| 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) |
| VD4009 | Posição na ocupação no trabalho principal da semana de referência para pessoas de 14 anos ou mais de idade |
| VD4008 | Posição na ocupação e categoria do emprego do trabalho principal da semana de referência para pessoas de 14 anos ou mais de idade |
| VD4031 | Horas habitualmente trabalhadas por semana em todos os trabalhos para pessoas de 14 anos ou mais de idade |
| VD4012 | Contribuição para instituto de previdência em qualquer trabalho da semana de referência para pessoas de 14 anos ou mais de idade |
| VD4010 | Grupamentos de atividade principal do empreendimento do trabalho principal da semana de referência para pessoas de 14 anos ou mais de idade |
A EVOLUÇÃO E OS DETERMINANTES DO RENDIMENTO SALARIAL NO MERCADO DE TRABALHO
1. Introdução
Passo a passo de como fazer o download dos microdados anuais da PNAD contínua de 2012 a 2024, criar médias e dummies das variáveis e gráficos e tabelas dos dados.
1.1 Dicionário
Dicionário de variáveis utilizadas na análise
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")
#install.packages("plm")
#install.packages("DT")
#install.packages("stargazer")
#install.packages("modelsummary")
library(PNADcIBGE)
library(dplyr)
library(gt)
library(tidyr)
library(purrr)
library(ggplot2)
library(plm)
library(DT)
library(stargazer)
library(modelsummary)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", "V20082", "V2009", "V2007", "VD3005", "VD4016", "VD4019",
"V4040","V40401","V40402", "V40403", "VD4009", "VD4008", "VD4031", "VD4012", "VD4010")Baixando base de dados de 2012 a 2023
O código abaixo faz download e armazena os dados de todos os anos de 2012 a 2024 baixados com a função get_pnadc e realiza um loop para não precisar ficar repetindo o código para todos os anos. O paramêtro Interview serve para escolher a entrevista no ano, conseguindo assim os dados anuais. Deflator = TRUE insere a variável para deflacionamento dos dados de remuneração.
# Criando função para fazer download dos microdados e que continua mesmo se algum ano der erro
baixar_dados <- possibly(
~ get_pnadc(
year = .x,
interview = 5, # nem todos os anos têm interview = 5
design = FALSE,
labels = FALSE,
deflator = TRUE,
defyear = 2024
vars = varselec
),
otherwise = NULL # Retorna NULL se erro
)
anos <- 2012:2024
# aplicando a função criada acima em cada ano, ou seja, fazendo download dos microdados de cada ano
dados_brutos <- map(anos, baixar_dados) |>
set_names(paste0("PNADC", anos))# Salva os dados brutos em um arquivo para não precisar fazer o download novamente
#saveRDS(dados_brutos, "dados_brutos.rds")2.1. Filtragem e Manipulação dos dados
Abaixo, é criada a função processar_dados() para selecionar variáveis, aplicar filtros e gerar variáveis derivadas das originais, como faixas etárias, dummies de sexo, raça, região e rendas ajustadas. O código utiliza pipes (|>) para organizar o fluxo de manipulação. Além disso, foi selecionada a variável CO2, presente nos microdados quando Deflator = TRUE, que servirá para criar a variável renda deflacionada. No final, a função é aplicada a cada ano com map(), gerando a lista dados_processados. Atente-se aos #comentários para entender o que acontece com cada bloco do código.
# puxando os dados salvos
dados_brutos <- readRDS("dadosbrutos_select_vars.rds")
#criando função para selecionar, filtrar e manipular os microdados
processar_dados <- function(dados) {
ano <- unique(dados$Ano)
dados |>
#selecionando variáveis de interesse
select(Ano, Trimestre, UF, UPA, V1008, V1014, V2005, VD4002, V2010, V20082, V2009, V2007,
VD3005, VD4016, VD4019, V4040, V40401, V40402, V40403, VD4009, VD4008, VD4031,
VD4012, VD4010, CO2, ID_DOMICILIO) |>
filter(
#filtrando por ano de nascimento
V20082 >= 1959,
V20082 != 9999
) |>
mutate(
# variáveis categóricas
escolaridade = as.integer(VD3005),
idade = as.integer(V2009),
#criando variáveis de renda
Renda_nominal = VD4019,
RendaReal = VD4019 * CO2,
renda_hora = RendaReal/(VD4031 * 4.345),
#dummie por sexo
Homem = as.integer(V2007 == 1),
Mulher = 1L - Homem,
#dummie por raça
branco = as.integer(V2010 == 1),
ñbranco = 1L - branco,
#dummie de condição de ocupação
ocupados = case_when(
VD4002 == 1 ~ 1,
TRUE ~ 0
),
desocupados = case_when(
VD4002 == 2 ~ 1,
TRUE ~ 0
),
inativos = case_when(
is.na(VD4002) ~ 1,
TRUE ~ 0
),
