1 AJUSTES INICIAIS

1.1 Preparação do ambiente

1.2 Carregamento dos pacotes

pacman::p_load(dplyr, rstatix, psych, car, MASS, DescTools, QuantPsyc, ggplot2,
               nnet, AER, lmtest, DescTools, gtsummary, reshape2, sjPlot, ggtext)

library(flexdashboard)
## Warning: package 'flexdashboard' was built under R version 4.2.3
library(rstatix)
library(readr)
## Warning: package 'readr' was built under R version 4.2.3
library(psych)
library(formattable)
## Warning: package 'formattable' was built under R version 4.2.2
## 
## Attaching package: 'formattable'
## The following object is masked from 'package:MASS':
## 
##     area
library(gmodels)
## Warning: package 'gmodels' was built under R version 4.2.3
## Registered S3 method overwritten by 'gdata':
##   method         from     
##   reorder.factor DescTools
library(flextable)
## 
## Attaching package: 'flextable'
## The following object is masked from 'package:formattable':
## 
##     style
## The following objects are masked from 'package:gtsummary':
## 
##     as_flextable, continuous_summary
## The following object is masked from 'package:purrr':
## 
##     compose
library(gt)
## Warning: package 'gt' was built under R version 4.2.3
## 
## Attaching package: 'gt'
## The following object is masked from 'package:formattable':
## 
##     currency
library(kableExtra)
## Warning: package 'kableExtra' was built under R version 4.2.3
## 
## Attaching package: 'kableExtra'
## The following objects are masked from 'package:flextable':
## 
##     as_image, footnote
## The following object is masked from 'package:dplyr':
## 
##     group_rows
library(xtable)
## Warning: package 'xtable' was built under R version 4.2.1
## 
## Attaching package: 'xtable'
## The following object is masked from 'package:flextable':
## 
##     align
## The following object is masked from 'package:formattable':
## 
##     digits
library(psych)
library(corrplot)
## Warning: package 'corrplot' was built under R version 4.2.3
## corrplot 0.92 loaded
library(labelled)
## Warning: package 'labelled' was built under R version 4.2.3
library(likert)
## Warning: package 'likert' was built under R version 4.2.1
## 
## Attaching package: 'likert'
## The following object is masked from 'package:car':
## 
##     recode
## The following object is masked from 'package:dplyr':
## 
##     recode
library(pander)
## Warning: package 'pander' was built under R version 4.2.3
library(readr)
library(tidyverse)
## Warning: package 'tidyverse' was built under R version 4.2.3
## Warning: package 'tibble' was built under R version 4.2.3
## Warning: package 'tidyr' was built under R version 4.2.3
## Warning: package 'stringr' was built under R version 4.2.3
## Warning: package 'forcats' was built under R version 4.2.3
## Warning: package 'lubridate' was built under R version 4.2.3
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.0     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ stringr   1.5.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ ggplot2::%+%()           masks psych::%+%()
## ✖ ggplot2::alpha()         masks psych::alpha()
## ✖ flextable::compose()     masks purrr::compose()
## ✖ rstatix::filter()        masks dplyr::filter(), stats::filter()
## ✖ kableExtra::group_rows() masks dplyr::group_rows()
## ✖ dplyr::lag()             masks stats::lag()
## ✖ likert::recode()         masks car::recode(), dplyr::recode()
## ✖ gtsummary::select()      masks MASS::select(), rstatix::select(), dplyr::select()
## ✖ purrr::some()            masks car::some()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(ggplot2)
library(gtsummary)
library(dplyr)

1.3 Função para profdução de gráficos

graf_barras <- function(dados, variavel){
  
  graf <- dados |> 
  filter(!is.na({{variavel}})) |> 
  ggplot(aes(x = {{variavel}})) +
  geom_bar(fill = "grey60") +
  geom_text(stat = "count",
            aes(y = after_stat(count),
                label = paste0(after_stat(count), " (",
                               scales::number(after_stat(100*count/sum(count)),
                                              accuracy = 0.1, decimal.mark = ","),
                               "%)")),
            size = 5.2, vjust = -0.7) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.1))) +
  labs(y = "Frequência") +
  theme_classic()
  
  return(graf)}

1.4 Carregamento do banco

1.4.1 Importação do banco

setwd("D:/R_Diretorio/Tese")


BMP_2 <- read.csv("BMP.csv", sep=";")

1.4.2 Copia para o banco “BMP_BIN”

BMP_BIN <- BMP_2

2 CONSTRUÇÃO DA BASE BINÁRIA

2.1 Caracteristicas gerais

2.1.1 Constructos

BMP_BIN$BR_MT <- factor(
  BMP_2$BR_MT, 
  labels = c("BR", "MT"),
  levels = c("BR", "MT"))

graf_barras(BMP_BIN, BR_MT)

BMP_BIN$TENDENCIA <- factor(
  BMP_2$TENDENCIA, 
  labels = c("Direita", "Direita","Esquerda","Esquerda"),
  levels = c("DIREITA", "CENTRO-DIREITA", "CENTRO-ESQUERDA", "ESQUERDA"))

graf_barras(BMP_BIN, TENDENCIA)

2.1.2 Características das escolas

BMP_BIN$AREA <- factor(
  BMP_2$AREA, 
  labels = c("Capital",
             "Interior"),
  levels = c("Capital",
             "Interior"))

graf_barras(BMP_BIN, AREA)

BMP_BIN$LOCALIZACAO <- factor(
  BMP_2$LOCALIZACAO, 
  labels = c("Urbana",
             "Rural"),
  levels = c("Urbana",
             "Rural"))

graf_barras(BMP_BIN, LOCALIZACAO)

BMP_BIN$SERIE <- factor(
  BMP_2$SERIE, 
  labels = c("9EF",
             "3EM"),
  levels = c("9EF",
             "3EM"))

graf_barras(BMP_BIN, SERIE)

2.1.3 Características pessoais

BMP_BIN$Q1_SEXO <- factor(
  BMP_2$Q1_SEXO, 
  labels = c("Masculino",
             "Feminino"),
  levels = c("Masculino",
             "Feminino"))

graf_barras(BMP_BIN, Q1_SEXO)

BMP_BIN$Q2_RACA <- factor(
  BMP_2$Q2_RACA, 
  labels = c("Branca", 
            "Preta_ou_Parda", 
            "Preta_ou_Parda"),
  levels = c("Branca",
             "Preta",
             "Parda"))

graf_barras(BMP_BIN, Q2_RACA)

BMP_BIN$Q3_IDADE <- factor(
  BMP_2$Q3_IDADE, 
  label = c("Ate_39", 
            "Ate_39", 
            "Ate_39",
            "Acima_de_39", 
            "Acima_de_39", 
            "Acima_de_39"),
  levels = c("Ate_24",
             "De_25_a_29",
             "De_30_39", 
             "De_40_a_49", 
             "De_50_a_54", 
             "De_55_para_mais"))

graf_barras(BMP_BIN, Q3_IDADE)

BMP_BIN$Q4_PCD <- factor(
  BMP_2$Q4_PCD, 
  label = c("Nao",
             "Sim"),
  levels = c("Nao",
             "Sim"))

graf_barras(BMP_BIN,Q4_PCD)

2.1.4 Características trabalhistas

BMP_BIN$Q8_VINCULO_TRABALHISTA <- factor(
  BMP_2$Q8_VINCULO_TRABALHISTA, 
  label = c("Temporario", "Efetivo"),
  levels = c("Temporario", "Efetivo"))

graf_barras(BMP_BIN, Q8_VINCULO_TRABALHISTA)

BMP_BIN$Q10_SALARIO <- factor(
  BMP_2$Q10_SALARIO, 
  label = c("Ate_4400", 
            "Ate_4400", 
            "Ate_4400",
            "Ate_4400",
            "Acima_de_4400", 
            "Acima_de_4400", 
            "Acima_de_4400", 
            "Acima_de_4400", 
            "Acima_de_4400"),
  levels = c("Ate_1000",
             "De_1000_a_2200",
             "De_2200_a_3300",
             "De_3300_a_4400", 
             "De_4400_a_5500", 
             "De_5500_a_6600", 
             "De_6600_a_7700", 
             "De_7700_a_8800", 
             "Acima_de_8800"))

graf_barras(BMP_BIN, Q10_SALARIO)

