Gráficos Artigo Egressos CTEM
Luiz Caseiro e Aguinaldo Maciente
2023-02-07
Carrega pacotes
options(scipen=999, dplyr.summarise.inform = FALSE)
library(pacman)
p_load(dplyr, lme4, ggplot2, tidyr, stringr, stringi, labelled, hrbrthemes, lmtest, multilevel, stargazer, scales, ggthemes, ggpubr, ggcorrplot, ggeffects, corrplot, effects, forcats, Hmisc, rio, directlabels, gghighlight, forcats, sjPlot, sjlabelled, sjmisc, ggstance, merTools, ggalluvial, grid, cowplot, magick, rlang, eulerr, ggpmisc, reshape2)
select <- dplyr::select
summarise <- dplyr::summarise
replace_na <- tidyr::replace_na
point <- scales::label_number(accuracy = 0.1, big.mark = ".", decimal.mark = ",")
log_change_to_pct <- function(x) {(exp(x)-1)*100} # Transforma os coeficientes de um modelo log-linear em percentuais
fun_mil <- function(x) sprintf("%.0f", x/1000)Carrega bases principais
CTEM_3 <- readRDS("CTEM_3.rds")
EGP <- readRDS("EGP.rds")
CTEM_M <- readRDS("CTEM_M_so.rds")Prepara bases para Diagramas de Euler
base_euler <- CTEM_3 %>% filter(idade<41) %>%
select(trabalhava_1214, trabalhava_1618, starts_with(c("socio", "IN_POS_2", "in_2a_"))) %>%
mutate(
socio_1214 = pmax(socio_2012, socio_2013, socio_2014),
estuda_1214 = pmax(IN_POS_2012, IN_POS_2013, IN_POS_2014, in_2a_grad_2012, in_2a_grad_2013, in_2a_grad_2014),
socio_1618 = pmax(socio_2016, socio_2017, socio_2018),
estuda_1618 = pmax(IN_POS_2016, IN_POS_2017, IN_POS_2018, in_2a_grad_2016, in_2a_grad_2017, in_2a_grad_2018)
) %>%
select(trabalhava_1214, trabalhava_1618, socio_1214, socio_1618, estuda_1214, estuda_1618) %>%
arrange(desc(trabalhava_1214), desc(estuda_1214), desc(socio_1214))
base_euler$id <- row.names(base_euler)
trabalhava_1214 <- base_euler %>% filter(trabalhava_1214==1) %>% select(id)
socio_1214 <- base_euler %>% filter(socio_1214==1) %>% select(id)
estuda_1214 <- base_euler %>% filter(estuda_1214==1) %>% select(id)
semvinculo_1214 <- base_euler %>% filter(trabalhava_1214==0 & socio_1214==0 & estuda_1214==0) %>% select(id)
trabalhava_1618 <- base_euler %>% filter(trabalhava_1618==1) %>% select(id)
socio_1618 <- base_euler %>% filter(socio_1618==1) %>% select(id)
estuda_1618 <- base_euler %>% filter(estuda_1618==1) %>% select(id)
semvinculo_1618 <- base_euler %>% filter(trabalhava_1618==0 & socio_1618==0 & estuda_1618==0) %>% select(id)
euler1 <- list(Empregado = trabalhava_1214$id,
`Sócio` = socio_1214$id,
Estuda = estuda_1214$id,
`Sem vínculo` = semvinculo_1214$id
)
euler2 <- list(Empregado = trabalhava_1618$id,
`Sócio` = socio_1618$id,
Estuda = estuda_1618$id,
`Sem vínculo` = semvinculo_1618$id
)Faz gráficos de Euler e salva resultados
euler1214 <- euler(euler1,
shape = "ellipse")
euler1618 <- euler(euler2,
shape = "ellipse")
png("euler1214.png",
width = 400,
height = 400,
pointsize = 13)
plot(euler1214,
quantities = TRUE,
fills = c("#9DBBE3", "#BFE3DF", "#FFF5CC", "#EE9D94"),
edges = FALSE
)
dev.off()
png("euler1618.png",
width = 400,
height = 400,
pointsize = 13)
plot(euler1618,
quantities = TRUE,
fills = c("#9DBBE3", "#BFE3DF", "#FFF5CC", "#EE9D94"),
edges = FALSE
)
dev.off()Faz a legenda dos gráficos:
euler_legenda <- ggplot(data.frame(x = rep(letters[1:3], each = 4),
y = sample(30:70, 12, replace=TRUE),
colour = rep(c("Empregados\n(Rais)",
"Sócios\n(RBF)",
"Estudam\n(Capes & CES)",
"Sem vínculos\nidentificáveis"), 3)),
aes(x = x, y = y, fill = colour))+
geom_bar(position="stack", stat="identity") +
scale_fill_manual(
#Essa é uma maneira de ordenar os fatores especificamente na legenda, sem modificar a base de dados;
breaks = c("Empregados\n(Rais)",
"Sócios\n(RBF)",
"Estudam\n(Capes & CES)",
"Sem vínculos\nidentificáveis"),
values=c("Empregados\n(Rais)" = "#9DBBE3",
"Sócios\n(RBF)" = "#BFE3DF",
"Estudam\n(Capes & CES)" = "#FFF5CC",
"Sem vínculos\nidentificáveis"= "#EE9D94"), drop=FALSE) +
guides(fill = guide_legend(override.aes = list(alpha=1, size = 10)))+ # showing the point in the legend
theme(axis.title = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank(),
legend.position = c(0.5, 0.5), # move the legend to the center
legend.direction="horizontal",
legend.title = element_blank(),
legend.text = element_text(size = 12),
legend.key = element_rect(fill='NA'),
panel.grid = element_blank(),
panel.border = element_rect(colour = "white", fill='white', size=1)
)
ggsave("euler_legenda.png", euler_legenda,
width = 6, height = 1, dpi = 300, units = "in", device='png')Faz tabela com os dados formatados:
tabela_euler <-
data.frame(`Período` = c("2012-2014", " ", "2016-2018", " "),
`valor`= c("n", "%", "n", "%"),
Empregados = c(format(length(trabalhava_1214$id),
big.mark = ".",
decimal.mark = ","),
paste0(format(round(100*length(trabalhava_1214$id)/ length(base_euler$id), 1), big.mark = ".", decimal.mark = ","),"%"),
format(length(trabalhava_1618$id),
big.mark = ".",
decimal.mark = ","),
paste0(format(round(100*length(trabalhava_1618$id)/ length(base_euler$id), 1), big.mark = ".", decimal.mark = ","),"%")),
`Sócios` = c(format(length(socio_1214$id),
big.mark = ".",
decimal.mark = ","),
paste0(format(round(100*length(socio_1214$id)/ length(base_euler$id), 1), big.mark = ".", decimal.mark = ","),"%"),
format(length(socio_1618$id),
big.mark = ".",
decimal.mark = ","),
paste0(format(round(100*length(socio_1618$id)/ length(base_euler$id), 1), big.mark = ".", decimal.mark = ","),"%")),
Estudam = c(format(length(estuda_1214$id),
big.mark = ".",
decimal.mark = ","),
paste0(format(round(100*length(estuda_1214$id)/ length(base_euler$id), 1), big.mark = ".", decimal.mark = ","),"%"),
format(length(estuda_1618$id),
big.mark = ".",
decimal.mark = ","),
paste0(format(round(100*length(estuda_1618$id)/ length(base_euler$id), 1), big.mark = ".", decimal.mark = ","),"%")),
`Sem vínculo` = c(format(length(semvinculo_1214$id),
big.mark = ".",
decimal.mark = ","),
paste0(format(round(100*length(semvinculo_1214$id)/ length(base_euler$id), 1), big.mark = ".", decimal.mark = ","),"%"),
format(length(semvinculo_1618$id),
big.mark = ".",
decimal.mark = ","),
paste0(format(round(100*length(semvinculo_1618$id)/ length(base_euler$id), 1), big.mark = ".", decimal.mark = ","),"%")),
Total = c(format(length(base_euler$id),
big.mark = ".",
decimal.mark = ","),
paste0(format(round(100*length(base_euler$id)/ length(base_euler$id), 1), big.mark = ".", decimal.mark = ","),"%"),
format(length(base_euler$id),
big.mark = ".",
decimal.mark = ","),
paste0(format(round(100*length(base_euler$id)/ length(base_euler$id), 1), big.mark = ".", decimal.mark = ","),"%"))
) %>%
rename(`Sem \nvínculos` = `Sem.vínculo`,
`Tipo de\nvalor` = valor)# Junta os gráficos de Euler, a legenda e a tabela em uma única figura:
euler1 <- file.path("euler1214.png")
euler2 <- file.path("euler1618.png")
legenda_euler <- file.path("euler_legenda.png")
euler_final <- ggdraw() +
draw_image(euler1, x = -0.25, y = 0, scale = 0.6) +
draw_image(euler2, x = 0.26, y = 0, scale = 0.6) +
draw_image(legenda_euler, x = 0, y = 0.4, scale = 0.7) +
annotate(geom="text", x=0.26, y=0.8, label="2012-2014", color="black", fontface = 2, size = 7) +
annotate(geom="text", x=0.71, y=0.8, label="2016-2018", color="black", fontface = 2, size = 7) +
annotate(geom = "table",
x = 0.5,
y = 0.02,
label = list(tabela_euler),
table.theme = ttheme_gtstripes,
size = 5)Gráfico 1 – Diagramas de Euler com distribuição dos egressos por tipos de vínculos (2012-2014 e 2016-2018)
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Faz gráfico para identificar o percentual de egressos que fazem pós-graduação ou segunda graduação.
estudam <- CTEM_3 %>% filter(idade<41) %>%
dplyr::select(starts_with(c("IN_POS_2", "in_2a_"))) %>%
pivot_longer(cols = starts_with(c("IN_POS_2", "in_2a_")),
names_to = c(".value", "ano"),
names_pattern = "(.*)_(\\d*)") %>%
group_by(ano) %>%
summarise(`Pós-graduação` = sum(IN_POS),
`2ª graduação` = sum(in_2a_grad)) %>%
ungroup() %>%
mutate(total = `Pós-graduação` + `2ª graduação`) %>%
mutate(`Pós-graduação` = 100*`Pós-graduação`/total,
`2ª graduação` = 100*`2ª graduação`/total)
estudam_dados_grafico <- estudam %>% select(ano, `Pós-graduação`) %>%
mutate(`Condição` = "Pós-graduação") %>% rename(valor = `Pós-graduação`) %>%
rbind(estudam %>% select(ano, `2ª graduação`) %>%
mutate(`Condição` = "2ª graduação") %>% rename(valor = `2ª graduação`)) %>%
mutate(ano = as.character(ano))
g_estudam <- ggplot(estudam_dados_grafico, aes(fill=`Condição`, y=valor, x=ano)) +
geom_bar(position="fill", stat="identity") +
scale_fill_manual(
breaks = c("Pós-graduação",
"2ª graduação"),
values=c("Pós-graduação" = "#063970",
"2ª graduação" = "#76b5c5"), drop=FALSE) +
theme_pubclean() +
theme(
legend.position = "bottom",
legend.title = element_blank(),
legend.text = element_text(size=12, face = "bold"),
legend.justification = 0.5,
axis.text.x = element_text(size=11),
axis.text.y = element_text(size=11),
) +
scale_x_discrete(name = "") +
scale_y_continuous(name = "",
labels = scales::label_number(accuracy=1, scale=100, suffix ="%")) +
geom_text(data = estudam_dados_grafico %>% filter(`Condição` == "Pós-graduação"),
aes(x = ano, y = valor/200, label = paste0(format(round(valor, 1), decimal.mark ="."), "%"), fontface = "bold"),
color="#FFFFFF") +
geom_text(data = estudam_dados_grafico %>% filter(`Condição` == "2ª graduação"),
aes(x = ano, y = valor/200 + (100-valor)/100, label = paste0(format(round(valor, 1), decimal.mark ="."), "%"), fontface = "bold"),
color="#000000")Gráfico 2 - Evolução da etapa de ensino dos egressos que estudam
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Prepara dados para gráfico com distribuição dos tipos de vínculo por área de formação. Nesse gráfico, iremos priorizar mostrar os vínculos de emprego, em seguida os vínculos de empresa, e depois os vínculos de estudo. Ou seja, quando o egresso for empregado e também tiver empresa ou estudar, aparecerá apenas como empregado. Quando tiver empresa e estudar, aparecerá apenas como empresa.
