Notebook para criação de tabela de indicadores da PNS - B 2019 Visitas domiciliares de Equipe de Saúde da Família e Agentes de Endemias¶
Bibliotecas Utilizadas¶
In [ ]:
#Lendo pacotes necessários
library(survey)
library(ggplot2)
library(dplyr)
library(tictoc)
library(foreign)
library(forcats)
library(tidyverse)
Carregando microdados da PNS¶
In [3]:
#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>")
Definição do peso e filtragem de respondentes do questionário¶
In [4]:
#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_moradores=((V00281*279382/209589607)))
pns2019.1<-pns2019.1 %>% filter(!is.na(peso_moradores))
summary(pns2019.1$peso_moradores)
Min. 1st Qu. Median Mean 3rd Qu. Max. 0.01046 0.31515 0.58914 1.00000 1.16920 39.99838
Criação de variáveis dos indicadores¶
In [5]:
#Desfechos - Indicadores
# 1. Proporção de moradores em domicílios cadastrados em unidade de saúde da família - B001P.
pns2019.1 <- pns2019.1 %>% mutate(B001P=ifelse(B001==1, 1, 0))
pns2019.1$B001P <- factor(pns2019.1$B001P, levels=c(1, 0), labels=c("Sim", "Não"))
summary(pns2019.1$B001P)
- Sim
- 183072
- Não
- 96310
In [6]:
# 2. Proporção de domicílios cadastrados em unidade de saúde da família há um ano ou mais e que recebem visita de Agente Comunitário em Saúde (ACS) ou membro da Equipe de Saúde da Família (ESF) mensalmente - B002P.
pns2019.1 <- pns2019.1 %>% mutate(B002P=ifelse(B002==4 & B003==1, 1, 0))
pns2019.1$B002P <- factor(pns2019.1$B002P, levels=c(1, 0), labels=c("Sim", "Não"))
summary(pns2019.1$B002P)
- Sim
- 66619
- Não
- 116453
- NA's
- 96310
Definições de abrangências¶
Situação urbana ou rural¶
In [7]:
#Situação Urbano ou Rural
pns2019.1 <- pns2019.1 %>% rename(Sit_Urbano_Rural=V0026)
pns2019.1$Sit_Urbano_Rural<-factor(pns2019.1$Sit_Urbano_Rural, levels=c(1,2), labels=c("urbano", "rural"))
summary(pns2019.1$Sit_Urbano_Rural)
- urbano
- 212286
- rural
- 67096
Sexo¶
In [8]:
#Sexo
pns2019.1 <- pns2019.1 %>% rename(Sexo=C006)
pns2019.1$Sexo<-factor(pns2019.1$Sexo, levels=c(1,2), labels=c("Masculino", "Feminino"))
summary(pns2019.1$Sexo)
- Masculino
- 134442
- Feminino
- 144940
UF¶
In [9]:
#Estados - UFs
pns2019.1 <- pns2019.1 %>% rename(Unidades_da_Federacao=V0001)
pns2019.1$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)
- Rondônia
- 7037
- Acre
- 7808
- Amazonas
- 12642
- Roraima
- 7995
- Pará
- 13475
- Amapá
- 6363
- Tocantins
- 6127
- Maranhão
- 17327
- Piauí
- 8745
- Ceará
- 14157
- Rio Grande do Norte
- 9472
- Paraíba
- 9652
- Pernambuco
- 11934
- Alagoas
- 9947
- Sergipe
- 7803
- Bahia
- 10516
- Minas Gerais
- 14831
- Espírito Santo
- 10078
- Rio de Janeiro
- 13909
- São Paulo
- 17522
- Paraná
- 11237
- Santa Catarina
- 10123
- Rio Grande do Sul
- 9878
- Mato Grosso do Sul
- 8350
- Mato Grosso
- 7291
- Goiás
- 8003
- Distrito Federal
- 7160
Grandes Regiões¶
In [10]:
#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$GrandesRegioes)
- Norte
- 61447
- Nordeste
- 99553
- Sudeste
- 56340
- Sul
- 31238
- Centro-Oeste
- 30804
Capital¶
In [11]:
#Capital
pns2019.1<- pns2019.1 %>% mutate(Capital= fct_collapse(Unidades_da_Federacao,
`Porto Velho`= "Rondônia",
`Boa Vista`= "Roraima",
`Rio Branco`= "Acre",
`Manaus` = "Amazonas",
`Belém` = "Pará" ,
`Macapá`= "Amapá",
`Palmas` = "Tocantins",
`São Luís` = "Maranhão",
`Teresina`= "Piauí" ,
