A EVOLUÇÃO DO RENDIMENTO SALARIAL NO MERCADO DE TRABALHO

1. Introdução

Análise e manipulação dos microdados da Pesquisa Nacional por Amostra de Domicílios Contínua(PNADC). Passo a passo de como fazer o download dos microdados anuais da PNAD contínua de 2012 a 2023, criar médias e dummies das variáveis e gráficos e tabelas dos dados.

1.1 Dicionário

Dicionário de variáveis utilizadas na análise

Variável	Descrição
UF	estados
V2005	condição no domicílio
VD4002	condição de ocupação (1 = ocupado 2 = desocupado)
V2010	raça
V20082	ano de nascimento
V2009	idade (0 a 130)
V2007	sexo (1 = homem 2 = mulher)
VD3005	anos de estudo
VD4016	rendimento mensal habitual no trabalho principal (em reais)
VD4019	rendimento mensal habitual em todos os trabalhos (em reais)
V4040	tempo de emprego (categorias: 1 mês, menos de 1 ano, menos de 2 anos e 2 anos ou mais)
V40401	tempo de emprego (categorias 1 a 11, 01 mês a 11 meses)
V40402	tempo de emprego (de 1 ano a 2 anos, categorias: 00 a 11)
V40403	tempo de emprego (2 a 98 = 2 anos ou mais)

1.2 Passos iniciais

Limpando enviroment, instalando e carregando pacotes

#Limpando o environment
#rm(list = ls())


#instalando e carregando pacotes
#install.packages("PNADcIBGE")
#install.packages("dplyr")
#install.packages("gt")
#install.packages("tidyr")
#install.packages("purrr")
#install.packages("ggplot2")
library(PNADcIBGE)
library(dplyr)
library(gt)
library(tidyr)
library(purrr)
library(ggplot2)

2. Extração, Filtragem e Manipulação dos dados

2.1. Extração

Selecionando variáveis baseado no dicionário da PNAD

#selecionado as variáveis
varselec <-  c("UF","V2005","VD4002","V2010","V2009", "V2007","VD4016", "VD4019", "VD3005","V4040","V40401","V40402", "V40403", "V20082, VD4009, VD4008", "VD4031", "VD4035")

Baixando base de dados de 2012 a 2023

O código abaixo faz download e armazena os dados de todos os anos de 2012 a 2023 baixados com a função get_pnadc e realiza um loop for para não precisar ficar repetindo o código para todos os anos. O paramêtro Deflator = TRUE serve para inserir a variável para deflacionamento dos dados de remuneração.

dados_lista_20e21 <- map(2020:2021, ~ {
  get_pnadc(
    year = .x,
    interview = 5,
    design = FALSE,
    labels = FALSE,
    deflator = TRUE,
    vars = varselec
  )
}) |> set_names(paste0("PNADC", 2020:2021))

2.1. Filtragem

Utilizando novamente um loop for, para que não seja preciso repetir o mesmo código para todos os anos, porém, no caso abaixo foram utilizados vários loops for pela necessidade de criar alguns blocos de códigos e explicados, o mesmo poderia ter sido feito apenas com um loop. Os blocos abaixo estão interligados por pipes( |> ). Atenção aos # comentários nos blocos de código para entender o que acontece em cada um deles. CO1 é a variável inserida para deflacionamento quando deflator = TRUE.

# 2.1 Filtragem e Manipulação

dados_lista <- readRDS("dados_lista1.rds")
processar_dados <- function(dados) {
  ano <- unique(dados$Ano)
  
  dados |>
    select(Ano, Trimestre, UF, UPA, V1008, V1014, V2005, VD4002, V2010, V2009, V2007, VD4016, 
           VD4019, VD3005, V4040, V40401, V40402, V40403, V20082, CO1) |>
    filter(
      V20082 >= 1958, 
      V20082 != 9999
          ) |>
    mutate(
      # Faixas etárias com cut (mais eficiente)
      FaixasEtárias = cut(2023 - V20082, 
                          breaks = c(20, 29, 39, 49, 65),
                          labels = 1:4,
                          right = FALSE),
      # Dummies simplificadas
      Escolaridade = as.integer(dados$VD3005),
      Idade = as.integer(dados$V2009),
      
      Homem = as.integer(V2007 == 1),
      Mulher = 1L - Homem,
      Média_sexos = ifelse(V2007 == 1, mean(Homem)*100, mean(Mulher)*100),
      MédiaHomem = ifelse(V2007 == 1, mean(Homem)*100, 0),
      MédiaMulher = ifelse(V2007 == 1, 0, mean(Mulher)*100),
      
      Branco = as.integer(V2010 == 1),
      ñBranco = 1L - Branco,
      Média_raças = ifelse(V2010 == 1, mean(Branco)*100, mean(ñBranco)*100),
      MédiaBranco = ifelse(V2010 == 1, mean(Branco)*100, 0),
      Média_ñBranco = ifelse(V2010 == 1, 0, mean(ñBranco)*100),
      
