Latinobarômetro - Referência para Análise
Opinião quanto à aceitação da desigualdade
Raphael Lapa
2025-04-18
Latinobarômetro
O Latinobarômetro - Rodada 2023 foi aplicado em sua última versão em 19 países.
Trata-se de pesquisa anual de opinião pública que busca identificar atitudes e opiniões sobre temas como democracia, sociedade, economia etc.
É realizado por uma corporação de direito privado sem fins lucrativos, localizada em Santiago/Chile
Mais informações podem ser encontradas em https://www.latinobarometro.org/
Objetivos
Esse código tem por objetivo principal verificar a opinião de entrevistados quanto à aceitação dos níveis de (des)igualdade de seu próprio país.
A questão é a P61ST: “El nivel de desigualdad de su país es aceptable o inaceptable”
1 - Completamente inaceitável 2 - Completamente aceitável
Carregando a base
library(dplyr)
library(tidyr)
#library(skimr)
#library(scales)
library(ggplot2)
library(stringr)
library(likert)
library(RColorBrewer)
library(forcats)
library(showtext)
library(sysfonts)
library(ggpubr)
library(kableExtra)
#library(mfx) #para odds ratio
library(broom)
library(car)
setwd("C:/Users/raphael.rsl/Desktop/R/Latinobarometro/F00017014-Latinobarometro_2023_Rdata_v1_0")
load(file.path("C:/Users/raphael.rsl/Desktop/R/Latinobarometro/F00017014-Latinobarometro_2023_Rdata_v1_0/Latinobarometro_2023_Eng_Rdata_v1_0.RData"))
lb2023 = Latinobarometro_2023_Eng_v1_0
#rm(Latinobarometro_2023_Eng_v1_0) - #mantido para ponto de retorno
showtext_opts(dpi = 300)Em primeiro lugar faremos a transformação das variáveis de código de país. Na rodada de 2023 há 19 países.
#Países
lb2023 <- lb2023 %>%
mutate(idenpa = factor(case_when(idenpa == "32" ~ "Argentina",
idenpa == "68" ~ "Bolivia",
idenpa == "76" ~ "Brasil",
idenpa == "152" ~ "Chile",
idenpa == "170" ~ "Colombia",
idenpa == "188" ~ "Costa Rica",
idenpa == "214" ~ "Rep. Dominicana",
idenpa == "218" ~ "Ecuador",
idenpa == "222" ~ "El Salvador",
idenpa == "320" ~ "Guatemala",
idenpa == "340" ~ "Honduras",
idenpa == "484" ~ "México",
idenpa == "558" ~ "Nicaragua",
idenpa == "591" ~ "Panamá",
idenpa == "600" ~ "Paraguay",
idenpa == "604" ~ "Perú",
idenpa == "724" ~ "España",
idenpa == "858" ~ "Uruguay",
idenpa == "862" ~ "Venezuela",
TRUE ~ as.character(idenpa))))Categorias Auxiliares
Em seguida criamos uma variável auxiliar: esq_dir a partir da questão:
P16ST. In politics, people normally speak of “left” and “right”. On a scale where 0 is left and 10 is right, where would you place yourself?
As respostas estão em uma escala de 0 (Esquerda) a 10 (Direita). Nesse sentido, os valores de 0 a 4 foram agrupados como esquerda, o valor 5 como centro e os valores de 6 a 10 como Direita. Trata-se de autoclassificação.
#Criando direita, esquerda, centro
lb2023 <- lb2023 %>%
mutate(esq_dir = factor((case_when(P16ST %in% c(0:4) ~ "Esquerda",
P16ST == "5" ~ "Centro",
P16ST %in% c(6:10) ~ "Direita",
P16ST == "97" ~ "Não se identifica",
P16ST %in% c(-1:-2) ~ "Não sabe")), #não sabe ou não quis
levels = c("Esquerda", "Centro", "Direita", "Não se identifica", "Não sabe"))) %>%
filter (esq_dir != "Não sabe") %>%
mutate(esq_dir = droplevels(esq_dir))
table(lb2023$esq_dir, useNA = "ifany")##
## Esquerda Centro Direita Não se identifica
## 5180 4663 6600 1546table(lb2023$esq_dir[!is.na(lb2023$P61ST)])##
## Esquerda Centro Direita Não se identifica
## 5180 4663 6600 1546teste = lb2023 %>%
mutate(count=1) %>%
group_by(esq_dir) %>%
filter (idenpa == "Brasil") %>%
summarise(peso = sum(wt, na.rm = T), absoluto = sum(count, na.rm = T))
#resultados batem com a análise online. Exceto a utilização do weightA segunda variável auxiliar é a de classe. São cinco classes possíveis, desde a classe alta até a classe baixa. Trata-se de autoclassificação.