# Prepara dados
vinculos_excludentes <- CTEM_3 %>% filter(idade < 41) %>%
mutate(
vinculos_2012_2014 = case_when(
pmax(trabalha_2012, trabalha_2013, trabalha_2014) == 1 ~ "empregado",
pmax(socio_2012, socio_2013, socio_2014) == 1 ~ "empregador ou conta-própria",
pmax(IN_POS_2012, IN_POS_2013, IN_POS_2014, in_2a_grad_2012, in_2a_grad_2013, in_2a_grad_2014) == 1 ~ "estuda",
T ~ "sem vínculo"),
vinculos_2016_2018 = case_when(
pmax(trabalha_2016, trabalha_2017, trabalha_2018) == 1 ~ "empregado",
pmax(socio_2016, socio_2017, socio_2018) == 1 ~ "empregador ou conta-própria",
pmax(IN_POS_2016, IN_POS_2017, IN_POS_2018, in_2a_grad_2016, in_2a_grad_2017, in_2a_grad_2018) == 1 ~ "estuda",
T ~ "sem vínculo")) %>%
mutate(
empregado_2012_2014 = case_when(vinculos_2012_2014 == "empregado" ~ 1, T ~ 0),
socio_2012_2014 = case_when(vinculos_2012_2014 == "empregador ou conta-própria" ~ 1, T ~ 0),
estuda_2012_2014 = case_when(vinculos_2012_2014 == "estuda" ~ 1, T ~ 0),
empregado_2016_2018 = case_when(vinculos_2016_2018 == "empregado" ~ 1, T ~ 0),
socio_2016_2018 = case_when(vinculos_2016_2018 == "empregador ou conta-própria" ~ 1, T ~ 0),
estuda_2016_2018 = case_when(vinculos_2016_2018 == "estuda" ~ 1, T ~ 0),
sem_vinculo_2012_2014 = case_when(vinculos_2012_2014 == "sem vínculo" ~ 1, T ~ 0),
sem_vinculo_2016_2018 = case_when(vinculos_2016_2018 == "sem vínculo" ~ 1, T ~ 0)) %>%
group_by(carreira) %>%
summarise(
n=n(),
empregados_2012_2014 = sum(empregado_2012_2014)/n,
empregados_2016_2018 = sum(empregado_2016_2018)/n,
socios_2012_2014 = sum(socio_2012_2014)/n,
socios_2016_2018 = sum(socio_2016_2018)/n,
estudam_2012_2014 = sum(estuda_2012_2014)/n,
estudam_2016_2018 = sum(estuda_2016_2018)/n,
sem_vinculos_2012_2014 = sum(sem_vinculo_2012_2014)/n,
sem_vinculos_2016_2018 = sum(sem_vinculo_2016_2018)/n,
tot_empregados_2012_2014 = sum(empregado_2012_2014),
tot_empregados_2016_2018 = sum(empregado_2016_2018),
tot_socios_2012_2014 = sum(socio_2012_2014),
tot_socios_2016_2018 = sum(socio_2016_2018),
tot_estudam_2012_2014 = sum(estuda_2012_2014),
tot_estudam_2016_2018 = sum(estuda_2016_2018),
tot_sem_vinculos_2012_2014 = sum(sem_vinculo_2012_2014),
tot_sem_vinculos_2016_2018 = sum(sem_vinculo_2016_2018)) %>%
ungroup()#Faz gráfico de 2012 a 2014
vin_area_2012_2014 <- vinculos_excludentes %>%
select(`Área` = carreira, empregado = empregados_2012_2014, `empregador ou conta-própria` = socios_2012_2014, estuda = estudam_2012_2014, `sem vínculo` = sem_vinculos_2012_2014)
vin_exc_2012_2014 <- vinculos_excludentes %>%
select(`Área` = carreira, n, tot_empregados_2012_2014, tot_socios_2012_2014, tot_estudam_2012_2014, tot_sem_vinculos_2012_2014) %>%
mutate(`Área` = case_when(`Área` = T ~ "Total")) %>%
group_by(`Área`) %>%
summarise(
n_tot = sum(n),
empregado = sum(tot_empregados_2012_2014)/n_tot,
`empregador ou conta-própria` = sum(tot_socios_2012_2014)/n_tot,
estuda = sum(tot_estudam_2012_2014)/n_tot,
`sem vínculo` = sum(tot_sem_vinculos_2012_2014)/n_tot) %>%
ungroup() %>% select(!n_tot) %>%
rbind(vin_area_2012_2014) %>%
pivot_longer(!`Área`, names_to = "Condição", values_to = "Percentual") %>%
mutate(`Condição` = factor(`Condição`, levels = c("sem vínculo", "estuda", "empregador ou conta-própria", "empregado")),
`Área` = fct_reorder(`Área`, desc(`Área`)))
vinc1 <- vin_exc_2012_2014 %>%
ggplot(aes(fill=`Condição`, y=Percentual, x=`Área`)) +
geom_bar(position="fill", stat="identity") +
theme_pubclean() +
scale_fill_manual(values = c("#BBBBBB", "#b3e7ff", "#1ab6ff", "#005780"), aesthetics = c("fill"), guide = guide_legend(reverse = TRUE)) +
theme(
plot.subtitle = element_text(hjust = 0.4, size=12, face = "bold"), # Centraliza o título
plot.margin = margin(10, 5, 10, 0, "pt"),
legend.position = "bottom",
legend.title = element_blank(),
legend.text = element_text(size=12, face = "bold"),
legend.justification = 0.4,
axis.text.y = element_text(size=12)
) +
scale_x_discrete(name = "") +
scale_y_continuous(name = "",
labels = scales::label_number(scale=100, accuracy = 1, suffix = "%")) +
labs(subtitle = "2012 - 2014") +
coord_flip() +
#Rótulos das barras:
#empregados:
geom_text(data = vin_exc_2012_2014 %>% filter(`Condição` == "empregado" & Percentual > 0.035), aes(y = Percentual/2, label = point(Percentual*100), fontface = "bold"), color="white", size=2.9, position="stack") +
#empregadores ou conta-propria:
geom_text(data = vin_exc_2012_2014 %>%
filter(`Condição` %in% c("empregado", "empregador ou conta-própria")) %>%
group_by(`Área`) %>%
mutate(posicao = sum(Percentual)) %>%
ungroup() %>%
filter(`Condição` == "empregador ou conta-própria" & Percentual > 0.035) %>%
mutate(posicao = posicao-(Percentual/2)),
aes(y = posicao, label = point(Percentual*100), fontface = "bold"), color="white", size=2.9, position="stack") +
#estudam (pós ou segunda graduação):
geom_text(data = vin_exc_2012_2014 %>%
filter(`Condição` %in% c("empregado", "empregador ou conta-própria", "estuda")) %>%
group_by(`Área`) %>%
mutate(posicao = sum(Percentual)) %>%
ungroup() %>%
filter(`Condição` == "estuda" & Percentual > 0.035) %>%
mutate(posicao = posicao-(Percentual/2)),
aes(y = posicao, label = point(Percentual*100), fontface = "bold"), color="black", size=2.9, position="stack") +
#sem vínculos:
geom_text(data = vin_exc_2012_2014 %>%
filter(`Condição` == "sem vínculo" & Percentual > 0.035) %>%
mutate(posicao = 1-(Percentual/2)),
aes(y = posicao, label = point(Percentual*100), fontface = "bold"), color="black", size=2.9, position="stack")#Faz gráfico de 2016 a 2018
vin_area_2016_2018 <- vinculos_excludentes %>%
select(`Área` = carreira, empregado = empregados_2016_2018, `empregador ou conta-própria` = socios_2016_2018, estuda = estudam_2016_2018, `sem vínculo` = sem_vinculos_2016_2018)
vin_exc_2016_2018 <- vinculos_excludentes %>%
select(`Área` = carreira, n, tot_empregados_2016_2018, tot_socios_2016_2018, tot_estudam_2016_2018, tot_sem_vinculos_2016_2018) %>%
mutate(`Área` = case_when(`Área` = T ~ "Total")) %>%
group_by(`Área`) %>%
summarise(
n_tot = sum(n),
empregado = sum(tot_empregados_2016_2018)/n_tot,
`empregador ou conta-própria` = sum(tot_socios_2016_2018)/n_tot,
estuda = sum(tot_estudam_2016_2018)/n_tot,
`sem vínculo` = sum(tot_sem_vinculos_2016_2018)/n_tot) %>%
ungroup() %>% select(!n_tot) %>%
rbind(vin_area_2016_2018) %>%
pivot_longer(!`Área`, names_to = "Condição", values_to = "Percentual") %>%
mutate(`Condição` = factor(`Condição`, levels = c("sem vínculo", "estuda", "empregador ou conta-própria", "empregado")),
`Área` = fct_reorder(`Área`, desc(`Área`)))
vinc2 <- vin_exc_2016_2018 %>%
ggplot(aes(fill=`Condição`, y=Percentual, x=`Área`)) +
geom_bar(position="fill", stat="identity") +
theme_pubclean() +
scale_fill_manual(values = c("#BBBBBB", "#b3e7ff", "#1ab6ff", "#005780"), aesthetics = c("fill"), guide = guide_legend(reverse = TRUE)) +
theme(
plot.subtitle = element_text(hjust = 0.4, size=12, face = "bold"), # Centraliza o título
plot.margin = margin(10, 10, 10, 5, "pt"),
legend.position = "bottom",
legend.title = element_blank(),
legend.text = element_text(size=12, face = "bold"),
legend.justification = 0.4,
axis.text.y = element_text(size=12)
) +
scale_x_discrete(name = "") +
scale_y_continuous(name = "",
labels = scales::label_number(scale=100, accuracy = 1, suffix = "%")) +
labs(subtitle = "2016 - 2018") +
coord_flip() +
#Rótulos das barras:
#empregados:
geom_text(data = vin_exc_2016_2018 %>% filter(`Condição` == "empregado" & Percentual > 0.035), aes(y = Percentual/2, label = point(Percentual*100), fontface = "bold"), color="white", size=2.9, position="stack") +
#empregadores ou conta-propria:
geom_text(data = vin_exc_2016_2018 %>%
filter(`Condição` %in% c("empregado", "empregador ou conta-própria")) %>%
group_by(`Área`) %>%
mutate(posicao = sum(Percentual)) %>%
ungroup() %>%
filter(`Condição` == "empregador ou conta-própria" & Percentual > 0.035) %>%
mutate(posicao = posicao-(Percentual/2)),
aes(y = posicao, label = point(Percentual*100), fontface = "bold"), color="white", size=2.9, position="stack") +
#estudam (pós ou segunda graduação):
geom_text(data = vin_exc_2016_2018 %>%
filter(`Condição` %in% c("empregado", "empregador ou conta-própria", "estuda")) %>%
group_by(`Área`) %>%
mutate(posicao = sum(Percentual)) %>%
ungroup() %>%
filter(`Condição` == "estuda" & Percentual > 0.035) %>%
mutate(posicao = posicao-(Percentual/2)),
aes(y = posicao, label = point(Percentual*100), fontface = "bold"), color="black", size=2.9, position="stack") +
#sem vínculos:
geom_text(data = vin_exc_2016_2018 %>%
filter(`Condição` == "sem vínculo" & Percentual > 0.035) %>%
mutate(posicao = 1-(Percentual/2)),
aes(y = posicao, label = point(Percentual*100), fontface = "bold"), color="black", size=2.9, position="stack")#Faz gráfico com os totais e junta os três gráficos:
vinc_excl_totais <- vin_exc_2016_2018 %>%
filter(`Condição` == "empregado") %>%
mutate(periodo="2016 a 2018",
#ordeno as áreas pelos percentuais de empregados de 2018