      Renda_nominal = dados$VD4019,
      RendaReal = VD4019 * CO1,
      #servidor_público = is.integer(VD4008 == 1),
      #Média_publicoprivado = ifelse(VD4008 == 1, mean(servidor_publico)*100),
      região_norte  = case_when(
        UF %in% c(11,12,13,14,15,16,17) ~ "1", FALSE ~ "0"),
      região_nordeste  = case_when(
        UF %in% c(21,22,23,24,25,26,27,28,29) ~ "1", FALSE ~ "0"),
      região_sudeste  = case_when(
        UF %in% c(31,32,33,35) ~ "1", FALSE ~ "0"),
      região_sul  = case_when(
        UF %in% c(41,42,43) ~ "1", FALSE ~ "0"),
      região_centroOeste  = case_when(
        UF %in% c(50,51,52,53) ~ "1", FALSE ~ "0") 
    )|>
    group_by(Ano) |>
    mutate(
      # Médias calculadas uma vez por grupo
      EscolariadeMédia_GeralAno = mean(VD3005, na.rm = TRUE),
      RendaMédia_GeralAno = mean(VD4019, na.rm = TRUE),
      RendaRealMédia_GeralAno = mean(RendaReal, na.rm = TRUE)
    ) |>
    ungroup()
    }

# Aplicar a todos os anos
dados_processados <- map(dados_lista, processar_dados)

2.2. Manipulação(Criação de Dummies e Médias)

Criação das colunas de escolaridade média geral e de faixas etárias geral do banco de dados, além disso, criação de dummies e médias por sexos e por raça(branco e não branco)

Neste bloco de código é calculado a escolaridade geral do banco de dados, é criadas as faixas etárias, sendo 20 a 29 anos faixa 1, 30 a 39 faixa 2, 40 a 49 faixa 3 e 50 a 65 anos faixas 4. Também são criadas colunas dummies onde, por exemplo, na coluna homem 1 significa que aquela observação é de um indivíduo do sexo masculino e 0, o contrário. O mesmo serve para dummues com base navariável de raça.

# 2.2 Manipulação - Criação de IDs e Médias
dados_finais <- map(dados_processados, ~ {
  .x |>
    mutate(
      Domicílio = paste(UPA,V1008,V1014),
    ) |>
    group_by(Domicílio) |>
    mutate(
      ChefeFamilia = as.integer(V2005 == 1),
      Conjuge = as.integer(V2005 == 2),
      Casados = as.integer(ChefeFamilia == 1 | (Conjuge == 1 & any(ChefeFamilia == 1)) & V2009 >= 18),
      ñcasados = ifelse(Casados == 0 & V2009 >= 18, 1, 0),
      Filhos_menores = as.integer(V2005 %in% 4:6 & V2009 < 10),
      domicilio_tem_filho_menor = as.integer(any(Filhos_menores == 1)),
      CasadosComFilhoMenor = as.integer(Casados == 1 & domicilio_tem_filho_menor == 1),#TODO casados com filhos não ta funcionando
      CasadosSemFilhoMenor = as.integer(Casados == 1 & domicilio_tem_filho_menor == 0)
    ) |>
    ungroup() |>
    mutate(
      ID = interaction(V20082, V2007, sep = "_") # Mais eficiente que paste()
    ) |> 
    group_by(ID) |>
    mutate(across(c(Branco, ñBranco, Casados, ñcasados, CasadosComFilhoMenor, CasadosSemFilhoMenor,
                    ChefeFamilia, Conjuge, Escolaridade, Renda_nominal, RendaReal #servidor_publico
                    ), ~ mean(., na.rm = TRUE), .names = "Média_{.col}_ID")) |>
    ungroup()
})

Criação da colunas de renda

Na primeira parte do bloco abaixo, com variável VD4019, renda habitual dos indivíduos, é possível criar a coluna de renda média geral, renda real, multiplicando VD4019 por CO1, e também, a renda real média geral, além disso, ainda é calculado o tempo médio de emprego geral do banco de dados. Na segundo parte do bloco, são criadas as colunas dummies com base na condição de domicílio, chefe de família, conjuge, casados, não casados, filhos menores de 10 anos e casados com e sem filhos.

# Filtro final com operação vetorizada
dados_filtrados <- map(dados_finais, ~ {
  .x |>
    filter(
      VD4002 == 1,
      (Ano - V20082) >= 20, # Idade >= 20
      between(VD4016, 100, 100000)
    )
})

# Unir todos os anos
dados_anuais <- bind_rows(dados_filtrados)

Criação de ID, médias por ID e médias por faixa etária

No bloco abaixo é criada a ID com base na data de nascimento e sexo, ou seja, se um indivíduo do sexo masculino nasceu em 1990 sua ID será 19901, o mesmo exemplo para uma mulher seria a ID 19902. Com isso, é possível criar as médias por ID de todas as variáveis, como raça, estado civil, ser chefe de familia, escolaridade, renda e entre outras. Além disso, são calculadas as médias, das mesmas variáveis, mas dessa vez por faixas etárias

Resolvendo o problema da falta de dados de remuneração e ocupação de pessoas menores de 14 anos

Foi preciso primeiramente separar as pessoas menores de 14 do banco de dados principal porque ao fazer a filtragem por condição de ocupação e remuneração esses indivíduos seriam excluídos, visto que essas variáveis só captam indivíduos com 14 anos ou mais. Por fim, foi feita a filtragem de dados final do bancos de dados para indivíduos ocupados, maiores de 20 anos e renda até 100 mil.

