-
Notifications
You must be signed in to change notification settings - Fork 0
/
script_pns.R
381 lines (297 loc) · 17.7 KB
/
script_pns.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
## PNS
# Limpando todos os objetos atualmente ativos no Ambiente (Environment)
rm(list=ls(all=T))
# Definindo diretorio de trabalho
setwd("")
############################ CARREGANDO PACOTES ###############################
if(!require(dplyr)){install.packages("dplyr")};library(dplyr)
if(!require(plyr)){install.packages("plyr")};library(plyr)
if(!require(tidyverse)){install.packages("tidyverse")};library(tidyverse)
if(!require(bigrquery)){install.packages("bigrquery")};library(bigrquery)
if(!require(survey)){install.packages("survey")};library(survey)
if(!require(odbc)){install.packages("odbc")};library(odbc)
if(!require(srvyr)){install.packages("srvyr")};library(srvyr)
if(!require(magrittr)){install.packages("magrittr")};library(magrittr)
if(!require(PNSIBGE)){install.packages("PNSIBGE")};library(PNSIBGE)
if(!require(ggplot2)){install.packages("ggplot2")};library(ggplot2)
if(!require(tictoc)){install.packages("tictoc")};library(tictoc)
if(!require(foreign)){install.packages("foreign")};library(foreign)
if(!require(forcats)){install.packages("forcats")};library(forcats)
######################### CARREGANDO BASE DE DADOS #########################
# Obtendo ajuda sobre o pacote PNSIBGE
help("get_pns")
# Baixando PNS para cada ano, sem design amostral
pns2013svy_semda <- get_pns(year=2013, selected=F, anthropometry=T,
labels=T, deflator=T, design=F)
str(pns2013svy_semda)
dim(pns2013svy_semda)
pns2019svy_semda <- get_pns(year=2019, selected=F, anthropometry=T,
labels=T, deflator=T, design=F)
str(pns2019svy_semda)
dim(pns2019svy_semda)
# Baixando PNS para cada ano, com design amostral
pns2013svy_comda <- get_pns(year=2013, selected=F, anthropometry=T,
labels=T, deflator=T, design=F)
str(pns2013svy_comda)
dim(pns2013svy_comda)
pns2019svy_comda <- get_pns(year=2019, selected=F, anthropometry=T,
labels=T, deflator=T, design=F)
str(pns2019svy_comda)
dim(pns2019svy_comda)
######################### PRÉ-PROCESSAMENTO #########################
# desativando a exibição por notação científica
options(scipen=999)
# Definição do peso
pns2013.1 <- pns2013svy_comda %>% mutate(peso_morador_selec=((V00291*(60202/145572211)))) # Peso do morador selecionado com calibração
summary(pns2013.1$peso_morador_selec)
pns2019.1 <- pns2019svy_comda %>% mutate(peso_antropom=((V00301*(7060/168426190)))) # Peso do morador selecionado com calibração
summary(pns2019.1$peso_antropom)
# Criação de variáveis dos indicadores e recodificações
# Cálculo IMC
pns2013.1 <- pns2013.1 %>% mutate(altura_metro = W00203 / 100)
pns2013.1 <- pns2013.1 %>% mutate(IMC = W00103 / (altura_metro * altura_metro))
summary(pns2013.1$IMC)
pns2019.1 <- pns2019.1 %>% mutate(altura_metro = W00203 / 100)
pns2019.1 <- pns2019.1 %>% mutate(IMC = W00103 / (altura_metro * altura_metro))
summary(pns2019.1$IMC)
# Classificação IMC
pns2013.1 <- pns2013.1 %>%