#S2. People sometimes describe themselves as belonging to a social class. Would you describe yourself as belonging to
#S2. People sometimes describe themselves as belonging to a social class. Would you describe yourself as belonging to
unique(lb2023$S2)## [1] 4 3 5 -1 1 2 -2lb2023 <- lb2023 %>%
mutate(classe = factor((case_when(S2 == "1" ~ "Classe Alta",
S2 == "2" ~ "Classe Média-Alta",
S2 == "3" ~ "Classe Média",
S2 == "4" ~ "Classe Média-Baixa",
S2 == "5" ~ "Classe Baixa",
P16ST %in% c(-1:-2) ~ "Não sabe")), #não sabe ou não quis
levels = c("Classe Alta", "Classe Média-Alta", "Classe Média", "Classe Média-Baixa","Classe Baixa", "Não sabe")))Análise - Inferencial
Posição Ideológica
A questão é a P61ST: “El nivel de desigualdad de su país es aceptable o inaceptable”
1 - Completamente inaceitável 2 - Completamente aceitável
Em primeiro lugar faremos a transformação dos valores da variável. Trata-se de uma pergunta com duas possibilidades de resposta além de “não sabe” e “não respondeu”. As duas últimas serão agrupadas.
unique(lb2023$P61ST)## [1] 1 7 10 3 4 6 2 5 8 -1 9 -2lb2023 <- lb2023 %>%
filter(!P61ST %in% c(-1, -2))
unique(lb2023$P61ST)## [1] 1 7 10 3 4 6 2 5 8 9A primeira questão pode ser posta da seguinte maneira: “A posição ideológica influencia na opinião sobre desigualdade?”
Ou seja, P61ST (aceitabilidade de desigualdade) é a variável dependente e P16ST (posição ideológica) é a variável independente.
Nesse sentido, a variável de desfecho é somente uma, do tipo contínua. A variável preditora é somente uma do tipo categórico. São mais de duas categorias. São participantes diferentes em cada categoria, ou seja, independentes.
Isto posto, são possíveis duas análises:
ANOVA e Kruskal-Wallis
A primeira é indicado para quando há atendimento aos pressupostos de testes paramêtricos. A segunda quando não há.
Assim, temos que fazer os testes de normalidade
Teste de normalidade por grupo (Shapiro-Wilk)
table(lb2023$esq_dir, useNA = "ifany")##
## Esquerda Centro Direita Não se identifica
## 5043 4579 6393 1389#table(lb2023$esq_dir[!is.na(lb2023$P61ST)])
#by(lb2023$P61ST, lb2023$esq_dir, shapiro.test)
ggplot(lb2023, aes(x = P61ST, fill = esq_dir)) +
geom_density(alpha = 0.4) +
facet_wrap(~ esq_dir) +
theme_minimal()
Shapiro-Wilk aceita somente entre 3 e 5000 observações. Como a categoria “esquerda” ultrapassa esse valor é necessário fazer outro teste.
Entretanto, pelos gráficos já é possível observar que o pressuposto de normalidade não é atendido.
Teste de Levene:
Para verificar a homogeneidade de variância (pra ANOVA)
# Garante que a VI é fator
lb2023$esq_dir <- as.factor(lb2023$esq_dir)
leveneTest(P61ST ~ esq_dir, data = lb2023)## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 3 143.13 < 2.2e-16 ***
## 17400
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Pelo teste de Levene
Com o resultado significativo do teste de Levene (p < 0.001), concluímos que as variâncias dos grupos não são homogêneas.
Sendo assim, é necessário usar Kruskal-Wallis
Kruskal-Wallis - Posição Ideológica
kruskal.test(P61ST ~ esq_dir, data = lb2023)##
## Kruskal-Wallis rank sum test
##
## data: P61ST by esq_dir
## Kruskal-Wallis chi-squared = 632.5, df = 3, p-value < 2.2e-16qui-quadrado: 632.5 graus de liberdade (df) = 3 #usualmente é o número de grupos - 1 p-valor < 0.001
OU
(χ²(3) = 632.5; p < 0.001)
O teste de Kruskal-Wallis indica que há diferenças estatisticamente significativas na aceitação da desigualdade (P61ST) entre pelo menos dois grupos ideológicos (χ²(3) = 632.5; p < 0.001).
Teste Post-Hoc de Dunn:
Para identificar quais grupos diferem entre si
library(FSA)## Registered S3 methods overwritten by 'FSA':
## method from
## confint.boot car
## hist.boot car## ## FSA v0.9.6. See citation('FSA') if used in publication.
## ## Run fishR() for related website and fishR('IFAR') for related book.##
## Attaching package: 'FSA'## The following object is masked from 'package:car':
##
## bootCaseresultado_dunn <- dunnTest(P61ST ~ esq_dir,
data = lb2023,
method = "bonferroni")
resultado_dunn## Dunn (1964) Kruskal-Wallis multiple comparison## p-values adjusted with the Bonferroni method.## Comparison Z P.unadj P.adj
## 1 Centro - Direita -13.983411 1.968226e-44 1.180936e-43
## 2 Centro - Esquerda 7.321262 2.456498e-13 1.473899e-12
## 3 Direita - Esquerda 22.309046 3.018644e-110 1.811186e-109
## 4 Centro - Não se identifica 7.626287 2.416117e-14 1.449670e-13
## 5 Direita - Não se identifica 17.036150 4.429492e-65 2.657695e-64
## 6 Esquerda - Não se identifica 2.777410 5.479398e-03 3.287639e-02|Z| > 3 aponta diferenças significativas
1. Centro vs. Direita (Z = -13.98; P.adj < 0.001) Direção da diferença: Z negativo indica que o Centro tem menor aceitação da desigualdade que a Direita. Magnitude do efeito: Z elevado em valor absoluto sugere uma diferença muito forte entre os grupos.