2.2 Presenças

2.2.1 Presença na rede

BMP_BIN$Q5_ANOS_DOCENCIA <- factor(
  BMP_2$Q5_ANOS_DOCENCIA, 
  label = c("Ate_10", 
            "Ate_10", 
            "Ate_10",
            "Ate_10",
            "Acima_de_10", 
            "Acima_de_10", 
            "Acima_de_10", 
            "Acima_de_10"),
  levels = c("Menos_de_1",
             "De_1_a_2",
             "De_3_a_5",
             "De_6_a_10", 
             "De_11_a_15", 
             "De_16_a_20", 
             "De_21_a_25", 
             "Mais_de_25"))

graf_barras(BMP_BIN, Q5_ANOS_DOCENCIA)

BMP_BIN$Q9_HORAS_SEMANAIS <- factor(
  BMP_2$Q9_HORAS_SEMANAIS, 
  label = c("Ate_30", 
            "Ate_30", 
            "Ate_30",
            "Acima_de_30", 
            "Acima_de_30"),
  levels = c("Ate_10",
             "De_11_a_20",
             "De_21_a_30",
             "De_31_a_40", 
             "Mais_de_40"))

graf_barras(BMP_BIN, Q9_HORAS_SEMANAIS)

BMP_BIN$Q11_OUTRA_ATIVIDADE <- factor(
  BMP_2$Q11_OUTRA_ATIVIDADE, 
  label = c("Nao",
             "Sim"),
  levels = c("Nao",
             "Sim"))

graf_barras(BMP_BIN,Q11_OUTRA_ATIVIDADE)

2.2.2 Presença na escola

BMP_BIN$Q6_ANOS_NA_ESCOLA <- factor(
  BMP_2$Q6_ANOS_NA_ESCOLA, 
   label = c("Ate_5", 
             "Ate_5", 
             "Ate_5",
             "Acima_de_5", 
             "Acima_de_5", 
             "Acima_de_5", 
             "Acima_de_5"),
  levels = c("Menos_de_1",
             "De_1_a_2",
             "De_3_a_5",
             "De_6_a_10", 
             "De_11_a_15", 
             "De_16_a_20", 
             "Mais_de_20"))


graf_barras(BMP_BIN, Q6_ANOS_NA_ESCOLA)

BMP_BIN$Q7_QUANTIDADE_ESCOLAS <- factor(
  BMP_2$Q7_QUANTIDADE_ESCOLAS, 
  label = c("Uma",
            "Duas_ou_mais", 
            "Duas_ou_mais", 
            "Duas_ou_mais"),
  levels = c("Apenas_nesta",
             "Em_2","Em_3", 
             "Em_4_ou_mais"))

graf_barras(BMP_BIN, Q7_QUANTIDADE_ESCOLAS)

2.3 Percepção da profissão

2.3.1 Aspectos objetivos

BMP_BIN$Q13_DOCENCIA_VALORIZADA <- factor(
  BMP_2$Q13_DOCENCIA_VALORIZADA, 
   label = c("Discordancia", "Discordancia", "Concordancia", "Concordancia"),
  levels = c("Discordo_fortemente","Discordo","Concordo","Concordo_fortemente"))

graf_barras(BMP_BIN, Q13_DOCENCIA_VALORIZADA)

BMP_BIN$Q14_VANTAGENS_SUPERAM_DESVANTAGENS <- factor(
  BMP_2$Q14_VANTAGENS_SUPERAM_DESVANTAGENS, 
   label = c("Discordancia", "Discordancia", "Concordancia", "Concordancia"),
  levels = c("Discordo_fortemente","Discordo","Concordo","Concordo_fortemente"))

graf_barras(BMP_BIN, Q14_VANTAGENS_SUPERAM_DESVANTAGENS)

2.3.2 Aspectos subjetivos

BMP_BIN$Q12_REALIZACAO_SONHO <- factor(
  BMP_2$Q12_REALIZACAO_SONHO, 
  label = c("Discordancia", "Discordancia", "Concordancia", "Concordancia"),
  levels = c("Discordo_fortemente","Discordo","Concordo","Concordo_fortemente"))

graf_barras(BMP_BIN, Q12_REALIZACAO_SONHO)

BMP_BIN$Q15_SATISFACAO_PROFISSIONAL <- factor(
  BMP_2$Q15_SATISFACAO_PROFISSIONAL, 
   label = c("Discordancia", "Discordancia", "Concordancia", "Concordancia"),
  levels = c("Discordo_fortemente","Discordo","Concordo","Concordo_fortemente"))

graf_barras(BMP_BIN, Q15_SATISFACAO_PROFISSIONAL)

BMP_BIN$Q16_VONTADE_DESISTIR <- factor(
  BMP_2$Q16_VONTADE_DESISTIR, 
   label = c("Discordancia", "Discordancia", "Concordancia", "Concordancia"),
  levels = c("Discordo_fortemente","Discordo","Concordo","Concordo_fortemente"))

graf_barras(BMP_BIN, Q16_VONTADE_DESISTIR)

2.4 Necessidades formativas

2.4.1 Ensino de Matemática

BMP_BIN$Q41_CONTEUDO <- factor(
  BMP_2$Q41_CONTEUDO, 
  label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q41_CONTEUDO)

2.4.2 Aprendizagem e avaliação

BMP_BIN$Q42_APRENDIZAGEM <- factor(
  BMP_2$Q42_APRENDIZAGEM,
  label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q42_APRENDIZAGEM)

BMP_BIN$Q49_UTILIZAR_CONHECIMENTOS_APRENDIZAGEM <- factor(
  BMP_2$Q49_UTILIZAR_CONHECIMENTOS_APRENDIZAGEM,
  label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q49_UTILIZAR_CONHECIMENTOS_APRENDIZAGEM)

BMP_BIN$Q46_INSTRUMENTOS_AVALIACAO <- factor(
  BMP_2$Q46_INSTRUMENTOS_AVALIACAO,
  label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q46_INSTRUMENTOS_AVALIACAO)

2.4.3 Conhecimentos pedagógicos

BMP_BIN$Q45_PLANEJAMENTO_PEDAGOGICO <- factor(
  BMP_2$Q45_PLANEJAMENTO_PEDAGOGICO, 
  label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q45_PLANEJAMENTO_PEDAGOGICO)

BMP_BIN$Q47_PRATICAS_PEDAGOGICAS <- factor(
  BMP_2$Q47_PRATICAS_PEDAGOGICAS, 
  label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q47_PRATICAS_PEDAGOGICAS)

BMP_BIN$Q43_CULTURA_LOCAL <- factor(
  BMP_2$Q43_CULTURA_LOCAL, 
  label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q43_CULTURA_LOCAL)

2.4.4 Convívio escolar

BMP_BIN$Q44_GESTAO_DEMOCRATICA <- factor(
  BMP_2$Q44_GESTAO_DEMOCRATICA, 
  label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q44_GESTAO_DEMOCRATICA)

BMP_BIN$Q51_GESTAO_CONFLITOS <- factor(
  BMP_2$Q51_GESTAO_CONFLITOS, 
  label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q51_GESTAO_CONFLITOS)

2.4.5 Temas emergentes

BMP_BIN$Q48_METODOLOGIA_PCD <- factor(
  BMP_2$Q48_METODOLOGIA_PCD, 
 label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q48_METODOLOGIA_PCD)

BMP_BIN$Q50_TECNOLOGIA_INFORMACAO <- factor(
  BMP_2$Q50_TECNOLOGIA_INFORMACAO, 
  label = c("Nenhuma_ou_pouca", 
            "Nenhuma_ou_pouca", 
            "Moderada_ou_grande",
            "Moderada_ou_grande"),
  levels = c("Nenhuma_necessidade",
             "Pouca_necessidade",
             "Moderada_necessidade",
             "Grande_necessidade"))

graf_barras(BMP_BIN, Q50_TECNOLOGIA_INFORMACAO)

2.5 Participação

2.5.1 Participação das atividades formativas

Nos scripts a seguir se verificará o acréscimo dos marcadores “_P”, “_A” e “_C”. Eles foram utilizados para desmembrar questões a partir entendo que algumas delas trazem dois tipos de informação: de um lado, a participação ou não e, de outro, algumas características da particcipação. Assim, as categorias que permitem saber da participação ou não foram concentradas nas variáveis de participação, marcadas com “_P”, as categorias que relacionadas à quantidade de vezes em que houve a participação ficou sem marcador, as relacionadas ao apoio das secretarias foram marcadas com “_A”, já as categorias sobre a contribuição das formações foram identificadas com “_C”.