3. Estatística Descritiva

3.1. Estatística Descritiva Geral do Banco de Dados

# DADOS GERAIS - ESTATÍSTICAS CONSOLIDADAS (VERSÃO FUNCIONAL) ----
tabela_dadosgerais <- dados_anuais |>
  group_by(Ano) |>
  summarise(
    qtd_obs = n(),
    qtd_homens = sum(V2007 == 1, na.rm = TRUE),
    qtd_mulheres = sum(V2007 == 2, na.rm = TRUE),
    perc_homens = (qtd_homens / qtd_obs) * 100,
    perc_mulheres = (qtd_mulheres / qtd_obs) * 100,
    qtd_casados = sum(Casados == 1, na.rm = TRUE),
    qtd_ñcasados = sum(Casados == 0, na.rm = TRUE),
    perc_casados = (qtd_casados / qtd_obs) * 100,
    perc_ñcasados = (qtd_ñcasados / qtd_obs) * 100,
    qtd_brancos = sum(Branco == 1, na.rm = TRUE),
    qtd_ñbrancos = sum(Branco == 0, na.rm = TRUE),
    perc_brancos = (qtd_brancos / qtd_obs) * 100,
    perc_ñbrancos = (qtd_ñbrancos / qtd_obs) * 100,
    qtd_ChefesFamilia = sum(ChefeFamilia == 1, na.rm = TRUE),
    qtd_conjuges = sum(Conjuge == 1, na.rm = TRUE),
    qtd_filhosmenores = sum(Filhos_menores == 1, na.rm = TRUE),
    .groups = 'drop'
  ) |>
  mutate(across(contains("perc"), ~ round(., 2)))

# ESCOLARIDADE (TRATAMENTO SEPARADO) ----
tabela_escolaridade <- dados_anuais |>
  count(Ano, VD3005) |>
  group_by(Ano) |>
  mutate(porcentagem = (n / sum(n)) * 100) |>
  select(-n) |>
  pivot_wider(
    names_from = VD3005,
    values_from = porcentagem,
    names_prefix = "Esc_"
  ) |>
  mutate(across(where(is.numeric), ~ round(., 2)))

# JUNÇÃO FINAL ----
tabela_final <- left_join(tabela_dadosgerais, tabela_escolaridade, by = "Ano")

# FORMATACÃO COM gt() ----
tabela_final |>
  gt() |>
  # Formatar quantidades (separador de milhar)
  fmt_number(
    columns = starts_with("qtd"),
    decimals = 0,
    sep_mark = ".",
    dec_mark = ","
  ) |>
  # Formatar porcentagens (2 decimais com %)
  fmt_number(
    columns = starts_with("perc"),
    decimals = 2,
    sep_mark = "",       # Sem separador de milhar
    dec_mark = ",",      # Vírgula como decimal
    pattern = "{x}%"     # Adiciona o símbolo de %
  ) |>
  # Formatar escolaridade (se necessário)
  fmt_number(
    columns = starts_with("Esc_"),
    decimals = 2,
    sep_mark = "",
    dec_mark = ",",
    pattern = "{x}%"
  )