2. Centro vs. Esquerda (Z = 7.32; P.adj < 0.001) Direção da diferença: Z positivo mostra que o Centro tem maior aceitação da desigualdade que a Esquerda. Contexto: Alinhamento com expectativas teóricas (Esquerda tende a rejeitar desigualdade mais que o Centro).
3. Direita vs. Esquerda (Z = 22.31; P.adj < 0.001) Diferença mais expressiva: Maior Z do modelo, indicando o contraste mais forte entre Direita (alta aceitação) e Esquerda (baixa aceitação).
4. Centro vs. Não se identifica (Z = 7.63; P.adj < 0.001) Interpretação: O Centro aceita mais a desigualdade que os que Não se identificam com posições ideológicas.
E o tamanho do efeito?
epsilon_sq <- 632.5 / (nrow(lb2023) - 1)
epsilon_sq## [1] 0.03634431Tamanho do efeito é bem pequeno:
A posição ideológica explica apenas 3.6% da variabilidade nas respostas sobre a aceitação da desigualdade (P61ST).
Teste de Kruskal-Wallis indica diferenças significativas na aceitação da desigualdade entre grupos ideológicos (χ²(3) = 632.5; p < 0.001). A despeito disso, o tamanho do efeito foi pequeno (ε² = 0.036).
Ou seja, a posição ideológica explica apenas 3.6% da variabilidade nas respostas. Entretanto, contrastes específicos de posição ideológica mostraram diferenças substantivas.
Situação Empregatícia
Dado os testes de normalidade anterior, assim como o fato de ser uma distribuição ordinal em escala Likert, vamos somente fazer uma inspeção visual quanto à normalidade
ggplot(lb2023, aes(x = P61ST, fill = S18.A)) +
geom_density(alpha = 0.4) +
facet_wrap(~ S18.A) +
theme_minimal()
Vamos partir para a análise de Kruskal-Wallis
Kruskal-Wallis
kruskal.test(P61ST ~ S18.A, data = lb2023)##
## Kruskal-Wallis rank sum test
##
## data: P61ST by S18.A
## Kruskal-Wallis chi-squared = 108.32, df = 6, p-value < 2.2e-16qui-quadrado: 108.32 graus de liberdade (df) = 6 #é o número de grupos - 1 p-valor < 0.001
OU
(χ²(6) = 108.32; p < 0.001)
O teste de Kruskal-Wallis indica que há diferenças estatisticamente significativas na aceitação da desigualdade (P61ST) entre pelo menos dois grupos de situação empregatícia (χ²(6) = 108.32; p < 0.001).
Quanto maior o valor de chi-squared, maior a divergência entre as distribuições dos grupos.
Um valor de 108.32, com 6 graus de liberdade (df), é altamente significativo.
Teste Post-Hoc de Dunn:
Para identificar quais grupos diferem entre si
library(FSA)
resultado_dunn2 <- dunnTest(P61ST ~ S18.A,
data = lb2023,
method = "bonferroni")
resultado_dunn2## Dunn (1964) Kruskal-Wallis multiple comparison## p-values adjusted with the Bonferroni method.## Comparison Z P.unadj P.adj
## 1 1 - 2 2.5193360 1.175764e-02 2.469105e-01
## 2 1 - 3 5.8503260 4.906105e-09 1.030282e-07
## 3 2 - 3 1.9170018 5.523770e-02 1.000000e+00
## 4 1 - 4 -1.7664425 7.732164e-02 1.000000e+00
## 5 2 - 4 -3.4067242 6.574753e-04 1.380698e-02
## 6 3 - 4 -5.8150282 6.062365e-09 1.273097e-07
## 7 1 - 5 0.6221257 5.338592e-01 1.000000e+00
## 8 2 - 5 -1.4513567 1.466806e-01 1.000000e+00
## 9 3 - 5 -3.5039831 4.583545e-04 9.625445e-03
## 10 4 - 5 1.8712053 6.131663e-02 1.000000e+00
## 11 1 - 6 -5.0478062 4.469120e-07 9.385153e-06
## 12 2 - 6 -5.8574620 4.699943e-09 9.869881e-08
## 13 3 - 6 -9.7288986 2.270378e-22 4.767794e-21
## 14 4 - 6 -1.7461162 8.079076e-02 1.000000e+00
## 15 5 - 6 -3.9177406 8.938281e-05 1.877039e-03
## 16 1 - 7 1.0391414 2.987390e-01 1.000000e+00
## 17 2 - 7 -0.8347881 4.038370e-01 1.000000e+00
## 18 3 - 7 -2.5037294 1.228920e-02 2.580732e-01
## 19 4 - 7 2.0939942 3.626049e-02 7.614704e-01
## 20 5 - 7 0.4362841 6.626306e-01 1.000000e+00
## 21 6 - 7 3.8083182 1.399152e-04 2.938219e-03Comparações Significativas (P.adj < 0.05):
Aposentado vs. Assalariado Privado (Z = 3.50, P.adj = 0.0096): Aposentados consideram a desigualdade mais aceitável que assalariados do setor privado.