`Fortaleza`= "Ceará",
`Natal`= "Rio Grande do Norte",
`João Pessoa`= "Paraíba",
`Recife`= "Pernambuco",
`Maceió`= "Alagoas",
`Aracaju`= "Sergipe",
`Salvador`= "Bahia",
`Belo Horizonte`= "Minas Gerais",
`Vitória`= "Espírito Santo",
`Rio de Janeiro`= "Rio de Janeiro",
`São Paulo`= "São Paulo",
`Curitiba`= "Paraná",
`Florianópolis`= "Santa Catarina",
`Porto Alegre`= "Rio Grande do Sul",
`Campo Grande`= "Mato Grosso do Sul",
`Cuiabá`= "Mato Grosso",
`Goiânia` = "Goiás",
`Brasília`= "Distrito Federal"))
summary(pns2019.1$Capital)
- Porto Velho
- 7037
- Rio Branco
- 7808
- Manaus
- 12642
- Boa Vista
- 7995
- Belém
- 13475
- Macapá
- 6363
- Palmas
- 6127
- São Luís
- 17327
- Teresina
- 8745
- Fortaleza
- 14157
- Natal
- 9472
- João Pessoa
- 9652
- Recife
- 11934
- Maceió
- 9947
- Aracaju
- 7803
- Salvador
- 10516
- Belo Horizonte
- 14831
- Vitória
- 10078
- Rio de Janeiro
- 13909
- São Paulo
- 17522
- Curitiba
- 11237
- Florianópolis
- 10123
- Porto Alegre
- 9878
- Campo Grande
- 8350
- Cuiabá
- 7291
- Goiânia
- 8003
- Brasília
- 7160
Faixa Etária¶
In [12]:
#Faixas Etárias
pns2019.1 <- pns2019.1 %>% mutate(faixa_idade=cut(C008,
breaks = c(-Inf, 0.99, 4.99, 14.99, 24.99, 34.99, 44.99, 59.99, Inf),
labels = c("Menor de 1 ano",
"1 a 4 anos",
"5 a 14 anos",
"15 a 24 anos",
"25 a 34 anos",
"35 a 44 anos",
"45 a 59 anos",
"60 anos ou mais"),
ordered_result = TRUE, right = TRUE))
summary(pns2019.1$faixa_idade)
- Menor de 1 ano
- 3349
- 1 a 4 anos
- 14438
- 5 a 14 anos
- 40500
- 15 a 24 anos
- 43827
- 25 a 34 anos
- 39854
- 35 a 44 anos
- 41460
- 45 a 59 anos
- 52400
- 60 anos ou mais
- 43554
Raça¶
In [13]:
#Raça
pns2019.1 <- pns2019.1 %>%
mutate(Raca= ifelse(C009==1, 1,
ifelse(C009==2, 2,
ifelse(C009==4, 3, 9))))
pns2019.1$Raca<-factor(pns2019.1$Raca,
levels=c(1,2,3),
labels=c("Branca", "Preta", "Parda"))
summary(pns2019.1$Raca)
- Branca
- 99019
- Preta
- 28304
- Parda
- 148273
- NA's
- 3786
Renda per capita¶
In [14]:
#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$rend_per_capita)
- Até 1/2 SM
- 91898
- 1/2 até 1 SM
- 81830
- 1 até 2 SM
- 61643
- 2 até 3 SM
- 19369
- Mais de 3 SM
- 24470
- NA's
- 172
Escolaridade¶
In [15]:
# Escolaridade
pns2019.1 <- pns2019.1 %>% mutate(gescol = ifelse(VDD004A %in% 1:2, 1,
ifelse(VDD004A%in% 3:4, 2,
ifelse(VDD004A%in% 5:6, 3,
ifelse(is.na(VDD004A)==TRUE, NA_real_, 4)))))
pns2019.1$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
- 121343
- Médio incompleto ou equivalente
- 38564
- Superior incompleto ou equivalente
- 71042
- Superior completo
- 30646
- NA's
- 17787
Criando indicadores¶
Filtrando base de indicadores¶
In [16]:
#Selecionando variáveis para cálculo de indicadores no survey
pns2019Bsurvey<- pns2019.1 %>% select(
"V0024","UPA_PNS","peso_moradores",
"C008", "C009", "V0031", "VDF003", "B002",
"Sit_Urbano_Rural", "Unidades_da_Federacao",
"GrandesRegioes", "Capital", "faixa_idade",
"Raca", "rend_per_capita", "gescol", "Sexo",
"B001P", "B002P")
Exporta tabela filtrada com os dados específicos - Módulo S 2019¶
In [17]:
#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 [18]:
desPNSB=svydesign(id=~UPA_PNS,
strat=~V0024,
weight=~peso_moradores,
nest=TRUE,
data=pns2019Bsurvey
)
In [19]:
desPNSB_C=subset(desPNSB, !is.na(B001P) & V0031==1)
desPNSB_R=subset(desPNSB, !is.na(B001P) & !is.na(Raca))