# Criando dummie de Faixas etárias
FaixaEtaria1_20a29 = case_when(idade >= 20 & idade <= 29 ~ 1L, TRUE ~ 0L),
FaixaEtaria2_30a39 = case_when(idade >= 30 & idade <= 39 ~ 1L, TRUE ~ 0L),
FaixaEtaria3_40a49 = case_when(idade >= 40 & idade <= 49 ~ 1L, TRUE ~ 0L),
FaixaEtaria4_50a65 = case_when(idade >= 50 & idade <= 65 ~ 1L, TRUE ~ 0L),
#criando variáveis dummies por setor de atividade
servidor_publico = as.integer(VD4008 == 3),
setor_privado = as.integer(VD4008 == 1),
#criando variáveis dummies para os setores da economia
setor_primario = case_when(VD4010 == "01" ~ 1L, TRUE ~ 0L),
setor_secundario = case_when(VD4010 %in% c("02", "03") ~ 1L, TRUE ~ 0L),
setor_terciario = case_when(VD4010 %in% c("04","05","06","07","08","09","10","11") ~ 1L, TRUE ~ 0L),
#criando variáveis dummies para formalidade do emprego
formal = case_when(
VD4009 %in% c("01", "03", "05", "07") ~ 1L,
VD4009 %in% c("04", "08", "09") & VD4012 == "1" ~ 1L,
TRUE ~ 0L),
informal = case_when(
VD4009 %in% c("02", "06", "10") ~ 1L,
VD4009 %in% c("04", "08", "09") & VD4012 == "2" ~ 1L,
TRUE ~ 0L),
#criando variáveis dummies por regiões
regiao_norte = case_when(UF %in% c(11,12,13,14,15,16,17) ~ 1L, TRUE ~ 0L),
regiao_nordeste = case_when(UF %in% c(21,22,23,24,25,26,27,28,29) ~ 1L, TRUE ~ 0L),
regiao_sudeste = case_when(UF %in% c(31,32,33,35) ~ 1L, TRUE ~ 0L),
regiao_sul = case_when(UF %in% c(41,42,43) ~ 1L, TRUE ~ 0L),
regiao_centroOeste = case_when(UF %in% c(50,51,52,53) ~ 1L, TRUE ~ 0L),
#criando variável dummie para os anos
ano2012a2014 = case_when(Ano %in% 2012:2014 ~ 1L, TRUE ~ 0L),
ano2015a2019 = case_when(Ano %in% 2015:2019 ~ 1L, TRUE ~ 0L),
ano2020e2021 = case_when(Ano %in% 2020:2021 ~ 1L, TRUE ~ 0L),
ano2022a2024 = case_when(Ano %in% 2022:2024 ~ 1L, TRUE ~ 0L),
)|>
group_by(ID_DOMICILIO) |>
mutate(
#variáveis dummies baseadas na condição de domicílio
ChefeFamilia = as.integer(V2005 == "01"),
Conjuge = as.integer(V2005 == "02"),
#variável para identificar quais domicílios tem conjuges para identificar os casados
tem_conjuge = as.integer(any(Conjuge == 1)),
#criando variáveis dummies para estado civil
Casados = as.integer(tem_conjuge & (ChefeFamilia == 1 | Conjuge == 1)),
ñcasados = as.integer(Casados == 0),
#criando variáveis para identificar se indivíduos casados têm filhos menores de 10 anos
tem_filho_menor10 = as.integer(any(V2005 %in% c("04","05","06") & V2009 <= 10)),
#criando variável dummie para casados com e sem filhos menores de 10 anos
casado_comfilho = as.integer(Casados == 1 & tem_filho_menor10 == 1),
casado_semfilho = ifelse(casado_comfilho == 0, 1L, 0L)
) |>
ungroup() |>
mutate(
regiao = case_when(
regiao_norte == 1 ~ "Norte",
regiao_sul == 1 ~ "Sul",
regiao_sudeste == 1 ~ "Sudeste",
regiao_nordeste == 1 ~ "Nordeste",
regiao_centroOeste == 1 ~ "Centro-Oeste",
TRUE ~ NA_character_),
sexo = case_when(
Homem == 1 ~ "Homem",
Mulher == 1 ~ "Mulher",
TRUE ~ NA_character_),
Ano = as.numeric(Ano),
V20082 = as.numeric(V20082),
idade = Ano - V20082,
faixa_etaria = case_when(
idade >= 20 & idade <= 29 ~ "20a29anos",
idade >= 30 & idade <= 39 ~ "30a39anos",
idade >= 40 & idade <= 49 ~ "40a49anos",
idade >= 50 & idade <= 65 ~ "50a65anos",
TRUE ~ NA_character_)
) |>
group_by(regiao) |>
mutate(
renda_hora_regiao = mean(renda_hora, na.rm = TRUE)
) |>
ungroup() |>
group_by(
sexo, Ano
) |>
mutate(
renda_hora_sexo = mean(renda_hora, na.rm = TRUE)
) |>
ungroup() |>
group_by(
idade, Ano
) |>
mutate(
renda_hora_idade = mean(renda_hora, na.rm = TRUE)
) |>
ungroup() |>
group_by(sexo, idade, Ano) |>
mutate(renda_hora_sexo_idade = mean(renda_hora, na.rm = TRUE)) |>
ungroup() |>
group_by(
Ano, faixa_etaria, sexo
) |>
mutate(
renda_faixa_etaria_sexo = mean(RendaReal, na.rm = TRUE),
rendahora_faixaetaria_sexo = mean(renda_hora, na.rm = TRUE)
) |> ungroup()
}
# Aplicar a todos os anos
dados_processados <- map(dados_brutos, processar_dados)2.2. Criação de Coortes e Médias por Coortes)
Esse bloco de código aplica uma transformação aos dados processados, criando uma variável identificadora chamada ID, formada pela combinação do ano de nascimento (V20082) e do sexo (V2007) de cada indivíduo. Em seguida, os dados são agrupados por essa ID, representando coortes de indivíduos com características demográficas semelhantes, e são calculadas as médias de diversas variáveis dentro de cada grupo. Essas médias são adicionadas como novas variáveis com o sufixo _ID, permitindo análises agregadas por coorte.