`Área` = fct_reorder(`Área`, Percentual),
# coloco o total como o primeiro fator, para aparecer por último no gráfico
`Área` = fct_relevel(`Área`, "Total", after = 0)) %>%
rbind(vin_exc_2016_2018 %>% filter(`Condição` != "empregado") %>% mutate(periodo ="2016 a 2018")) %>%
rbind(vin_exc_2012_2014 %>% mutate(periodo ="2012 a 2014"))
vinct <- vinc_excl_totais %>%
ggplot(aes(fill=`Condição`, y=Percentual, x=`Área`)) +
geom_bar(position="fill", stat="identity") +
theme_pubclean() +
scale_fill_manual(values = c("#BBBBBB", "#b3e7ff", "#1ab6ff", "#005780"), aesthetics = c("fill"), guide = guide_legend(reverse = TRUE)) +
theme(
plot.subtitle = element_text(hjust = 0.4, size=12, face = "bold"), # Centraliza o título
plot.margin = margin(10, 10, 10, 5, "pt"),
legend.position = "bottom",
legend.title = element_blank(),
legend.text = element_text(size=12, face = "bold"),
legend.justification = 0.4,
axis.text.y = element_text(size=12)
) +
scale_x_discrete(name = "") +
scale_y_continuous(name = "",
labels = scales::label_number(scale=100, accuracy = 1, suffix = "%")) +
coord_flip() +
#Rótulos das barras:
#empregados:
geom_text(data = vinc_excl_totais %>% filter(`Condição` == "empregado" & Percentual > 0.035), aes(y = Percentual/2, label = point(Percentual*100), fontface = "bold"), color="white", size=3.5, position="stack") +
#empregadores ou conta-propria:
geom_text(data = vinc_excl_totais %>%
filter(`Condição` %in% c("empregado", "empregador ou conta-própria")) %>%
group_by(`Área`, periodo) %>%
mutate(posicao = sum(Percentual)) %>%
ungroup() %>%
filter(`Condição` == "empregador ou conta-própria" & Percentual > 0.035) %>%
mutate(posicao = posicao-(Percentual/2)),
aes(y = posicao, label = point(Percentual*100), fontface = "bold"), color="white", size=3.5, position="stack") +
#estudam (pós ou segunda graduação):
geom_text(data = vinc_excl_totais %>%
filter(`Condição` %in% c("empregado", "empregador ou conta-própria", "estuda")) %>%
group_by(`Área`, periodo) %>%
mutate(posicao = sum(Percentual)) %>%
ungroup() %>%
filter(`Condição` == "estuda" & Percentual > 0.035) %>%
mutate(posicao = posicao-(Percentual/2)),
aes(y = posicao, label = point(Percentual*100), fontface = "bold"), color="black", size=3.5, position="stack") +
#sem vínculos:
geom_text(data = vinc_excl_totais %>%
filter(`Condição` == "sem vínculo" & Percentual > 0.035) %>%
mutate(posicao = 1-(Percentual/2)),
aes(y = posicao, label = point(Percentual*100), fontface = "bold"), color="black", size=3.5, position="stack") +
facet_wrap(~periodo) +
theme(strip.background = element_rect(fill="white"),
strip.text = element_text(colour = 'black', size = 13, face = "bold")) +
geom_vline(xintercept=1.5, size=1.5)Gráfico 4 – Tipos de vínculos dos egressos dos cursos CTEM entre 2012 e 2018,
em %
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Prepara dados para gráfico com fluxos de mobilidade:
dados_sankey_pre <- CTEM_3 %>% select(randomID, idade, pais_ES, starts_with("ocu_tip_")) %>%
filter(idade<41) %>%
mutate(
ocutip_0810 = case_when(
ocu_tip_2008 == "TIPICA" ~ "Típica",
ocu_tip_2009 == "TIPICA" ~ "Típica",
ocu_tip_2010 == "TIPICA" ~ "Típica",
ocu_tip_2008 == "SUPERIOR" ~ "Superior",
ocu_tip_2009 == "SUPERIOR" ~ "Superior",
ocu_tip_2010 == "SUPERIOR" ~ "Superior",
ocu_tip_2008 == "OUTRAS" ~ "Outras",
ocu_tip_2009 == "OUTRAS" ~ "Outras",
ocu_tip_2010 == "OUTRAS" ~ "Outras",
ocu_tip_2008 == "NAOCLASSIF" ~ "NAOCLASSIF",
ocu_tip_2009 == "NAOCLASSIF" ~ "NAOCLASSIF",
ocu_tip_2010 == "NAOCLASSIF" ~ "NAOCLASSIF",
T ~ "Sem vínculo"),
ocutip_1214 = case_when(
ocu_tip_2012 == "TIPICA" ~ "Típica",
ocu_tip_2013 == "TIPICA" ~ "Típica",
ocu_tip_2014 == "TIPICA" ~ "Típica",
ocu_tip_2012 == "SUPERIOR" ~ "Superior",
ocu_tip_2013 == "SUPERIOR" ~ "Superior",
ocu_tip_2014 == "SUPERIOR" ~ "Superior",
ocu_tip_2012 == "OUTRAS" ~ "Outras",
ocu_tip_2013 == "OUTRAS" ~ "Outras",
ocu_tip_2014 == "OUTRAS" ~ "Outras",
ocu_tip_2012 == "NAOCLASSIF" ~ "NAOCLASSIF",
ocu_tip_2013 == "NAOCLASSIF" ~ "NAOCLASSIF",
ocu_tip_2014 == "NAOCLASSIF" ~ "NAOCLASSIF",
T ~ "Sem vínculo"),
ocutip_1618 = case_when(
ocu_tip_2016 == "TIPICA" ~ "Típica",
ocu_tip_2017 == "TIPICA" ~ "Típica",
ocu_tip_2018 == "TIPICA" ~ "Típica",
ocu_tip_2016 == "SUPERIOR" ~ "Superior",
ocu_tip_2017 == "SUPERIOR" ~ "Superior",
ocu_tip_2018 == "SUPERIOR" ~ "Superior",
ocu_tip_2016 == "OUTRAS" ~ "Outras",
ocu_tip_2017 == "OUTRAS" ~ "Outras",
ocu_tip_2018 == "OUTRAS" ~ "Outras",
ocu_tip_2016 == "NAOCLASSIF" ~ "NAOCLASSIF",
ocu_tip_2017 == "NAOCLASSIF" ~ "NAOCLASSIF",
ocu_tip_2018 == "NAOCLASSIF" ~ "NAOCLASSIF",
T ~ "Sem vínculo")) %>%
filter(ocutip_0810 != "NAOCLASSIF" & ocutip_1214 != "NAOCLASSIF" & ocutip_1618 != "NAOCLASSIF") %>%
select(-c(starts_with("ocu_tip_")))
#Fluxo típicas total:
fluxo_tipicas_total <- dados_sankey_pre %>%
group_by(ocutip_0810, ocutip_1214, ocutip_1618) %>%
summarise(n_fluxo = n()) %>%
ungroup() %>%
group_by(ocutip_0810) %>%
mutate(n_0810 = sum(n_fluxo)) %>%
ungroup() %>%
group_by(ocutip_1214) %>%
mutate(n_1214 = sum(n_fluxo)) %>%
ungroup() %>%
group_by(ocutip_1618) %>%
mutate(n_1618 = sum(n_fluxo)) %>%
ungroup()dados_alluvial_total <- fluxo_tipicas_total %>%
mutate(id = row_number()) %>%
rename(fluxo = n_fluxo) %>%
select(!c(n_0810, n_1214, n_1618)) %>%
pivot_longer(cols = starts_with("ocutip"),
names_to = c(".value", "periodo"),
names_pattern = "(.*)_(\\d*)") %>%
mutate(periodo = case_when(
periodo == "0810" ~ "2008 a 2010",
periodo == "1214" ~ "2012 a 2014",
periodo == "1618" ~ "2016 a 2018",
T ~ NA_character_),
periodo = factor(periodo, levels = c("2008 a 2010", "2012 a 2014", "2016 a 2018")),
ocutip = factor(ocutip, levels = c("Típica", "Superior", "Outras", "Sem vínculo"))) %>%
group_by(ocutip, periodo) %>%
mutate(n_estagio = sum(fluxo)) %>%
ungroup() %>%
mutate(rotulo = format(n_estagio, big.mark = ".", decimal.mark= ","))
aluvial_total <- ggplot(dados_alluvial_total,
aes(x = periodo, stratum = ocutip, alluvium = id,
y = fluxo,
fill = ocutip, label = rotulo)) +
scale_x_discrete(expand = c(.1, .1)) +
geom_flow(alpha = 0.5) +
geom_stratum(alpha = 0.5) +
geom_text(stat = "stratum", size = 3.5) +
theme(legend.position = "bottom",
legend.title = element_blank(),
axis.title.x = element_blank(),
axis.text.x = element_text(size=12, face="bold"),
axis.ticks.x = element_blank(),
axis.title.y = element_blank(),
axis.text.y = element_blank(),
axis.ticks.y = element_blank(),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
panel.background = element_blank()
) +
scale_fill_manual(values = c("#005780", "#1ab6ff", "#b3e7ff", "#BBBBBB")) +
annotate(geom="text", x = 1.25, y = 57500, label="9.116", color="black", size = 3.2) +
annotate(geom="text", x = 1.25, y = 44000, label="9.413", color="black", size = 3.2) +
annotate(geom="text", x = 1.25, y = 32000, label="9.240", color="black", size = 3.2) +
annotate(geom="text", x = 1.25, y = 20500, label="11.526", color="black", size = 3.2) +
annotate(geom="text", x = 1.25, y = 13550, label="2.748", color="black", size = 3.2) +
annotate(geom="text", x = 1.25, y = 10000, label="4.544", color="black", size = 3.2) +
annotate(geom="text", x = 1.25, y = 3750, label="7.504", color="black", size = 3.2) +
annotate(geom="text", x = 2.26, y = 51000, label="22.190", color="black", size = 3.2) +
annotate(geom="text", x = 2.24, y = 38500, label="2.872", color="black", size = 3.2) +
annotate(geom="text", x = 2.24, y = 35500, label="2.536", color="black", size = 3.2) +
annotate(geom="text", x = 2.24, y = 32500, label="3.472", color="black", size = 3.2) +
annotate(geom="text", x = 2.24, y = 28500, label="3.480", color="black", size = 3.2) +
annotate(geom="text", x = 2.24, y = 16500, label="8.900", color="black", size = 3.2) +
annotate(geom="text", x = 2.24, y = 3700, label="6.333", color="black", size = 3.2)Gráfico 5 - Fluxos de mobilidade ocupacional dos egressos das áreas CTEM entre 2012 e 2018
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2008-2018)
Prepara base com descritivas do salário por condição social
desc_rem_cm <- CTEM_3 %>% dplyr::select(randomID, CO_CURSO, carreira, area, sal_so_12_14, sal_so_16_18, genero, raca, geracao, idade, trabalhava, numero_de_pessoas_na_casa, em_escola_publica, em_escola_tecnica, intervalo_EM_ES,
chefe_de_familia, estagio, horas_de_estudo, atividade_academica, empenho_enade, curso_pago, faixa_etaria, trabalho, interacao, interacao_1, interacao_2, genero_raca, raca_geracao, genero_geracao,
trabalhava_1214, trabalhava_1618, starts_with("rem_so_")) %>% filter(idade<41)
#Faz base sem missing das variáveis dependentes e inclui todos os salários anuais
desc_rem <- na.omit(desc_rem_cm %>% select(-c(starts_with("rem_so_"))))
rem_anuais <- CTEM_3 %>% dplyr::select(randomID, CO_CURSO, starts_with("rem_so_"))
desc_rem <- left_join(desc_rem, rem_anuais, by = c("randomID", "CO_CURSO"))
# Faço uma base no formato longitudinal:
interacoes <- desc_rem_cm %>%
pivot_longer(cols = starts_with("rem_so_2"),
names_to = c(".value", "ano"),