mutate(IMC_classif= cut(IMC,
breaks=c(-Inf, 18.4999, 24.9999, 29.9999, 34.9999, 39.9999, Inf),
labels=c("Peso_baixo", "Eutrofia", "Sobrepeso",
"Obesidade_grau_I", "Obesidade_grau_II",
"Obesidade_grau_III")))
table(pns2013.1$IMC_classif, useNA = "always")
pns2019.1 <- pns2019.1 %>%
mutate(IMC_classif= cut(IMC,
breaks=c(-Inf, 18.4999, 24.9999, 29.9999, 34.9999, 39.9999, Inf),
labels=c("Peso_baixo", "Eutrofia", "Sobrepeso",
"Obesidade_grau_I", "Obesidade_grau_II",
"Obesidade_grau_III")))
table(pns2019.1$IMC_classif, useNA = "always")
# Sexo - C006
pns2013.1 <- pns2013.1 %>% rename(Sexo=C006)
summary(pns2013.1$Sexo)
pns2019.1 <- pns2019.1 %>% rename(Sexo=C006)
summary(pns2019.1$Sexo)
#Faixas Etárias - C008
pns2013.1 <- pns2013.1 %>% mutate(faixaeta=cut(C008,
breaks = c(18, 25, 35, 45, 55, 65,Inf),
labels = c("18 a 24 anos","25 a 34 anos","35 a 44 anos","45 a 54 anos", "55 a 64 anos", "65 anos ou mais"),
ordered_result = TRUE, right = FALSE))
summary(pns2013.1$faixaeta)
pns2019.1 <- pns2019.1 %>% mutate(faixaeta=cut(C008,
breaks = c(18, 25, 35, 45, 55, 65,Inf),
labels = c("18 a 24 anos","25 a 34 anos","35 a 44 anos","45 a 54 anos", "55 a 64 anos", "65 anos ou mais"),
ordered_result = TRUE, right = FALSE))
summary(pns2019.1$faixaeta)
# Estados - V0001
pns2013.1 <- pns2013.1 %>% rename(UF=V0001)
summary(pns2013.1$UF)
pns2019.1 <- pns2019.1 %>% rename(UF=V0001)
summary(pns2019.1$UF)
# Macro Regiões
pns2013.1 <- pns2013.1 %>%
mutate(MacroRegioes = 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(pns2013.1$MacroRegioes)
pns2019.1 <- pns2019.1 %>%
mutate(MacroRegioes = fct_collapse(UF,
`Norte` = c("Rondônia","Acre","Amazonas","Roraima","Pará", "Amapá","Tocantins"),
`Nordeste` = c("Maranhão", "Piauí", "Ceará", "Rio Grande do Norte", "Paraíba","Pernambuco", "Alagoas","Sergipe","Bahia"),
`Sudeste` = c("Minas Gerais", "Espírito Santo","Rio de Janeiro", "São Paulo"),
`Sul` = c("Paraná", "Santa Catarina", "Rio Grande do Sul"),
`Centro-Oeste`= c("Mato Grosso do Sul","Mato Grosso", "Goiás", "Distrito Federal")))
summary(pns2019.1$MacroRegioes)
# Capitais
pns2013.1<- pns2013.1 %>% mutate(capitais= 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(pns2013.1$capitais)
pns2019.1<- pns2019.1 %>% mutate(capitais= fct_collapse(UF,
`Porto Velho`= "Rondônia",
`Boa Vista`= "Roraima",
`Rio Branco`= "Acre",
`Manaus` = "Amazonas",
`Belém` = "Pará" ,
`Macapá`= "Amapá",
`Palmas` = "Tocantins",
`São Luís` = "Maranhão",
`Teresina`= "Piauí" ,
`Fortaleza`= "Ceará",
`Natal`= "Rio Grande do Norte",
`João Pessoa`= "Paraíba",
`Recife`= "Pernambuco",
`Maceió`= "Alagoas",
`Aracaju`= "Sergipe",
`Salvador`= "Bahia",
`Belo Horizonte`= "Minas Gerais",
`Vitória`= "Espírito Santo",
`Rio de Janeiro`= "Rio de Janeiro",
`São Paulo`= "São Paulo",
`Curitiba`= "Paraná",
`Florianópolis`= "Santa Catarina",
`Porto Alegre`= "Rio Grande do Sul",
`Campo Grande`= "Mato Grosso do Sul",
`Cuiabá`= "Mato Grosso",
`Goiânia` = "Goiás",
`Brasília`= "Distrito Federal"))
summary(pns2019.1$capitais)
# Raça - C009
pns2013.1 <- pns2013.1 %>% rename(racacor=C009)
