Notebook para criação de tabela de indicadores da PNS - S 2019 Pré-natal - Parte 5¶

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
# 20. Proporção de mulheres que realizaram o último parto em hospital ou maternidade - S020P
pns2019.1$S020P <- NA
pns2019.1$S020P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0] <- 2
pns2019.1$S020P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0 & (pns2019.1$S112 == 3 | pns2019.1$S112 == 4 | pns2019.1$S112 == 6 | pns2019.1$S112 == 7)] <- 1
pns2019.1$S020P<-factor(pns2019.1$S020P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S020P)

# 21. Proporção de mulheres que tiveram o último parto realizado no estabelecimento de saúde indicado durante o pré-natal - S021P.
pns2019.1$S021P <- NA
pns2019.1$S021P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0] <- 2
pns2019.1$S021P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0 & pns2019.1$S128==1] <- 1
pns2019.1$S021P<-factor(pns2019.1$S021P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S021P)


# 22. Proporção de mulheres que tiveram o último parto realizado no primeiro estabelecimento de saúde que procuraram  - S022P.
pns2019.1$S022P <- NA
pns2019.1$S022P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0] <- 2
pns2019.1$S022P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0 & (pns2019.1$S128==1 | pns2019.1$S129==1)] <- 1
pns2019.1$S022P<-factor(pns2019.1$S022P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S022P)

# 23.  Proporção de mulheres que tiveram o último parto vaginal/normal  - S023P.
pns2019.1$S023P <- NA
pns2019.1$S023P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0] <- 2
pns2019.1$S023P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0 & pns2019.1$S115==1] <- 1
pns2019.1$S023P<-factor(pns2019.1$S023P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S023P)

# 24. Proporção de mulheres que tiveram acompanhante durante o período de parto - S024P.
pns2019.1$S024P <- NA
pns2019.1$S024P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0] <- 2
pns2019.1$S024P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0 & pns2019.1$S123==1] <- 1
pns2019.1$S024P<-factor(pns2019.1$S024P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S024P)

# 25. Proporção de mulheres com idade gestacional referida inferior a 37 semanas no momento do parto. - S025P.
pns2019.1$S025P <- NA
pns2019.1$S025P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0] <- 2
pns2019.1$S025P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0 & pns2019.1$S11801<37] <- 1
pns2019.1$S025P<-factor(pns2019.1$S025P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S025P)

# 26. Proporção de nascidos vivos cujo peso ao nascer foi inferior a 2500g - S026P.
pns2019.1$S026P <- NA
pns2019.1$S026P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0] <- 2
pns2019.1$S026P[pns2019.1$C006==2 & pns2019.1$C008>=18 & pns2019.1$S068>0 & pns2019.1$S11001<2500] <- 1
pns2019.1$S026P<-factor(pns2019.1$S026P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$S026P)
Sim
2633
Não
185
NA's
88028
Sim
1903
Não
915
NA's
88028
Sim
2015
Não
803
NA's
88028
Sim
1336
Não
1482
NA's
88028
Sim
2370
Não
448
NA's
88028
Sim
447
Não
2371
NA's
88028
Sim
246
Não
2572
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",
                                      "S020P", "S021P", "S022P", "S023P", "S024P", "S025P", "S026P", "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       S020P        S021P      
 Fundamental incompleto ou equivalente:36276   Sim : 2633   Sim : 1903  
 Médio incompleto ou equivalente      :13520   Não :  185   Não :  915  
 Superior incompleto ou equivalente   :27433   NA's:88028   NA's:88028  
 Superior completo                    :13617                            
                                                                        
                                                                        
                                                                        
  S022P        S023P        S024P        S025P        S026P      
 Sim : 2015   Sim : 1336   Sim : 2370   Sim :  447   Sim :  246  
 Não :  803   Não : 1482   Não :  448   Não : 2371   Não : 2572  
 NA's:88028   NA's:88028   NA's:88028   NA's:88028   NA's:88028  
                                                                 
                                                                 
                                                                 