BMP_BIN$Q52_MENOS_20H_P <- factor(
  BMP_2$Q52_MENOS_20H_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q52_MENOS_20H_P)

BMP_BIN$Q53_20_A_179H_P <- factor(
  BMP_2$Q53_20_A_179H_P,
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q53_20_A_179H_P)

BMP_BIN$Q54_180_A_360H_P <- factor(
  BMP_2$Q54_180_A_360H_P,
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q54_180_A_360H_P)

BMP_BIN$Q52_MENOS_20H_NP <- factor(
  BMP_2$Q52_MENOS_20H_NP, 
  label = c("Uma", "Duas_ou_mais", "Duas_ou_mais"),
  levels = c("Uma", "Duas", "Tres_ou_mais"))

graf_barras(BMP_BIN, Q52_MENOS_20H_NP)

BMP_BIN$Q53_20_A_179H_NP <- factor(
  BMP_2$Q53_20_A_179H_NP,
  label = c("Uma", "Duas_ou_mais", "Duas_ou_mais"),
  levels = c("Uma", "Duas", "Tres_ou_mais"))

BMP_BIN$Q54_180_A_360H_NP <- factor(
  BMP_2$Q54_180_A_360H_NP, 
  label = c("Uma", "Duas_ou_mais", "Duas_ou_mais"),
  levels = c("Uma", "Duas", "Tres_ou_mais"))

graf_barras(BMP_BIN, Q54_180_A_360H_NP)

2.5.2 Características das atividades formativas

BMP_BIN$Q55_PARTICIPACAO_COLEGA_P <- factor(
  BMP_2$Q55_PARTICIPACAO_COLEGA_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q55_PARTICIPACAO_COLEGA_P)

BMP_BIN$Q56_ATIVIDADES_COLABORATIVAS_P <- factor(
  BMP_2$Q56_ATIVIDADES_COLABORATIVAS_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q56_ATIVIDADES_COLABORATIVAS_P)

BMP_BIN$Q57_INTERCALADA_HORARIO_TRABALHO_P <- factor(
  BMP_2$Q57_INTERCALADA_HORARIO_TRABALHO_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q57_INTERCALADA_HORARIO_TRABALHO_P)

BMP_BIN$Q55_PARTICIPACAO_COLEGA_NP <- factor(
  BMP_2$Q55_PARTICIPACAO_COLEGA_NP, 
  label = c("Nunca_ou_pouca", "Nunca_ou_pouca", "Muitas_ou_sempre","Muitas_ou_sempre"),
  levels = c("Nunca","Poucas_vezes","Muitas_vezes", "Sempre"))

graf_barras(BMP_BIN, Q55_PARTICIPACAO_COLEGA_NP)

BMP_BIN$Q56_ATIVIDADES_COLABORATIVAS_NP <- factor(
  BMP_2$Q56_ATIVIDADES_COLABORATIVAS_NP, 
  label = c("Nunca_ou_pouca", "Nunca_ou_pouca", "Muitas_ou_sempre","Muitas_ou_sempre"),
  levels = c("Nunca","Poucas_vezes","Muitas_vezes", "Sempre"))

graf_barras(BMP_BIN, Q56_ATIVIDADES_COLABORATIVAS_NP)

BMP_BIN$Q57_INTERCALADA_HORARIO_TRABALHO_NP <- factor(
  BMP_2$Q57_INTERCALADA_HORARIO_TRABALHO_NP, 
  label = c("Nunca_ou_pouca", "Nunca_ou_pouca", "Muitas_ou_sempre","Muitas_ou_sempre"),
  levels = c("Nunca","Poucas_vezes","Muitas_vezes", "Sempre"))

graf_barras(BMP_BIN, Q57_INTERCALADA_HORARIO_TRABALHO_NP)

2.5.3 Pós-graduação

BMP_BIN$Q58_ESPECIALIZACAO_P <- factor(
  BMP_2$Q58_ESPECIALIZACAO_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q58_ESPECIALIZACAO_P)

BMP_BIN$Q59_MESTRADO_P <- factor(
  BMP_2$Q59_MESTRADO_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q59_MESTRADO_P)

BMP_BIN$Q60_DOUTORADO_P <- factor(
  BMP_2$Q60_DOUTORADO_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q60_DOUTORADO_P)

BMP_BIN$Q58_ESPECIALIZACAO_A <- factor(
  BMP_2$Q58_ESPECIALIZACAO_A, 
  label = c("Sem_apoio", "Com_apoio", "Com_apoio"),
  levels = c("Sem_apoio", "Apoio_parcial", "Apoio_total"))

graf_barras(BMP_BIN, Q58_ESPECIALIZACAO_A)

BMP_BIN$Q59_MESTRADO_A <- factor(
  BMP_2$Q59_MESTRADO_A, 
  label = c("Sem_apoio", "Com_apoio", "Com_apoio"),
  levels = c("Sem_apoio", "Apoio_parcial", "Apoio_total"))

graf_barras(BMP_BIN, Q59_MESTRADO_A)

BMP_BIN$Q60_DOUTORADO_A <- factor(
  BMP_2$Q60_DOUTORADO_A, 
  label = c("Sem_apoio", "Com_apoio", "Com_apoio"),
  levels = c("Sem_apoio", "Apoio_parcial", "Apoio_total"))

graf_barras(BMP_BIN, Q60_DOUTORADO_A)

2.6 Contribuição

2.6.1 Ensino de matemática

BMP_BIN$Q61_CONTEUDO_P <- factor(
  BMP_2$Q61_CONTEUDO_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q61_CONTEUDO_P)

BMP_BIN$Q61_CONTEUDO_C <- factor(
  BMP_2$Q61_CONTEUDO_C, 
  label = c("Pouco_ou_nada_contribuiu","Pouco_ou_nada_contribuiu","Contribuiu_muito_ou_razoavelmente", "Contribuiu_muito_ou_razoavelmente"),
  levels = c("Nao_contribuiu","Contribuiu_pouco","Contribuiu_razoavelmente", "Contribuiu_muito"))

graf_barras(BMP_BIN, Q61_CONTEUDO_C)

2.6.2 Aprendizagem e avaliação

BMP_BIN$Q62_APRENDIZAGEM_P <- factor(
  BMP_2$Q62_APRENDIZAGEM_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q62_APRENDIZAGEM_P)

BMP_BIN$Q63_AVALIACAO_P <- factor(
  BMP_2$Q63_AVALIACAO_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q63_AVALIACAO_P)

BMP_BIN$Q62_APRENDIZAGEM_C <- factor(
  BMP_2$Q62_APRENDIZAGEM_C, 
label = c("Pouco_ou_nada_contribuiu","Pouco_ou_nada_contribuiu","Contribuiu_muito_ou_razoavelmente", "Contribuiu_muito_ou_razoavelmente"),
  levels = c("Nao_contribuiu","Contribuiu_pouco","Contribuiu_razoavelmente", "Contribuiu_muito"))

graf_barras(BMP_BIN, Q62_APRENDIZAGEM_C)

BMP_BIN$Q63_AVALIACAO_C <- factor(
  BMP_2$Q63_AVALIACAO_C, 
label = c("Pouco_ou_nada_contribuiu","Pouco_ou_nada_contribuiu","Contribuiu_muito_ou_razoavelmente", "Contribuiu_muito_ou_razoavelmente"),
  levels = c("Nao_contribuiu","Contribuiu_pouco","Contribuiu_razoavelmente", "Contribuiu_muito"))

graf_barras(BMP_BIN, Q63_AVALIACAO_C)

2.6.3 Conhecimentos pedagógicos

BMP_BIN$Q66_METODOLOGIA_ENSINO_P <- factor(
  BMP_2$Q66_METODOLOGIA_ENSINO_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q66_METODOLOGIA_ENSINO_P)

BMP_BIN$Q66_METODOLOGIA_ENSINO_C <- factor(
  BMP_2$Q66_METODOLOGIA_ENSINO_C, 
label = c("Pouco_ou_nada_contribuiu","Pouco_ou_nada_contribuiu","Contribuiu_muito_ou_razoavelmente", "Contribuiu_muito_ou_razoavelmente"),
  levels = c("Nao_contribuiu","Contribuiu_pouco","Contribuiu_razoavelmente", "Contribuiu_muito"))

graf_barras(BMP_BIN, Q66_METODOLOGIA_ENSINO_C)

2.6.4 Convívio escolar

BMP_BIN$Q65_TRABALHO_COLABORATIVO_P <- factor(
    BMP_2$Q65_TRABALHO_COLABORATIVO_P,
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q65_TRABALHO_COLABORATIVO_P)