Assalariado Privado vs. Conta-Própria (Z = -5.85, P.adj = 1.03e-07): Assalariados privados consideram a desigualdade menos aceitável que trabalhadores por conta própria.
Assalariado Privado vs. Desempregado (Z = -5.82, P.adj = 1.27e-07): Desempregados consideram a desigualdade mais aceitável que assalariados privados.
Assalariado Público vs. Desempregado (Z = -3.41, P.adj = 0.014): Assalariados públicos veem a desigualdade como menos aceitável que desempregados.
Não trabalha vs. Todos os grupos (P.adj < 0.05 em 7 comparações): Pessoas que não trabalham/trabalho doméstico são as que mais aceitam a desigualdade (Z negativo em todas as comparações). Exemplo: Z = -9.73 vs. Assalariado Privado (P.adj = 4.76e-21) → Diferença extrema.
Z-scores altos (ex: |Z| > 3) indicam diferenças robustas, mesmo em amostras grandes.
E o tamanho do efeito?
epsilon_sq <- 108.32 / (nrow(lb2023) - 1) # Kruskal-Wallis chi-squared / (N - 1)
epsilon_sq## [1] 0.006224214Interpretação do valor (ε² = 0.0062):
Apenas 0.62% da variabilidade nas respostas sobre aceitação da desigualdade é explicada pela situação empregatícia.
Efeito extremamente pequeno (valores de referência: ε² ≥ 0.01 é considerado pequeno, ≥ 0.06 médio, ≥ 0.14 grande).
Apesar das diferenças significativas entre grupos, a situação empregatícia não é um fator determinante para explicar a aceitação da desigualdade na população.
Análise Descritiva
Gráficos - Por orientação ideológica
Geral
contagem_geral <- lb2023 %>%
group_by(esq_dir) %>%
summarise(n = n(), .groups = 'drop')
ggplot(lb2023, aes(x = esq_dir, y = P61ST, fill = esq_dir)) +
geom_boxplot() +
geom_text(data = contagem_geral,
aes(x = esq_dir, y = 9, label = paste0("n=", n)),
vjust = -0.5,
size = 3) +
scale_y_continuous(breaks = c(1, 5, 10),
limits = c(0, 10.5)) +
coord_flip() +
theme_minimal() +
labs(title = "Aceitação da Desigualdade por Posição Ideológica",
subtitle = "1 - completamente inaceitável | 10 - completamente aceitável",
y = "Aceitação da desigualdade",
x = "") +
theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
plot.subtitle = element_text(hjust = 0.5, size = 10),
legend.position = "none")
Por Orientação e Por País
lb2023 <- lb2023 %>%
mutate(idenpa = reorder(idenpa, P61ST, FUN = median, na.rm = TRUE))
contagem <- lb2023 %>%
group_by(esq_dir, idenpa) %>%
summarise(n = n(), .groups = 'drop')
ggplot(lb2023, aes(x = idenpa, y = P61ST)) +
geom_boxplot(aes(fill = idenpa), show.legend = FALSE) +
#coord_flip() +
geom_text(data = contagem,
aes(x = idenpa, y = 8, label = paste0("n=", n)),
vjust = -0.5,
size = 3) +
scale_y_continuous(breaks = c(1, 5, 10),
limits = c(0, 10.5)) +
#scale_fill_manual(values = colorRampPalette(c("#e0e0e0", "#404040"))(n_distinct(lb2023$idenpa))) +
facet_wrap(~ esq_dir, ncol = 1, scales = "free_x") +
theme_minimal() +
labs(title = "Aceitação da Desigualdade por Posição Ideológica",
subtitle = "1 - completamente inaceitável | 10 - completamente aceitável",
y = "Aceitação da desigualdade",
x = "") +
theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
plot.subtitle = element_text(hjust = 0.5, size = 10),
legend.position = "none",
strip.background = element_rect(fill = "#f0f0f0",
color = "gray50",
linewidth = 0.5),
strip.text = element_text(size = 11,
face = "bold",
margin = margin(5, 0, 5, 0)),
panel.spacing = unit(1.2, "lines"),
axis.text.x = element_text(color = "gray30"),
axis.text.y = element_text(color = "gray30"))
Por País e por Orientação
ggplot(lb2023, aes(x = esq_dir, y = P61ST, fill = esq_dir)) +
geom_boxplot(show.legend = FALSE) +
geom_text(data = contagem,
aes(x = esq_dir, y = 0.5, label = paste0("n = ", n)),
inherit.aes = FALSE,
size = 3,
color = "gray20") +
scale_y_continuous(breaks = c(1, 5, 10),
limits = c(0, 10.5)) +
facet_wrap(~ idenpa, ncol = 5, scales = "free_x") +
theme_minimal() +