Ano	qtd_obs	qtd_homens	qtd_mulheres	perc_homens	perc_mulheres	qtd_casados	qtd_ñcasados	perc_casados	perc_ñcasados	qtd_brancos	qtd_ñbrancos	perc_brancos	perc_ñbrancos	qtd_ChefesFamilia	qtd_conjuges	qtd_filhosmenores	Esc_0	Esc_1	Esc_2	Esc_3	Esc_4	Esc_5	Esc_6	Esc_7	Esc_8	Esc_9	Esc_10	Esc_11	Esc_12	Esc_13	Esc_14	Esc_15	Esc_16
2012	137.308	81.123	56.185	59,08%	40,92%	92.599	44.709	67,44%	32,56%	62.055	75.253	45,19%	54,81%	67.598	33.348	0	3,05%	2,45%	1,27%	2,16%	3,15%	8,25%	5,56%	3,26%	3,41%	10,83%	2,64%	2,85%	31,29%	2,26%	2,25%	2,43%	12,89%
2013	142.922	84.204	58.718	58,92%	41,08%	97.781	45.141	68,42%	31,58%	63.316	79.606	44,30%	55,70%	71.370	35.353	0	2,96%	2,37%	1,26%	2,12%	3,04%	8,15%	5,46%	3,22%	3,57%	10,75%	2,72%	2,84%	31,31%	2,21%	2,27%	2,41%	13,35%
2014	145.780	86.082	59.698	59,05%	40,95%	99.928	45.852	68,55%	31,45%	64.626	81.154	44,33%	55,67%	72.984	36.136	0	2,86%	2,26%	1,33%	2,09%	2,82%	8,05%	5,35%	3,16%	3,39%	10,54%	2,61%	2,72%	31,43%	2,23%	2,34%	2,47%	14,34%
2015	146.364	86.245	60.119	58,93%	41,07%	101.046	45.318	69,04%	30,96%	64.056	82.308	43,76%	56,24%	73.750	36.872	0	2,91%	1,99%	1,24%	2,16%	2,85%	7,67%	5,15%	3,13%	3,45%	10,29%	2,79%	2,83%	31,24%	2,40%	2,52%	2,56%	14,82%
2016	142.001	83.379	58.622	58,72%	41,28%	98.282	43.719	69,21%	30,79%	61.341	80.660	43,20%	56,80%	71.491	37.229	0	3,02%	2,24%	1,19%	2,00%	2,57%	7,44%	4,98%	3,17%	3,41%	9,23%	2,71%	2,82%	31,73%	2,70%	2,55%	2,47%	15,76%
2017	142.842	83.236	59.606	58,27%	41,73%	98.664	44.178	69,07%	30,93%	60.837	82.005	42,59%	57,41%	71.276	38.480	0	2,61%	1,47%	1,18%	1,87%	2,68%	7,32%	5,12%	3,29%	3,61%	8,72%	2,98%	2,96%	31,55%	2,82%	2,51%	2,47%	16,85%
2018	140.122	81.324	58.798	58,04%	41,96%	96.941	43.181	69,18%	30,82%	59.073	81.049	42,16%	57,84%	69.904	38.253	0	2,20%	1,02%	1,18%	1,87%	2,49%	7,31%	4,89%	3,23%	3,64%	8,23%	2,97%	2,76%	31,87%	2,96%	2,62%	2,63%	18,13%
2019	144.612	83.850	60.762	57,98%	42,02%	98.548	46.064	68,15%	31,85%	60.008	84.604	41,50%	58,50%	70.427	40.803	0	2,14%	1,05%	1,20%	1,77%	2,49%	6,81%	4,65%	3,10%	3,52%	8,07%	2,97%	2,85%	32,56%	2,89%	2,71%	2,57%	18,65%
2022	124.761	71.802	52.959	57,55%	42,45%	84.410	40.351	67,66%	32,34%	51.925	72.836	41,62%	58,38%	60.395	35.450	0	2,62%	1,27%	1,06%	1,56%	2,16%	5,93%	4,28%	2,86%	3,17%	7,33%	2,71%	2,93%	33,48%	3,07%	2,71%	2,62%	20,24%
2023	132.511	75.733	56.778	57,15%	42,85%	91.721	40.790	69,22%	30,78%	55.142	77.369	41,61%	58,39%	65.840	38.271	0	2,43%	1,40%	0,96%	1,48%	1,96%	5,35%	4,03%	2,62%	3,07%	7,00%	2,74%	2,84%	34,46%	3,26%	2,70%	2,51%	21,20%

3.2. Estatística Descritiva Renda Real Média —-

# Definir regiões (será usado posteriormente)
regioes <- list(
  Norte = c(11,12,13,14,15,16,17),
  Nordeste = c(21,22,23,24,25,26,27,28,29),
  Sudeste = c(31,32,33,35),
  Sul = c(41,42,43),
  CentroOeste = c(50,51,52,53)
)

# 1. Métricas Gerais ----
analise_geral <- dados_anuais |> 
  group_by(Ano) |> 
  summarise(
    # Métricas básicas
    RendaMedia_Ano = mean(RendaReal, na.rm = TRUE),
    RendaMediana_Ano = median(RendaReal, na.rm = TRUE),
    
    # Por sexo
    Renda_Homens = mean(RendaReal[V2007 == 1], na.rm = TRUE),
    Renda_Mulheres = mean(RendaReal[V2007 == 2], na.rm = TRUE),
    
    # Por raça
    Renda_Brancos = mean(RendaReal[V2010 == 1], na.rm = TRUE),
    Renda_NaoBrancos = mean(RendaReal[V2010 != 1], na.rm = TRUE),
    
    # Chefes de família
    Renda_Chefes = mean(RendaReal[ChefeFamilia == 1], na.rm = TRUE),
    
    .groups = 'drop'
  ) |> 
  mutate(across(where(is.numeric), ~ round(., 2)))

# 2. Por Estado Civil ----
analise_estado_civil <- dados_anuais |> 
  mutate(
    EstadoCivil = case_when(
      Casados == 1 ~ "Casados",
      ñcasados == 1 ~ "Ñcasados",
      Casados == 1 & CasadosComFilhoMenor == 1 ~ "CasadosComFilho",
      Casados == 1 & CasadosComFilhoMenor == 0 ~ "CasadosSemFilho"
    )
  ) |> 
  group_by(Ano, EstadoCivil) |> 
  summarise(
    RendaMedia = mean(RendaReal, na.rm = TRUE) |> round(2),
    .groups = 'drop'
  )

# 3. Por Faixa Etária ----
analise_idade <- dados_anuais |> 
  group_by(Ano, Idade = V2009) |> 
  summarise(
    RendaMedia = mean(RendaReal, na.rm = TRUE) |> round(2),
    .groups = 'drop'
  )

