Acessando dados da PNADC disponíveis no site do IBGE com o pacote PNADcIBGE

Tutorial PNADcIBGE

IBGE
r
PNADc
dados
A PNAD Contínua nvestiga as características econômicas e sociais da população, principalmente aquelas relacionadas ao mercado de trabalho
Author

Wellington Santos Souza

Published

Sunday, 14 April 2024

Este artigo foi reescrito em Domingo, 12 de Abril de 2024. pnadc

Tutorial PNADcIBGE

Este tutorial destina-se a auxiliar pesquisadores, analistas de dados e outros interessados em acessar os dados da PNAD Contínua utilizando a linguagem de programação estatística R.

Por que utilizaro R e o pacote PNADcIBGE?

  • O R é um software poderoso e gratuito.

  • Possui código aberto.

  • Grande variedade de métodos e pacotes.

  • Atualização simples e rápida.

  • Além disso é capaz de considerar o plano amostral da Pnad Contínua para realizar as análises corretamete.

  • O pacote PNADcIBGE é um pacote oficial do IBGE.

  • Possui funções que auxilia na hora de baixar e analisar os dados.

  • Possui um manual desenvolvido pelo Gabriel Henrique Oliveira Assunção (IBGE/DPE/COREN/GEMC) que está disponível para a acesso na internet. Clique aqui para acessar o manual.

Para acessar e analisar os dados precisamos instalar e carregar alguns pacotes:

PNADcIBGE permite baixar e preparar os microdados da PNAD Contínua para análise

if(!require(PNADcIBGE)){install.packages("PNADcIBGE")}; library(PNADcIBGE)

survey pacote que permite análise e modelagem de dados provenientes de pesquisas com amostras complexas

if(!require(survey)){install.packages("survey", dependencies = T)}; library(survey)

convey pacote para análise de concentração de renda para amostras complexas

if(!require(convey)){install.packages("convey", dependencies = T)}; library(convey)

srvyr pacote que permite considerar o desenho amostral de um survey ao trabalhar com a gramática do dplyr: srvyr.

if(!require(srvyr)){install.packages("srvyr", dependencies = T)}; library(srvyr)

tidyverse O pacote tidyverse é uma coleção de pacotes R projetados para tornar a análise de dados mais fácil e eficiente. Ele inclui uma série de pacotes, cada um com funcionalidades específicas, mas todos compartilhando uma filosofia comum de organização e manipulação de dados.

if(!require(tidyverse)){install.packages("tidyverse", dependencies = T)}; library(tidyverse)

Baixando os dados da PNADc

  1. Definindo as variáveis que serão utilizadas. Lembre-se de que este é apenas um exemplo; você pode explorar outras variáveis disponíveis.

VD3005 = Anos de Estudo

V2009 = Idade

V2007 = Sexo

VD4020 = Rendimento mensal efetivo de todos os trabalhos para pessoas de 14 anos ou mais de idade (apenas para pessoas que receberam em dinheiro, produtos ou mercadorias em qualquer trabalho)

UF = Unidade da Federação

V2010 = Cor/Raça

V2001 = Número de pessoas no domicílio

VD4035 = Horas efetivamente trabalhadas na semana de referência em todos os trabalhos para pessoas de 14 anos ou mais de idade

V3007 = Já concluiu ou não a graduação

variaveis <- c('VD3005','V2009','V2007',"VD4020",'UF', "V2010", "VD4035", "V3007", "V2001")
options(scipen= 999 )
  1. Realizando o download dos dados da PNAD Contínua do ano de 2022 para a 1ª entrevista. Para mais informações sobre como utilizar o pacote, acesse

Além dos argumentos year e quarter, que indicam, respectivamente, o ano e o trimestre dos microdados a serem baixados, a função get_pnadc possui outros quatro argumentos que podem ser ajustados durante o download:

  1. design: Um argumento lógico que indica se a função deve retornar um objeto de plano amostral para análise com o pacote survey. Mantenha esta opção como TRUE para garantir análises corretas;

  2. vars: Este argumento recebe um vetor de caracteres com o nome das variáveis a serem baixadas. Se nenhum nome de variável for especificado, todas as variáveis disponíveis na pesquisa serão baixadas. É útil quando você precisa trabalhar apenas com algumas variáveis específicas, reduzindo o espaço ocupado na memória do computador;

  3. labels: Um argumento lógico que indica se os níveis das variáveis categóricas devem ser rotulados de acordo com o dicionário da pesquisa. Por padrão, os níveis são rotulados.