labs(title = "Aceitação da Desigualdade por Posição Ideológica") +
labs(title = "Aceitação da Desigualdade por Posição Ideológica",
subtitle = "1 - completamente inaceitável | 10 - completamente aceitável",
y = "Aceitação da desigualdade",
x = "") +
theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
plot.subtitle = element_text(hjust = 0.5, size = 10),
legend.position = "none",
strip.background = element_rect(fill = "#f0f0f0",
color = "gray50",
linewidth = 0.5),
strip.text = element_text(size = 11,
face = "bold",
margin = margin(5, 0, 5, 0)),
panel.spacing = unit(1.2, "lines"),
axis.text.x = element_text(color = "gray30"),
axis.text.y = element_text(color = "gray30"))
Gráficos - Por situação de trabalho
Geral
Antes é necessário transformar a variável de situação de trabalho (S18.A)
lb2023 <- lb2023 %>%
mutate(S18.A = factor(
case_when(
S18.A == "1" ~ "Conta-Própria",
S18.A == "2" ~ "Assalariado Público",
S18.A == "3" ~ "Assalariado Privado",
S18.A == "4" ~ "Desempregado",
S18.A == "5" ~ "Aposentado",
S18.A == "6" ~ "Não trabalha/Trabalho doméstico",
S18.A == "7" ~ "Estudante",
TRUE ~ as.character(S18.A)),
levels = c("Conta-Própria", "Assalariado Público", "Assalariado Privado",
"Desempregado", "Aposentado", "Não trabalha/Trabalho doméstico",
"Estudante")))
unique(lb2023$S18.A)## [1] Aposentado Conta-Própria
## [3] Assalariado Privado Assalariado Público
## [5] Estudante Desempregado
## [7] Não trabalha/Trabalho doméstico
## 7 Levels: Conta-Própria Assalariado Público ... Estudantetable(lb2023$S18.A)##
## Conta-Própria Assalariado Público
## 5565 1470
## Assalariado Privado Desempregado
## 2794 1467
## Aposentado Não trabalha/Trabalho doméstico
## 1332 3915
## Estudante
## 861Agora o gráfico
contagem_trab_geral <- lb2023 %>%
group_by(S18.A) %>%
summarise(n = n(), .groups = 'drop')
ggplot(lb2023, aes(x = S18.A, y = P61ST, fill = S18.A)) +
geom_boxplot() +
geom_text(data = contagem_trab_geral,
aes(x = S18.A, y = 9, label = paste0("n=", n)),
vjust = -0.5,
size = 3) +
scale_y_continuous(breaks = c(1, 5, 10),
limits = c(0, 10.5)) +
coord_flip() +
theme_minimal() +
labs(title = "Aceitação da Desigualdade por Situação Empregatícia",
subtitle = "1 - completamente inaceitável | 10 - completamente aceitável",
y = "Aceitação da desigualdade",
x = "") +
theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
plot.subtitle = element_text(hjust = 0.5, size = 10),
legend.position = "none")
Por país e situação no emprego
O gráfico por situação no emprego e país não será utilizado, pois não fica bem apresentável.
contagem_trab_pais <- lb2023 %>%
group_by(S18.A, idenpa) %>%
summarise(n = n(), .groups = 'drop')
ggplot(lb2023, aes(x = S18.A, y = P61ST, fill = S18.A)) +
geom_boxplot(show.legend = FALSE) +
geom_text(data = contagem_trab_pais,
aes(x = S18.A, y = 9, label = paste0("n = ", n)),
inherit.aes = FALSE,
size = 3,
hjust = 1.2,
color = "gray30") +
coord_flip() +
scale_y_continuous(
breaks = c(1, 5, 10),
limits = c(0, 10.5)) +
facet_wrap(~ idenpa, ncol = 5, scales = "free_x") +
theme_minimal() +
labs(title = "Aceitação da Desigualdade por Situação no Emprego") +
labs(
title = "Aceitação da Desigualdade por Situação no Emprego",
subtitle = "1 - completamente inaceitável | 10 - completamente aceitável",
y = "Aceitação da desigualdade",
x = "") +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
plot.subtitle = element_text(hjust = 0.5, size = 10),
legend.position = "none",
strip.background = element_rect(fill = "#f0f0f0",
color = "gray50",
linewidth = 0.5),
strip.text = element_text(size = 11,
face = "bold",
margin = margin(5, 0, 5, 0)),
panel.spacing = unit(1.2, "lines"),
axis.text.x = element_text(color = "gray30"),
axis.text.y = element_text(color = "gray30"))
Análise Inferencial - Regressão Ordinal - Duas variáveis
Agora vamos fazer uma regressão com duas variáveis.
