Notebook para criação de tabela de indicadores da PNS - S 2019 Pré-natal - Parte 4¶

Bibliotecas Utilizadas¶

In [ ]:
#Lendo pacotes necessários
library(survey)
library(ggplot2)
library(dplyr)
library(tictoc)
library(foreign)
library(forcats)
library(tidyverse)
source("utils.R")

Carregando microdados da PNS¶

In [2]:
#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>")
  1. 293726
  2. 1087

Definição do peso e filtragem de respondentes do questionário¶

In [3]:
#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

Criação de variáveis dos indicadores¶

In [4]:
#Desfechos - Indicadores

# 16. Proporção de mulheres que fizeram teste de HIV/AIDS durante o pré-natal - S016P.
pns2019.1$S016P <- NA
pns2019.1$S016P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S016P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S091==1] <- 1
pns2019.1$S016P<-factor(pns2019.1$S016P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S016P)

# 17. Proporção de mulheres que fizeram teste de HIV/AIDS durante o pré-natal e receberam o resultado antes do parto - S017P.
pns2019.1$S017P <- NA
pns2019.1$S017P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S017P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S092==1] <- 1
pns2019.1$S017P<-factor(pns2019.1$S017P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S017P)

# 18. Proporção de mulheres que receberam indicação da maternidade para o parto durante o pré-natal - S018P.
pns2019.1$S018P <- NA
pns2019.1$S018P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1] <- 2
pns2019.1$S018P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068==1 & pns2019.1$S097==1] <- 1
pns2019.1$S018P<-factor(pns2019.1$S018P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S018P)

# 19. Proporção de mulheres que foram atendidas por médico no último parto - S019P.
pns2019.1$S019P <- NA
pns2019.1$S019P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0] <- 2
pns2019.1$S019P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0 & pns2019.1$S111==1] <- 1
pns2019.1$S019P<-factor(pns2019.1$S019P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S019P)
Sim
2399
Não
335
NA's
88112
Sim
2356
Não
378
NA's
88112
Sim
2179
Não
555
NA's
88112
Sim
2424
Não
394
NA's
88028

Definições de abrangências¶

Situação urbana ou rural¶

In [5]:
#Situação Urbano ou Rural
pns2019.1 <- pns2019.1 %>% rename(urb_rur=V0026)
pns2019.1$urb_rur<-factor(pns2019.1$urb_rur, levels=c(1,2), labels=c("urbano", "rural"))
summary(pns2019.1$urb_rur)
urbano
69873
rural
20973

UF¶

In [6]:
#Estados - UFs
pns2019.1 <- pns2019.1 %>% rename(uf=V0001)
pns2019.1$uf<-factor(pns2019.1$uf, 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$uf)
Rondônia
2176
Acre
2380
Amazonas
3479
Roraima
2238
Pará
3853
Amapá
1554
Tocantins
1922
Maranhão
5080
Piauí
2740
Ceará
4265
Rio Grande do Norte
2962
Paraíba
3158
Pernambuco
4083
Alagoas
2987
Sergipe
2610
Bahia
3659
Minas Gerais
5209
Espírito Santo
3541
Rio de Janeiro
4966
São Paulo
6114
Paraná
3967
Santa Catarina
3738
Rio Grande do Sul
3767
Mato Grosso do Sul
2863
Mato Grosso
2468
Goiás
2702
Distrito Federal
2365

Grandes Regiões¶

In [7]:
#Grandes Regiões
pns2019.1 <- pns2019.1 %>% 
  mutate(região = fct_collapse(uf, 
                                  `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$região)
Norte
17602
Nordeste
31544
Sudeste
19830
Sul
11472
Centro-Oeste
10398