desPNSB_RC=subset(desPNSB, !is.na(B001P) & !is.na(rend_per_capita))
desPNSB_GE=subset(desPNSB, !is.na(B001P) & !is.na(gescol))
In [20]:
desPNSB002P=subset(desPNSB, !is.na(B002P) & B002==4)
desPNSB002P_C=subset(desPNSB002P, V0031==1)
desPNSB002P_R=subset(desPNSB002P, !is.na(Raca))
desPNSB002P_RC=subset(desPNSB002P, !is.na(rend_per_capita))
desPNSB002P_GE=subset(desPNSB002P, !is.na(gescol))
Criação da tabela de indicadores¶
Essa tabela é responsável por unir os indicadores no formato do painel de indicadores
In [21]:
matrizIndicadores = data.frame()
Definição de variáveis para iteração dos indicadores¶
In [22]:
ListaIndicadores = c(~B001P, ~B002P)
ListaIndicadoresTexto = c("B001P", "B002P")
ListaTotais = c('Brasil','Capital')
Ano <- "2019"
In [23]:
ListaDominios = c(~Raca,~rend_per_capita,~faixa_idade,~Sit_Urbano_Rural,
~Sexo, ~Unidades_da_Federacao,~GrandesRegioes,~Capital,~gescol)
ListaDominiosTexto = c("raça","rend_per_capita","faixa_idade","urb_rur",
"Sexo", "uf","região","capital","gescol")
Preenchendo a tabela de indicadores¶
Essas iterações rodam por indicador, abrangência e por design
In [24]:
#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
if(ListaIndicadoresTexto[i] == "B001P"){
dataframe_indicador<-svyby(indicador, dominio, desPNSB_C, svymean,vartype= c("ci", "cv"))
}
else{
dataframe_indicador<-svyby(indicador, dominio, desPNSB002P_C, svymean,vartype= c("ci", "cv"))
}
#Uso design do subconjunto para raça/cor que inclui preta,branca e parda as outras
# conjunto com nulos
}else if (ListaDominiosTexto[j]=="raça"){
if(ListaIndicadoresTexto[i] == "B001P"){
dataframe_indicador<-svyby(indicador, dominio, desPNSB_R, svymean,vartype= c("ci", "cv"))
}
else{
dataframe_indicador<-svyby(indicador, dominio, desPNSB002P_R, svymean,vartype= c("ci", "cv"))
}
#design geral para o subconjunto de renda
# conjunto com nulos
} else if (ListaDominiosTexto[j]=="rend_per_capita"){
if(ListaIndicadoresTexto[i] == "B001P"){
dataframe_indicador<-svyby(indicador, dominio, desPNSB_RC, svymean,vartype= c("ci", "cv"))
}
else{
dataframe_indicador<-svyby( indicador, dominio, desPNSB002P_RC, svymean,vartype= c("ci", "cv"))
}
#design geral para o subconjunto de escolaridade
# conjunto com nulos
} else if (ListaDominiosTexto[j]=="gescol"){
if(ListaIndicadoresTexto[i] == "B001P"){
dataframe_indicador<-svyby(indicador, dominio, desPNSB_GE, svymean,vartype= c("ci", "cv"))
}
else{
dataframe_indicador<-svyby(indicador, dominio, desPNSB002P_GE, svymean,vartype= c("ci", "cv"))
}
} else if(ListaIndicadoresTexto[i] == "B001P"){
dataframe_indicador<-svyby(indicador, dominio, desPNSB, svymean,vartype= c("ci", "cv"))
}
else{
dataframe_indicador<-svyby(indicador, dominio, desPNSB002P, 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$Ano <- Ano
dataframe_indicador <- dataframe_indicador %>% select("abr_tipo","abr_nome","Ano","Indicador","Sim","LowerS","UpperS","cvS")
matrizIndicadores <-rbind(matrizIndicadores,dataframe_indicador)
j <- j + 1
}
}
Criando a tabela pela abrangência total¶
In [25]:
matriz_totais <- data.frame()
Preenchendo a tabela com as abrangencia Brasil e total das capitais¶
In [26]:
i=0
#para cada indicador
for(indicador in ListaIndicadores){
i <- i+1
#para os totais Brasil e total das capitais
for(total in ListaTotais){