                                                                 
      S068      
 Min.   :1.00   
 1st Qu.:1.00   
 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 - Parte5 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 S020P a S026P
desPNSS=subset(desPNS, C006==2 & C008>=18 & S068>0)
desPNSS_C=subset(desPNS, C006==2 & C008>=18 & S068>0 & V0031==1)
desPNSS_R=subset(desPNS, C006==2 & C008>=18 & S068>0 & !is.na(raça))
desPNSS_Rend=subset(desPNS, C006==2 & C008>=18 & S068>0 & !is.na(rend_per_capita))

Definição de variáveis para iteração dos indicadores¶

In [17]:
design_por_abrangencia <- list(
    S020P = list(
        capital = desPNSS_C,
        raça = desPNSS_R,
        rend_per_capita = desPNSS_Rend,
        default = desPNSS
    ),
    S021P = list(
        capital = desPNSS_C,
        raça = desPNSS_R,
        rend_per_capita = desPNSS_Rend,
        default = desPNSS
    ),
    S022P = list(
        capital = desPNSS_C,
        raça = desPNSS_R,
        rend_per_capita = desPNSS_Rend,
        default = desPNSS
    ),
    S023P = list(
        capital = desPNSS_C,
        raça = desPNSS_R,
        rend_per_capita = desPNSS_Rend,
        default = desPNSS,
        excluir = c("capital")
    ),
    S024P = list(
        capital = desPNSS_C,
        raça = desPNSS_R,
        rend_per_capita = desPNSS_Rend,
        default = desPNSS
    ),
    S025P = list(
        capital = desPNSS_C,
        raça = desPNSS_R,
        rend_per_capita = desPNSS_Rend,
        default = desPNSS,
        excluir = c("capital", "uf")
    ),
    S026P = list(
        capital = desPNSS_C,
        raça = desPNSS_R,
        rend_per_capita = desPNSS_Rend,
        default = desPNSS,
        excluir = c("capital", "uf")
    )
)
dominios <- c(
    ~raça,
    ~rend_per_capita,
    ~fx_idade_S,
    ~urb_rur,
    ~uf,
    ~região,
    ~capital,
    ~gescol
) 
indicadores <- c(~S020P, ~S021P, ~S022P, ~S023P, ~S024P, ~S025P, ~S026P)
totais <- c(~Brasil,~Capital)
Ano <- "2019"