Capital¶

In [8]:
#Capital
pns2019.1<- pns2019.1 %>% mutate(capital= fct_collapse(uf,
                                        `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)
Porto Velho
2176
Rio Branco
2380
Manaus
3479
Boa Vista
2238
Belém
3853
Macapá
1554
Palmas
1922
São Luís
5080
Teresina
2740
Fortaleza
4265
Natal
2962
João Pessoa
3158
Recife
4083
Maceió
2987
Aracaju
2610
Salvador
3659
Belo Horizonte
5209
Vitória
3541
Rio de Janeiro
4966
São Paulo
6114
Curitiba
3967
Florianópolis
3738
Porto Alegre
3767
Campo Grande
2863
Cuiabá
2468
Goiânia
2702
Brasília
2365

Faixa Etária¶

In [9]:
#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)
18 a 24 anos
8145
25 a 29 anos
7249
30 a 39 anos
18150
40 anos ou mais
54987
NA's
2315

Raça¶

In [10]:
#Raça
pns2019.1 <- pns2019.1 %>% mutate(raça= ifelse(C009==1, 1, 
                                               ifelse(C009==2, 2, 
                                                      ifelse(C009==4, 3, 9))))
pns2019.1$raça<-factor(pns2019.1$raça, levels=c(1,2,3),labels=c("Branca", "Preta", "Parda"))
summary(pns2019.1$raça)
Branca
33133
Preta
10345
Parda
45994
NA's
1374

Renda per capita¶

In [11]:
#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)
Até 1/2 SM
23697
1/2 até 1 SM
26406
1 até 2 SM
22466
2 até 3 SM
7612
Mais de 3 SM
10643
NA's
22

Escolaridade¶

In [12]:
# 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)
Fundamental incompleto ou equivalente
36276
Médio incompleto ou equivalente
13520
Superior incompleto ou equivalente
27433
Superior completo
13617

Criando indicadores¶

Filtrando base de indicadores¶

In [13]:
#Selecionando variáveis para cálculo de indicadores no survey
pns2019Ssurvey<- pns2019.1 %>% select("V0024","UPA_PNS","peso_morador_selec", "C008", "C006", "C009", "V0031", 
                                      "urb_rur", "uf", "região",  "capital", "fx_idade_S", "raça", "rend_per_capita", "gescol",
                                      "S016P", "S017P", "S018P", "S019P", "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         urb_rur     
 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                 
                                                               
              uf                 região                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        raça           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       S016P        S017P      
 Fundamental incompleto ou equivalente:36276   Sim : 2399   Sim : 2356  
 Médio incompleto ou equivalente      :13520   Não :  335   Não :  378  
 Superior incompleto ou equivalente   :27433   NA's:88112   NA's:88112  
 Superior completo                    :13617                            
                                                                        
                                                                        
                                                                        
  S018P        S019P            S068      
 Sim : 2179   Sim : 2424   Min.   :1.00   
 Não :  555   Não :  394   1st Qu.:1.00   
 NA's:88112   NA's:88028   Median :1.00   
                           Mean   :1.03   
                           3rd Qu.:1.00   
                           Max.   :2.00   
                           NA's   :87936

Exporta tabela filtrada com os dados específicos - Módulo S - Parte 4 2019¶

In [14]:
#Salvando csv para cálculo de indicadores no survey
diretorio_saida <- "<coloque aqui o diretório>"
write.csv(pns2019Ssurvey, file.path(diretorio_saida, "pns2019Ssurvey.csv"))

Cria plano amostral complexo¶

In [15]:
desPNS=svydesign(id=~UPA_PNS, 
                 strat=~V0024,
                 weight=~peso_morador_selec,
                 nest=TRUE, 
                 data=pns2019Ssurvey)
In [16]:
#survey design S016P a S018P
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(raça))
desPNSS_Rend=subset(desPNS, C006==2 & C008>=18 & S068==1 & !is.na(rend_per_capita))
In [17]:
#survey design S019P
desPNSS_S019P=subset(desPNS, C006==2 & C008>=18 & S068>0)
desPNSS_S019P_C=subset(desPNS, C006==2 & C008>=18 & S068>0 & V0031==1)
desPNSS_S019P_R=subset(desPNS, C006==2 & C008>=18 & S068>0 & !is.na(raça))
desPNSS_S019P_Rend=subset(desPNS, C006==2 & C008>=18 & S068>0 & !is.na(rend_per_capita))