library(ordinal)##
## Attaching package: 'ordinal'## The following object is masked from 'package:dplyr':
##
## slicemodelo <- clm(factor(P61ST) ~ S18.A + esq_dir, data = lb2023)
summary(modelo)## formula: factor(P61ST) ~ S18.A + esq_dir
## data: lb2023
##
## link threshold nobs logLik AIC niter max.grad cond.H
## logit flexible 17404 -36499.79 73035.58 7(1) 2.83e-11 4.8e+02
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## S18.AAssalariado Público -0.13130 0.05150 -2.550 0.01079 *
## S18.AAssalariado Privado -0.22147 0.04041 -5.481 4.23e-08 ***
## S18.ADesempregado 0.09302 0.05201 1.788 0.07370 .
## S18.AAposentado -0.06050 0.05448 -1.111 0.26678
## S18.ANão trabalha/Trabalho doméstico 0.17124 0.03697 4.631 3.63e-06 ***
## S18.AEstudante -0.04875 0.06237 -0.782 0.43444
## esq_dirCentro 0.26996 0.03506 7.701 1.35e-14 ***
## esq_dirDireita 0.77262 0.03399 22.732 < 2e-16 ***
## esq_dirNão se identifica -0.17186 0.05449 -3.154 0.00161 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Threshold coefficients:
## Estimate Std. Error z value
## 1|2 -0.76368 0.03295 -23.174
## 2|3 -0.45040 0.03248 -13.865
## 3|4 -0.07373 0.03226 -2.286
## 4|5 0.30808 0.03235 9.523
## 5|6 1.09253 0.03341 32.700
## 6|7 1.51565 0.03447 43.966
## 7|8 1.92576 0.03591 53.630
## 8|9 2.46886 0.03863 63.907
## 9|10 2.74128 0.04048 67.713modelo$beta## S18.AAssalariado Público S18.AAssalariado Privado
## -0.13129697 -0.22147119
## S18.ADesempregado S18.AAposentado
## 0.09302273 -0.06050250
## S18.ANão trabalha/Trabalho doméstico S18.AEstudante
## 0.17124244 -0.04875211
## esq_dirCentro esq_dirDireita
## 0.26995814 0.77262145
## esq_dirNão se identifica
## -0.17186400coeficientes_variaveis <- modelo$beta # ou coef(modelo)[grepl("S18.A|esq_dir", names(coef(modelo)))]
coeficientes_variaveis## S18.AAssalariado Público S18.AAssalariado Privado
## -0.13129697 -0.22147119
## S18.ADesempregado S18.AAposentado
## 0.09302273 -0.06050250
## S18.ANão trabalha/Trabalho doméstico S18.AEstudante
## 0.17124244 -0.04875211
## esq_dirCentro esq_dirDireita
## 0.26995814 0.77262145
## esq_dirNão se identifica
## -0.17186400odds <- exp(coeficientes_variaveis)
odds## S18.AAssalariado Público S18.AAssalariado Privado
## 0.8769573 0.8013390
## S18.ADesempregado S18.AAposentado
## 1.0974867 0.9412914
## S18.ANão trabalha/Trabalho doméstico S18.AEstudante
## 1.1867784 0.9524172
## esq_dirCentro esq_dirDireita
## 1.3099096 2.1654354
## esq_dirNão se identifica
## 0.8420937Tabela
resultados <- data.frame(Variável = c(rep("Situação Empregatícia (S18.A)", 6), rep("Posição Ideológica (esq_dir)", 3)),
Categoria = c("Assalariado Público", "Assalariado Privado", "Desempregado", "Aposentado", "Não trabalha/Trabalho doméstico", "Estudante", "Centro", "Direita", "Não se identifica"),
Coeficiente = c(-0.131, -0.221, 0.093, -0.060, 0.171, -0.049, 0.270, 0.773, -0.172),
OR = exp(c(-0.131, -0.221, 0.093, -0.060, 0.171, -0.049, 0.270, 0.773, -0.172)),
p_valor = c(0.01079, 4.23e-08, 0.07370, 0.26678, 3.63e-06, 0.43444, 1.35e-14, 2e-16, 0.00161)
)
resultados$Significância <- ifelse(resultados$p_valor < 0.001, "***",
ifelse(resultados$p_valor < 0.01, "**",
ifelse(resultados$p_valor < 0.05, "*",
ifelse(resultados$p_valor < 0.1, ".", ""))))
resultados$Interpretação <- c(
"12.3% menos chance vs. Conta-Própria",
"19.8% menos chance vs. Conta-Própria",
"9.7% mais chance vs. Conta-Própria (n.s.)",
"Efeito não significativo",
"18.7% mais chance vs. Conta-Própria",
"Efeito não significativo",
"31% mais chance vs. Esquerda",
"116.6% mais chance vs. Esquerda",
"15.8% menos chance vs. Esquerda"
)
tabela_final <- resultados %>%
kable(format = "html",
align = c("l", "l", "c", "c", "c", "c", "l"),
col.names = c("Variável", "Categoria", "Coef. (log-odds)", "OR", "p-valor", "Sig.", "Interpretação"),
digits = c(NA, NA, 3, 3, 4, NA, NA)) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE,
font_size = 14) %>%
add_header_above(c(" " = 2, "Modelo CLM" = 4, " " = 1)) %>%
row_spec(0, bold = TRUE, color = "white", background = "#3F729B") %>%
footnote(general = "*** p < 0.001; ** p < 0.01; * p < 0.05; . p < 0.1",
general_title = "Nota:")