BMP_BIN$Q67_MEDIACAO_CONFLITO_P <- factor(
  BMP_2$Q67_MEDIACAO_CONFLITO_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q67_MEDIACAO_CONFLITO_P)

BMP_BIN$Q65_TRABALHO_COLABORATIVO_C <- factor(
  BMP_2$Q65_TRABALHO_COLABORATIVO_C, 
label = c("Pouco_ou_nada_contribuiu","Pouco_ou_nada_contribuiu","Contribuiu_muito_ou_razoavelmente", "Contribuiu_muito_ou_razoavelmente"),
  levels = c("Nao_contribuiu","Contribuiu_pouco","Contribuiu_razoavelmente", "Contribuiu_muito"))

graf_barras(BMP_BIN, Q65_TRABALHO_COLABORATIVO_C)

BMP_BIN$Q67_MEDIACAO_CONFLITO_C <- factor(
  BMP_2$Q67_MEDIACAO_CONFLITO_C, 
label = c("Pouco_ou_nada_contribuiu","Pouco_ou_nada_contribuiu","Contribuiu_muito_ou_razoavelmente", "Contribuiu_muito_ou_razoavelmente"),
  levels = c("Nao_contribuiu","Contribuiu_pouco","Contribuiu_razoavelmente", "Contribuiu_muito"))

graf_barras(BMP_BIN, Q67_MEDIACAO_CONFLITO_C)

2.6.5 Temas emergentes

BMP_BIN$Q64_TECNOLOGIA_INFORMACAO_P <- factor(
  BMP_2$Q64_TECNOLOGIA_INFORMACAO_P, 
  label = c("Nao", "Sim"),
  levels = c("Nao", "Sim"))

graf_barras(BMP_BIN, Q64_TECNOLOGIA_INFORMACAO_P)

BMP_BIN$Q64_TECNOLOGIA_INFORMACAO_C <- factor(
  BMP_2$Q64_TECNOLOGIA_INFORMACAO_C, 
label = c("Pouco_ou_nada_contribuiu","Pouco_ou_nada_contribuiu","Contribuiu_muito_ou_razoavelmente", "Contribuiu_muito_ou_razoavelmente"),
  levels = c("Nao_contribuiu","Contribuiu_pouco","Contribuiu_razoavelmente", "Contribuiu_muito"))

graf_barras(BMP_BIN, Q64_TECNOLOGIA_INFORMACAO_C)

3 CARACTERÍSTICAS DOS PROFESSORES

3.1 Características gerais

3.1.1 Características das escolas

BMP_BIN_CAR_ESC <- BMP_BIN %>%
  dplyr::select(TERRITORIO, AREA, LOCALIZACAO, SERIE ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
    add_overall()%>%
  add_p()
  
BMP_BIN_CAR_ESC
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
AREA






<0.001
    Capital 61,481 (84%) 2,838 (71%) 1,324 (90%) 5,890 (78%) 19,410 (88%) 9,548 (92%) 22,471 (82%)
    Interior 11,334 (16%) 1,143 (29%) 143 (9.7%) 1,660 (22%) 2,764 (12%) 799 (7.7%) 4,825 (18%)
LOCALIZACAO






<0.001
    Urbana 62,089 (85%) 3,670 (92%) 1,210 (82%) 5,480 (73%) 16,334 (74%) 9,433 (91%) 25,962 (95%)
    Rural 10,726 (15%) 311 (7.8%) 257 (18%) 2,070 (27%) 5,840 (26%) 914 (8.8%) 1,334 (4.9%)
SERIE






<0.001
    9EF 44,855 (62%) 2,385 (60%) 883 (60%) 4,912 (65%) 14,392 (65%) 6,600 (64%) 15,683 (57%)
    3EM 27,960 (38%) 1,596 (40%) 584 (40%) 2,638 (35%) 7,782 (35%) 3,747 (36%) 11,613 (43%)
1 n (%)
2 Pearson’s Chi-squared test

3.1.2 Características pessoais

BMP_BIN_CAR_PES <- BMP_BIN %>%
  dplyr::select(TERRITORIO, Q1_SEXO, Q2_RACA, Q3_IDADE, Q4_PCD) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
    add_overall()%>%
  add_p()

BMP_BIN_CAR_PES
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q1_SEXO






<0.001
    Masculino 36,949 (51%) 1,908 (48%) 689 (48%) 5,059 (67%) 14,122 (64%) 3,168 (31%) 12,003 (44%)
    Feminino 35,315 (49%) 2,062 (52%) 760 (52%) 2,450 (33%) 7,887 (36%) 7,135 (69%) 15,021 (56%)
Q2_RACA






<0.001
    Branca 33,214 (48%) 1,606 (42%) 542 (39%) 1,088 (15%) 5,056 (24%) 8,677 (86%) 16,245 (62%)
    Preta_ou_Parda 36,687 (52%) 2,200 (58%) 853 (61%) 6,029 (85%) 16,203 (76%) 1,429 (14%) 9,973 (38%)
Q3_IDADE






<0.001
    Ate_39 27,160 (38%) 1,787 (45%) 653 (45%) 2,962 (40%) 9,444 (43%) 3,741 (36%) 8,573 (32%)
    Acima_de_39 44,889 (62%) 2,175 (55%) 796 (55%) 4,518 (60%) 12,499 (57%) 6,545 (64%) 18,356 (68%)
Q4_PCD






0.7
    Nao 70,194 (97%) 3,851 (97%) 1,415 (98%) 7,299 (98%) 21,369 (97%) 10,000 (97%) 26,260 (98%)
    Sim 1,819 (2.5%) 105 (2.7%) 34 (2.3%) 176 (2.4%) 568 (2.6%) 273 (2.7%) 663 (2.5%)
1 n (%)
2 Pearson’s Chi-squared test

3.1.3 Características trabalhistas

BMP_BIN_CAR_TRA <- BMP_BIN %>%
  dplyr::select(TERRITORIO, Q8_VINCULO_TRABALHISTA, Q10_SALARIO, ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_CAR_TRA
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q8_VINCULO_TRABALHISTA






<0.001
    Temporario 22,834 (33%) 2,009 (52%) 705 (49%) 2,354 (32%) 6,635 (31%) 4,115 (41%) 7,016 (27%)
    Efetivo 47,308 (67%) 1,890 (48%) 726 (51%) 5,020 (68%) 14,783 (69%) 5,949 (59%) 18,940 (73%)
Q10_SALARIO






<0.001
    Ate_4400 42,414 (59%) 1,658 (42%) 593 (41%) 3,792 (51%) 13,754 (63%) 5,913 (58%) 16,704 (62%)
    Acima_de_4400 29,382 (41%) 2,299 (58%) 850 (59%) 3,679 (49%) 8,100 (37%) 4,325 (42%) 10,129 (38%)
1 n (%)
2 Pearson’s Chi-squared test

3.2 Presenças

3.2.1 Presença na rede

BMP_BIN_PRE_RED <- BMP_BIN %>%
  dplyr::select(TERRITORIO, Q5_ANOS_DOCENCIA, Q9_HORAS_SEMANAIS, Q11_OUTRA_ATIVIDADE) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
    add_overall()%>%
  add_p()

BMP_BIN_PRE_RED
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q5_ANOS_DOCENCIA






<0.001
    Ate_10 22,050 (31%) 1,460 (37%) 561 (39%) 2,453 (33%) 6,522 (30%) 3,270 (32%) 7,784 (29%)
    Acima_de_10 49,741 (69%) 2,485 (63%) 880 (61%) 4,995 (67%) 15,332 (70%) 6,974 (68%) 19,075 (71%)
Q9_HORAS_SEMANAIS






<0.001
    Ate_30 36,605 (51%) 1,300 (33%) 972 (68%) 3,662 (49%) 12,414 (57%) 4,960 (48%) 13,297 (50%)
    Acima_de_30 35,250 (49%) 2,656 (67%) 467 (32%) 3,797 (51%) 9,483 (43%) 5,296 (52%) 13,551 (50%)
Q11_OUTRA_ATIVIDADE






<0.001
    Nao 62,265 (87%) 3,429 (87%) 1,319 (91%) 6,690 (89%) 19,075 (87%) 8,773 (86%) 22,979 (86%)
    Sim 9,658 (13%) 530 (13%) 127 (8.8%) 791 (11%) 2,828 (13%) 1,487 (14%) 3,895 (14%)
1 n (%)
2 Pearson’s Chi-squared test

