6421750 | 0.8474582 | 0.07031143 |
Sergipe | uf | Sergipe | 2019 | S011P | 0.7055517 | 0.5524472 | 0.8586563 | 0.11071620 |
Bahia | uf | Bahia | 2019 | S011P | 0.8109277 | 0.6995516 | 0.9223039 | 0.07007479 |
⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ |
João Pessoa4 | capital | João Pessoa | 2019 | S015P | 0.9058899 | 0.8197244 | 0.9920555 | 0.048529968 |
Recife4 | capital | Recife | 2019 | S015P | 0.9442654 | 0.8641629 | 1.0243678 | 0.043281640 |
Maceió4 | capital | Maceió | 2019 | S015P | 0.9317416 | 0.8584334 | 1.0050497 | 0.040142881 |
Aracaju4 | capital | Aracaju | 2019 | S015P | 0.9253580 | 0.8200606 | 1.0306555 | 0.058057736 |
Salvador4 | capital | Salvador | 2019 | S015P | 0.8851483 | 0.7279619 | 1.0423347 | 0.090604712 |
Belo Horizonte4 | capital | Belo Horizonte | 2019 | S015P | 0.7831622 | 0.6265665 | 0.9397578 | 0.102018733 |
Vitória4 | capital | Vitória | 2019 | S015P | 0.8295784 | 0.6389091 | 1.0202477 | 0.117266844 |
Rio de Janeiro9 | capital | Rio de Janeiro | 2019 | S015P | 0.9830347 | 0.9513834 | 1.0146860 | 0.016427602 |
São Paulo8 | capital | São Paulo | 2019 | S015P | 0.7818142 | 0.6130362 | 0.9505922 | 0.110144846 |
Curitiba4 | capital | Curitiba | 2019 | S015P | 0.8708550 | 0.7478725 | 0.9938376 | 0.072052572 |
Florianópolis4 | capital | Florianópolis | 2019 | S015P | 0.7691331 | 0.5210958 | 1.0171704 | 0.164538473 |
Porto Alegre4 | capital | Porto Alegre | 2019 | S015P | 1.0000000 | 1.0000000 | 1.0000000 | 0.000000000 |
Campo Grande4 | capital | Campo Grande | 2019 | S015P | 0.9588850 | 0.9041423 | 1.0136277 | 0.029128061 |
Cuiabá4 | capital | Cuiabá | 2019 | S015P | 0.8613471 | 0.6884873 | 1.0342069 | 0.102392414 |
Goiânia4 | capital | Goiânia | 2019 | S015P | 0.9112432 | 0.7458644 | 1.0766219 | 0.092597080 |
Brasília4 | capital | Brasília | 2019 | S015P | 0.8353633 | 0.7275334 | 0.9431932 | 0.065859086 |
Fundamental incompleto ou equivalente4 | gescol | Fundamental incompleto ou equivalente | 2019 | S015P | 0.8420161 | 0.7906370 | 0.8933952 | 0.031132788 |
Médio incompleto ou equivalente4 | gescol | Médio incompleto ou equivalente | 2019 | S015P | 0.8999967 | 0.8673529 | 0.9326406 | 0.018505991 |
Superior incompleto ou equivalente4 | gescol | Superior incompleto ou equivalente | 2019 | S015P | 0.9163796 | 0.8947965 | 0.9379628 | 0.012016843 |
Superior completo4 | gescol | Superior completo | 2019 | S015P | 0.9154731 | 0.8764884 | 0.9544578 | 0.021727051 |
S011PSim | total | Brasil | 2019 | S011P | 0.7970506 | 0.7729093 | 0.8211920 | 0.015453529 |
S011PSim1 | total | Capital | 2019 | S011P | 0.7856012 | 0.7367190 | 0.8344834 | 0.031746843 |
S012PSim | total | Brasil | 2019 | S012P | 0.7709437 | 0.7450416 | 0.7968458 | 0.017142104 |
S012PSim1 | total | Capital | 2019 | S012P | 0.7605274 | 0.7105432 | 0.8105116 | 0.033532798 |
S013PSim | total | Brasil | 2019 | S013P | 0.8423751 | 0.8206783 | 0.8640719 | 0.013141415 |
S013PSim1 | total | Capital | 2019 | S013P | 0.8497500 | 0.8098841 | 0.8896158 | 0.023936576 |
S014PSim | total | Brasil | 2019 | S014P | 0.8117146 | 0.7881055 | 0.8353238 | 0.014839855 |
S014PSim1 | total | Capital | 2019 | S014P | 0.8189464 | 0.7762082 | 0.8616846 | 0.026626396 |
S015PSim | total | Brasil | 2019 | S015P | 0.8997072 | 0.8831155 | 0.9162988 | 0.009408937 |
S015PSim1 | total | Capital | 2019 | S015P | 0.8832092 | 0.8432095 | 0.9232089 | 0.023107083 |
diretorio_saida <- "<coloque aqui o diretório>"
write.table(matrizIndicadores,file=paste0(diretorio_saida,"Indicadores_2019S_R.csv"),sep = ";",dec = ",",row.names = FALSE)