Definição de variáveis para iteração dos indicadores¶

In [18]:
design_por_abrangencia <- list(
    S016P = list(
        capital = desPNSS_C,
        raça = desPNSS_R,
        rend_per_capita = desPNSS_Rend,
        default = desPNSS
    ),
    S017P = list(
        capital = desPNSS_C,
        raça = desPNSS_R,
        rend_per_capita = desPNSS_Rend,
        default = desPNSS
    ),
    S018P = list(
        capital = desPNSS_C,
        raça = desPNSS_R,
        rend_per_capita = desPNSS_Rend,
        default = desPNSS
    ),
    S019P = list(
        capital = desPNSS_S019P_C,
        raça = desPNSS_S019P_R,
        rend_per_capita = desPNSS_S019P_Rend,
        default = desPNSS_S019P
    )
)
dominios <- c(
    ~raça,
    ~rend_per_capita,
    ~fx_idade_S,
    ~urb_rur,
    ~uf,
    ~região,
    ~capital,
    ~gescol
) 
indicadores <- c(~S016P, ~S017P, ~S018P, ~S019P)
totais <- c(~Brasil,~Capital)
Ano <- "2019"

Preenchendo a tabela de indicadores¶

Essas iterações rodam por indicador, abrangência e por design

In [19]:
matriz_indicadores <- popula_indicadores(design_por_abrangencia, dominios, indicadores, Ano)
In [20]:
matriz_indicadores
A data.frame: 308 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><fct><chr><chr><dbl><dbl><dbl><dbl>
Brancaraça Branca 2019S016P0.87470430.83944470.90996390.02056687
Pretaraça Preta 2019S016P0.92704400.88195400.97213400.02481599
Pardaraça Parda 2019S016P0.89982640.88134270.91831000.01048046
Até 1/2 SMrend_per_capitaAté 1/2 SM 2019S016P0.88116660.85566100.90667230.01476830
1/2 até 1 SMrend_per_capita1/2 até 1 SM 2019S016P0.89863440.86727050.92999820.01780731
1 até 2 SMrend_per_capita1 até 2 SM 2019S016P0.93211800.89835970.96587620.01847824
2 até 3 SMrend_per_capita2 até 3 SM 2019S016P0.91313250.84806090.97820410.03635882
Mais de 3 SMrend_per_capitaMais de 3 SM 2019S016P0.84490110.75019410.93960810.05719106
18 a 24 anosfx_idade_s 18 a 24 anos 2019S016P0.87845670.84717830.90973510.01816671
25 a 29 anosfx_idade_s 25 a 29 anos 2019S016P0.91211800.88543960.93879630.01492314
30 a 39 anosfx_idade_s 30 a 39 anos 2019S016P0.89962820.87186670.92738980.01574462
40 anos ou maisfx_idade_s 40 anos ou mais 2019S016P0.85495420.76876970.94113880.05143260
urbanourb_rur urbano 2019S016P0.90071250.88210430.91932080.01054074
ruralurb_rur rural 2019S016P0.85416370.81524660.89308070.02324614
Rondôniauf Rondônia 2019S016P0.96572740.93743810.99401670.01494582
Acreuf Acre 2019S016P0.93410280.86046021.00774540.04022411
Amazonasuf Amazonas 2019S016P0.90734330.84546350.96922310.03479597
Roraimauf Roraima 2019S016P0.77343180.60398760.94287590.11177804
Paráuf Pará 2019S016P0.91342460.85753820.96931100.03121660
Amapáuf Amapá 2019S016P0.95555420.88851701.02259150.03579421
Tocantinsuf Tocantins 2019S016P0.81064280.67786930.94341630.08356679
Maranhãouf Maranhão 2019S016P0.80951860.73368350.88535370.04779642
Piauíuf Piauí 2019S016P0.93913570.88873110.98954030.02738380