3.2.2 Presença na escola

BMP_BIN_PRE_ESC <- BMP_BIN %>%
  dplyr::select(TERRITORIO, Q6_ANOS_NA_ESCOLA, Q7_QUANTIDADE_ESCOLAS, ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_PRE_ESC
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q6_ANOS_NA_ESCOLA






<0.001
    Ate_5 35,689 (50%) 2,265 (57%) 845 (58%) 3,714 (50%) 10,762 (49%) 4,905 (48%) 13,198 (49%)
    Acima_de_5 36,264 (50%) 1,693 (43%) 603 (42%) 3,769 (50%) 11,151 (51%) 5,361 (52%) 13,687 (51%)
Q7_QUANTIDADE_ESCOLAS






<0.001
    Uma 38,449 (53%) 2,456 (62%) 894 (62%) 4,111 (55%) 10,802 (49%) 5,266 (51%) 14,920 (55%)
    Duas_ou_mais 33,556 (47%) 1,503 (38%) 553 (38%) 3,378 (45%) 11,123 (51%) 5,012 (49%) 11,987 (45%)
1 n (%)
2 Pearson’s Chi-squared test

3.3 Percepção da profissão

3.3.1 Aspectos objetivos

BMP_BIN_PER_OBJ <- BMP_BIN %>%
  dplyr::select(TERRITORIO, Q13_DOCENCIA_VALORIZADA, Q14_VANTAGENS_SUPERAM_DESVANTAGENS) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_PER_OBJ
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q13_DOCENCIA_VALORIZADA






<0.001
    Discordancia 60,624 (84%) 3,213 (81%) 1,242 (86%) 6,039 (81%) 17,989 (82%) 8,986 (88%) 23,155 (86%)
    Concordancia 11,263 (16%) 745 (19%) 204 (14%) 1,438 (19%) 3,906 (18%) 1,265 (12%) 3,705 (14%)
Q14_VANTAGENS_SUPERAM_DESVANTAGENS






<0.001
    Discordancia 37,364 (52%) 1,704 (43%) 735 (51%) 3,575 (48%) 9,702 (44%) 5,977 (58%) 15,671 (58%)
    Concordancia 34,467 (48%) 2,247 (57%) 710 (49%) 3,898 (52%) 12,175 (56%) 4,267 (42%) 11,170 (42%)
1 n (%)
2 Pearson’s Chi-squared test

3.3.2 Aspectos subjetivos

BMP_BIN_PER_SUB <- BMP_BIN %>%
  dplyr::select(TERRITORIO, Q12_REALIZACAO_SONHO, Q15_SATISFACAO_PROFISSIONAL, Q16_VONTADE_DESISTIR) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_PER_SUB
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q12_REALIZACAO_SONHO






<0.001
    Discordancia 10,869 (15%) 552 (14%) 282 (20%) 1,298 (17%) 3,456 (16%) 1,274 (12%) 4,007 (15%)
    Concordancia 60,941 (85%) 3,402 (86%) 1,163 (80%) 6,171 (83%) 18,423 (84%) 8,968 (88%) 22,814 (85%)
Q15_SATISFACAO_PROFISSIONAL






<0.001
    Discordancia 15,638 (22%) 652 (16%) 321 (22%) 1,424 (19%) 3,638 (17%) 2,817 (28%) 6,786 (25%)
    Concordancia 56,161 (78%) 3,301 (84%) 1,121 (78%) 6,049 (81%) 18,231 (83%) 7,421 (72%) 20,038 (75%)
Q16_VONTADE_DESISTIR






<0.001
    Discordancia 59,792 (83%) 3,289 (83%) 1,133 (79%) 6,351 (85%) 19,326 (88%) 7,919 (77%) 21,774 (81%)
    Concordancia 12,005 (17%) 662 (17%) 307 (21%) 1,108 (15%) 2,542 (12%) 2,327 (23%) 5,059 (19%)
1 n (%)
2 Pearson’s Chi-squared test

4 FORMAÇÃO PROFRISSIONAL

4.1 Necessidades formativas

4.1.1 Geral

4.1.2 Ensino de Matemática

BMP_NEC_GERAL <- BMP_BIN %>%
  dplyr::select(TERRITORIO, 
         Q41_CONTEUDO,
         Q42_APRENDIZAGEM,
         Q43_CULTURA_LOCAL,
         Q44_GESTAO_DEMOCRATICA,
         Q45_PLANEJAMENTO_PEDAGOGICO,
         Q46_INSTRUMENTOS_AVALIACAO,
         Q47_PRATICAS_PEDAGOGICAS,
         Q48_METODOLOGIA_PCD,
         Q49_UTILIZAR_CONHECIMENTOS_APRENDIZAGEM,
         Q50_TECNOLOGIA_INFORMACAO,
         Q51_GESTAO_CONFLITOS
         )%>%
  mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_NEC_GERAL
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q41_CONTEUDO






<0.001
    Nenhuma_ou_pouca 29,809 (42%) 1,574 (40%) 574 (40%) 2,722 (36%) 8,401 (38%) 4,313 (42%) 12,225 (46%)
    Moderada_ou_grande 41,868 (58%) 2,372 (60%) 864 (60%) 4,736 (64%) 13,444 (62%) 5,895 (58%) 14,557 (54%)
Q42_APRENDIZAGEM






<0.001
    Nenhuma_ou_pouca 23,709 (33%) 1,260 (32%) 432 (30%) 2,278 (31%) 6,709 (31%) 3,336 (33%) 9,694 (36%)
    Moderada_ou_grande 47,988 (67%) 2,686 (68%) 1,007 (70%) 5,181 (69%) 15,147 (69%) 6,875 (67%) 17,092 (64%)
Q43_CULTURA_LOCAL






<0.001
    Nenhuma_ou_pouca 20,740 (29%) 1,085 (28%) 401 (28%) 1,831 (25%) 5,505 (25%) 3,230 (32%) 8,688 (32%)
    Moderada_ou_grande 50,922 (71%) 2,858 (72%) 1,038 (72%) 5,626 (75%) 16,337 (75%) 6,973 (68%) 18,090 (68%)
Q44_GESTAO_DEMOCRATICA






<0.001
    Nenhuma_ou_pouca 26,625 (37%) 1,472 (37%) 519 (36%) 2,615 (35%) 7,571 (35%) 4,137 (41%) 10,311 (39%)
    Moderada_ou_grande 45,015 (63%) 2,471 (63%) 919 (64%) 4,838 (65%) 14,266 (65%) 6,068 (59%) 16,453 (61%)
Q45_PLANEJAMENTO_PEDAGOGICO






<0.001
    Nenhuma_ou_pouca 25,207 (35%) 1,470 (37%) 501 (35%) 2,381 (32%) 7,213 (33%) 3,771 (37%) 9,871 (37%)
    Moderada_ou_grande 46,449 (65%) 2,474 (63%) 938 (65%) 5,067 (68%) 14,637 (67%) 6,428 (63%) 16,905 (63%)
Q46_INSTRUMENTOS_AVALIACAO






<0.001
    Nenhuma_ou_pouca 25,232 (35%) 1,401 (36%) 511 (36%) 2,433 (33%) 6,853 (31%) 3,624 (36%) 10,410 (39%)
    Moderada_ou_grande 46,440 (65%) 2,544 (64%) 928 (64%) 5,022 (67%) 14,999 (69%) 6,581 (64%) 16,366 (61%)
Q47_PRATICAS_PEDAGOGICAS






<0.001
    Nenhuma_ou_pouca 19,928 (28%) 1,109 (28%) 387 (27%) 1,862 (25%) 5,414 (25%) 2,793 (27%) 8,363 (31%)
    Moderada_ou_grande 51,741 (72%) 2,840 (72%) 1,052 (73%) 5,597 (75%) 16,432 (75%) 7,412 (73%) 18,408 (69%)
Q48_METODOLOGIA_PCD






<0.001
    Nenhuma_ou_pouca 9,545 (13%) 584 (15%) 152 (11%) 957 (13%) 2,771 (13%) 1,433 (14%) 3,648 (14%)
    Moderada_ou_grande 62,094 (87%) 3,362 (85%) 1,287 (89%) 6,487 (87%) 19,066 (87%) 8,774 (86%) 23,118 (86%)
Q49_UTILIZAR_CONHECIMENTOS_APRENDIZAGEM






