Notebook para criação de tabela de indicadores da PNS - módulo R 2013 Saúde da Mulher - Parte 2

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 e calculando peso amostral - summary de verificação
pns2013.1<-pns2013 
pns2013.1<-pns2013 %>% filter(V0015==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

table(pns2013.1$R037)

#11. Proporção de mulheres de 18 a 49 anos de idade que tiveram relações sexuais nos últimos 12 meses, ainda menstruam e fazem uso de métodos para evitar a gravidez. - R011P
pns2013.1 <- pns2013.1 %>% mutate(R011P = ifelse(C006 == 2    &
                                                 (C008 >= 18  &
                                                  C008 <= 49) &
                                                 R026 == 1    &
                                                 R031 == 1    &
                                                 R034 == 1, 1, 2))
pns2013.1$R011P<-factor(pns2013.1$R011P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$R011P)

#12. Proporção (%) de mulheres de 18 a 49 anos de idade que já ficaram grávidas - R012P     
pns2013.1 <- pns2013.1 %>% mutate(R012P = ifelse(C006 == 2 & 
                                                 (C008 >= 18 &
                                                  C008 <= 49) &
                                                 R039 == 1, 1, 2))

pns2013.1$R012P<-factor(pns2013.1$R012P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$R012P)

#13. Proporção de mulheres de 18 a 49 anos de idade que fazem algum tratamento para engravidar. - R013P
pns2013.1 <- pns2013.1 %>% mutate(R013P = if_else(C006 == 2 & 
                                                 (C008 >= 18 &
                                                  C008 <= 49) &
                                                 (R037 == 1 | 
                                                  R037 == 2), 1, 2, 
                                                     missing=2))
pns2013.1$R013P<-factor(pns2013.1$R013P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2013.1$R013P)

Sim

10544

Não

48999

NA's

659

Sim

16811

Não

43391

Sim

550

Não

59652

Definições de abrangências

Situação urbana ou rural

#Situação Urbano ou Rural
pns2013.1 <- pns2013.1 %>% rename(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

UF

#Estados - UFs
pns2013.1 <- pns2013.1 %>% rename(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(faixa_idade=cut(C008,
  breaks = c(17.99, 29.99, 44.99, 59.99),
  labels = c("18 a 29 anos",
             "30 a 44 anos",
             "45 a 59 anos"), 
  ordered_result = TRUE, right = TRUE))
summary(pns2013.1$faixa_idade)

18 a 29 anos

14321

30 a 44 anos

20242

45 a 59 anos

14462

NA's

11177

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 capta

# 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,
                        ifelse(is.na(VDD004A)==TRUE, NA_real_, 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_R
pns2013Rsurvey <- pns2013.1 %>% select("V0024","UPA_PNS","peso_morador_selec", "C006", "R011P",
                                       "R012P","R013P","C008","V0031","R026","R031","Sit_Urbano_Rural",
                                       "Unidades_da_Federacao","GrandesRegioes","Capital","faixa_idade",
                                       "Raca","rend_per_capita","gescol")
# summary(pns2013Rsurvey)

Exporta tabela filtrada com os dados específicos - Módulo R 2013

#Salvando csv para cálculo de indicadores no survey
diretorio_saida <- "<coloque aqui o diretório>"
write.csv(pns2019Rsurvey, file.path(diretorio_saida, "pns2013R2survey.csv"))

Cria plano amostral complexo

desPNSR=svydesign(id=~UPA_PNS,
                  strat=~V0024,
                  weight=~peso_morador_selec,
                  nest=TRUE,
                  data=pns2013Rsurvey)
desPNSR0__P=subset(desPNSR, (C008>=18 & C008<=49) & C006==2)

#survey design R011P
desPNSR011P=subset(desPNSR0__P, !is.na(R011P) & R026 == 1  &  R031 == 1)
desPNSR011P_C=subset(desPNSR011P,  V0031==1)
desPNSR011P_R=subset(desPNSR011P,  !is.na(Raca))
desPNSR011P_FX=subset(desPNSR011P, !is.na(faixa_idade))
desPNSR011P_RE=subset(desPNSR011P, !is.na(rend_per_capita))

#survey design R012P
desPNSR012P=subset(desPNSR0__P, !is.na(R012P))
desPNSR012P_C=subset(desPNSR012P, V0031==1)
desPNSR012P_R=subset(desPNSR012P, !is.na(Raca))
desPNSR012P_FX=subset(desPNSR012P, !is.na(faixa_idade))
desPNSR012P_RE=subset(desPNSR012P, !is.na(rend_per_capita))

#survey design R013P
desPNSR013P=subset(desPNSR0__P, !is.na(R013P))
desPNSR013P_C=subset(desPNSR013P, V0031==1)
desPNSR013P_R=subset(desPNSR013P, !is.na(Raca))
desPNSR013P_FX=subset(desPNSR013P, !is.na(faixa_idade))
desPNSR013P_RE=subset(desPNSR013P, !is.na(rend_per_capita))

Criação da tabela de indicadores

matrizIndicadores = data.frame()

Definição de variáveis para iteração dos indicadores

ListaIndicadores = c(~R011P,~R012P,~R013P)
ListaIndicadoresTexto = c("R011P","R012P","R013P")
ListaTotais = c('Brasil','Capital')
Ano <- "2013"