Preenchendo a tabela de indicadores¶

Essas iterações rodam por indicador, abrangência e por design

In [18]:
matriz_indicadores <- popula_indicadores(design_por_abrangencia, dominios, indicadores, Ano)
In [19]:
matriz_indicadores
A data.frame: 404 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><fct><chr><chr><dbl><dbl><dbl><dbl>
Brancaraça Branca 2019S020P0.94626520.91505850.97747200.016826270
Pretaraça Preta 2019S020P0.94915460.91901340.97929580.016202236
Pardaraça Parda 2019S020P0.94063770.92047890.96079640.010934363
Até 1/2 SMrend_per_capitaAté 1/2 SM 2019S020P0.92967240.91094260.94840220.010279112
1/2 até 1 SMrend_per_capita1/2 até 1 SM 2019S020P0.94139910.90691470.97588360.018689675
1 até 2 SMrend_per_capita1 até 2 SM 2019S020P0.96161640.92464810.99858460.019614569
2 até 3 SMrend_per_capita2 até 3 SM 2019S020P0.98874640.97164821.00584460.008823016
Mais de 3 SMrend_per_capitaMais de 3 SM 2019S020P0.96421040.91618891.01223180.025410618
18 a 24 anosfx_idade_s 18 a 24 anos 2019S020P0.94954130.92447550.97460720.013468538
25 a 29 anosfx_idade_s 25 a 29 anos 2019S020P0.95298890.93443720.97154060.009932271
30 a 39 anosfx_idade_s 30 a 39 anos 2019S020P0.93325680.90260420.96390950.016757868
40 anos ou maisfx_idade_s 40 anos ou mais 2019S020P0.93706150.88743570.98668740.027020387
urbanourb_rur urbano 2019S020P0.94624800.92852060.96397550.009558592
ruralurb_rur rural 2019S020P0.92445950.89353730.95538180.017066135
Rondôniauf Rondônia 2019S020P0.88621610.81712830.95530400.039775344
Acreuf Acre 2019S020P0.93840150.87404131.00276180.034992968
Amazonasuf Amazonas 2019S020P0.87768430.80877800.94659050.040056436
Roraimauf Roraima 2019S020P0.94698610.90007980.99389230.025271953
Paráuf Pará 2019S020P0.93062470.87478210.98646720.030615586
Amapáuf Amapá 2019S020P0.92752770.85191721.00313820.041591750
Tocantinsuf Tocantins 2019S020P0.93619570.84489371.02749770.049758309
Maranhãouf Maranhão 2019S020P0.94826020.91671900.97980140.016970815
Piauíuf Piauí 2019S020P0.94686410.90358750.99014070.023319385
Cearáuf Ceará 2019S020P0.98226410.94786681.01666140.017866842
Rio Grande do Norteuf Rio Grande do Norte2019S020P0.92325030.86795090.97854980.030559988
Paraíbauf Paraíba 2019S020P0.94390270.89769780.99010760.024975396
Pernambucouf Pernambuco 2019S020P0.87339030.74467421.00210630.075192807
Alagoasuf Alagoas 2019S020P0.96518680.93269680.99767690.017174762
Sergipeuf Sergipe 2019S020P0.96995110.92746771.01243440.022347080
Bahiauf Bahia 2019S020P0.98050970.95306311.00795620.014281971
⋮⋮⋮⋮⋮⋮⋮⋮⋮
Sudeste5região Sudeste 2019S025P0.133344050.089043330.177644770.1695076
Sul5região Sul 2019S025P0.128061560.079228180.176894940.1945584
Centro-Oeste5região Centro-Oeste 2019S025P0.133473820.084387070.182560580.1876377
Fundamental incompleto ou equivalente5gescol Fundamental incompleto ou equivalente2019S025P0.168586380.115907490.221265280.1594285
Médio incompleto ou equivalente5gescol Médio incompleto ou equivalente 2019S025P0.165037230.114153470.215920990.1573074
Superior incompleto ou equivalente5gescol Superior incompleto ou equivalente 2019S025P0.127897850.100179510.155616190.1105747
Superior completo5gescol Superior completo 2019S025P0.111369360.069004450.153734280.1940852
Branca6raça Branca 2019S026P0.083055090.052808320.113301860.1858081
Preta6raça Preta 2019S026P0.089555810.039303270.139808350.2862966
Parda6raça Parda 2019S026P0.099704840.073521620.125888060.1339858
Até 1/2 SM6rend_per_capitaAté 1/2 SM 2019S026P0.096394570.070072140.122716990.1393238
1/2 até 1 SM6rend_per_capita1/2 até 1 SM 2019S026P0.080619360.048155180.113083540.2054551
1 até 2 SM6rend_per_capita1 até 2 SM 2019S026P0.080997260.034978680.127015840.2898777
2 até 3 SM6rend_per_capita2 até 3 SM 2019S026P0.131683720.016189900.247177540.4474851
Mais de 3 SM6rend_per_capitaMais de 3 SM 2019S026P0.110715460.028864130.192566790.3771980
18 a 24 anos6fx_idade_s 18 a 24 anos 2019S026P0.067072360.043219100.090925620.1814496
25 a 29 anos6fx_idade_s 25 a 29 anos 2019S026P0.090061600.052635420.127487780.2120253
30 a 39 anos6fx_idade_s 30 a 39 anos 2019S026P0.112288680.078231020.146346340.1547500
40 anos ou mais6fx_idade_s 40 anos ou mais 2019S026P0.080403750.032612320.128195180.3032673
urbano6urb_rur urbano 2019S026P0.091234260.070782460.111686070.1143736
rural6urb_rur rural 2019S026P0.094916240.057837300.131995170.1993144
Norte6região Norte 2019S026P0.087486850.053869500.121104190.1960526
Nordeste6região Nordeste 2019S026P0.087947210.062957730.112936690.1449730
Sudeste6região Sudeste 2019S026P0.092988340.054447460.131529230.2114682
Sul6região Sul 2019S026P0.111729380.064602140.158856610.2152070
Centro-Oeste6região Centro-Oeste 2019S026P0.075064770.041695460.108434080.2268104
Fundamental incompleto ou equivalente6gescol Fundamental incompleto ou equivalente2019S026P0.125489390.074747900.176230880.2063042
Médio incompleto ou equivalente6gescol Médio incompleto ou equivalente 2019S026P0.114840220.069661740.160018710.2007195
Superior incompleto ou equivalente6gescol Superior incompleto ou equivalente 2019S026P0.063640510.042038440.085242590.1731864
Superior completo6gescol Superior completo 2019S026P0.100496940.054852210.146141670.2317340