# 4. Por Região ----
analise_regioes <- dados_anuais |> 
  mutate(
    Regiao = case_when(
      UF %in% regioes$Norte ~ "Norte",
      UF %in% regioes$Nordeste ~ "Nordeste",
      UF %in% regioes$Sudeste ~ "Sudeste",
      UF %in% regioes$Sul ~ "Sul",
      UF %in% regioes$CentroOeste ~ "CentroOeste"
    )
  ) |> 
  group_by(Ano, Regiao) |> 
  summarise(
    RendaMedia = mean(RendaReal, na.rm = TRUE) |> round(2),
    .groups = 'drop'
  )

centro_oeste_data <- analise_regioes |>
  filter(Regiao == "CentroOeste")

nordeste_data <- analise_regioes |>
  filter(Regiao == "Nordeste")

norte_data <- analise_regioes |>
  filter(Regiao == "Norte")

sudeste_data <- analise_regioes |>
  filter(Regiao == "Sudeste")

sul_data <- analise_regioes |>
  filter(Regiao == "Sul")

# 5. Por Estado (dentro das regiões) ----
analise_estados <- dados_anuais |> 
  mutate(
    Regiao = case_when(
      UF %in% regioes$Norte ~ "Norte",
      UF %in% regioes$Nordeste ~ "Nordeste",
      UF %in% regioes$Sudeste ~ "Sudeste",
      UF %in% regioes$Sul ~ "Sul",
      UF %in% regioes$CentroOeste ~ "CentroOeste"
    )
  ) |> 
  group_by(Ano, Regiao, UF) |> 
  summarise(
    RendaMedia = mean(RendaReal, na.rm = TRUE) |> round(2),
    .groups = 'drop'
  )

formatar_tabela <- function(df, titulo) {
  colunas_para_formatar <- df |>
    select(
      where(is.numeric),
      -any_of(c("Ano", "UF"))
    ) |>
    names()
  
  df |>
    gt() |>
    tab_header(title = titulo) |>
    fmt_number(
      columns = all_of(colunas_para_formatar),
      decimals = 2,
      sep_mark = ".",
      dec_mark = ","
    ) |>
    tab_style(
      style = cell_text(weight = "bold"),
      locations = cells_column_labels()
    )
}



# Gerar tabelas
tabela_geral <- formatar_tabela(analise_geral, "Análise Geral da Renda Real")
tabela_regioes <- formatar_tabela(analise_regioes, "Renda por Região")
tabela_centrooeste <- formatar_tabela(centro_oeste_data, "Renda Real Média da Região Centro Oeste por Ano")
tabela_nordeste <- formatar_tabela(nordeste_data, "Renda Real Média da Região Nordeste por Ano")
tabela_norte <- formatar_tabela(norte_data, "Renda Real Média da Região Norte por Ano")
tabela_sudeste <- formatar_tabela(sudeste_data, "Renda Real Média da Região Sudeste por Ano")
tabela_sul <- formatar_tabela(sul_data, "Renda Real Média da Região Sul por Ano")
tabela_estados <- formatar_tabela(analise_estados, "Renda por Estado")

tabela_geral

Análise Geral da Renda Real
Ano	RendaMedia_Ano	RendaMediana_Ano	Renda_Homens	Renda_Mulheres	Renda_Brancos	Renda_NaoBrancos	Renda_Chefes
2012	1.377,89	835,21	1.504,82	1.194,62	1.730,00	1.087,53	1.597,67
2013	1.515,58	931,98	1.669,39	1.295,00	1.913,51	1.199,08	1.741,88
2014	1.639,93	1.003,71	1.792,27	1.420,26	2.061,88	1.303,91	1.867,86
2015	1.736,92	1.089,30	1.889,33	1.518,28	2.193,37	1.381,69	1.970,46
2016	1.848,97	1.186,64	1.993,19	1.643,84	2.367,96	1.454,28	2.057,40
2017	1.943,62	1.202,71	2.098,21	1.727,73	2.493,42	1.535,73	2.169,03
2018	2.082,87	1.281,10	2.249,34	1.852,63	2.672,03	1.653,46	2.322,78
2019	2.142,13	1.316,27	2.315,91	1.902,31	2.768,53	1.697,83	2.368,87
2022	2.613,79	1.582,90	2.838,92	2.308,55	3.359,05	2.082,49	2.885,61
2023	2.838,62	1.787,66	3.063,36	2.538,86	3.656,77	2.255,52	3.101,52