names_pattern = "(.*)_(\\d*)") %>%
mutate(ano = as.numeric(ano), #transforma o ano em numerico
#Transforma as remunerações menores que 1000 em missing
rem_so = case_when(rem_so < 1000 ~ NA_real_,
T ~ rem_so)) %>%
# Variavel de interacao: atribui o rótulo de "Total" aos valores missing
mutate(interacao = case_when(
is.na(interacao_1) ~ "Total",
T ~ interacao_1)) %>%
group_by(ano) %>%
#Cria uma nova coluna com a média amostral do salário por ano;
mutate(todos_media_sal_ano = mean(rem_so, na.rm = T)) %>%
ungroup() %>%
group_by(interacao, ano, todos_media_sal_ano) %>%
# Agrega a base por ano e interação, mantendo também a variável de média salarial por ano:
summarise(salario = mean(rem_so, na.rm = T)) %>%
ungroup() %>%
# Cada linha é um ano e uma interação. Quando a interação for missing, atribuo o valor da média amostral ao total;
mutate(salario = case_when(
interacao == "Total" ~ todos_media_sal_ano,
T ~ salario)) %>%
mutate(interacao = factor(interacao, levels = c(
"Total",
"Homem Branco 2ª geração",
"Homem Negro 2ª geração",
"Homem Branco 1ª geração",
"Homem Negro 1ª geração",
"Mulher Branca 2ª geração",
"Mulher Negra 2ª geração",
"Mulher Branca 1ª geração",
"Mulher Negra 1ª geração")))
# Cria rótulos dos gráficos para dois pontos, 2011 ano de graduação e 2018 último ano da série:
rotulo_2018 <- interacoes %>% filter(ano==2018) %>%
dplyr::select(interacao, salario) %>%
mutate(salario = round(salario))
rotulo_2011 <- interacoes %>% filter(ano==2011) %>%
dplyr::select(interacao, salario) %>%
mutate(salario = round(salario))
#Calcula diferença e variação entre os dois pontos
rotulo_dif_18_11 <- left_join(rotulo_2018, rotulo_2011, by="interacao") %>%
mutate(dif = paste0("Dif.: ", format(((salario.x - salario.y)/1000), digits = 3), "
\nVar.: ", format(((salario.x - salario.y)/salario.y)*100, digits = 3),"%"))# Faz o gráfico:
p.high <- interacoes %>%
ggplot( aes(x=ano, y=salario, group=interacao, color="black")) +
geom_line(size = 2) +
#theme_wsj()+
theme_pubr() +
scale_fill_manual(values = c(rep("#000000", 9)), aesthetics = c("colour", "fill")) +
theme(
plot.title = element_text(hjust = 0.4, size=14), # Centraliza o título
plot.subtitle = element_text(hjust = 0.4, size=12), # Centraliza o subtítulo
legend.justification = 0.4, # Centraliza a legenda
plot.caption = element_text(size = 11),
panel.grid.minor = element_blank(),
axis.text.x = element_text(size=10, angle = 45, vjust = 0.7), # Coloca os rótulos do eixo x a 90o
axis.title.x = element_text(size=10, face="bold"),
axis.text.y = element_text(size=10),
axis.title.y = element_text(size=10, face="bold", vjust=0.5),
legend.position= "none",
strip.text.x = element_text( #define os parâmetros dos títulos dos gráficos pequenos
size = 12,
colour = "black",
face= "bold",
margin = margin(6, 0, 8, 0, "pt"))) + # margins = t r b l
gghighlight::gghighlight(use_direct_label = F,
unhighlighted_params = list(size = 0.5, alpha = 0.6)) +
scale_x_continuous(name ="Ano",
breaks = c(seq(2008, 2018, 2))) +
scale_y_continuous(name ="",
labels = label_number(suffix = "", scale = 1e-3),
breaks = c(seq(25000, 100000, 25000)),
limits = c(NA ,110000) #Aumenta o limite do eixo, para o rótulo não grudar no título
) +
facet_wrap(vars(interacao)) +
geom_text(data = rotulo_2018, aes(x = 2017, y = salario+10000, label = sprintf("%0.1f", round((salario/1000), digits = 1)), color = "black", fontface = "bold")) +
geom_text(data = rotulo_2011, aes(x = 2010, y = salario+10000, label = sprintf("%0.1f", round((salario/1000), digits = 1)), color = "black", fontface = "bold")) +
geom_text(data = rotulo_dif_18_11, aes(x = 2017.5, y = 25000, label = dif, color = "grey"), size=3.5, lineheight = 0.5, hjust=1) +
geom_vline(xintercept = 2011, color = "gray", size=0.1)Gráfico 6 – Evolução da remuneração dos egressos das áreas CTEM entre 2007 e 2018, por característica demográfica
Em milhares de reais por ano, com destaque para os anos de 2011 e 2018 e para a variação nesse período
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2007-2018)
Gráficos com os resultados dos modelos multiníveis. Primeiro gráfico, modelos nulos.
# Especifica modelos de regressão nulos
nulo_12_14 <- lmer(ln_sal_so_12_14 ~ 1 + (1 | CO_IES/CO_CURSO),
data = CTEM_M)
nulo_16_18 <- lmer(ln_sal_so_16_18 ~ 1 + (1 | CO_IES/CO_CURSO),
data = CTEM_M)
# Salva os efeitos aleatórios de nível 2 e 3:
efeitos_aleatorios <- modelRandEffStats(c(nulo_12_14)) %>%
mutate(modelo = "2012-2014") %>%
rbind (modelRandEffStats(c(nulo_16_18)) %>%
mutate(modelo = "2016-2018")) %>%
select(modelo, group, estimate) %>%
rename(nivel = group,
desvio_padrao = estimate) %>%
mutate(nivel = case_when(nivel == "CO_CURSO:CO_IES" ~ "Curso\n(Nível 2)",
nivel == "CO_IES" ~ "IES\n(Nível 3)",
nivel == "Residual" ~ "Residual\n(intra-grupo)",
T ~ NA_character_),
variancia = desvio_padrao^2) %>%
group_by(modelo) %>%
mutate(variancia_total = sum(variancia)) %>%
ungroup() %>%
mutate(pct_var = (variancia/variancia_total)*100,
nivel = factor(nivel, levels = c("Residual\n(intra-grupo)",
"Curso\n(Nível 2)",
"IES\n(Nível 3)")),
modelo = factor(modelo, levels = c("2016-2018", "2012-2014")))
# Faz o Gráfico:
gra_nulo <- efeitos_aleatorios %>%
ggplot(aes(fill=modelo, y=nivel, x=pct_var)) +
geom_bar(position="dodge", stat="identity", width=.75, color="black") +
scale_fill_manual(
values = c("#000099", "#0099ff"),
aesthetics = c("fill"),
guide = guide_legend(reverse = TRUE)) +
theme_pubr() +
theme(
plot.margin = margin(10, 5, 20, 10, "pt"),
legend.position = "bottom",
legend.title = element_blank(),
legend.text = element_text(size=12, face = "bold"),
legend.justification = 0.4
) +
scale_x_continuous(name = "",
labels = scales::label_number(accuracy = 1, suffix = "%", decimal.mark = ","),
limits = c(0, 100),
breaks = c(seq(0, 100, 25))) +
scale_y_discrete(name = "") +
geom_text(aes(label = point(pct_var), fontface = "bold"), color="black", position=position_dodge(width=0.9), hjust=-0.2)Gráfico 7 - Variância da remuneração associada aos diferentes níveis dos modelos
(2012-2014 e 2016-2018)
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Faz gráfico com efeitos das variáveis de características sociais
Salva as informações dos modelos em um novo objeto, formatando já os labels para os gráficos
#Extrai os dados dos modelos
grafico_modelos <- plot_models(m122, m125, m162, m165)
dados <- grafico_modelos$data
dados_modelos <- dados %>%
rename(model = group) %>%
mutate(
stars = case_when(as.character(p.stars) == "n.s." ~ " ",
as.character(p.stars) == "*" ~ "* ",
T ~ as.character(p.stars)),
label = paste0(format(round(estimate, 3), decimal.mark =","), " ", stars),
percent = log_change_to_pct(estimate),
conf.low.pct = log_change_to_pct(conf.low),
conf.high.pct = log_change_to_pct(conf.high),
label_percent = paste0(format(round(percent, 1), decimal.mark =","), stars),
) %>%
mutate(
tipo_modelo = case_when(
str_detect(model, "sociais") ~ "origens\nsociais",
str_detect(model, "Ed.Sup") ~ "origens +\nEd.Sup", T ~ ""),
ano = case_when(
str_detect(model, "2014") ~ "2012-2014",
str_detect(model, "2018") ~ "2016-2018", T ~ ""))Faz gráfico com coeficientes das origens sociais
grafico_origens <- dados_modelos %>%
filter(term %in% c("HB1", "HN2", "HN1", "MB2", "MN2", "MB1", "MN1")) %>%
mutate(term = factor(term, levels = c("HB1", "HN2", "HN1", "MB2", "MN2", "MB1", "MN1")),
model = factor(model, levels = c("2016-2018\n(origens +\nEd.Sup)", "2012-2014\n(origens +\nEd.Sup)", "2016-2018\n(origens\nsociais)", "2012-2014\n(origens\nsociais)"))) %>%
ggplot(aes(x = percent, y=term)) +
ggstance::geom_pointrangeh(
aes(xmin=conf.low.pct, xmax=conf.high.pct,
group=model, color=model, shape=model),
position = position_dodge(width = 0.8), size=1) +
scale_color_manual(values = c("#000000", "#999999", "#000000", "#999999"),
guide = guide_legend(reverse=TRUE)) +
scale_shape_manual(values = c(17, 17, 16, 16),
guide = guide_legend(reverse=TRUE)) +
labs(y="",
x = "Variação % na remuneração em comparação com os homens brancos de 2ª geração") +
geom_text(aes(label = label_percent,
group=model),
position = position_dodge(width = 0.8),
hjust = 1.7
) +
scale_x_continuous(
limits = c(-70, 5)
) +
scale_y_discrete(
labels=c(
"HB1" = "Homem\nBranco\n1ª geração",
"HN2" = "Homem\nNegro\n2ª geração",
"HN1" = "Homem\nNegro\n1ª geração",
"MB2" = "Mulher\nBranca\n2ª geração",
"MN2" = "Mulher\nNegra\n2ª geração",
"MB1" = "Mulher\nBranca\n1ª geração",
"MN1" = "Mulher\nNegra\n1ª geração")) +
geom_vline(xintercept = 0, color = "blue", linetype='dotted', size = 1) +
geom_hline(yintercept = 1.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 2.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 3.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 4.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 5.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 6.5, color= "black", linetype='dotted', size = 1) +
theme_pubr() +
theme(legend.title = element_blank(),