Cearáuf Ceará 2019S016P0.80402170.71939740.88864600.05370064
Rio Grande do Norteuf Rio Grande do Norte2019S016P0.93539310.85888311.01190320.04173267
Paraíbauf Paraíba 2019S016P0.85664990.75817080.95512910.05865337
Pernambucouf Pernambuco 2019S016P0.87116160.80687060.93545260.03765332
Alagoasuf Alagoas 2019S016P0.80330460.70702190.89958730.06115329
Sergipeuf Sergipe 2019S016P0.85168480.75044490.95292470.06064918
Bahiauf Bahia 2019S016P0.90966530.84553230.97379830.03597093
⋮⋮⋮⋮⋮⋮⋮⋮⋮
Rio Branco3capitalRio Branco 2019S019P0.85280560.734470580.97114077.079706e-02
Manaus3capitalManaus 2019S019P0.88279970.777946400.98765306.059989e-02
Boa Vista3capitalBoa Vista 2019S019P0.88846270.796790750.98013465.264403e-02
Belém3capitalBelém 2019S019P0.95719200.896768941.01761513.220740e-02
Macapá3capitalMacapá 2019S019P0.41309390.068357640.75783014.257847e-01
Palmas3capitalPalmas 2019S019P1.00000001.000000001.00000000.000000e+00
São Luís3capitalSão Luís 2019S019P0.90722900.794927421.01953076.315693e-02
Teresina3capitalTeresina 2019S019P1.00000001.000000001.00000002.414201e-17
Fortaleza3capitalFortaleza 2019S019P0.85284620.700566211.00512619.110117e-02
Natal3capitalNatal 2019S019P0.95740350.895679151.01912783.289375e-02
João Pessoa3capitalJoão Pessoa 2019S019P0.84697510.724890710.96905957.354301e-02
Recife3capitalRecife 2019S019P0.79576990.594391090.99714881.291155e-01
Maceió3capitalMaceió 2019S019P0.90521850.823555880.98688124.602799e-02
Aracaju3capitalAracaju 2019S019P0.87193120.725673011.01818948.558347e-02
Salvador3capitalSalvador 2019S019P0.97720480.931349981.02305962.394149e-02
Belo Horizonte3capitalBelo Horizonte 2019S019P0.83772750.717523310.95793167.320970e-02
Vitória3capitalVitória 2019S019P1.00000001.000000001.00000000.000000e+00
Rio de Janeiro7capitalRio de Janeiro 2019S019P0.98136960.944543011.01819621.914613e-02
São Paulo6capitalSão Paulo 2019S019P0.94855020.893715371.00338492.949496e-02
Curitiba3capitalCuritiba 2019S019P0.89222680.693850311.09060341.134402e-01
Florianópolis3capitalFlorianópolis 2019S019P1.00000001.000000001.00000002.862188e-17
Porto Alegre3capitalPorto Alegre 2019S019P0.97663290.930379921.02288592.416353e-02
Campo Grande3capitalCampo Grande 2019S019P0.97865480.948786711.00852291.557148e-02
Cuiabá3capitalCuiabá 2019S019P0.91465460.797534091.03177516.533226e-02
Goiânia3capitalGoiânia 2019S019P0.89852560.762219541.03483177.739925e-02
Brasília3capitalBrasília 2019S019P0.86622230.736692750.99575197.629419e-02
Fundamental incompleto ou equivalente3gescol Fundamental incompleto ou equivalente2019S019P0.74215290.686030130.79827573.858315e-02
Médio incompleto ou equivalente3gescol Médio incompleto ou equivalente 2019S019P0.83003360.780111450.87995583.068667e-02
Superior incompleto ou equivalente3gescol Superior incompleto ou equivalente 2019S019P0.90190190.872350220.93145351.671761e-02
Superior completo3gescol Superior completo 2019S019P0.97577600.959787180.99176478.360210e-03

