Notebook para criação de tabela de indicadores da PNS - módulo R 2019 Saúde da Mulher - Parte 2¶

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 2013>")

#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 [4]:
#Selecionando registros válidos e calculando peso amostral - summary de verificação
pns2019.1<- pns2019v6 %>% filter(V0015==1)
pns2019.1<-pns2019.1 %>% mutate(peso_morador_selec=((V00291*(94114/168426190))))
pns2019.1<-pns2019.1 %>% filter(!is.na(peso_morador_selec))
summary(pns2019.1$peso_morador_selec)

    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
 0.00582  0.27579  0.56358  1.03597  1.16822 63.29775

Criação de variáveis dos indicadores¶

In [5]:
#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
pns2019.1 <- pns2019.1 %>% mutate(R011P = ifelse(C006 == 2    &
                                                 (C008 >= 18  &
                                                  C008 <= 49) &
                                                 R026 == 1    &
                                                 R031 == 1    &
                                                 R034 == 1, 1, 2))
                                          # ifelse (C006==2 &  C008 >= 18 & C008 <= 49, 2, NA)))
pns2019.1$R011P<-factor(pns2019.1$R011P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$R011P)


#12. Proporção (%) de mulheres de 18 a 49 anos de idade que já ficaram grávidas - R012P     
pns2019.1 <- pns2019.1 %>% mutate(R012P = ifelse(C006 == 2 & 
                                                 (C008 >= 18 &
                                                  C008 <= 49) &
                                                 S065 == 1, 1, 2))

pns2019.1$R012P<-factor(pns2019.1$R012P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$R012P)


#13. Proporção de mulheres de 18 a 49 anos de idade que fazem algum tratamento para engravidar.  - R013P
pns2019.1 <- pns2019.1 %>% mutate(R013P = if_else(C006 == 2 & 
                                                 (C008 >= 18 &
                                                  C008 <= 49) &
                                                 (R037 == 1 | 
                                                  R037 == 2), 1, 2, 
                                                     missing=2))
pns2019.1$R013P<-factor(pns2019.1$R013P, levels=c(1,2), labels=c("Sim","Não"))
summary(pns2019.1$R013P)
Sim
12128
Não
77898
NA's
820
Sim
19374
Não
71472
Sim
788
Não
90058

Definições de abrangências¶

Situação urbana ou rural¶

In [6]:
#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
69873
rural
20973

UF¶

In [7]:
#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
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 [8]:
#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
17602
Nordeste
31544
Sudeste
19830
Sul
11472
Centro-Oeste
10398

Capital¶

In [9]:
#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
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 [10]:
#Faixas Etárias
pns2019.1 <-  pns2019.1 %>% 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(pns2019.1$faixa_idade)
18 a 29 anos
15394
30 a 44 anos
26754
45 a 59 anos
23655
NA's
25043

Raça¶

In [11]:
#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
33133
Preta
10345
Parda
45994
NA's
1374

Renda per capta¶

In [12]:
#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 [13]:
# 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 [14]:
#Selecionando variáveis para cálculo de indicadores no survey
pns2019Rsurvey<- pns2019.1 %>% 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")

Exporta tabela filtrada com os dados específicos - Módulo R 2019¶

In [15]:
#Salvando csv para cálculo de indicadores no survey
diretorio_saida <- "<coloque aqui o diretório>"
write.csv(pns2019Rsurvey, file.path(diretorio_saida, "pns2019R2survey.csv"))

Cria plano amostral complexo¶

In [16]:
desPNSR=svydesign(id=~UPA_PNS,
                  strat=~V0024,
                  weight=~peso_morador_selec,
                  nest=TRUE,
                  data=pns2019Rsurvey)
desPNSR0__P=subset(desPNSR, (C008>=18 & C008<=49) & C006==2)
In [17]:
#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))
In [18]:
#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))
In [19]:
#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¶

Essa tabela é responsável por unir os indicadores no formato do painel de indicadores

In [20]:
matrizIndicadores = data.frame()

Definição de variáveis para iteração dos indicadores¶

In [21]:
ListaIndicadores = c(~R011P,~R012P,~R013P)
ListaIndicadoresTexto = c("R011P","R012P","R013P")
ListaTotais = c('Brasil','Capital')
Ano <- "2019"
In [22]:
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