summary(pns2013.1$racacor)
pns2019.1 <- pns2019.1 %>% rename(racacor=C009)
summary(pns2019.1$racacor)
# Rendimento per capita - VDF003 (2013) e VDF004 (2019)
pns2013.1 <- pns2013.1 %>% mutate(rend_per_capita=cut(VDF003,
breaks = c(-Inf,1/2 * 1412, 1 * 1412, 2 * 1412, 3 * 1412,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$rend_per_capita)
class(pns2019.1$VDF004)
pns2019.1 <- pns2019.1 %>%
mutate(VDF004 = case_when(
VDF004 %in% c('Até ¼ salário mínimo', 'Mais de ¼ até ½ salário mínimo') ~ 'Até 1/2 SM',
VDF004 == 'Mais de ½ até 1 salário mínimo' ~ '1/2 até 1 SM',
VDF004 == 'Mais de 1 até 2 salários mínimos' ~ '1 até 2 SM',
VDF004 == 'Mais de 2 até 3 salários mínimos' ~ '2 até 3 SM',
VDF004 %in% c('Mais de 3 até 5 salários mínimos', 'Mais de 5 salários mínimos') ~ 'Mais de 3 SM',
TRUE ~ VDF004
)) %>%
mutate(VDF004 = if_else(is.na(VDF004), 'Ignorado', VDF004))
pns2019.1 <- pns2019.1 %>% rename(rend_per_capita=VDF004)
table(pns2019.1$rend_per_capita)
# Escolaridade - VDD004A
pns2013.1 <- pns2013.1 %>%
mutate(VDD004A = case_when(
VDD004A %in% c('Fundamental incompleto ou equivalente', 'Fundamental completo ou equivalente') ~ 'Fundamental',
VDD004A %in% c('Médio incompleto ou equivalente', 'Médio completo ou equivalente') ~ 'Ensino Médio',
VDD004A %in% c('Superior incompleto ou equivalente', 'Superior completo') ~ 'Superior',
TRUE ~ VDD004A
)) %>%
mutate(VDD004A = if_else(is.na(VDD004A), 'Ignorado', VDD004A))
pns2013.1 <- pns2013.1 %>% rename(escolaridade=VDD004A)
table(pns2013.1$escolaridade)
pns2019.1 <- pns2019.1 %>%
mutate(VDD004A = case_when(
VDD004A %in% c('Fundamental incompleto ou equivalente', 'Fundamental completo ou equivalente') ~ 'Fundamental',
VDD004A %in% c('Médio incompleto ou equivalente', 'Médio completo ou equivalente') ~ 'Ensino Médio',
VDD004A %in% c('Superior incompleto ou equivalente', 'Superior completo') ~ 'Superior',
TRUE ~ VDD004A
)) %>%
mutate(VDD004A = if_else(is.na(VDD004A), 'Ignorado', VDD004A))
pns2019.1 <- pns2019.1 %>% rename(escolaridade=VDD004A)
table(pns2019.1$escolaridade)
######################### CRIANDO INDICADORES #########################
# survey design da pesquisa
help("pns_design")
PNS2013 <- pns_design(data_pns=pns2013.1)
PNS2019 <- pns_design(data_pns=pns2019.1)
# obtendo prevalências
help("svymean")
help("svyby")
# estados nutricionais: totais
en_total_13 <- svymean(~IMC_classif, PNS2013, na.rm = TRUE) %>%
as.data.frame()
print(en_total_13)
en_total_19 <- svymean(~IMC_classif, PNS2019, na.rm = TRUE) %>%
as.data.frame()
print(en_total_19)
# estados nutricionais: sexo (relatório faz a partir de 20 anos (17,9H e 25,7M), aqui trabalhamos a partir de 18)
en_sexo_13 <- svyby(~IMC_classif, ~Sexo, PNS2013, svymean, na.rm = T, keep.var = F)
print(en_sexo_13)
en_sexo_19 <- svyby(~IMC_classif, ~Sexo, PNS2019, svymean, na.rm = T, keep.var = F)
print(en_sexo_19)
# estados nutricionais: faixa etária
en_faixaeta_13 <- svyby(~IMC_classif, ~faixaeta, PNS2013, na.rm = T, svymean, keep.var = F)
print(en_faixaeta_13)