#tabela_regioes
tabela_centrooeste

Renda Real Média da Região Centro Oeste por Ano
Ano	Regiao	RendaMedia
2012	CentroOeste	1.708,63
2013	CentroOeste	1.865,43
2014	CentroOeste	2.022,34
2015	CentroOeste	2.139,63
2016	CentroOeste	2.257,13
2017	CentroOeste	2.370,07
2018	CentroOeste	2.466,55
2019	CentroOeste	2.527,44
2022	CentroOeste	3.230,42
2023	CentroOeste	3.508,62

tabela_norte

Renda Real Média da Região Norte por Ano
Ano	Regiao	RendaMedia
2012	Norte	1.297,20
2013	Norte	1.346,59
2014	Norte	1.457,21
2015	Norte	1.580,07
2016	Norte	1.612,21
2017	Norte	1.655,48
2018	Norte	1.794,13
2019	Norte	1.797,09
2022	Norte	2.171,13
2023	Norte	2.436,04

tabela_nordeste

Renda Real Média da Região Nordeste por Ano
Ano	Regiao	RendaMedia
2012	Nordeste	943,92
2013	Nordeste	1.064,74
2014	Nordeste	1.144,73
2015	Nordeste	1.205,05
2016	Nordeste	1.282,18
2017	Nordeste	1.339,14
2018	Nordeste	1.422,65
2019	Nordeste	1.461,89
2022	Nordeste	1.750,60
2023	Nordeste	1.890,85

tabela_sudeste

Renda Real Média da Região Sudeste por Ano
Ano	Regiao	RendaMedia
2012	Sudeste	1.527,16
2013	Sudeste	1.698,92
2014	Sudeste	1.844,15
2015	Sudeste	1.974,14
2016	Sudeste	2.077,12
2017	Sudeste	2.198,99
2018	Sudeste	2.360,13
2019	Sudeste	2.434,79
2022	Sudeste	2.931,42
2023	Sudeste	3.219,83

tabela_sul

Renda Real Média da Região Sul por Ano
Ano	Regiao	RendaMedia
2012	Sul	1.635,42
2013	Sul	1.786,76
2014	Sul	1.964,98
2015	Sul	2.034,85
2016	Sul	2.217,99
2017	Sul	2.345,70
2018	Sul	2.485,48
2019	Sul	2.587,28
2022	Sul	3.203,65
2023	Sul	3.383,29