dados_PNADc <- get_pnadc(vars = variaveis, year=2022, interview = 1)
  1. Dando uma olhada classe do objeto baixado
class(dados_PNADc)
[1] "svyrep.design"
  1. Transformando a classe svyrep.design em tbl_svy
dados_PNADc_srvyr <- as_survey(dados_PNADc)
class(dados_PNADc_srvyr)
[1] "tbl_svy"       "svyrep.design"

Tratando o dados

  1. Agora que fizemos a transformação podemos alterar o nome das variáveis usando a gramática do dplyr: srvyr.
dados_PNADc_srvyr <- dados_PNADc_srvyr |> 
  rename("Anos_de_Estudo" = VD3005,
         "Renda_Media" = VD4020,
         "Idade" = V2009,
         "Sexo" = V2007,
         "Cor_Raca" = V2010,
         "Unidade_da_Federacao" = UF,
         "Horas_Trabalhadas" = VD4035, 
         "Num_pesoas_dom" = V2001,
         "Concluiu_ou_nao_graduacao" = V3007)
  1. Criando variável Região
dados_PNADc_srvyr <- dados_PNADc_srvyr |> 
  transform(
  Regiao = case_when(
    Unidade_da_Federacao %in% c("Rondônia", "Acre", "Amazonas", "Roraima", "Pará", "Amapá", "Tocantins") ~ "Norte",
    Unidade_da_Federacao %in% c("Maranhão", "Piauí", "Ceará", "Rio Grande do Norte", "Paraíba", "Pernambuco", "Alagoas", "Sergipe", "Bahia") ~ "Nordeste",
    Unidade_da_Federacao %in% c("Minas Gerais", "Espírito Santo", "Rio de Janeiro", "São Paulo") ~ "Sudeste",
    Unidade_da_Federacao %in% c("Paraná", "Santa Catarina", "Rio Grande do Sul") ~ "Sul",
    TRUE ~ "Centro-Oeste"))

Análise descritiva de dados

Estimando a quantidade de homens e mulheres

Sexo <- dados_PNADc_srvyr |> 
  group_by(Sexo) |> 
  summarise(n = survey_total(na.rm=T))
Sexo |> 
  knitr::kable(col.names = c("Sexo", "N", "Erro Amostral"))
Sexo N Erro Amostral
Homem 104660652 0.0178035
Mulher 109492989 0.0130509

Podemos melhorar a visualização das estimativas de Sexo, que indicavam 105.595.187 homens e 110.528.146 mulheres, usando um gráfico de pizza para destacar essas proporções.

# Calcular proporções
Sexo$proporcao <- Sexo$n / sum(Sexo$n) * 100

ggplot(Sexo, aes(x = "", y = n, fill = Sexo)) +
  geom_bar(width = 1, stat = "identity") +
  geom_text(aes(label = paste0(round(proporcao), "%")), 
            position = position_stack(vjust = 0.5)) +
  coord_polar(theta = "y") +
  labs(title = "Distribuição por Sexo") +
  theme_minimal() +
  theme(axis.text.x = element_blank(),
        axis.title.x = element_blank())   

Concluiu_ou_nao_graduacao <- dados_PNADc_srvyr |> 
  group_by(Concluiu_ou_nao_graduacao) |> 
  summarise(n = survey_total(na.rm=T))
Concluiu_ou_nao_graduacao <- Concluiu_ou_nao_graduacao |> 
  drop_na()
# Calcular proporções
Concluiu_ou_nao_graduacao$proporcao_grad <- Concluiu_ou_nao_graduacao$n / sum(Concluiu_ou_nao_graduacao$n) * 100

ggplot(Concluiu_ou_nao_graduacao, aes(x = "", y = n, fill = Concluiu_ou_nao_graduacao)) +
  geom_bar(width = 1, stat = "identity") +
  geom_text(aes(label = paste0(round(proporcao_grad), "%")), 
            position = position_stack(vjust = 0.5)) +
  coord_polar(theta = "y") +
  labs(title = "Distribuição por Concluinte ou não da graduação") +
  theme_minimal() +
  theme(axis.text.x = element_blank(),
        axis.title.x = element_blank())