dataframe_indicador <- data.frame()
#Uso do design que é subconjunto do dataset para cada Capital
if (total == "Capital"){
#Indicadores que são subconjunto do dataset tot
if(ListaIndicadoresTexto[i] == "B001P"){
dataframe_indicador <- svymean(indicador, desPNSB_C)
}
else {
dataframe_indicador <- svymean(indicador, desPNSB002P_C)
}
} else {
if(ListaIndicadoresTexto[i] == "B001P"){
dataframe_indicador <- svymean(indicador, desPNSB)
}
else {
dataframe_indicador <- svymean(indicador, desPNSB002P)
}
}
intervalo_confianca <- confint(dataframe_indicador)
coeficiente_variacao <- cv(dataframe_indicador)
dataframe_indicador <- cbind(data.frame(dataframe_indicador),data.frame(intervalo_confianca))
dataframe_indicador <- cbind(data.frame(dataframe_indicador),data.frame(coeficiente_variacao))
dataframe_indicador <- dataframe_indicador %>%
select('mean','X2.5..','X97.5..',coeficiente_variacao)
dataframe_indicador <- dataframe_indicador %>%
slice(1)
colnames(dataframe_indicador) <- c('Sim','LowerS','UpperS','cvS')
dataframe_indicador <- dataframe_indicador %>%
select('Sim','LowerS','UpperS','cvS')
dataframe_indicador$Indicador <- ListaIndicadoresTexto[i]
dataframe_indicador$abr_tipo <- "total"
dataframe_indicador$abr_nome <- total
dataframe_indicador$Ano <- Ano
dataframe_indicador <- dataframe_indicador %>%
select("abr_tipo","abr_nome","Ano","Indicador",'Sim','LowerS','UpperS','cvS')
matriz_totais <-rbind(matriz_totais,dataframe_indicador)
}
}
In [27]:
matriz_totais
| abr_tipo | abr_nome | Ano | Indicador | Sim | LowerS | UpperS | cvS | |
|---|---|---|---|---|---|---|---|---|
| <chr> | <chr> | <chr> | <chr> | <dbl> | <dbl> | <dbl> | <dbl> | |
| B001PSim | total | Brasil | 2019 | B001P | 0.6259929 | 0.6151817 | 0.6368042 | 0.008811672 |
| B001PSim1 | total | Capital | 2019 | B001P | 0.4831397 | 0.4669895 | 0.4992899 | 0.017055193 |
| B002PSim | total | Brasil | 2019 | B002P | 0.3874185 | 0.3770887 | 0.3977482 | 0.013603823 |
| B002PSim1 | total | Capital | 2019 | B002P | 0.2115345 | 0.1931174 | 0.2299517 | 0.044421477 |
Unindo tabela de indicadores e de totais¶
In [28]:
matrizIndicadores<-rbind(matrizIndicadores, matriz_totais)
Visualizando tabela de indicadores¶
In [30]:
matrizIndicadores[matrizIndicadores$abr_tipo=='rend_per_capita' &
matrizIndicadores$Indicador=='B002P', ]
| abr_tipo | abr_nome | Ano | Indicador | Sim | LowerS | UpperS | cvS | |
|---|---|---|---|---|---|---|---|---|
| <chr> | <fct> | <chr> | <chr> | <dbl> | <dbl> | <dbl> | <dbl> | |
| Até 1/2 SM1 | rend_per_capita | Até 1/2 SM | 2019 | B002P | 0.4440943 | 0.4274397 | 0.4607488 | 0.01913418 |
| 1/2 até 1 SM1 | rend_per_capita | 1/2 até 1 SM | 2019 | B002P | 0.3970010 | 0.3825221 | 0.4114800 | 0.01860795 |
| 1 até 2 SM1 | rend_per_capita | 1 até 2 SM | 2019 | B002P | 0.3587589 | 0.3422701 | 0.3752476 | 0.02344967 |
| 2 até 3 SM1 | rend_per_capita | 2 até 3 SM | 2019 | B002P | 0.3086167 | 0.2814417 | 0.3357918 | 0.04492655 |
| Mais de 3 SM1 | rend_per_capita | Mais de 3 SM | 2019 | B002P | 0.2273049 | 0.2004714 | 0.2541385 | 0.06023125 |
Exportando tabela de indicadores calculados - Módulo S 2019¶
In [31]:
diretorio_saida <- "<coloque aqui o diretório>"
write.table(matrizIndicadores, file=paste0(diretorio_saida, "Indicadores_2019B_R.csv"), sep = ";", dec = ",", row.names = FALSE)