legend.justification = 0.3) # Centraliza a legendaGráfico 9 – Efeitos de gênero, cor/raça e escolaridade dos pais sobre a remuneração
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Faz gráfico com efeitos de outras características individuais
grafico_carac_indiv <- dados_modelos %>%
filter(term %in% c("idade_media", "idade_quad", "numero_de_pessoas_na_casa", "privada_regular", "privada_tecnica", "publica_tecnica")) %>%
mutate(term = factor(term, levels = c("publica_tecnica", "privada_tecnica", "privada_regular", "numero_de_pessoas_na_casa", "idade_quad", "idade_media"))) %>%
ggplot(aes(x = percent, y=term)) +
ggstance::geom_pointrangeh(
aes(xmin=conf.low.pct, xmax=conf.high.pct,
group=model, color=model, shape=model),
position = position_dodge(width = 0.8), size=1) +
scale_color_manual(values = c("#000000", "#000000", "#999999", "#999999"),
guide = guide_legend(reverse=TRUE)) +
scale_shape_manual(values = c(16, 17, 16, 17),
guide = guide_legend(reverse=TRUE)) +
labs(y="",
x = "Variação marginal % na remuneração média") +
geom_text(aes(label = label_percent,
group=model),
position = position_dodge(width = 0.8),
hjust = -0.7,
vjust = -0.01
) +
scale_x_continuous(
limits = c(-5, 70)
) +
scale_y_discrete(
labels=c(
"idade_media" = "Idade",
"idade_quad" = "Idade²",
"numero_de_pessoas_na_casa" = "Nº pessoas\nno domicílio",
"privada_regular" = "EM Privado\nRegular",
"privada_tecnica" = "EM Privado\nTécnico",
"publica_tecnica" = "EM Público\nTécnico")) +
geom_vline(xintercept = 0, color = "blue", linetype='dotted', size = 1) +
geom_hline(yintercept = 1.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 2.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 3.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 4.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 5.5, color= "black", linetype='dotted', size = 1) +
theme_pubr() +
theme(legend.title = element_blank(),
legend.justification = 0.3) # Centraliza a legendaGráfico 10 – Efeitos de outros fatores individuais sobre a remuneração
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Faz gráfico com variáveis relativas às experiências dos egressos durante o curso:
grafico_exp_curso <- dados_modelos %>%
filter(term %in% c("tempo_graduacao", "horas_de_estudo", "trabalhava", "atividade_academica", "empenho_enade")) %>%
mutate(term = factor(term, levels = c("atividade_academica", "tempo_graduacao", "horas_de_estudo", "empenho_enade", "trabalhava"))) %>%
ggplot(aes(x = percent, y=term)) +
ggstance::geom_pointrangeh(
aes(xmin=conf.low.pct, xmax=conf.high.pct,
group=model, color=model, shape=model),
position = position_dodge(width = 0.8), size=1) +
scale_color_manual(values = c("#000000", "#999999"),
guide = guide_legend(reverse=TRUE)) +
scale_shape_manual(values = c(16, 16),
guide = guide_legend(reverse=TRUE)) +
labs(y="",
x = "Variação marginal % na remuneração média") +
geom_text(aes(label = label_percent,
group=model),
position = position_dodge(width = 0.8),
hjust = -0.5,
vjust = -0.3
) +
scale_x_continuous(
limits = c(-25, 30)
) +
scale_y_discrete(
labels=c(
"tempo_graduacao" = "Tempo de\ngraduação\n(anos)",
"horas_de_estudo" = "Horas\nsemanais\nde estudo",
"atividade_academica" = "Atividade\nacadêmica",
"empenho_enade" = "Empenho\nno Enade",
"trabalhava" = "Trabalhava"
)) +
geom_vline(xintercept = 0, color = "blue", linetype='dotted', size = 1) +
geom_hline(yintercept = 1.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 2.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 3.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 4.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 5.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 6.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 7.5, color= "black", linetype='dotted', size = 1) +
theme_pubr() +
theme(legend.title = element_blank(),
legend.justification = 0.3) # Centraliza a legendaGráfico 11 – Efeitos de fatores relacionados às experiências durante o curso
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Efeitos das áreas de formação:
grafico_area <- dados_modelos %>%
filter(term %in% c("GRUPO_ANPOCS_QUIMIC", "GRUPO_ANPOCS_TEC_INF", "GRUPO_ANPOCS_ARQ_URB", "GRUPO_ANPOCS_FISICA", "GRUPO_ANPOCS_TEC_IND", "GRUPO_ANPOCS_MATEMA", "GRUPO_ANPOCS_ENG_FLO", "GRUPO_ANPOCS_ENG_AMB", "GRUPO_ANPOCS_COMPUT", "GRUPO_ANPOCS_ENG_OUT", "GRUPO_ANPOCS_ENG_CIV", "GRUPO_ANPOCS_ENG_QUI", "GRUPO_ANPOCS_ENG_PRO", "GRUPO_ANPOCS_ENG_MEC", "GRUPO_ANPOCS_ENG_ELE")) %>%
mutate(term = factor(term, levels = c("GRUPO_ANPOCS_QUIMIC", "GRUPO_ANPOCS_TEC_INF", "GRUPO_ANPOCS_ARQ_URB", "GRUPO_ANPOCS_FISICA", "GRUPO_ANPOCS_TEC_IND", "GRUPO_ANPOCS_MATEMA", "GRUPO_ANPOCS_ENG_FLO", "GRUPO_ANPOCS_ENG_AMB", "GRUPO_ANPOCS_COMPUT", "GRUPO_ANPOCS_ENG_OUT", "GRUPO_ANPOCS_ENG_CIV", "GRUPO_ANPOCS_ENG_QUI", "GRUPO_ANPOCS_ENG_PRO", "GRUPO_ANPOCS_ENG_MEC", "GRUPO_ANPOCS_ENG_ELE"))) %>%
ggplot(aes(x = percent, y=term)) +
ggstance::geom_pointrangeh(
aes(xmin=conf.low.pct, xmax=conf.high.pct,
group=model, color=model, shape=model),
position = position_dodge(width = 0.8), size=1) +
scale_color_manual(values = c("#000000", "#999999"),
guide = guide_legend(reverse=TRUE)) +
scale_shape_manual(values = c(16, 16),
guide = guide_legend(reverse=TRUE)) +
labs(y="",
x = "Variação % na remuneração em comparação com os egressos do curso de Biologia") +
geom_text(aes(label = label_percent,
group=model),
position = position_dodge(width = 0.8),
hjust = -0.5,
vjust = -0.4
) +
scale_x_continuous(
#limits = c(-25, 20)
) +
scale_y_discrete(
labels=c(
"GRUPO_ANPOCS_QUIMIC" = "Química",
"GRUPO_ANPOCS_TEC_INF" = "Tecnólogo\nem\nInformática",
"GRUPO_ANPOCS_ARQ_URB" = "Arquitetura\ne Urbanismo",
"GRUPO_ANPOCS_FISICA" = "Física",
"GRUPO_ANPOCS_TEC_IND" = "Tecnólogo\nIndustrial",
"GRUPO_ANPOCS_MATEMA" = "Matemática",
"GRUPO_ANPOCS_ENG_FLO" = "Engenharia\nFlorestal",
"GRUPO_ANPOCS_ENG_AMB" = "Engenharia\nAmbiental",
"GRUPO_ANPOCS_COMPUT" = "Computação",
"GRUPO_ANPOCS_ENG_OUT" = "Outras\nEngenharias",
"GRUPO_ANPOCS_ENG_CIV" = "Engenharia\nCivil",
"GRUPO_ANPOCS_ENG_QUI" = "Engenharia\nQuímica",
"GRUPO_ANPOCS_ENG_PRO" = "Engenharia\nde Produção",
"GRUPO_ANPOCS_ENG_MEC" = "Engenharia\nMecânica",
"GRUPO_ANPOCS_ENG_ELE" = "Engenharia\nElétrica"
)) +
geom_vline(xintercept = 0, color = "blue", linetype='dotted', size = 1) +
geom_hline(yintercept = 1.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 2.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 3.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 4.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 5.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 6.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 7.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 8.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 9.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 10.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 11.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 12.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 13.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 14.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 15.5, color= "black", linetype='dotted', size = 1) +
theme_pubr() +
theme(legend.title = element_blank(),
legend.justification = 0.3) # Centraliza a legendaGráfico 12 – Efeitos das áreas de formação sobre a remuneração
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Efeitos da qualidade dos cursos e IES:
grafico_qual_curso_ies <- dados_modelos %>%
filter(term %in% c("turno_noturno", "EaD", "privado_bolsista", "publico", "publico_cotista", "CWC_conceito_enade", "SD_enem_curso_mt_cn", "SD_perc_doutorado", "SD_enem_ies")) %>%
mutate(term = factor(term, levels = c("EaD", "turno_noturno", "publico_cotista", "publico", "privado_bolsista", "SD_perc_doutorado", "CWC_conceito_enade", "SD_enem_curso_mt_cn", "SD_enem_ies"))) %>%
ggplot(aes(x = percent, y=term)) +
ggstance::geom_pointrangeh(
aes(xmin=conf.low.pct, xmax=conf.high.pct,
group=model, color=model, shape=model),
position = position_dodge(width = 0.8), size=1) +
scale_color_manual(values = c("#000000", "#999999"),
guide = guide_legend(reverse=TRUE)) +
scale_shape_manual(values = c(16, 16),
guide = guide_legend(reverse=TRUE)) +
labs(y="",
x = "Variação marginal % na remuneração média") +
geom_text(aes(label = label_percent,
group=model),
position = position_dodge(width = 0.8),
hjust = -0.5,
vjust = -0.4
) +
scale_x_continuous(
#limits = c(-25, 20)
) +
scale_y_discrete(
labels=c(
"turno_noturno" = "Noturno",
"EaD" = "EaD",
"privado_bolsista" = "Bolsista\nem curso\nprivado",
"publico" = "Curso\npúblico\n(sem cota)",
"publico_cotista" = "Cotista\nem curso\npúblico",
"CWC_conceito_enade" = "Conceito\nEnade",
"SD_enem_curso_mt_cn" = "Nota média\nEnem\nCurso",
"SD_perc_doutorado" = "Percentual\ndocentes\ndoutorado",
"SD_enem_ies" = "Nota média\nEnem\nIES"
)) +
geom_vline(xintercept = 0, color = "blue", linetype='dotted', size = 1) +