<0.001
    Nenhuma_ou_pouca 21,043 (29%) 1,150 (29%) 387 (27%) 1,995 (27%) 5,812 (27%) 2,957 (29%) 8,742 (33%)
    Moderada_ou_grande 50,610 (71%) 2,795 (71%) 1,052 (73%) 5,462 (73%) 16,031 (73%) 7,246 (71%) 18,024 (67%)
Q50_TECNOLOGIA_INFORMACAO






<0.001
    Nenhuma_ou_pouca 15,385 (21%) 848 (21%) 292 (20%) 1,416 (19%) 4,390 (20%) 2,074 (20%) 6,365 (24%)
    Moderada_ou_grande 56,259 (79%) 3,099 (79%) 1,148 (80%) 6,038 (81%) 17,445 (80%) 8,123 (80%) 20,406 (76%)
Q51_GESTAO_CONFLITOS






<0.001
    Nenhuma_ou_pouca 24,936 (35%) 1,373 (35%) 526 (37%) 2,782 (37%) 7,655 (35%) 3,329 (33%) 9,271 (35%)
    Moderada_ou_grande 46,670 (65%) 2,569 (65%) 911 (63%) 4,665 (63%) 14,175 (65%) 6,873 (67%) 17,477 (65%)
1 n (%)
2 Pearson’s Chi-squared test 
BMP_BIN_NEC_ENS_MAT <- BMP_BIN %>%
  dplyr::select(TERRITORIO, 
         Q41_CONTEUDO,
         )%>%
  mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_NEC_ENS_MAT
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q41_CONTEUDO






<0.001
    Nenhuma_ou_pouca 29,809 (42%) 1,574 (40%) 574 (40%) 2,722 (36%) 8,401 (38%) 4,313 (42%) 12,225 (46%)
    Moderada_ou_grande 41,868 (58%) 2,372 (60%) 864 (60%) 4,736 (64%) 13,444 (62%) 5,895 (58%) 14,557 (54%)
1 n (%)
2 Pearson’s Chi-squared test

4.1.3 Aprendizagem e avaliação

BMP_BIN_NEC_APR_AVA <- BMP_BIN %>%
  dplyr::select(TERRITORIO,
         Q42_APRENDIZAGEM,
         Q49_UTILIZAR_CONHECIMENTOS_APRENDIZAGEM, 
         Q46_INSTRUMENTOS_AVALIACAO
         ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_NEC_APR_AVA
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q42_APRENDIZAGEM






<0.001
    Nenhuma_ou_pouca 23,709 (33%) 1,260 (32%) 432 (30%) 2,278 (31%) 6,709 (31%) 3,336 (33%) 9,694 (36%)
    Moderada_ou_grande 47,988 (67%) 2,686 (68%) 1,007 (70%) 5,181 (69%) 15,147 (69%) 6,875 (67%) 17,092 (64%)
Q49_UTILIZAR_CONHECIMENTOS_APRENDIZAGEM






<0.001
    Nenhuma_ou_pouca 21,043 (29%) 1,150 (29%) 387 (27%) 1,995 (27%) 5,812 (27%) 2,957 (29%) 8,742 (33%)
    Moderada_ou_grande 50,610 (71%) 2,795 (71%) 1,052 (73%) 5,462 (73%) 16,031 (73%) 7,246 (71%) 18,024 (67%)
Q46_INSTRUMENTOS_AVALIACAO






<0.001
    Nenhuma_ou_pouca 25,232 (35%) 1,401 (36%) 511 (36%) 2,433 (33%) 6,853 (31%) 3,624 (36%) 10,410 (39%)
    Moderada_ou_grande 46,440 (65%) 2,544 (64%) 928 (64%) 5,022 (67%) 14,999 (69%) 6,581 (64%) 16,366 (61%)
1 n (%)
2 Pearson’s Chi-squared test

4.1.4 Conhecimentos pedagógicos

BMP_BIN_NEC_CONH_PED <- BMP_BIN %>%
  dplyr::select(TERRITORIO,
         Q45_PLANEJAMENTO_PEDAGOGICO,
         Q47_PRATICAS_PEDAGOGICAS,
         Q43_CULTURA_LOCAL) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_NEC_CONH_PED
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q45_PLANEJAMENTO_PEDAGOGICO






<0.001
    Nenhuma_ou_pouca 25,207 (35%) 1,470 (37%) 501 (35%) 2,381 (32%) 7,213 (33%) 3,771 (37%) 9,871 (37%)
    Moderada_ou_grande 46,449 (65%) 2,474 (63%) 938 (65%) 5,067 (68%) 14,637 (67%) 6,428 (63%) 16,905 (63%)
Q47_PRATICAS_PEDAGOGICAS






<0.001
    Nenhuma_ou_pouca 19,928 (28%) 1,109 (28%) 387 (27%) 1,862 (25%) 5,414 (25%) 2,793 (27%) 8,363 (31%)
    Moderada_ou_grande 51,741 (72%) 2,840 (72%) 1,052 (73%) 5,597 (75%) 16,432 (75%) 7,412 (73%) 18,408 (69%)
Q43_CULTURA_LOCAL






<0.001
    Nenhuma_ou_pouca 20,740 (29%) 1,085 (28%) 401 (28%) 1,831 (25%) 5,505 (25%) 3,230 (32%) 8,688 (32%)
    Moderada_ou_grande 50,922 (71%) 2,858 (72%) 1,038 (72%) 5,626 (75%) 16,337 (75%) 6,973 (68%) 18,090 (68%)
1 n (%)
2 Pearson’s Chi-squared test

4.1.5 Convívio escolar

BMP_BIN_NEC_CONV_ESC <- BMP_BIN %>%
  dplyr::select(TERRITORIO, 
         Q44_GESTAO_DEMOCRATICA,
         Q51_GESTAO_CONFLITOS,
         ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_NEC_CONV_ESC
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q44_GESTAO_DEMOCRATICA






<0.001
    Nenhuma_ou_pouca 26,625 (37%) 1,472 (37%) 519 (36%) 2,615 (35%) 7,571 (35%) 4,137 (41%) 10,311 (39%)
    Moderada_ou_grande 45,015 (63%) 2,471 (63%) 919 (64%) 4,838 (65%) 14,266 (65%) 6,068 (59%) 16,453 (61%)
Q51_GESTAO_CONFLITOS






<0.001
    Nenhuma_ou_pouca 24,936 (35%) 1,373 (35%) 526 (37%) 2,782 (37%) 7,655 (35%) 3,329 (33%) 9,271 (35%)
    Moderada_ou_grande 46,670 (65%) 2,569 (65%) 911 (63%) 4,665 (63%) 14,175 (65%) 6,873 (67%) 17,477 (65%)
1 n (%)
2 Pearson’s Chi-squared test

4.1.6 Temas emergentes

BMP_BIN_NEC_TEM_EME <- BMP_BIN %>%
  dplyr::select(TERRITORIO, 
         Q48_METODOLOGIA_PCD, 
         Q50_TECNOLOGIA_INFORMACAO
         ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_NEC_TEM_EME
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q48_METODOLOGIA_PCD






<0.001
    Nenhuma_ou_pouca 9,545 (13%) 584 (15%) 152 (11%) 957 (13%) 2,771 (13%) 1,433 (14%) 3,648 (14%)
    Moderada_ou_grande 62,094 (87%) 3,362 (85%) 1,287 (89%) 6,487 (87%) 19,066 (87%) 8,774 (86%) 23,118 (86%)
Q50_TECNOLOGIA_INFORMACAO






<0.001
    Nenhuma_ou_pouca 15,385 (21%) 848 (21%) 292 (20%) 1,416 (19%) 4,390 (20%) 2,074 (20%) 6,365 (24%)
    Moderada_ou_grande 56,259 (79%) 3,099 (79%) 1,148 (80%) 6,038 (81%) 17,445 (80%) 8,123 (80%) 20,406 (76%)
1 n (%)
2 Pearson’s Chi-squared test

4.2 Participação

4.2.1 Participação geral

4.2.2 Atividades formativas por carga horária

BMP_BIN_ATIV_CH <- BMP_BIN %>%
    dplyr::select(TERRITORIO,
           Q52_MENOS_20H_P, Q53_20_A_179H_P, Q54_180_A_360H_P,
           Q52_MENOS_20H_NP, Q53_20_A_179H_NP, Q54_180_A_360H_NP) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_ATIV_CH
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q52_MENOS_20H_P