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

Preenchendo a tabela de indicadores

Essas iterações rodam por indicador, abrangência e por design

#Cálculo dos indicadores usando o pacote survey 
i <- 0
matrizIndicadores = data.frame()
#Para cada indicador
for(indicador in ListaIndicadores){
    i <- i + 1
    j <- 1
    print(indicador)
    #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] == "R011P"){
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR011P_C, svymean,vartype= c("ci", "cv"))
                   }
                   else if(ListaIndicadoresTexto[i] == "R012P"){
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR012P_C, svymean,vartype= c("ci", "cv"))
                   }
                   else {
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR013P_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] == "R011P"){
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR011P_R, svymean,vartype= c("ci", "cv"))
                   }
                   else if(ListaIndicadoresTexto[i] == "R012P"){
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR012P_R, svymean,vartype= c("ci", "cv"))
                   }
                   else {
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR013P_R, svymean,vartype= c("ci", "cv"))
                   }

               } else if (ListaDominiosTexto[j]=="rend_per_capita"){
               #design geral para o subconjunto de renda
               # conjunto com nulos
                   if(ListaIndicadoresTexto[i] == "R011P"){
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR011P_RE, svymean,vartype= c("ci", "cv"))
                   }
                   else if(ListaIndicadoresTexto[i] == "R012P"){
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR012P_RE, svymean,vartype= c("ci", "cv"))
                   }
                   else {
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR013P_RE, svymean,vartype= c("ci", "cv"))
                   }
               #design geral para o subconjunto de escolaridade
               # conjunto com nulos
               } else if (ListaDominiosTexto[j]=="faixa_idade"){
                   if(ListaIndicadoresTexto[i] == "R011P"){
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR011P, svymean,vartype= c("ci", "cv"))
                   }
                   else if(ListaIndicadoresTexto[i] == "R012P"){
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR012P, svymean,vartype= c("ci", "cv"))
                   }
                   else {
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR013P_FX, svymean,vartype= c("ci", "cv"))
                   }
               } else if(ListaIndicadoresTexto[i] == "R011P"){
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR011P, svymean,vartype= c("ci", "cv"))
                   } else if(ListaIndicadoresTexto[i] == "R012P"){
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR012P, svymean,vartype= c("ci", "cv"))
                   }
                   else {
                     print(indicador)
                     print(dominio)
                     dataframe_indicador<-svyby(indicador, dominio, desPNSR013P, 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
    }
}

~R011P
~R012P
~R013P
~R013P
~Sit_Urbano_Rural
~R013P
~Unidades_da_Federacao
~R013P
~GrandesRegioes
~R013P
~gescol

Criando a tabela pela abrangência total

matriz_totais <- data.frame()

Preenchendo a tabela com as abrangencia Brasil e total das capitais

i=0
matriz_totais <- data.frame()
#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] == "R011P"){
                           dataframe_indicador <- svymean(indicador, desPNSR011P_C)
                   }
                   else if(ListaIndicadoresTexto[i] == "R012P"){
                       dataframe_indicador <- svymean(indicador, desPNSR012P_C)
                   }
                   else {
                       dataframe_indicador <- svymean(indicador, desPNSR013P_C)
                   }
        } else {
                   if(ListaIndicadoresTexto[i] == "R011P"){
                           dataframe_indicador <- svymean(indicador, desPNSR011P)
                   }
                   else if(ListaIndicadoresTexto[i] == "R012P"){
                       dataframe_indicador <- svymean(indicador, desPNSR012P)
                   }
                   else {
                       dataframe_indicador <- svymean(indicador, desPNSR013P)
                   }
        }

       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)
    }
}

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>
R011PSim	total	Brasil	2013	R011P	0.61113107	0.59805269	0.62420945	0.010918713
R011PSim1	total	Capital	2013	R011P	0.63545398	0.61953582	0.65137215	0.012780883
R012PSim	total	Brasil	2013	R012P	0.69183920	0.68022450	0.70345391	0.008565543
R012PSim1	total	Capital	2013	R012P	0.65518756	0.64054336	0.66983176	0.011403861
R013PSim	total	Brasil	2013	R013P	0.02616984	0.02243197	0.02990772	0.072874575
R013PSim1	total	Capital	2013	R013P	0.02303964	0.01899242	0.02708686	0.089625758

Unindo tabela de indicadores e de totais

matrizIndicadores<-rbind(matrizIndicadores,matriz_totais)

unique(matrizIndicadores$abr_tipo)

1. 'raça'
2. 'rend_per_capita'
3. 'faixa_idade'
4. 'urb_rur'
5. 'uf'
6. 'região'
7. 'capital'
8. 'gescol'
9. 'total'

matrizIndicadores[matrizIndicadores$abr_tipo=='urb_rur' & 
                  matrizIndicadores$Indicador=='R013P', ]

A data.frame: 2 × 8

	abr_tipo	abr_nome	Ano	Indicador	Sim	LowerS	UpperS	cvS
	<chr>	<fct>	<chr>	<chr>	<dbl>	<dbl>	<dbl>	<dbl>
Urbano2	urb_rur	Urbano	2013	R013P	0.02585151	0.02179281	0.02991021	0.08010382
Rural2	urb_rur	Rural	2013	R013P	0.02831154	0.01889467	0.03772840	0.16970504

Visualizando tabela de indicadores

Exportando tabela de indicadores calculados - Módulo R 2013

diretorio_saida <- "<coloque aqui o diretório>"
write.table(matrizIndicadores,file=paste0(diretorio_saida,"Indicadores_2013R2_R.csv"),sep = ";",dec = ",",row.names = FALSE)