# Mostrar tabela
tabela_final| Variável | Categoria | Coef. (log-odds) | OR | p-valor | Sig. | Interpretação |
|---|---|---|---|---|---|---|
| Situação Empregatícia (S18.A) | Assalariado Público | -0.131 | 0.877 | 0.0108 |
|
12.3% menos chance vs. Conta-Própria |
| Situação Empregatícia (S18.A) | Assalariado Privado | -0.221 | 0.802 | 0.0000 | *** | 19.8% menos chance vs. Conta-Própria |
| Situação Empregatícia (S18.A) | Desempregado | 0.093 | 1.097 | 0.0737 | . | 9.7% mais chance vs. Conta-Própria (n.s.) |
| Situação Empregatícia (S18.A) | Aposentado | -0.060 | 0.942 | 0.2668 | Efeito não significativo | |
| Situação Empregatícia (S18.A) | Não trabalha/Trabalho doméstico | 0.171 | 1.186 | 0.0000 | *** | 18.7% mais chance vs. Conta-Própria |
| Situação Empregatícia (S18.A) | Estudante | -0.049 | 0.952 | 0.4344 | Efeito não significativo | |
| Posição Ideológica (esq_dir) | Centro | 0.270 | 1.310 | 0.0000 | *** | 31% mais chance vs. Esquerda |
| Posição Ideológica (esq_dir) | Direita | 0.773 | 2.166 | 0.0000 | *** | 116.6% mais chance vs. Esquerda |
| Posição Ideológica (esq_dir) | Não se identifica | -0.172 | 0.842 | 0.0016 | ** | 15.8% menos chance vs. Esquerda |
| Nota: | ||||||
| *** p < 0.001; ** p < 0.01; * p < 0.05; . p < 0.1 |
Gráfico
dados <- tidy(modelo) %>%
filter(!grepl("\\|", term)) %>% # remove os cutpoints (limiares)
mutate(Categoria = gsub("S18.A", "", term),
Categoria = gsub("esq_dir", "", Categoria),
Categoria = trimws(Categoria),
Variável = case_when(grepl("S18.A", term) ~ "Situação Empregatícia",
grepl("esq_dir", term) ~ "Posição Ideológica"),
Coeficiente = estimate,
Erro_Padrao = std.error,
OR = exp(Coeficiente),
IC_inferior = exp(Coeficiente - 1.96 * Erro_Padrao),
IC_superior = exp(Coeficiente + 1.96 * Erro_Padrao)) %>%
dplyr::select(Categoria, Variável, Coeficiente, Erro_Padrao, OR, IC_inferior, IC_superior)
referencias <- tibble(Categoria = c("Conta-Própria (Ref.)", "Esquerda (Ref.)"),
Variável = c("Situação Empregatícia", "Posição Ideológica"),
Coeficiente = 0,
Erro_Padrao = NA,
OR = 1,
IC_inferior = NA,
IC_superior = NA)
dados <- bind_rows(referencias, dados) %>%
arrange(match(Variável, c("Situação Empregatícia", "Posição Ideológica")), Categoria)
dados_ordenados <- dados %>%
mutate(Categoria = factor(Categoria, levels = c("Conta-Própria (Ref.)",
"Assalariado Público",
"Assalariado Privado",
"Desempregado",
"Aposentado",
"Não trabalha/Trabalho doméstico",
"Estudante",
"Esquerda (Ref.)",
"Centro",
"Direita",
"Não se identifica")),
Grupo = case_when(Variável == "Situação Empregatícia" ~ "1_Situação",
Variável == "Posição Ideológica" ~ "2_Posição") )
ggplot(dados_ordenados, aes(x = Coeficiente, y = Categoria, color = Variável)) +
geom_vline(xintercept = 0, linetype = "dashed", color = "gray50") +
geom_point(size = 3) +
geom_errorbarh(aes(xmin = Coeficiente - 1.96*Erro_Padrao,
xmax = Coeficiente + 1.96*Erro_Padrao),
height = 0.2) +
geom_point(data = filter(dados_ordenados, str_detect(Categoria, "\\(Ref.\\)")),
size = 5, shape = 18, color = "black") +
geom_text(aes(label = paste0(round(OR, 2), " (", round(Coeficiente, 2), ")")),
hjust = -0.2, vjust = 0.5, size = 3.5) +
facet_grid(Grupo ~ .,
scales = "free_y",
space = "free_y",
switch = "y") +
scale_color_manual(values = c("#E41A1C", "#377EB8")) +
labs(title = "Efeitos na Aceitação da Desigualdade",
subtitle = "Coeficientes (log-odds) com Intervalos de Confiança 95%",
x = "Coeficiente (log-odds)",
y = "",
color = "Variável") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
plot.subtitle = element_text(hjust = 0.5),
strip.placement = "outside",
strip.text.y = element_text(angle = 0, face = "bold"),
panel.spacing = unit(1, "lines"),
legend.position = "bottom"
)
No que se refere à posição ideológica, observa-se que, em comparação com indivíduos que se identificam com a esquerda (categoria de referência), aqueles que se posicionam no centro ou na direita apresentam uma maior aceitação da desigualdade. O efeito é expressivo entre os identificados com a direita, cujo coeficiente é positivo e estatisticamente significativo (β = 2.17). Indivíduos que não se identificam com nenhuma posição ideológica também apresentam coeficiente positivo (β = 0.84), embora de menor magnitude.