In [23]:
#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¶

In [24]:
matriz_totais <- data.frame()

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

In [25]:
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)
    }
}
In [26]:
matriz_totais
A data.frame: 6 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><chr><chr><chr><dbl><dbl><dbl><dbl>
R011PSimtotalBrasil 2019R011P0.618988240.607829330.630147150.009197956
R011PSim1totalCapital2019R011P0.633105450.616315690.649895210.013530703
R012PSimtotalBrasil 2019R012P0.696684600.685277310.708091900.008354074
R012PSim1totalCapital2019R012P0.626976060.609706960.644245160.014053054
R013PSimtotalBrasil 2019R013P0.028871240.025692710.032049760.056170977
R013PSim1totalCapital2019R013P0.026490640.022013370.030967920.086232967

Unindo tabela de indicadores e de totais¶

In [27]:
matrizIndicadores<-rbind(matrizIndicadores,matriz_totais)
In [28]:
unique(matrizIndicadores$abr_tipo)
  1. 'raça'
  2. 'rend_per_capita'
  3. 'faixa_idade'
  4. 'urb_rur'
  5. 'uf'
  6. 'região'
  7. 'capital'
  8. 'gescol'
  9. 'total'
In [43]:
matrizIndicadores[matrizIndicadores$abr_tipo=='raça' & 
                  matrizIndicadores$Indicador=='R013P', ]
A data.frame: 3 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><fct><chr><chr><dbl><dbl><dbl><dbl>
Branca2raçaBranca2019R013P0.033065020.027441310.038688720.08677727
Preta2raçaPreta 2019R013P0.020326300.012804390.027848200.18880847
Parda2raçaParda 2019R013P0.027772390.023544430.032000360.07767293