geom_hline(yintercept = 1.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 2.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 3.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 4.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 5.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 6.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 7.5, color= "black", linetype='dotted', size = 1) +
geom_hline(yintercept = 8.5, color= "black", linetype='dotted', size = 1) +
theme_pubr() +
theme(legend.title = element_blank(),
legend.justification = 0.3) # Centraliza a legendaGráfico 13 – Efeitos associados a qualidade e prestígio dos cursos e instituições
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Gráficos do Anexo
Histogramas de renda:
CTEM_M <- CTEM_M %>% left_join(CTEM_3 %>% select(randomID, sal_so_12_14, sal_so_16_18), by = "randomID")
hist_sal_1214 <- ggplot(CTEM_M, aes(x=sal_so_12_14)) +
geom_histogram(bins = 500) +
theme_pubclean() +
scale_x_continuous(name = "2012 e 2014\n(milhares de R$)",
labels = fun_mil,
breaks_extended(7)) +
scale_y_continuous(name = "",
breaks = c(seq(0, 800, 200)))
hist_ln_1214 <- ggplot(CTEM_M, aes(x=sal_so_12_14)) +
geom_histogram(bins = 500) +
theme_pubclean() +
scale_x_continuous(name = "2012 e 2014\n(escala logarítmica)",
trans = "log2",
labels = fun_mil,
scales::breaks_log(7, base = 2.7182)) +
scale_y_continuous(name = "",
breaks = c(seq(0, 200, 50)))
hist_sal_1618 <- ggplot(CTEM_M, aes(x=sal_so_16_18)) +
geom_histogram(bins = 500) +
theme_pubclean() +
scale_x_continuous(name = "2016 e 2018\n(milhares de R$)", labels = fun_mil,
breaks_extended(7)) +
scale_y_continuous(name = "",
breaks = c(seq(0, 800, 200)))
hist_ln_1618 <- ggplot(CTEM_M, aes(x=sal_so_16_18)) +
geom_histogram(bins = 500) +
theme_pubclean() +
scale_x_continuous(name = "2016 e 2018\n(escala logarítmica)",
trans = "log2",
labels = fun_mil,
scales::breaks_log(7, base = 2.7182)) +
scale_y_continuous(name = "",
breaks = c(seq(0, 200, 50)))
hist_renda <- ggarrange(hist_sal_1214, hist_ln_1214, hist_sal_1618, hist_ln_1618,
labels = c("A", "B", "C", "D"))Gráfico 8 - Histogramas das variáveis dependentes (mediana do salário por período)
escala original e logarítmica
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Análise de resíduos dos modelos de regressão:
CTEM_residuos <- CTEM_M
CTEM_residuos$pred_m122 <- predict(m122)
CTEM_residuos$pred_m162 <- predict(m162)
CTEM_residuos$pred_m125 <- predict(m125)
CTEM_residuos$pred_m165 <- predict(m165)
CTEM_residuos <- CTEM_residuos %>%
mutate(res_m122 = pred_m122-ln_sal_so_12_14,
res_m162 = pred_m162-ln_sal_so_16_18,
res_m125 = pred_m125-ln_sal_so_12_14,
res_m165 = pred_m165-ln_sal_so_16_18) %>%
mutate(across(starts_with("res_"), ~ (.x - mean(.x))/sd(.x), .names = "z{.col}"))hist_res_incompleto_1214 <- ggplot(CTEM_residuos, aes(x=zres_m122)) +
geom_histogram(bins = 500) +
theme_pubclean() +
scale_x_continuous(name = "Resíduos modelo incompleto\n2012 e 2014",
#breaks_extended(5)
) +
scale_y_continuous(name = ""
#breaks = c(seq(0, 800, 200))
) +
geom_text(aes(x=2, y=250, label = R2),
data = (CTEM_residuos %>%
rename(y = ln_sal_so_12_14, r = pred_m122) %>%
mutate(media_y = mean(y)) %>%
mutate(pred_med_2 = (y-media_y)^2,
pred_mod_2 = (y-r)^2) %>%
summarise(TSS=sum(pred_med_2),
RSS=sum(pred_mod_2)) %>%
mutate(R2 = paste0("R² = ",round(1-(RSS/TSS), 4))
)
)
)
hist_res_completo_1214 <- ggplot(CTEM_residuos, aes(x=zres_m125)) +
geom_histogram(bins = 500) +
theme_pubclean() +
scale_x_continuous(name = "Resíduos modelo completo\n2012 e 2014",
#breaks_extended(5)
) +
scale_y_continuous(name = ""
#breaks = c(seq(0, 200, 50))
) +
geom_text(aes(x=2, y=350, label = R2),
data = (CTEM_residuos %>%
rename(y = ln_sal_so_12_14, r = pred_m125) %>%
mutate(media_y = mean(y)) %>%
mutate(pred_med_2 = (y-media_y)^2,
pred_mod_2 = (y-r)^2) %>%
summarise(TSS=sum(pred_med_2),
RSS=sum(pred_mod_2)) %>%
mutate(R2 = paste0("R² = ",round(1-(RSS/TSS), 4))
)
)
)
hist_res_incompleto_1618 <- ggplot(CTEM_residuos, aes(x=zres_m162)) +
geom_histogram(bins = 500) +
theme_pubclean() +
scale_x_continuous(name = "Resíduos modelo incompleto\n2016 e 2018",
#breaks_extended(5)
) +
scale_y_continuous(name = ""
#breaks = c(seq(0, 800, 200))
) +
geom_text(aes(x=2, y=250, label = R2),
data = (CTEM_residuos %>%
rename(y = ln_sal_so_16_18, r = pred_m162) %>%
mutate(media_y = mean(y)) %>%
mutate(pred_med_2 = (y-media_y)^2,
pred_mod_2 = (y-r)^2) %>%
summarise(TSS=sum(pred_med_2),
RSS=sum(pred_mod_2)) %>%
mutate(R2 = paste0("R² = ",round(1-(RSS/TSS), 4))
)
)
)
hist_res_completo_1618 <- ggplot(CTEM_residuos, aes(x=zres_m165)) +
geom_histogram(bins = 500) +
theme_pubclean() +
scale_x_continuous(name = "Resíduos modelo completo\n2016 e 2018",
#breaks_extended(5)
) +
scale_y_continuous(name = ""
#breaks = c(seq(0, 200, 50))
) +
geom_text(aes(x=2, y=350, label = R2),
data = (CTEM_residuos %>%
rename(y = ln_sal_so_16_18, r = pred_m165) %>%
mutate(media_y = mean(y)) %>%
mutate(pred_med_2 = (y-media_y)^2,
pred_mod_2 = (y-r)^2) %>%
summarise(TSS=sum(pred_med_2),
RSS=sum(pred_mod_2)) %>%
mutate(R2 = paste0("R² = ",round(1-(RSS/TSS), 4))
)
)
)
hist_residuos <- ggarrange(hist_res_incompleto_1214,
hist_res_completo_1214, hist_res_incompleto_1618,
hist_res_completo_1618,
labels = c("A", "B", "C", "D"))Gráfico A2 - Análise de resíduos dos modelos de regressão
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Analisa diferenças de remuneração por carreira e gênero
mulheres_areas <- desc_rem_cm %>% select(genero, carreira, starts_with("rem_so_2")) %>%
pivot_longer(cols = starts_with("rem_so_2"),
names_to = c(".value", "ano"),
names_pattern = "(.*)_(\\d*)") %>%
mutate(ano = as.numeric(ano)) %>%
group_by(carreira, ano, genero) %>%
summarise(renda = mean(rem_so, na.rm = T)) %>%
ungroup()p.genero_anexo <- mulheres_areas %>%
ggplot(aes(x=ano, y=renda, group=genero, colour=genero)) +
geom_line(size = 1) +
scale_color_wsj(name="", labels = c("homem", "mulher")) +
theme_pubclean()+
theme(
plot.title = element_text(hjust = 0.4, size=14), # Centraliza o título
plot.subtitle = element_text(hjust = 0.4, size=12), # Centraliza o subtítulo
legend.justification = 0.4, # Centraliza a legenda
plot.caption = element_text(size = 11),
panel.grid.minor = element_blank(),
axis.text.x = element_text(size=10, angle = 45, vjust = 0.7),
axis.title.x = element_text(size=10, face="bold"),
axis.text.y = element_text(size=10),
axis.title.y = element_text(size=10, face="bold", vjust=0.5),
legend.position= "bottom",
strip.text.x = element_text(
size = 12,
colour = "black",
face= "bold",
margin = margin(6, 0, 8, 0, "pt"))) +
scale_x_continuous(name ="Ano",
breaks = c(seq(2008, 2018, 2))) +
scale_y_continuous(name ="",
labels = label_number(suffix = "", scale = 1e-3),
breaks = c(seq(25000, 100000, 25000)),
limits = c(NA ,120000)
) +
facet_wrap(vars(carreira)) +
geom_vline(xintercept = 2011.5, color = "#999999", size=0.4)Gráfico A3 – Remuneração por gênero e carreira, em milhares de reais anuais (2007-2018)
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2007-2018)
Analisa correlação entre origem social e idade
# Idade - Box plot:
df_box_idade <- desc_rem %>%
ungroup() %>%
group_by(interacao_2) %>%
mutate(n=n()) %>%
ungroup() %>%
mutate(interacao = fct_reorder(factor(interacao_2), idade, median, .desc = TRUE),
interacao = factor(interacao_2, levels = c("HN1", "HB1", "MN1", "MB1", "HN2", "HB2", "MN2", "MB2")),
x1 = case_when(
substring(interacao_2, 1, 2) == "HN" ~ "Homem\nNegro",
substring(interacao_2, 1, 2) == "HB" ~ "Homem\nBranco",
substring(interacao_2, 1, 2) == "MN" ~ "Mulher\nNegra",
substring(interacao_2, 1, 2) == "MB" ~ "Mulher\nBranca"),
x2 = case_when(
substring(interacao_2, 3) == "1" ~ "1ª ger.",
substring(interacao_2, 3) == "2" ~ "2ª ger."),
x3 = paste0("n=", n),
eixox = paste0(x1, "\n", x2, "\n", x3),
eixox = fct_reorder(factor(eixox), idade, median, .desc = F),
eixox = fct_reorder(eixox, idade, mean, .desc = F))
# Faz rótulos para os quartis de idade, para plotar no boxplot
box_idade_rotutlos <- df_box_idade %>%
group_by(eixox) %>%
summarise(q25 = quantile(idade, 0.25),
median = median(idade),
q75 = quantile(idade, 0.75))
# Gera gráfico:
box_idade <- df_box_idade %>%
ggplot(aes(x = eixox, y=idade, fill=eixox)) +
geom_boxplot(
outlier.shape=NA,
outlier.size=0
) +
theme_pubr() +
scale_fill_manual(values = c(rep("#DDDDDD", 8))) +
theme(
legend.position = "none",
plot.title = element_text(size=16, hjust = 0.5),
axis.text.x = element_text(size = 10),
plot.caption = element_text(size = 8)) +
scale_x_discrete(name = "") +
scale_y_continuous(name = "Idade") +
geom_text(data = box_idade_rotutlos, aes(x = eixox, y = q25 - 0.5, label = q25), color = "black", hjust = 1.1) +
geom_text(data = box_idade_rotutlos, aes(x = eixox, y = median + 0.6, label = median), color = "black") +
geom_text(data = box_idade_rotutlos, aes(x = eixox, y = q75 + 0.6, label = q75), color = "black", hjust = 1.1)Gráfico A4 – Distribuição etária dos concluintes com 18 a 40 anos completos em 2011, por características sociais.