Em relação à situação no emprego, o grupo de trabalhadores por conta própria foi utilizado como referência. Trabalhadores assalariados (públicos e privados), bem como aposentados, desempregados e estudantes, tendem a apresentar uma menor aceitação da desigualdade em comparação ao grupo de referência. Por outro lado, indivíduos que não trabalham ou realizam trabalho doméstico destacam-se por apresentar um coeficiente significativamente positivo (β = 1.19), indicando maior aceitação da desigualdade nesse grupo.
Voltando à Análise Descritiva - Por idade
Geral
unique(lb2023$reedad)## [1] 4 2 3 1lb2023 <- lb2023 %>%
mutate(reedad = factor(
case_when(
reedad == "1" ~ "16-25 anos",
reedad == "2" ~ "26-40 anos",
reedad == "3" ~ "41-60 anos",
reedad == "4" ~ "61 ou mais anos",
TRUE ~ as.character(reedad)),
levels = c("16-25 anos", "26-40 anos", "41-60 anos",
"61 ou mais anos")))
unique(lb2023$reedad)## [1] 61 ou mais anos 26-40 anos 41-60 anos 16-25 anos
## Levels: 16-25 anos 26-40 anos 41-60 anos 61 ou mais anostable(lb2023$reedad)##
## 16-25 anos 26-40 anos 41-60 anos 61 ou mais anos
## 3743 5635 5379 2647contagem_idade <- lb2023 %>%
group_by(reedad) %>%
summarise(n = n(), .groups = 'drop')
ggplot(lb2023, aes(x = reedad, y = P61ST, fill = reedad)) +
geom_boxplot() +
geom_text(data = contagem_idade,
aes(x = reedad, y = 9, label = paste0("n=", n)),
vjust = -0.5,
size = 3) +
scale_y_continuous(breaks = c(1, 5, 10),
limits = c(0, 10.5)) +
coord_flip() +
theme_minimal() +
labs(title = "Aceitação da Desigualdade por Posição Ideológica",
subtitle = "1 - completamente inaceitável | 10 - completamente aceitável",
y = "Aceitação da desigualdade",
x = "") +
theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
plot.subtitle = element_text(hjust = 0.5, size = 10),
legend.position = "none")
Por idade e país
contagem_idade_pais <- lb2023 %>%
group_by(reedad, idenpa) %>%
summarise(n = n(), .groups = 'drop')
ggplot(lb2023, aes(x = reedad, y = P61ST, fill = reedad)) +
geom_boxplot(show.legend = FALSE) +
#coord_flip() +
geom_text(data = contagem_idade_pais,
aes(x = reedad, y = 0.5, label = paste0("n = ", n)),
inherit.aes = FALSE,
size = 3,
color = "gray20") +
scale_y_continuous(breaks = c(1, 5, 10),
limits = c(0, 10.5)) +
facet_wrap(~ idenpa, ncol = 4, scales = "free_x") +
theme_minimal() +
labs(title = "Aceitação da Desigualdade por Idade") +
labs(
title = "Aceitação da Desigualdade por Idade",
subtitle = "1 - completamente inaceitável | 10 - completamente aceitável",
y = "Aceitação da desigualdade",
x = "") +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
plot.subtitle = element_text(hjust = 0.5, size = 10),
legend.position = "none",
strip.background = element_rect(fill = "#f0f0f0",
color = "gray50",
linewidth = 0.5),
strip.text = element_text(size = 11,
face = "bold",
margin = margin(5, 0, 5, 0)),
panel.spacing = unit(1.2, "lines"),
axis.text.x = element_text(color = "gray30"),
axis.text.y = element_text(color = "gray30"))