tabela_estados

Renda por Estado
Ano	Regiao	UF	RendaMedia
2012	CentroOeste	50	1.451,13
2012	CentroOeste	51	1.487,02
2012	CentroOeste	52	1.505,09
2012	CentroOeste	53	2.659,07
2012	Nordeste	21	790,41
2012	Nordeste	22	894,63
2012	Nordeste	23	891,59
2012	Nordeste	24	1.013,61
2012	Nordeste	25	970,98
2012	Nordeste	26	1.114,93
2012	Nordeste	27	919,94
2012	Nordeste	28	1.046,28
2012	Nordeste	29	975,75
2012	Norte	11	1.365,30
2012	Norte	12	1.367,02
2012	Norte	13	1.310,46
2012	Norte	14	1.638,43
2012	Norte	15	1.124,07
2012	Norte	16	1.394,47
2012	Norte	17	1.252,10
2012	Sudeste	31	1.345,75
2012	Sudeste	32	1.426,82
2012	Sudeste	33	1.523,17
2012	Sudeste	35	1.750,05
2012	Sul	41	1.570,94
2012	Sul	42	1.642,31
2012	Sul	43	1.689,03
2013	CentroOeste	50	1.562,46
2013	CentroOeste	51	1.639,10
2013	CentroOeste	52	1.614,73
2013	CentroOeste	53	3.022,22
2013	Nordeste	21	877,21
2013	Nordeste	22	1.094,81
2013	Nordeste	23	1.006,13
2013	Nordeste	24	1.140,86
2013	Nordeste	25	1.053,45
2013	Nordeste	26	1.268,07
2013	Nordeste	27	1.015,72
2013	Nordeste	28	1.254,88
2013	Nordeste	29	1.075,97
2013	Norte	11	1.422,16
2013	Norte	12	1.363,49
2013	Norte	13	1.367,23
2013	Norte	14	1.739,38
2013	Norte	15	1.136,35
2013	Norte	16	1.641,30
2013	Norte	17	1.315,85
2013	Sudeste	31	1.488,62
2013	Sudeste	32	1.633,70
2013	Sudeste	33	1.674,01
2013	Sudeste	35	1.950,35
2013	Sul	41	1.801,52
2013	Sul	42	1.779,21
2013	Sul	43	1.779,57
2014	CentroOeste	50	1.790,49
2014	CentroOeste	51	1.794,23
2014	CentroOeste	52	1.768,27
2014	CentroOeste	53	3.093,95
2014	Nordeste	21	893,37
2014	Nordeste	22	1.132,26
2014	Nordeste	23	1.044,17
2014	Nordeste	24	1.214,11
2014	Nordeste	25	1.234,77
2014	Nordeste	26	1.492,91
2014	Nordeste	27	1.124,65
2014	Nordeste	28	1.275,73
2014	Nordeste	29	1.151,08
2014	Norte	11	1.520,53
2014	Norte	12	1.510,24
2014	Norte	13	1.457,54
2014	Norte	14	1.654,92
2014	Norte	15	1.262,70
2014	Norte	16	1.718,09
2014	Norte	17	1.531,85
2014	Sudeste	31	1.564,58
2014	Sudeste	32	1.775,00
2014	Sudeste	33	1.834,71
2014	Sudeste	35	2.154,92
2014	Sul	41	2.005,28
2014	Sul	42	1.916,49
2014	Sul	43	1.978,04
2015	CentroOeste	50	1.774,70
2015	CentroOeste	51	1.815,94
2015	CentroOeste	52	1.797,52
2015	CentroOeste	53	3.567,63
2015	Nordeste	21	965,06
2015	Nordeste	22	1.238,50
2015	Nordeste	23	1.144,77
2015	Nordeste	24	1.360,48
2015	Nordeste	25	1.392,35
2015	Nordeste	26	1.415,20
2015	Nordeste	27	1.167,05
2015	Nordeste	28	1.279,02
2015	Nordeste	29	1.184,48
2015	Norte	11	1.678,65
2015	Norte	12	1.708,01
2015	Norte	13	1.566,09
2015	Norte	14	1.883,08
2015	Norte	15	1.299,07
2015	Norte	16	1.975,84
2015	Norte	17	1.597,89
2015	Sudeste	31	1.675,75
2015	Sudeste	32	1.908,56
2015	Sudeste	33	1.992,67
2015	Sudeste	35	2.276,76
2015	Sul	41	1.982,32
2015	Sul	42	2.061,63
2015	Sul	43	2.056,07
2016	CentroOeste	50	2.040,64
2016	CentroOeste	51	2.009,52
2016	CentroOeste	52	1.899,12
2016	CentroOeste	53	3.465,09
2016	Nordeste	21	1.073,89
2016	Nordeste	22	1.310,02
2016	Nordeste	23	1.201,58
2016	Nordeste	24	1.411,30
2016	Nordeste	25	1.378,35
2016	Nordeste	26	1.521,77
2016	Nordeste	27	1.246,73
2016	Nordeste	28	1.480,56
2016	Nordeste	29	1.243,09
2016	Norte	11	1.679,61
2016	Norte	12	1.648,82
2016	Norte	13	1.508,31
2016	Norte	14	2.068,01
2016	Norte	15	1.387,70
2016	Norte	16	2.081,50
2016	Norte	17	1.646,32
2016	Sudeste	31	1.708,30
2016	Sudeste	32	2.017,24
2016	Sudeste	33	2.124,51
2016	Sudeste	35	2.428,44
2016	Sul	41	2.195,77
2016	Sul	42	2.174,71
2016	Sul	43	2.290,31
2017	CentroOeste	50	2.066,42
2017	CentroOeste	51	2.144,92
2017	CentroOeste	52	2.072,26
2017	CentroOeste	53	3.709,38
2017	Nordeste	21	1.131,09
2017	Nordeste	22	1.329,02
2017	Nordeste	23	1.316,30
2017	Nordeste	24	1.389,73
2017	Nordeste	25	1.556,21
2017	Nordeste	26	1.545,46
2017	Nordeste	27	1.238,61
2017	Nordeste	28	1.475,22
2017	Nordeste	29	1.297,82
2017	Norte	11	1.865,85
2017	Norte	12	1.671,02
2017	Norte	13	1.561,64
2017	Norte	14	1.987,33
2017	Norte	15	1.433,48
2017	Norte	16	2.152,10
2017	Norte	17	1.637,92
2017	Sudeste	31	1.846,01
2017	Sudeste	32	2.164,95
2017	Sudeste	33	2.268,69
2017	Sudeste	35	2.509,42
2017	Sul	41	2.320,11
2017	Sul	42	2.373,04
2017	Sul	43	2.338,79
2018	CentroOeste	50	2.250,26
2018	CentroOeste	51	2.291,69
2018	CentroOeste	52	2.051,59
2018	CentroOeste	53	3.752,98
2018	Nordeste	21	1.213,75
2018	Nordeste	22	1.459,10
2018	Nordeste	23	1.332,47
2018	Nordeste	24	1.486,61
2018	Nordeste	25	1.589,08
2018	Nordeste	26	1.595,40
2018	Nordeste	27	1.427,29
2018	Nordeste	28	1.593,87
2018	Nordeste	29	1.389,71
2018	Norte	11	2.070,38
2018	Norte	12	1.932,96
2018	Norte	13	1.402,16
2018	Norte	14	2.146,61
2018	Norte	15	1.656,03
2018	Norte	16	2.041,72
2018	Norte	17	2.042,13
2018	Sudeste	31	1.928,38
2018	Sudeste	32	2.190,75
2018	Sudeste	33	2.525,58
2018	Sudeste	35	2.693,27
2018	Sul	41	2.469,90
2018	Sul	42	2.414,60
2018	Sul	43	2.577,72
2019	CentroOeste	50	2.332,13
2019	CentroOeste	51	2.253,51
2019	CentroOeste	52	2.100,91
2019	CentroOeste	53	3.856,25
2019	Nordeste	21	1.235,77
2019	Nordeste	22	1.456,36
2019	Nordeste	23	1.488,12
2019	Nordeste	24	1.561,05
2019	Nordeste	25	1.655,32
2019	Nordeste	26	1.644,67
2019	Nordeste	27	1.366,75
2019	Nordeste	28	1.479,53
2019	Nordeste	29	1.408,27
2019	Norte	11	1.985,34
2019	Norte	12	1.898,80
2019	Norte	13	1.591,06
2019	Norte	14	2.095,30
2019	Norte	15	1.555,97
2019	Norte	16	2.058,82
2019	Norte	17	2.054,28
2019	Sudeste	31	1.950,06
2019	Sudeste	32	2.336,21
2019	Sudeste	33	2.639,72
2019	Sudeste	35	2.766,64
2019	Sul	41	2.592,80
2019	Sul	42	2.594,13
2019	Sul	43	2.574,83
2022	CentroOeste	50	2.896,59
2022	CentroOeste	51	3.025,81
2022	CentroOeste	52	2.796,24
2022	CentroOeste	53	4.701,83
2022	Nordeste	21	1.606,30
2022	Nordeste	22	1.820,49
2022	Nordeste	23	1.612,44
2022	Nordeste	24	1.898,39
2022	Nordeste	25	2.039,25
2022	Nordeste	26	1.913,29
2022	Nordeste	27	1.678,33
2022	Nordeste	28	1.908,84
2022	Nordeste	29	1.626,71
2022	Norte	11	2.455,05
2022	Norte	12	2.312,55
2022	Norte	13	1.979,26
2022	Norte	14	2.261,46
2022	Norte	15	1.955,21
2022	Norte	16	2.180,83
2022	Norte	17	2.585,44
2022	Sudeste	31	2.458,38
2022	Sudeste	32	2.738,86
2022	Sudeste	33	3.316,55
2022	Sudeste	35	3.256,36
2022	Sul	41	3.002,54
2022	Sul	42	3.320,19
2022	Sul	43	3.271,16
2023	CentroOeste	50	3.084,78
2023	CentroOeste	51	3.415,58
2023	CentroOeste	52	3.116,97
2023	CentroOeste	53	4.807,98
2023	Nordeste	21	1.678,09
2023	Nordeste	22	1.925,85
2023	Nordeste	23	1.759,41
2023	Nordeste	24	2.296,49
2023	Nordeste	25	2.147,22
2023	Nordeste	26	1.943,81
2023	Nordeste	27	1.973,90
2023	Nordeste	28	1.926,28
2023	Nordeste	29	1.795,73
2023	Norte	11	2.795,73
2023	Norte	12	2.293,27
2023	Norte	13	2.182,27
2023	Norte	14	2.716,31
2023	Norte	15	2.214,05
2023	Norte	16	2.861,48
2023	Norte	17	2.709,34
2023	Sudeste	31	2.748,28
2023	Sudeste	32	3.051,33
2023	Sudeste	33	3.524,60
2023	Sudeste	35	3.520,32
2023	Sul	41	3.235,12
2023	Sul	42	3.429,67
2023	Sul	43	3.469,97