- Valores do 1º, 2º e 3º quartis indicados no gráfico.
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2007-2018)
Faz gráfico de correlações entre variáveis individuais
descritivas_origens <- CTEM_M %>%
mutate(
negro = case_when(
str_detect(interacao, "Negr") ~ 1,
T ~ 0),
primeira = case_when(
str_detect(interacao, "1") ~ 1,
T ~ 0),
mulher = case_when(
str_detect(interacao, "Mulher") ~ 1,
T ~ 0),
medio_publico = case_when(
str_detect(ensino_medio, "publica") ~ 1,
T ~ 0),
medio_tecnico = case_when(
str_detect(ensino_medio, "regular") ~ 0,
T ~ 1)
)
correlacoes <- descritivas_origens %>%
select(medio_tecnico, medio_publico, idade, primeira, negro, mulher)
cormat <- round(cor(correlacoes),3)
get_upper_tri <- function(cormat){
cormat[lower.tri(cormat)]<- NA
return(cormat)
}
upper_tri <- get_upper_tri(cormat)
# Melt the correlation matrix
melted_cormat <- melt(upper_tri, na.rm = TRUE)heatmap <- ggplot(data = melted_cormat, aes(Var2, Var1, fill = value))+
geom_tile(color = "white")+
scale_fill_gradient2(low = "blue", high = "red", mid = "white",
midpoint = 0, limit = c(-1,1), space = "Lab",
name="Coeficiente\nde Correlação") +
theme_minimal()+
theme(axis.text.x = element_text(angle = 45, vjust = 1,
size = 10, hjust = 1))+
coord_fixed() +
geom_text(aes(Var2, Var1, label = value), color = "black", size = 4) +
theme(
axis.title.x = element_blank(),
axis.title.y = element_blank(),
panel.grid.major = element_blank(),
panel.border = element_blank(),
panel.background = element_blank(),
axis.ticks = element_blank(),
legend.justification = c(1, 0),
legend.position = c(0.6, 0.9),
legend.direction = "horizontal")+
guides(fill = guide_colorbar(barwidth = 14, barheight = 2,
title.position = "top", title.hjust = 0.5))Gráfico A5 – Correlação entre as variáveis individuais anteriores ao ingresso na graduação
heatmap
Fonte: ENADE (2011), CES (2011, 2012) e RAIS (2012-2018)
Tabela A3 – Resultados dos modelos de regressão para o logaritmo do rendimento mediano entre 2012 e 2014
stargazer(m121, m122, m123, m124, m125,
type="html",
title = "Preditores do logaritmo do rendimento mediano entre 2012 e 2014 <br> para egressos dos cursos CTEM em 2011",
out="Modelos_OIT_12_14.htm",
column.labels = c("Origens<br>Sociais",
"Trajetória<br>Escolar<br>Pregressa",
"Tipo de<br>curso e<br>IES",
"Experiência<br>no curso",
"Indicadores<br>de Prestígio<br>e Qualidade"),
df=T,
dep.var.caption = "",
model.names = F,
dep.var.labels.include = F,
covariate.labels=c("Idade",
"Idade²",
"Homem Negro de 2ª geração",
"Homem Branco de 1ª geração",
"Homem Negro de 1ª geração",
"Mulher Branca de 2ª geração",
"Mulher Negra de 2ª geração",
"Mulher Branca de 1ª geração",
"Mulher Negra de 1ª geração",
"Nº de pessoas no domicílio",
"EM Privado Regular",
"EM Privado Técnico",
"EM Público Técnico",
"Bolsista em curso privado",
"Curso público (sem cota)",
"Cotista em curso público",
"Noturno",
"EaD",
"Química",
"Tecnólogo em Informática",
"Arquitetura e Urbanismo",
"Física",
"Tecnólogo Industrial",
"Matemática",
"Engenharia Florestal",
"Engenharia Ambiental",
"Computação",
"Outras Engenharias",
"Engenharia Civil",
"Engenharia Química",
"Engenharia de Produção",
"Engenharia Mecânica",
"Engenharia Elétrica",
"Tempo de graduação",
"Atividade acadêmica",
"Horas de Estudo",
"Estágio",
"Trabalhava",
"Empenho no Enade",
"Perc. Docentes Doutorado",
"Conceito Enade",
"Nota média Enem do Curso",
"Nota média Enem da IES",
"Intercepto"),
font.size = "small",
no.space = T,
star.cutoffs = c(0.05, 0.01, 0.001),
notes = c("* p<0.05; ** p<0.01; *** p<0.001",
"Fonte: Enade (2011), CES (2011-2012), Rais (2010-2018)"),
omit.stat = c("bic"),
notes.append = F,
notes.align = "c",
suppress.errors=T)|
Origens Sociais |
Trajetória Escolar Pregressa |
Tipo de curso e IES |
Experiência no curso |
Indicadores de Prestígio e Qualidade |
|
| (1) | (2) | (3) | (4) | (5) | |
| Idade | 0.047*** | 0.042*** | 0.026*** | 0.025*** | 0.025*** |
| (0.001) | (0.001) | (0.001) | (0.001) | (0.001) | |
| Idade² | -0.002*** | -0.003*** | -0.0003* | -0.0002 | -0.0002 |
| (0.0002) | (0.0002) | (0.0001) | (0.0001) | (0.0001) | |
| Homem Negro de 2ª geração | -0.147*** | -0.129*** | -0.023 | -0.024 | -0.021 |
| (0.018) | (0.018) | (0.015) | (0.015) | (0.015) | |
| Homem Branco de 1ª geração | -0.165*** | -0.088*** | 0.012 | 0.005 | 0.011 |
| (0.011) | (0.012) | (0.010) | (0.010) | (0.010) | |
| Homem Negro de 1ª geração | -0.308*** | -0.217*** | -0.037** | -0.040*** | -0.031** |
| (0.013) | (0.014) | (0.012) | (0.012) | (0.012) | |
| Mulher Branca de 2ª geração | -0.337*** | -0.327*** | -0.140*** | -0.131*** | -0.130*** |
| (0.014) | (0.014) | (0.013) | (0.013) | (0.013) | |
| Mulher Negra de 2ª geração | -0.566*** | -0.531*** | -0.234*** | -0.222*** | -0.211*** |
| (0.025) | (0.025) | (0.022) | (0.022) | (0.021) | |
| Mulher Branca de 1ª geração | -0.642*** | -0.538*** | -0.212*** | -0.209*** | -0.203*** |
| (0.013) | (0.013) | (0.012) | (0.012) | (0.012) | |
| Mulher Negra de 1ª geração | -0.772*** | -0.660*** | -0.270*** | -0.267*** | -0.253*** |
| (0.016) | (0.016) | (0.015) | (0.015) | (0.015) | |
| Nº de pessoas no domicílio | -0.034*** | -0.030*** | -0.018*** | -0.018*** | -0.017*** |
| (0.002) | (0.002) | (0.002) | (0.002) | (0.002) | |
| EM Privado Regular | 0.216*** | 0.020* | 0.029*** | 0.016 | |
| (0.009) | (0.009) | (0.009) | (0.009) | ||
| EM Privado Técnico | 0.348*** | 0.133*** | 0.132*** | 0.125*** | |
| (0.016) | (0.015) | (0.015) | (0.015) | ||
| EM Público Técnico | 0.380*** | 0.158*** | 0.151*** | 0.146*** | |
| (0.013) | (0.012) | (0.011) | (0.011) | ||
| Bolsista em curso privado | -0.007 | -0.012 | -0.017* | ||
| (0.008) | (0.008) | (0.008) | |||
| Curso público (sem cota) | 0.120*** | 0.133*** | -0.111*** | ||
| (0.026) | (0.025) | (0.028) | |||
| Cotista em curso público | 0.043 | 0.052 | -0.189*** | ||
| (0.032) | (0.031) | (0.033) | |||
| Noturno | 0.083*** | 0.048*** | 0.080*** | ||
| (0.012) | (0.012) | (0.012) | |||
| EaD | 0.182*** | 0.127** | 0.169*** | ||
| (0.045) | (0.044) | (0.042) | |||
| Química | 0.270*** | 0.255*** | 0.216*** | ||
| (0.025) | (0.024) | (0.024) | |||
| Tecnólogo em Informática | 0.295*** | 0.268*** | 0.247*** | ||
| (0.024) | (0.024) | (0.025) | |||
| Arquitetura e Urbanismo | 0.428*** | 0.417*** | 0.350*** | ||
| (0.028) | (0.028) | (0.028) | |||
| Física | 0.186*** | 0.198*** | 0.149*** | ||
| (0.040) | (0.039) | (0.038) | |||
| Tecnólogo Industrial | 0.471*** | 0.429*** | 0.421*** | ||
| (0.031) | (0.030) | (0.030) | |||
| Matemática | 0.304*** | 0.326*** | 0.311*** | ||
| (0.021) | (0.021) | (0.021) | |||
| Engenharia Florestal | 0.297*** | 0.309*** | 0.319*** | ||
| (0.055) | (0.054) | (0.051) | |||
| Engenharia Ambiental | 0.491*** | 0.476*** | 0.414*** | ||
| (0.034) | (0.034) | (0.032) | |||
| Computação | 0.467*** | 0.489*** | 0.418*** | ||
| (0.018) | (0.018) | (0.020) | |||
| Outras Engenharias | 0.777*** | 0.787*** | 0.693*** | ||
| (0.038) | (0.037) | (0.036) | |||
| Engenharia Civil | 1.065*** | 1.058*** | 0.907*** | ||
| (0.025) | (0.025) | (0.027) | |||
| Engenharia Química | 0.724*** | 0.756*** | 0.639*** | ||
| (0.031) | (0.030) | (0.030) | |||
| Engenharia de Produção | 0.851*** | 0.824*** | 0.726*** | ||
| (0.025) | (0.024) | (0.025) | |||
| Engenharia Mecânica | 1.017*** | 1.010*** | 0.855*** | ||
| (0.029) | (0.029) | (0.030) | |||
| Engenharia Elétrica | 0.960*** | 0.945*** | 0.804*** | ||
| (0.023) | (0.023) | (0.025) | |||
| Tempo de graduação | -0.020*** | -0.021*** | |||
| (0.003) | (0.003) | ||||
| Atividade acadêmica | -0.038*** | -0.038*** | |||
| (0.007) | (0.007) | ||||
| Horas de Estudo | 0.002 | 0.001 | |||