Número de Pessoas por Cor Raça

Cor_Raca <- dados_PNADc_srvyr |> 
  group_by(Cor_Raca) |> 
  summarise(n = survey_total(na.rm=T))
Cor_Raca |> 
  knitr::kable(col.names = c("Cor/Raça", "N", "Erro Amostral"))
Cor/Raça N Erro Amostral
Branca 91626405.60 444335.94
Preta 22663392.29 259799.55
Amarela 1740263.44 87013.00
Parda 97088333.39 421042.96
Indígena 951366.20 45396.02
Ignorado 83880.12 17573.45

Gráfico de Barras

ggplot(Cor_Raca, aes(x = Cor_Raca, y = n, label = round(n))) +
  geom_col(fill = "blue") +
  geom_text(size = 3, position = position_stack(vjust = 0.5),  color = "black") +
  xlab("") +
  ylab("") +
  labs(title = "Distribuição por Cor/Raça") +
  theme_minimal()

Histograma de idades

svyhist(formula=~as.numeric(V2009), 
        design=dados_PNADc,
        freq=TRUE,
        main="Histograma Idade",
        xlab="Distribuição da Idade",
        col = "blue")

Distribuição rendimentos efetivos

svyhist(formula = ~as.numeric(V2009), 
        design = dados_PNADc, 
        freq = TRUE, 
        main = "Histograma rendimentos efetivos", 
        xlab = "Renda média",
        col = "blue")

svyhist(formula = ~as.numeric(V2001), 
        design = dados_PNADc, 
        freq = TRUE, 
        main = "Histograma número de pessoas no domicílio", 
        xlab = "Número de Pessoas",
        col = "blue")

svyboxplot(formula=VD4020~V2007, design=dados_PNADc, all.outliers=TRUE, main="Boxplot da Idade por sexo")

svyboxplot(formula=VD4020~V2007, design=dados_PNADc, all.outliers=TRUE, main="Boxplot da rendimentos efetivos por sexo")

Rendimentos efetivos por concluintes ou não da graduação

svyboxplot(formula=VD4020~V3007, design=dados_PNADc, all.outliers=TRUE, main="Boxplot da rendimentos efetivos por concluintes ou não da graduação")

Distribuição dos anos de estudo

svyhist(formula=~as.numeric(VD3005), design=dados_PNADc, freq=TRUE, main="Histograma Anos de Estudo", xlab="Anos de Estudo", col = "blue")

Testes de Hipóteses

Teste-t para diferenças de médias de rendimentos efetivos entre sexos

svyttest(formula=VD4020~V2007, design=dados_PNADc)

    Design-based t-test

data:  VD4020 ~ V2007
t = -20.816, df = 198, p-value < 0.00000000000000022
alternative hypothesis: true difference in mean is not equal to 0
95 percent confidence interval:
 -688.1337 -569.0330
sample estimates:
difference in mean 
         -628.5834

Teste-t para diferenças de médias de rendimentos efetivos entre quem concluiu ou não a graduação

svyttest(formula=as.numeric(VD4035)~V3007, design=dados_PNADc)

    Design-based t-test

data:  as.numeric(VD4035) ~ V3007
t = -2.8405, df = 198, p-value = 0.004975
alternative hypothesis: true difference in mean is not equal to 0
95 percent confidence interval:
 -2.8698474 -0.5179148
sample estimates:
difference in mean 
         -1.693881

Regressão Linear

mod <- svyglm(formula = VD4035 ~ V3007 + V2010, design = dados_PNADc)
summary(mod)

Call:
svyglm(formula = VD4035 ~ V3007 + V2010, design = dados_PNADc)

Survey design:
svrepdesign.default(data = data_pnadc, weight = ~V1032, type = "bootstrap", 
    repweights = "V1032[0-9]+", mse = TRUE, replicates = length(sprintf("V1032%03d", 
        seq(1:200))), df = length(sprintf("V1032%03d", seq(1:200))))

Coefficients:
              Estimate Std. Error t value             Pr(>|t|)    
(Intercept)    38.1318     0.5898  64.648 < 0.0000000000000002 ***
V3007Não       -1.7193     0.5553  -3.096              0.00225 ** 
V2010Preta      0.4499     0.5901   0.762              0.44677    
V2010Amarela    1.7782     2.2502   0.790              0.43036    
V2010Parda      0.3756     0.3996   0.940              0.34841    
V2010Indígena   5.8057     3.2301   1.797              0.07384 .  
V2010Ignorado -23.0088     8.9240  -2.578              0.01067 *  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for gaussian family taken to be 204.6414)

Number of Fisher Scoring iterations: 2
Back to top