3.3. Estatística Descritiva Gráfica

# Gráfico usando ggplot2
graficor_renda_sexo <- analise_geral |> 
  pivot_longer(
    cols = c(Renda_Homens, Renda_Mulheres),
    names_to = "Sexo",
    values_to = "RendaReal"
  ) |> 
  mutate(Sexo = factor(Sexo, 
                       levels = c("Renda_Homens", "Renda_Mulheres"),
                       labels = c("Homens", "Mulheres"))) |> 
  ggplot(aes(x = Ano, y = Renda, color = Sexo, group = Sexo)) +
  geom_line(size = 1.2) +
  geom_point(size = 3) +
  scale_y_continuous(labels = scales::label_number(big.mark = ".", decimal.mark = ",", prefix = "R$ ")) +
  labs(title = "Evolução da Renda Anual por Sexo",
       x = "Ano",
       y = "Renda Real Média",
       color = "Sexo") +
  theme_minimal() +
  theme(
    legend.position = "top",
    plot.title = element_text(hjust = 0.5, face = "bold"),
    axis.text = element_text(size = 10),
    axis.title = element_text(size = 12)
  )

# Gráfico por regiões
analise_regioes |> 
  drop_na(Regiao) |>  # Remove eventuais valores não categorizados
  mutate(Regiao = factor(Regiao, 
                        levels = c("Norte", "Nordeste", "Sudeste", "Sul", "CentroOeste"),
                        labels = c("Norte", "Nordeste", "Sudeste", "Sul", "Centro-Oeste"))) |> 
  ggplot(aes(x = Ano, y = RendaMedia, color = Regiao, group = Regiao)) +
  geom_line(size = 1.2) +
  geom_point(size = 3) +
  scale_y_continuous(labels = scales::label_number(big.mark = ".", decimal.mark = ",", prefix = "R$ ")) +
  scale_color_brewer(palette = "Dark2") +  # Paleta de cores diferenciada
  labs(title = "Evolução da Renda Média por Região",
       x = "Ano",
       y = "Renda Média",
       color = "Região") +
  theme_minimal() +
  theme(
    legend.position = "top",
    plot.title = element_text(hjust = 0.5, face = "bold"),
    axis.text = element_text(size = 10),
    axis.title = element_text(size = 12),
    legend.title = element_text(face = "bold")
  ) +
  guides(color = guide_legend(nrow = 1))  # Legenda em linha única

4. Análise Econométrica