Visualizando tabela de indicadores¶

In [39]:
matrizIndicadores
A data.frame: 234 × 8
abr_tipoabr_nomeAnoIndicadorSimLowerSUpperScvS
<chr><fct><chr><chr><dbl><dbl><dbl><dbl>
Brancaraça Branca 2019R011P0.65278610.63366300.67190930.014946519
Pretaraça Preta 2019R011P0.61992510.58606540.65378470.027867316
Pardaraça Parda 2019R011P0.58815000.57073040.60556960.015111310
Até 1/2 SMrend_per_capitaAté 1/2 SM 2019R011P0.56797120.54805560.58788670.017890317
1/2 até 1 SMrend_per_capita1/2 até 1 SM 2019R011P0.60090320.57990480.62190160.017829297
1 até 2 SMrend_per_capita1 até 2 SM 2019R011P0.66780720.64553220.69008210.017018368
2 até 3 SMrend_per_capita2 até 3 SM 2019R011P0.65312560.60996580.69628540.033715857
Mais de 3 SMrend_per_capitaMais de 3 SM 2019R011P0.66956890.63606470.70307310.025530315
18 a 29 anosfaixa_idade 18 a 29 anos 2019R011P0.74188890.72283510.76094270.013103723
30 a 44 anosfaixa_idade 30 a 44 anos 2019R011P0.58129310.56627710.59630910.013179863
45 a 59 anosfaixa_idade 45 a 59 anos 2019R011P0.41128640.37602530.44654750.043742446
urbanourb_rur urbano 2019R011P0.62624410.61404620.63844190.009937838
ruralurb_rur rural 2019R011P0.56759980.54138940.59381020.023560438
Rondôniauf Rondônia 2019R011P0.46255880.39961070.52550680.069433201
Acreuf Acre 2019R011P0.67046670.62236490.71856850.036604623
Amazonasuf Amazonas 2019R011P0.60186680.56271560.64101800.033189171
Roraimauf Roraima 2019R011P0.55301750.50429990.60173500.044946807
Paráuf Pará 2019R011P0.49723240.44871280.54575200.049786298
Amapáuf Amapá 2019R011P0.62530350.55848790.69211910.054517891
Tocantinsuf Tocantins 2019R011P0.54930850.48577670.61284020.059010111
Maranhãouf Maranhão 2019R011P0.46600290.43237420.49963160.036819153
Piauíuf Piauí 2019R011P0.53864960.48204240.59525670.053618760
Cearáuf Ceará 2019R011P0.62221010.58726460.65715550.028655339
Rio Grande do Norteuf Rio Grande do Norte2019R011P0.61622550.57099870.66145230.037446228
Paraíbauf Paraíba 2019R011P0.52358410.47357590.57359230.048731144
Pernambucouf Pernambuco 2019R011P0.56447960.52724800.60171110.033652293
Alagoasuf Alagoas 2019R011P0.45508890.40450880.50566900.056706807
Sergipeuf Sergipe 2019R011P0.61546730.56254400.66839070.043872717
Bahiauf Bahia 2019R011P0.64696530.60073970.69319100.036454762
Minas Geraisuf Minas Gerais 2019R011P0.66535470.62314060.70756890.032371061
⋮⋮⋮⋮⋮⋮⋮⋮⋮
São Luís2capitalSão Luís 2019R013P0.022185240.0057602640.038610220.377739606
Teresina2capitalTeresina 2019R013P0.055070830.0251488880.084992770.277217121
Fortaleza2capitalFortaleza 2019R013P0.029232870.0107800710.047685670.322064387
Natal2capitalNatal 2019R013P0.021025090.0057686150.036281570.370227162
João Pessoa2capitalJoão Pessoa 2019R013P0.024966230.0079666110.041965840.347406628
Recife2capitalRecife 2019R013P0.016094850.0020981230.030091580.443702085
Maceió2capitalMaceió 2019R013P0.018579800.0049358670.032223740.374671334
Aracaju2capitalAracaju 2019R013P0.037566760.0070228160.068110710.414832991
Salvador2capitalSalvador 2019R013P0.020784490.0048150590.036753930.392014384
Belo Horizonte2capitalBelo Horizonte 2019R013P0.034531140.0141095300.054952760.301738692
Vitória2capitalVitória 2019R013P0.035705630.0108942710.060516990.354540427
Rio de Janeiro5capitalRio de Janeiro 2019R013P0.012000370.0022145190.021786220.416059915
São Paulo4capitalSão Paulo 2019R013P0.030825940.0176200740.044031800.218575982
Curitiba2capitalCuritiba 2019R013P0.045556760.0125616410.078551890.369529225
Florianópolis2capitalFlorianópolis 2019R013P0.018725800.0011541750.036297420.478766173
Porto Alegre2capitalPorto Alegre 2019R013P0.016521180.0031289320.029913430.413584578
Campo Grande2capitalCampo Grande 2019R013P0.037416330.0185912470.056241400.256701000
Cuiabá2capitalCuiabá 2019R013P0.037753230.0105818250.064924640.367206106
Goiânia2capitalGoiânia 2019R013P0.044827420.0181466810.071508160.303672883
Brasília2capitalBrasília 2019R013P0.010039350.0033415230.016737180.340392727
Fundamental incompleto ou equivalente2gescol Fundamental incompleto ou equivalente2019R013P0.017546140.0130556460.022036620.130576230
Médio incompleto ou equivalente2gescol Médio incompleto ou equivalente 2019R013P0.031671520.0217557000.041587350.159739287
Superior incompleto ou equivalente2gescol Superior incompleto ou equivalente 2019R013P0.025596720.0211805750.030012860.088025933
Superior completo2gescol Superior completo 2019R013P0.045888030.0371572100.054618850.097075023
R011PSimtotal Brasil 2019R011P0.618988240.6078293280.630147150.009197956
R011PSim1total Capital 2019R011P0.633105450.6163156900.649895210.013530703
R012PSimtotal Brasil 2019R012P0.696684600.6852773090.708091900.008354074
R012PSim1total Capital 2019R012P0.626976060.6097069590.644245160.014053054
R013PSimtotal Brasil 2019R013P0.028871240.0256927140.032049760.056170977
R013PSim1total Capital 2019R013P0.026490640.0220133660.030967920.086232967

Exportando tabela de indicadores calculados - Módulo R 2019¶

In [40]:
diretorio_saida <- "<coloque aqui o diretório>"
write.table(matrizIndicadores,file=paste0(diretorio_saida, "Indicadores_2019R2_R.csv"),sep = ";",dec = ",",row.names = FALSE)