Preenchendo a tabela com as abrangencia Brasil e total das capitais¶

In [21]:
matriz_totais <- popula_indicadores(design_por_abrangencia, totais, indicadores, Ano, "total")
In [22]:
matriz_totais
A data.frame: 8 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><chr><chr><chr><dbl><dbl><dbl><dbl>
S016PSimtotalBrasil 2019S016P0.89360080.87673890.91046270.00962753
S016PSim1totalCapital2019S016P0.87090170.83007060.91173280.02392071
S017PSimtotalBrasil 2019S017P0.87310660.85394980.89226340.01119456
S017PSim1totalCapital2019S017P0.84880050.80549840.89210250.02602884
S018PSimtotalBrasil 2019S018P0.83204750.80935230.85474280.01391678
S018PSim1totalCapital2019S018P0.87177830.84141780.90213870.01776864
S019PSimtotalBrasil 2019S019P0.87314210.85287930.89340490.01184042
S019PSim1totalCapital2019S019P0.90943610.88228970.93658250.01522971

Unindo tabela de indicadores e de totais¶

In [23]:
matriz_final <-rbind(matriz_indicadores,matriz_totais)

Visualizando tabela de indicadores¶

In [24]:
matriz_final
A data.frame: 316 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><fct><chr><chr><dbl><dbl><dbl><dbl>
Brancaraça Branca 2019S016P0.87470430.83944470.90996390.02056687
Pretaraça Preta 2019S016P0.92704400.88195400.97213400.02481599
Pardaraça Parda 2019S016P0.89982640.88134270.91831000.01048046
Até 1/2 SMrend_per_capitaAté 1/2 SM 2019S016P0.88116660.85566100.90667230.01476830
1/2 até 1 SMrend_per_capita1/2 até 1 SM 2019S016P0.89863440.86727050.92999820.01780731
1 até 2 SMrend_per_capita1 até 2 SM 2019S016P0.93211800.89835970.96587620.01847824
2 até 3 SMrend_per_capita2 até 3 SM 2019S016P0.91313250.84806090.97820410.03635882
Mais de 3 SMrend_per_capitaMais de 3 SM 2019S016P0.84490110.75019410.93960810.05719106
18 a 24 anosfx_idade_s 18 a 24 anos 2019S016P0.87845670.84717830.90973510.01816671
25 a 29 anosfx_idade_s 25 a 29 anos 2019S016P0.91211800.88543960.93879630.01492314
30 a 39 anosfx_idade_s 30 a 39 anos 2019S016P0.89962820.87186670.92738980.01574462
40 anos ou maisfx_idade_s 40 anos ou mais 2019S016P0.85495420.76876970.94113880.05143260
urbanourb_rur urbano 2019S016P0.90071250.88210430.91932080.01054074
ruralurb_rur rural 2019S016P0.85416370.81524660.89308070.02324614
Rondôniauf Rondônia 2019S016P0.96572740.93743810.99401670.01494582
Acreuf Acre 2019S016P0.93410280.86046021.00774540.04022411
Amazonasuf Amazonas 2019S016P0.90734330.84546350.96922310.03479597
Roraimauf Roraima 2019S016P0.77343180.60398760.94287590.11177804
Paráuf Pará 2019S016P0.91342460.85753820.96931100.03121660
Amapáuf Amapá 2019S016P0.95555420.88851701.02259150.03579421
Tocantinsuf Tocantins 2019S016P0.81064280.67786930.94341630.08356679
Maranhãouf Maranhão 2019S016P0.80951860.73368350.88535370.04779642
Piauíuf Piauí 2019S016P0.93913570.88873110.98954030.02738380
Cearáuf Ceará 2019S016P0.80402170.71939740.88864600.05370064
Rio Grande do Norteuf Rio Grande do Norte2019S016P0.93539310.85888311.01190320.04173267