<0.001
    Nao 19,497 (27%) 944 (24%) 241 (17%) 2,460 (33%) 6,283 (29%) 1,906 (19%) 7,663 (29%)
    Sim 52,103 (73%) 2,997 (76%) 1,197 (83%) 4,990 (67%) 15,548 (71%) 8,281 (81%) 19,090 (71%)
Q53_20_A_179H_P






<0.001
    Nao 27,295 (38%) 1,098 (28%) 171 (12%) 3,939 (53%) 9,807 (45%) 3,382 (33%) 8,898 (33%)
    Sim 44,328 (62%) 2,844 (72%) 1,265 (88%) 3,515 (47%) 12,032 (55%) 6,813 (67%) 17,859 (67%)
Q54_180_A_360H_P






<0.001
    Nao 48,306 (67%) 2,311 (59%) 770 (54%) 5,259 (71%) 14,776 (68%) 7,517 (74%) 17,673 (66%)
    Sim 23,318 (33%) 1,632 (41%) 666 (46%) 2,193 (29%) 7,065 (32%) 2,678 (26%) 9,084 (34%)
Q52_MENOS_20H_NP






<0.001
    Uma 14,026 (27%) 744 (25%) 246 (21%) 1,682 (34%) 4,602 (30%) 2,012 (24%) 4,740 (25%)
    Duas_ou_mais 38,077 (73%) 2,253 (75%) 951 (79%) 3,308 (66%) 10,946 (70%) 6,269 (76%) 14,350 (75%)
Q53_20_A_179H_NP






<0.001
    Uma 19,530 (44%) 1,241 (44%) 351 (28%) 1,838 (52%) 6,100 (51%) 3,208 (47%) 6,792 (38%)
    Duas_ou_mais 24,798 (56%) 1,603 (56%) 914 (72%) 1,677 (48%) 5,932 (49%) 3,605 (53%) 11,067 (62%)
Q54_180_A_360H_NP






<0.001
    Uma 14,612 (63%) 1,064 (65%) 398 (60%) 1,420 (65%) 4,483 (63%) 1,707 (64%) 5,540 (61%)
    Duas_ou_mais 8,706 (37%) 568 (35%) 268 (40%) 773 (35%) 2,582 (37%) 971 (36%) 3,544 (39%)
1 n (%)
2 Pearson’s Chi-squared test

4.2.3 Características das atividades formativas

BMP_BIN_CAR_ATIV_CH <- BMP_BIN %>%
  dplyr::select(TERRITORIO, 
         Q55_PARTICIPACAO_COLEGA_P,
         Q56_ATIVIDADES_COLABORATIVAS_P,
         Q57_INTERCALADA_HORARIO_TRABALHO_P,
         Q55_PARTICIPACAO_COLEGA_NP,
         Q56_ATIVIDADES_COLABORATIVAS_NP,
         Q57_INTERCALADA_HORARIO_TRABALHO_NP) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_CAR_ATIV_CH
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q55_PARTICIPACAO_COLEGA_P






<0.001
    Nao 16,778 (23%) 710 (18%) 167 (12%) 2,289 (31%) 5,854 (27%) 1,388 (14%) 6,370 (24%)
    Sim 54,797 (77%) 3,228 (82%) 1,271 (88%) 5,157 (69%) 15,977 (73%) 8,807 (86%) 20,357 (76%)
Q56_ATIVIDADES_COLABORATIVAS_P






<0.001
    Nao 15,862 (22%) 653 (17%) 149 (10%) 2,183 (29%) 5,395 (25%) 1,504 (15%) 5,978 (22%)
    Sim 55,729 (78%) 3,284 (83%) 1,289 (90%) 5,265 (71%) 16,441 (75%) 8,693 (85%) 20,757 (78%)
Q57_INTERCALADA_HORARIO_TRABALHO_P






<0.001
    Nao 16,465 (23%) 688 (18%) 148 (10%) 2,193 (29%) 5,560 (25%) 1,649 (16%) 6,227 (23%)
    Sim 55,082 (77%) 3,242 (82%) 1,289 (90%) 5,247 (71%) 16,263 (75%) 8,545 (84%) 20,496 (77%)
Q55_PARTICIPACAO_COLEGA_NP






<0.001
    Nunca_ou_pouca 25,088 (46%) 1,456 (45%) 525 (41%) 2,886 (56%) 8,098 (51%) 3,017 (34%) 9,106 (45%)
    Muitas_ou_sempre 29,709 (54%) 1,772 (55%) 746 (59%) 2,271 (44%) 7,879 (49%) 5,790 (66%) 11,251 (55%)
Q56_ATIVIDADES_COLABORATIVAS_NP






<0.001
    Nunca_ou_pouca 25,697 (46%) 1,430 (44%) 565 (44%) 2,953 (56%) 8,139 (50%) 3,637 (42%) 8,973 (43%)
    Muitas_ou_sempre 30,032 (54%) 1,854 (56%) 724 (56%) 2,312 (44%) 8,302 (50%) 5,056 (58%) 11,784 (57%)
Q57_INTERCALADA_HORARIO_TRABALHO_NP






<0.001
    Nunca_ou_pouca 28,107 (51%) 1,654 (51%) 635 (49%) 3,029 (58%) 8,579 (53%) 4,261 (50%) 9,949 (49%)
    Muitas_ou_sempre 26,975 (49%) 1,588 (49%) 654 (51%) 2,218 (42%) 7,684 (47%) 4,284 (50%) 10,547 (51%)
1 n (%)
2 Pearson’s Chi-squared test

4.2.4 Pós-graduação

BMP_BIN_POS <- BMP_BIN %>%
  dplyr::select(TERRITORIO, 
         Q58_ESPECIALIZACAO_P, Q59_MESTRADO_P, Q60_DOUTORADO_P,
         Q58_ESPECIALIZACAO_A, Q59_MESTRADO_A, Q60_DOUTORADO_A) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_POS
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q58_ESPECIALIZACAO_P






<0.001
    Nao 54,132 (76%) 2,830 (72%) 1,074 (75%) 5,453 (73%) 16,207 (74%) 7,812 (77%) 20,756 (78%)
    Sim 17,444 (24%) 1,108 (28%) 363 (25%) 1,998 (27%) 5,613 (26%) 2,378 (23%) 5,984 (22%)
Q59_MESTRADO_P






<0.001
    Nao 66,465 (93%) 3,601 (91%) 1,294 (90%) 6,743 (91%) 20,272 (93%) 9,391 (92%) 25,164 (94%)
    Sim 5,077 (7.1%) 336 (8.5%) 140 (9.8%) 694 (9.3%) 1,533 (7.0%) 795 (7.8%) 1,579 (5.9%)
Q60_DOUTORADO_P






0.7
    Nao 70,137 (98%) 3,851 (98%) 1,410 (98%) 7,275 (98%) 21,385 (98%) 9,981 (98%) 26,235 (98%)
    Sim 1,402 (2.0%) 85 (2.2%) 26 (1.8%) 158 (2.1%) 417 (1.9%) 204 (2.0%) 512 (1.9%)
Q58_ESPECIALIZACAO_A






<0.001
    Sem_apoio 13,454 (77%) 795 (72%) 283 (78%) 1,519 (76%) 4,294 (77%) 1,902 (80%) 4,661 (78%)
    Com_apoio 3,990 (23%) 313 (28%) 80 (22%) 479 (24%) 1,319 (23%) 476 (20%) 1,323 (22%)
Q59_MESTRADO_A






0.019
    Sem_apoio 3,394 (67%) 203 (60%) 91 (65%) 470 (68%) 1,016 (66%) 565 (71%) 1,049 (66%)
    Com_apoio 1,683 (33%) 133 (40%) 49 (35%) 224 (32%) 517 (34%) 230 (29%) 530 (34%)
Q60_DOUTORADO_A






0.078
    Sem_apoio 796 (57%) 42 (49%) 18 (69%) 89 (56%) 226 (54%) 132 (65%) 289 (56%)
    Com_apoio 606 (43%) 43 (51%) 8 (31%) 69 (44%) 191 (46%) 72 (35%) 223 (44%)
1 n (%)
2 Pearson’s Chi-squared test

4.3 Contribuição

4.3.1 Ensino de Matemática

BMP_BIN_CONT_ENS_MAT <- BMP_BIN %>%
  dplyr::select(TERRITORIO, 
        Q61_CONTEUDO_P,
        Q61_CONTEUDO_C
         ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_CONT_ENS_MAT
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q61_CONTEUDO_P