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

In [20]:
matriz_totais <- popula_indicadores(design_por_abrangencia, totais, indicadores, Ano, "total")
In [21]:
matriz_totais
A data.frame: 14 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><chr><chr><chr><dbl><dbl><dbl><dbl>
S020PSimtotalBrasil 2019S020P0.942880750.927163310.95859820.008505053
S020PSim1totalCapital2019S020P0.931594310.910459760.95272890.011574921
S021PSimtotalBrasil 2019S021P0.722565540.695063410.75006770.019419631
S021PSim1totalCapital2019S021P0.751172120.709812440.79253180.028092449
S022PSimtotalBrasil 2019S022P0.754111810.727423850.78079980.018056418
S022PSim1totalCapital2019S022P0.780809220.740820190.82079820.026130502
S023PSimtotalBrasil 2019S023P0.443942290.412765210.47511940.035831150
S023PSim1totalCapital2019S023P0.443298690.393254670.49334270.057598032
S024PSimtotalBrasil 2019S024P0.850145080.828184470.87210570.013179631
S024PSim1totalCapital2019S024P0.890073100.854537450.92560880.020369976
S025PSimtotalBrasil 2019S025P0.139267770.118583000.15995250.075779522
S025PSim1totalCapital2019S025P0.168579590.131725290.20543390.111541139
S026PSimtotalBrasil 2019S026P0.091803290.073588510.11001810.101231969
S026PSim1totalCapital2019S026P0.084678790.060191730.10916580.147541381

Unindo tabela de indicadores e de totais¶

In [22]:
matriz_final <-rbind(matriz_indicadores,matriz_totais)