en_faixaeta_19 <- svyby(~IMC_classif, ~faixaeta, PNS2019, na.rm = T, svymean, keep.var = F)
print(en_faixaeta_19)
# estados nutricionais: faixa etária por sexo
en_faixaeta_sexo_13 <- svyby(~IMC_classif, ~faixaeta + Sexo, PNS2013, na.rm = T, svymean, keep.var = F)
print(en_faixaeta_sexo_13)
en_faixaeta_sexo_19 <- svyby(~IMC_classif, ~faixaeta + Sexo, PNS2019, na.rm = T, svymean, keep.var = F)
print(en_faixaeta_sexo_19)
# estados nutricionais: cidades
en_cidades_13 <- svyby(~IMC_classif, ~capitais, PNS2013, na.rm = T, svymean, keep.var = F)
print(en_cidades_13)
en_cidades_19 <- svyby(~IMC_classif, ~capitais, PNS2019, na.rm = T, svymean, keep.var = F)
print(en_cidades_19)
# estados nutricionais: macro regiões
en_cidades_13 <- svyby(~IMC_classif, ~MacroRegioes, PNS2013, na.rm = T, svymean, keep.var = F)
print(en_cidades_13)
en_cidades_19 <- svyby(~IMC_classif, ~MacroRegioes, PNS2019, na.rm = T, svymean, keep.var = F)
print(en_cidades_19)
# estados nutricionais: cidades por faixa etária
en_cidades_faixaeta_13 <- svyby(~IMC_classif, ~capitais + faixaeta, PNS2013, na.rm = T, svymean, keep.var = F)
print(en_cidades_faixaeta_13)
en_cidades_faixaeta_19 <- svyby(~IMC_classif, ~capitais + faixaeta, PNS2019, na.rm = T, svymean, keep.var = F)
print(en_cidades_faixaeta_19)
# estados nutricionais: cidades por sexo
en_cidades_sexo_13 <- svyby(~IMC_classif, ~capitais + Sexo, PNS2013, na.rm = T, svymean, keep.var = F)
print(en_cidades_sexo_13)
en_cidades_sexo_19 <- svyby(~IMC_classif, ~capitais + Sexo, PNS2019, na.rm = T, svymean, keep.var = F)
print(en_cidades_sexo_19)
# estados nutricionais: raça
en_racacor_13 <- svyby(~IMC_classif, ~racacor, PNS2013, na.rm = T, svymean, keep.var = F)
print(en_racacor_13)
en_racacor_19 <- svyby(~IMC_classif, ~racacor, PNS2019, na.rm = T, svymean, keep.var = F)
print(en_racacor_19)
# estados nutricionais: escolaridade
en_escolaridade_13 <- svyby(~IMC_classif, ~escolaridade, PNS2013, na.rm = T, svymean, keep.var = F)
print(en_escolaridade_13)
en_escolaridade_19 <- svyby(~IMC_classif, ~escolaridade, PNS2019, na.rm = T, svymean, keep.var = F)
print(en_escolaridade_19)
# estados nutricionais: renda per capita
en_renda_13 <- svyby(~IMC_classif, ~rend_per_capita, PNS2013, na.rm = T, svymean, keep.var = F)
print(en_renda_13)
en_renda_19 <- svyby(~IMC_classif, ~rend_per_capita, PNS2019, na.rm = T, svymean, keep.var = F)
print(en_renda_19)
######################### SALVANDO TABELAS #########################
help("svytable")
help ("prop.table")
# 2013
tab_fato_PNS2013 <- svytable(~IMC_classif + UF + capitais + MacroRegioes +
faixaeta + rend_per_capita + racacor + Sexo +
escolaridade, PNS2013) %>%
as.data.frame() %>%
filter(Freq != 0)
head(tab_fato_PNS2013)
write.csv(tab_fato_PNS2013, "", row.names = T)
# 2019
tab_fato_PNS2019 <- svytable(~IMC_classif + UF + capitais + MacroRegioes +
faixaeta + rend_per_capita + racacor + Sexo +
escolaridade, PNS2019) %>%
as.data.frame()%>%
filter(Freq != 0)
head(tab_fato_PNS2019)
write.csv(tab_fato_PNS2019, "", row.names = T)