| (0.001) | (0.001) | ||||
| Estágio | -0.026* | -0.024* | |||
| (0.012) | (0.012) | ||||
| Trabalhava | 0.189*** | 0.193*** | |||
| (0.009) | (0.009) | ||||
| Empenho no Enade | 0.088*** | 0.079*** | |||
| (0.008) | (0.008) | ||||
| Perc. Docentes Doutorado | 0.019 | ||||
| (0.011) | |||||
| Conceito Enade | 0.030*** | ||||
| (0.008) | |||||
| Nota média Enem do Curso | 0.143*** | ||||
| (0.010) | |||||
| Nota média Enem da IES | 0.040*** | ||||
| (0.012) | |||||
| Intercepto | 11.034*** | 10.841*** | 10.030*** | 9.884*** | 10.006*** |
| (0.010) | (0.012) | (0.023) | (0.028) | (0.028) | |
| Observations | 40,439 | 40,439 | 40,439 | 40,439 | 40,439 |
| Log Likelihood | -45,396.710 | -44,725.870 | -38,848.830 | -38,567.880 | -38,397.040 |
| Akaike Inf. Crit. | 90,815.410 | 89,479.730 | 77,771.660 | 77,221.770 | 76,888.070 |
| Note: |
|
||||
| Fonte: Enade (2011), CES (2011-2012), Rais (2010-2018) | |||||
Tabela A4 – Resultados dos modelos de regressão para o logaritmo do rendimento mediano entre 2016 e 2018
stargazer(m161, m162, m163, m164, m165,
type="html",
title = "Preditores do logaritmo do rendimento mediano entre 2016 e 2018 <br> para egressos dos cursos CTEM em 2011",
out="Modelos_OIT_16_18.htm",
column.labels = c("Origens<br>Sociais",
"Trajetória<br>Escolar<br>Pregressa",
"Tipo de<br>curso e<br>IES",
"Experiência<br>no curso",
"Indicadores<br>de Prestígio<br>e Qualidade"),
df=T,
dep.var.caption = "",
model.names = F,
dep.var.labels.include = F,
covariate.labels=c("Idade",
"Idade²",
"Homem Negro de 2ª geração",
"Homem Branco de 1ª geração",
"Homem Negro de 1ª geração",
"Mulher Branca de 2ª geração",
"Mulher Negra de 2ª geração",
"Mulher Branca de 1ª geração",
"Mulher Negra de 1ª geração",
"Nº de pessoas no domicílio",
"EM Privado Regular",
"EM Privado Técnico",
"EM Público Técnico",
"Bolsista em curso privado",
"Curso público (sem cota)",
"Cotista em curso público",
"Noturno",
"EaD",
"Química",
"Tecnólogo em Informática",
"Arquitetura e Urbanismo",
"Física",
"Tecnólogo Industrial",
"Matemática",
"Engenharia Florestal",
"Engenharia Ambiental",
"Computação",
"Outras Engenharias",
"Engenharia Civil",
"Engenharia Química",
"Engenharia de Produção",
"Engenharia Mecânica",
"Engenharia Elétrica",
"Tempo de graduação",
"Atividade acadêmica",
"Horas de Estudo",
"Estágio",
"Trabalhava",
"Empenho no Enade",
"Perc. Docentes Doutorado",
"Conceito Enade",
"Nota média Enem do Curso",
"Nota média Enem da IES",
"Intercepto"),
font.size = "small",
no.space = T,
star.cutoffs = c(0.05, 0.01, 0.001),
notes = c("* p<0.05; ** p<0.01; *** p<0.001",
"Fonte: Enade (2011), CES (2011-2012), Rais (2010-2018)"),
omit.stat = c("bic"),
notes.append = F,
notes.align = "c",
suppress.errors=T)|
Origens Sociais |
Trajetória Escolar Pregressa |
Tipo de curso e IES |
Experiência no curso |
Indicadores de Prestígio e Qualidade |
|
| (1) | (2) | (3) | (4) | (5) | |
| Idade | 0.020*** | 0.017*** | 0.005*** | 0.007*** | 0.007*** |
| (0.001) | (0.001) | (0.001) | (0.001) | (0.001) | |
| Idade² | -0.001*** | -0.002*** | 0.0005** | 0.0003* | 0.0004* |
| (0.0002) | (0.0002) | (0.0002) | (0.0002) | (0.0002) | |
| Homem Negro de 2ª geração | -0.136*** | -0.117*** | -0.043* | -0.044** | -0.038* |
| (0.019) | (0.018) | (0.017) | (0.017) | (0.017) | |
| Homem Branco de 1ª geração | -0.170*** | -0.084*** | 0.010 | 0.002 | 0.009 |
| (0.012) | (0.012) | (0.011) | (0.011) | (0.011) | |
| Homem Negro de 1ª geração | -0.295*** | -0.197*** | -0.048*** | -0.054*** | -0.042** |
| (0.014) | (0.014) | (0.013) | (0.013) | (0.013) | |
| Mulher Branca de 2ª geração | -0.363*** | -0.357*** | -0.203*** | -0.200*** | -0.199*** |
| (0.015) | (0.015) | (0.014) | (0.014) | (0.014) | |
| Mulher Negra de 2ª geração | -0.522*** | -0.488*** | -0.251*** | -0.243*** | -0.229*** |
| (0.026) | (0.026) | (0.024) | (0.024) | (0.024) | |
| Mulher Branca de 1ª geração | -0.666*** | -0.556*** | -0.271*** | -0.271*** | -0.264*** |
| (0.013) | (0.014) | (0.013) | (0.013) | (0.013) | |
| Mulher Negra de 1ª geração | -0.750*** | -0.630*** | -0.316*** | -0.315*** | -0.297*** |
| (0.016) | (0.017) | (0.016) | (0.016) | (0.016) | |
| Nº de pessoas no domicílio | -0.032*** | -0.028*** | -0.014*** | -0.013*** | -0.012*** |
| (0.002) | (0.002) | (0.002) | (0.002) | (0.002) | |
| EM Privado Regular | 0.241*** | 0.044*** | 0.053*** | 0.038*** | |
| (0.009) | (0.010) | (0.010) | (0.010) | ||
| EM Privado Técnico | 0.294*** | 0.121*** | 0.127*** | 0.117*** | |
| (0.017) | (0.016) | (0.016) | (0.016) | ||
| EM Público Técnico | 0.360*** | 0.171*** | 0.166*** | 0.159*** | |
| (0.014) | (0.013) | (0.013) | (0.013) | ||
| Bolsista em curso privado | 0.002 | -0.006 | -0.011 | ||
| (0.009) | (0.009) | (0.009) | |||
| Curso público (sem cota) | 0.238*** | 0.238*** | -0.020 | ||
| (0.025) | (0.025) | (0.027) | |||
| Cotista em curso público | 0.187*** | 0.178*** | -0.075* | ||
| (0.032) | (0.031) | (0.033) | |||
| Noturno | 0.036** | 0.019 | 0.052*** | ||
| (0.012) | (0.012) | (0.012) | |||
| EaD | 0.150*** | 0.111** | 0.141*** | ||
| (0.043) | (0.042) | (0.040) | |||
| Química | 0.238*** | 0.223*** | 0.195*** | ||
| (0.024) | (0.024) | (0.023) | |||
| Tecnólogo em Informática | 0.235*** | 0.213*** | 0.218*** | ||
| (0.024) | (0.024) | (0.024) | |||
| Arquitetura e Urbanismo | 0.295*** | 0.265*** | 0.236*** | ||
| (0.027) | (0.027) | (0.028) | |||
| Física | 0.264*** | 0.275*** | 0.239*** | ||
| (0.040) | (0.040) | (0.039) | |||
| Tecnólogo Industrial | 0.285*** | 0.250*** | 0.265*** | ||
| (0.030) | (0.030) | (0.029) | |||
| Matemática | 0.253*** | 0.281*** | 0.285*** | ||
| (0.021) | (0.021) | (0.021) | |||
| Engenharia Florestal | 0.308*** | 0.313*** | 0.329*** | ||
| (0.053) | (0.053) | (0.051) | |||
| Engenharia Ambiental | 0.460*** | 0.443*** | 0.401*** | ||
| (0.033) | (0.033) | (0.032) | |||
| Computação | 0.443*** | 0.473*** | 0.431*** | ||
| (0.018) | (0.018) | (0.019) | |||
| Outras Engenharias | 0.631*** | 0.636*** | 0.565*** | ||
| (0.037) | (0.037) | (0.036) | |||
| Engenharia Civil | 0.702*** | 0.691*** | 0.584*** | ||
| (0.024) | (0.024) | (0.026) | |||
| Engenharia Química | 0.637*** | 0.659*** | 0.570*** | ||
| (0.030) | (0.029) | (0.029) | |||
| Engenharia de Produção | 0.696*** | 0.671*** | 0.603*** | ||
| (0.024) | (0.024) | (0.024) | |||
| Engenharia Mecânica | 0.782*** | 0.772*** | 0.661*** | ||
| (0.028) | (0.027) | (0.029) | |||
| Engenharia Elétrica | 0.818*** | 0.797*** | 0.695*** | ||
| (0.023) | (0.023) | (0.024) | |||
| Tempo de graduação | -0.036*** | -0.037*** | |||
| (0.003) | (0.003) | ||||
| Atividade acadêmica | -0.022** | -0.022** | |||
| (0.008) | (0.008) | ||||
| Horas de Estudo | 0.008*** | 0.008*** | |||
| (0.001) | (0.001) | ||||
| Estágio | -0.040** | -0.038** | |||
| (0.013) | (0.013) | ||||
| Trabalhava | 0.110*** | 0.115*** | |||
| (0.010) | (0.010) | ||||
| Empenho no Enade | 0.095*** | 0.083*** | |||
| (0.008) | (0.008) | ||||
| Perc. Docentes Doutorado | 0.044*** | ||||
| (0.010) | |||||
| Conceito Enade | 0.038*** | ||||
| (0.008) | |||||
| Nota média Enem do Curso | 0.115*** | ||||
| (0.010) | |||||
| Nota média Enem da IES | 0.049*** | ||||
| (0.011) | |||||
| Intercepto | 11.235*** | 11.034*** | 10.336*** | 10.219*** | 10.317*** |
| (0.011) | (0.012) | (0.024) | (0.029) | (0.029) | |
| Observations | 40,439 | 40,439 | 40,439 | 40,439 | 40,439 |
| Log Likelihood | -46,889.870 | -46,292.070 | -42,686.340 | -42,470.730 | -42,302.920 |
| Akaike Inf. Crit. | 93,801.740 | 92,612.150 | 85,446.680 | 85,027.460 | 84,699.840 |
| Note: |
|
||||
| Fonte: Enade (2011), CES (2011-2012), Rais (2010-2018) | |||||