Visualizando tabela de indicadores¶

In [23]:
matriz_final
A data.frame: 418 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><fct><chr><chr><dbl><dbl><dbl><dbl>
Brancaraça Branca 2019S020P0.94626520.91505850.97747200.016826270
Pretaraça Preta 2019S020P0.94915460.91901340.97929580.016202236
Pardaraça Parda 2019S020P0.94063770.92047890.96079640.010934363
Até 1/2 SMrend_per_capitaAté 1/2 SM 2019S020P0.92967240.91094260.94840220.010279112
1/2 até 1 SMrend_per_capita1/2 até 1 SM 2019S020P0.94139910.90691470.97588360.018689675
1 até 2 SMrend_per_capita1 até 2 SM 2019S020P0.96161640.92464810.99858460.019614569
2 até 3 SMrend_per_capita2 até 3 SM 2019S020P0.98874640.97164821.00584460.008823016
Mais de 3 SMrend_per_capitaMais de 3 SM 2019S020P0.96421040.91618891.01223180.025410618
18 a 24 anosfx_idade_s 18 a 24 anos 2019S020P0.94954130.92447550.97460720.013468538
25 a 29 anosfx_idade_s 25 a 29 anos 2019S020P0.95298890.93443720.97154060.009932271
30 a 39 anosfx_idade_s 30 a 39 anos 2019S020P0.93325680.90260420.96390950.016757868
40 anos ou maisfx_idade_s 40 anos ou mais 2019S020P0.93706150.88743570.98668740.027020387
urbanourb_rur urbano 2019S020P0.94624800.92852060.96397550.009558592
ruralurb_rur rural 2019S020P0.92445950.89353730.95538180.017066135
Rondôniauf Rondônia 2019S020P0.88621610.81712830.95530400.039775344
Acreuf Acre 2019S020P0.93840150.87404131.00276180.034992968
Amazonasuf Amazonas 2019S020P0.87768430.80877800.94659050.040056436
Roraimauf Roraima 2019S020P0.94698610.90007980.99389230.025271953
Paráuf Pará 2019S020P0.93062470.87478210.98646720.030615586
Amapáuf Amapá 2019S020P0.92752770.85191721.00313820.041591750
Tocantinsuf Tocantins 2019S020P0.93619570.84489371.02749770.049758309
Maranhãouf Maranhão 2019S020P0.94826020.91671900.97980140.016970815
Piauíuf Piauí 2019S020P0.94686410.90358750.99014070.023319385
Cearáuf Ceará 2019S020P0.98226410.94786681.01666140.017866842
Rio Grande do Norteuf Rio Grande do Norte2019S020P0.92325030.86795090.97854980.030559988
Paraíbauf Paraíba 2019S020P0.94390270.89769780.99010760.024975396
Pernambucouf Pernambuco 2019S020P0.87339030.74467421.00210630.075192807
Alagoasuf Alagoas 2019S020P0.96518680.93269680.99767690.017174762
Sergipeuf Sergipe 2019S020P0.96995110.92746771.01243440.022347080
Bahiauf Bahia 2019S020P0.98050970.95306311.00795620.014281971
⋮⋮⋮⋮⋮⋮⋮⋮⋮
Mais de 3 SM6rend_per_capitaMais de 3 SM 2019S026P0.110715460.028864130.192566790.377198018
18 a 24 anos6fx_idade_s 18 a 24 anos 2019S026P0.067072360.043219100.090925620.181449635
25 a 29 anos6fx_idade_s 25 a 29 anos 2019S026P0.090061600.052635420.127487780.212025320
30 a 39 anos6fx_idade_s 30 a 39 anos 2019S026P0.112288680.078231020.146346340.154750013
40 anos ou mais6fx_idade_s 40 anos ou mais 2019S026P0.080403750.032612320.128195180.303267312
urbano6urb_rur urbano 2019S026P0.091234260.070782460.111686070.114373564
rural6urb_rur rural 2019S026P0.094916240.057837300.131995170.199314376
Norte6região Norte 2019S026P0.087486850.053869500.121104190.196052563
Nordeste6região Nordeste 2019S026P0.087947210.062957730.112936690.144972960
Sudeste6região Sudeste 2019S026P0.092988340.054447460.131529230.211468215
Sul6região Sul 2019S026P0.111729380.064602140.158856610.215207044
Centro-Oeste6região Centro-Oeste 2019S026P0.075064770.041695460.108434080.226810433
Fundamental incompleto ou equivalente6gescol Fundamental incompleto ou equivalente2019S026P0.125489390.074747900.176230880.206304228
Médio incompleto ou equivalente6gescol Médio incompleto ou equivalente 2019S026P0.114840220.069661740.160018710.200719497
Superior incompleto ou equivalente6gescol Superior incompleto ou equivalente 2019S026P0.063640510.042038440.085242590.173186377
Superior completo6gescol Superior completo 2019S026P0.100496940.054852210.146141670.231733978
S020PSimtotal Brasil 2019S020P0.942880750.927163310.958598200.008505053
S020PSim1total Capital 2019S020P0.931594310.910459760.952728850.011574921
S021PSimtotal Brasil 2019S021P0.722565540.695063410.750067670.019419631
S021PSim1total Capital 2019S021P0.751172120.709812440.792531790.028092449
S022PSimtotal Brasil 2019S022P0.754111810.727423850.780799770.018056418
S022PSim1total Capital 2019S022P0.780809220.740820190.820798240.026130502
S023PSimtotal Brasil 2019S023P0.443942290.412765210.475119360.035831150
S023PSim1total Capital 2019S023P0.443298690.393254670.493342710.057598032
S024PSimtotal Brasil 2019S024P0.850145080.828184470.872105690.013179631
S024PSim1total Capital 2019S024P0.890073100.854537450.925608750.020369976
S025PSimtotal Brasil 2019S025P0.139267770.118583000.159952530.075779522
S025PSim1total Capital 2019S025P0.168579590.131725290.205433880.111541139
S026PSimtotal Brasil 2019S026P0.091803290.073588510.110018070.101231969
S026PSim1total Capital 2019S026P0.084678790.060191730.109165840.147541381

Exportando tabela de indicadores calculados - Módulo S 2019¶

In [24]:
diretorio_saida <- "<coloque aqui o diretório>"
write.table(matrizIndicadores,file=paste0(diretorio_saida,"Indicadores_2019S_R.csv"),sep = ";",dec = ",",row.names = FALSE)