Paraíbauf Paraíba 2019S016P0.85664990.75817080.95512910.05865337
Pernambucouf Pernambuco 2019S016P0.87116160.80687060.93545260.03765332
Alagoasuf Alagoas 2019S016P0.80330460.70702190.89958730.06115329
Sergipeuf Sergipe 2019S016P0.85168480.75044490.95292470.06064918
Bahiauf Bahia 2019S016P0.90966530.84553230.97379830.03597093
⋮⋮⋮⋮⋮⋮⋮⋮⋮
Fortaleza3capitalFortaleza 2019S019P0.85284620.70056621.00512619.110117e-02
Natal3capitalNatal 2019S019P0.95740350.89567911.01912783.289375e-02
João Pessoa3capitalJoão Pessoa 2019S019P0.84697510.72489070.96905957.354301e-02
Recife3capitalRecife 2019S019P0.79576990.59439110.99714881.291155e-01
Maceió3capitalMaceió 2019S019P0.90521850.82355590.98688124.602799e-02
Aracaju3capitalAracaju 2019S019P0.87193120.72567301.01818948.558347e-02
Salvador3capitalSalvador 2019S019P0.97720480.93135001.02305962.394149e-02
Belo Horizonte3capitalBelo Horizonte 2019S019P0.83772750.71752330.95793167.320970e-02
Vitória3capitalVitória 2019S019P1.00000001.00000001.00000000.000000e+00
Rio de Janeiro7capitalRio de Janeiro 2019S019P0.98136960.94454301.01819621.914613e-02
São Paulo6capitalSão Paulo 2019S019P0.94855020.89371541.00338492.949496e-02
Curitiba3capitalCuritiba 2019S019P0.89222680.69385031.09060341.134402e-01
Florianópolis3capitalFlorianópolis 2019S019P1.00000001.00000001.00000002.862188e-17
Porto Alegre3capitalPorto Alegre 2019S019P0.97663290.93037991.02288592.416353e-02
Campo Grande3capitalCampo Grande 2019S019P0.97865480.94878671.00852291.557148e-02
Cuiabá3capitalCuiabá 2019S019P0.91465460.79753411.03177516.533226e-02
Goiânia3capitalGoiânia 2019S019P0.89852560.76221951.03483177.739925e-02
Brasília3capitalBrasília 2019S019P0.86622230.73669270.99575197.629419e-02
Fundamental incompleto ou equivalente3gescol Fundamental incompleto ou equivalente2019S019P0.74215290.68603010.79827573.858315e-02
Médio incompleto ou equivalente3gescol Médio incompleto ou equivalente 2019S019P0.83003360.78011150.87995583.068667e-02
Superior incompleto ou equivalente3gescol Superior incompleto ou equivalente 2019S019P0.90190190.87235020.93145351.671761e-02
Superior completo3gescol Superior completo 2019S019P0.97577600.95978720.99176478.360210e-03
S016PSimtotal Brasil 2019S016P0.89360080.87673890.91046279.627530e-03
S016PSim1total Capital 2019S016P0.87090170.83007060.91173282.392071e-02
S017PSimtotal Brasil 2019S017P0.87310660.85394980.89226341.119456e-02
S017PSim1total Capital 2019S017P0.84880050.80549840.89210252.602884e-02
S018PSimtotal Brasil 2019S018P0.83204750.80935230.85474281.391678e-02
S018PSim1total Capital 2019S018P0.87177830.84141780.90213871.776864e-02
S019PSimtotal Brasil 2019S019P0.87314210.85287930.89340491.184042e-02
S019PSim1total Capital 2019S019P0.90943610.88228970.93658251.522971e-02

Exportando tabela de indicadores calculados - Módulo S 2019¶

In [26]:
diretorio_saida <- "<coloque aqui o diretório>"
write.table(matrizIndicadores,file=paste0(diretorio_saida,"Indicadores_2019S_R.csv"),sep = ";",dec = ",",row.names = FALSE)