<0.001
    Nao 17,476 (24%) 737 (19%) 119 (8.3%) 2,398 (32%) 5,725 (26%) 1,792 (18%) 6,705 (25%)
    Sim 54,140 (76%) 3,202 (81%) 1,321 (92%) 5,058 (68%) 16,098 (74%) 8,405 (82%) 20,056 (75%)
Q61_CONTEUDO_C






<0.001
    Pouco_ou_nada_contribuiu 12,358 (23%) 707 (22%) 264 (20%) 1,193 (24%) 3,120 (19%) 2,578 (31%) 4,496 (22%)
    Contribuiu_muito_ou_razoavelmente 41,782 (77%) 2,495 (78%) 1,057 (80%) 3,865 (76%) 12,978 (81%) 5,827 (69%) 15,560 (78%)
1 n (%)
2 Pearson’s Chi-squared test

4.3.2 Aprendizagem e avaliação

BMP_BIN_CONT_APR_AVA  <- BMP_BIN %>%
  dplyr::select(TERRITORIO, 
        Q62_APRENDIZAGEM_P, 
        Q63_AVALIACAO_P,
        Q62_APRENDIZAGEM_C, 
        Q63_AVALIACAO_C,
         ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_CONT_APR_AVA
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q62_APRENDIZAGEM_P






<0.001
    Nao 15,238 (21%) 635 (16%) 117 (8.1%) 2,164 (29%) 5,087 (23%) 1,440 (14%) 5,795 (22%)
    Sim 56,390 (79%) 3,304 (84%) 1,321 (92%) 5,291 (71%) 16,745 (77%) 8,759 (86%) 20,970 (78%)
Q63_AVALIACAO_P






<0.001
    Nao 15,280 (21%) 663 (17%) 116 (8.1%) 2,136 (29%) 5,041 (23%) 1,453 (14%) 5,871 (22%)
    Sim 56,345 (79%) 3,277 (83%) 1,324 (92%) 5,315 (71%) 16,789 (77%) 8,747 (86%) 20,893 (78%)
Q62_APRENDIZAGEM_C






<0.001
    Pouco_ou_nada_contribuiu 11,792 (21%) 607 (18%) 262 (20%) 1,147 (22%) 3,070 (18%) 2,479 (28%) 4,227 (20%)
    Contribuiu_muito_ou_razoavelmente 44,598 (79%) 2,697 (82%) 1,059 (80%) 4,144 (78%) 13,675 (82%) 6,280 (72%) 16,743 (80%)
Q63_AVALIACAO_C






<0.001
    Pouco_ou_nada_contribuiu 13,720 (24%) 733 (22%) 323 (24%) 1,260 (24%) 3,629 (22%) 2,848 (33%) 4,927 (24%)
    Contribuiu_muito_ou_razoavelmente 42,625 (76%) 2,544 (78%) 1,001 (76%) 4,055 (76%) 13,160 (78%) 5,899 (67%) 15,966 (76%)
1 n (%)
2 Pearson’s Chi-squared test

4.3.3 Conhecimentos pedagógicos

BMP_BIN_CONT_CONH_PED  <- BMP_BIN %>%
  dplyr::select(TERRITORIO, 
        Q66_METODOLOGIA_ENSINO_P, 
        Q66_METODOLOGIA_ENSINO_C
         ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_CONT_CONH_PED
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q66_METODOLOGIA_ENSINO_P






<0.001
    Nao 13,504 (19%) 565 (14%) 102 (7.1%) 1,904 (26%) 4,514 (21%) 1,311 (13%) 5,108 (19%)
    Sim 58,103 (81%) 3,373 (86%) 1,337 (93%) 5,544 (74%) 17,304 (79%) 8,886 (87%) 21,659 (81%)
Q66_METODOLOGIA_ENSINO_C






<0.001
    Pouco_ou_nada_contribuiu 11,153 (19%) 628 (19%) 261 (20%) 1,128 (20%) 2,919 (17%) 2,355 (27%) 3,862 (18%)
    Contribuiu_muito_ou_razoavelmente 46,950 (81%) 2,745 (81%) 1,076 (80%) 4,416 (80%) 14,385 (83%) 6,531 (73%) 17,797 (82%)
1 n (%)
2 Pearson’s Chi-squared test

4.3.4 Convívio escolar

BMP_BIN_CONT_CONV_ESC  <- BMP_BIN %>%
  dplyr::select(TERRITORIO, 
        Q65_TRABALHO_COLABORATIVO_P, 
        Q67_MEDIACAO_CONFLITO_P,
        Q65_TRABALHO_COLABORATIVO_C, 
        Q67_MEDIACAO_CONFLITO_C
         ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_CONT_CONV_ESC
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q65_TRABALHO_COLABORATIVO_P






<0.001
    Nao 14,253 (20%) 621 (16%) 122 (8.5%) 1,949 (26%) 4,749 (22%) 1,460 (14%) 5,352 (20%)
    Sim 57,366 (80%) 3,315 (84%) 1,318 (92%) 5,504 (74%) 17,075 (78%) 8,742 (86%) 21,412 (80%)
Q67_MEDIACAO_CONFLITO_P






<0.001
    Nao 17,482 (24%) 774 (20%) 166 (12%) 2,359 (32%) 5,755 (26%) 1,878 (18%) 6,550 (25%)
    Sim 54,056 (76%) 3,158 (80%) 1,271 (88%) 5,088 (68%) 16,055 (74%) 8,307 (82%) 20,177 (75%)
Q65_TRABALHO_COLABORATIVO_C






<0.001
    Pouco_ou_nada_contribuiu 14,540 (25%) 855 (26%) 397 (30%) 1,411 (26%) 4,012 (23%) 2,936 (34%) 4,929 (23%)
    Contribuiu_muito_ou_razoavelmente 42,826 (75%) 2,460 (74%) 921 (70%) 4,093 (74%) 13,063 (77%) 5,806 (66%) 16,483 (77%)
Q67_MEDIACAO_CONFLITO_C






<0.001
    Pouco_ou_nada_contribuiu 19,898 (37%) 1,092 (35%) 519 (41%) 1,699 (33%) 5,445 (34%) 3,850 (46%) 7,293 (36%)
    Contribuiu_muito_ou_razoavelmente 34,158 (63%) 2,066 (65%) 752 (59%) 3,389 (67%) 10,610 (66%) 4,457 (54%) 12,884 (64%)
1 n (%)
2 Pearson’s Chi-squared test

4.3.5 Temas emergentes

BMP_BIN_CONT_TEM_EME  <- BMP_BIN %>%
  dplyr::select(TERRITORIO,
         Q64_TECNOLOGIA_INFORMACAO_P,
         Q64_TECNOLOGIA_INFORMACAO_C
         ) %>%
    mutate(TERRITORIO = factor(TERRITORIO, labels = c("N", "NE", "SE", "S", "CO", "MT"))) %>%
  tbl_summary(
    by = TERRITORIO, missing = "no") %>% 
  modify_header(update =list(label  ~  "**VARIÁVEIS**"))%>% 
    modify_spanning_header(update = all_stat_cols() ~ "**REGIÕES**") %>%
    bold_labels()%>%
  add_overall()%>%
  add_p()

BMP_BIN_CONT_TEM_EME
VARIÁVEIS Overall, N = 72,8151 REGIÕES p-value2
N, N = 3,9811 NE, N = 1,4671 SE, N = 7,5501 S, N = 22,1741 CO, N = 10,3471 MT, N = 27,2961
Q64_TECNOLOGIA_INFORMACAO_P






<0.001
    Nao 13,142 (18%) 574 (15%) 104 (7.2%) 1,932 (26%) 4,406 (20%) 1,314 (13%) 4,812 (18%)
    Sim 58,461 (82%) 3,365 (85%) 1,335 (93%) 5,520 (74%) 17,414 (80%) 8,881 (87%) 21,946 (82%)
Q64_TECNOLOGIA_INFORMACAO_C






<0.001
    Pouco_ou_nada_contribuiu 11,000 (19%) 683 (20%) 235 (18%) 1,239 (22%) 3,020 (17%) 2,174 (24%) 3,649 (17%)
    Contribuiu_muito_ou_razoavelmente 47,461 (81%) 2,682 (80%) 1,100 (82%) 4,281 (78%) 14,394 (83%) 6,707 (76%) 18,297 (83%)
1 n (%)
2 Pearson’s Chi-squared test

5 GRAVAÇÃO DO BANCO

5.1 Gravação

write_excel_csv2(BMP_BIN, file = "BMP_BIN.csv")