# puxando dados do bloco anterior para criar as coortes(IDs)
dados_IDs <- map(dados_processados, ~ {.x |>
mutate(
#criando ID juntando ano de nascimento e sexo separado por "_"
ID = interaction(V20082, V2007, sep = "_")
) |>
group_by(ID) |>
#criando média de cada variável por ID
mutate(across(c(
Renda_nominal, RendaReal, renda_hora,
ocupados, desocupados, inativos,
branco, ñbranco,
Casados, ñcasados,
casado_comfilho, casado_semfilho,
ChefeFamilia, Conjuge,
escolaridade,
ano2020e2021, ano2012a2014,
ano2015a2019,ano2022a2024,
servidor_publico, setor_privado,
setor_primario, setor_secundario, setor_terciario,
formal, informal,
regiao_norte,
regiao_nordeste,
regiao_sudeste,
regiao_sul,
regiao_centroOeste,
renda_hora_regiao, renda_hora_sexo, renda_hora_idade, renda_hora_sexo_idade
), ~ mean(., na.rm = TRUE), .names = "Média_{.col}_ID")) |>
ungroup() |>
mutate(
log_renda_hora_ID = log(Média_renda_hora_ID)
)
})2.3 Filtragem final do banco de dados
O bloco de código abaixo realiza o filtro final dos dados, selecionando apenas os indivíduos que nasceram antes de 1992. Após aplicar esses critérios a cada ano da base de dados, os dados filtrados são combinados em um único objeto com todas as observações anuais, permitindo a análise integrada de todos os anos disponíveis a partir de agora.
# Filtro final
dados_filtrados <- map(dados_IDs, ~( .x |>
filter(
V20082 <= 1992 #filtrando para o intervalo de idade desejável
)))
# Unir todos os anos
dados_anuais <- bind_rows(dados_filtrados)2.4 Criando Pseudo Painel
# puxando os dados salvos
#dados_anuais <- readRDS("dados_anuais.rds")
# filtrando para criar o pseudo painel
pseudopainel <- dados_anuais |>
select(Ano, ID, log_renda_hora_ID, ends_with("_ID")) |>
distinct(Ano, ID, .keep_all = TRUE)
# criando painel
pseudopainel <- pdata.frame(pseudopainel, index = c("ID", "Ano"))
# exibindo painel
datatable(pseudopainel, options = list(scrollX = TRUE))3. Estatística Descritiva
3.1. Tabela Quantidades e Porcentagens Geral do Banco de Dados
| Ano | qtd_obs | qtd_homens | qtd_mulheres | qtd_casados | qtd_ñcasados | qtd_brancos | qtd_ñbrancos | qtd_ChefesFamilia | qtd_conjuges | qtd_ocupados | qtd_desocupados | qtd_inativos | qtd_faixa_20a29 | qtd_faixa_30a39 | qtd_faixa_40a49 | qtd_faixa_50a65 | qtd_servidor_publico | qtd_setor_privado | qtd_setor_primario | qtd_setor_secundario | qtd_setor_terciario | qtd_formal | qtd_informal | qtd_regiao_norte | qtd_regiao_nordeste | qtd_regiao_sudeste | qtd_regiao_sul | qtd_regiao_centroOeste | qtd_Ano2020e2021 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2012 | 202.903 | 98178 (48.39%) | 104725 (51.61%) | 117733 (58.02%) | 85170 (41.98%) | 86073 (42.42%) | 116830 (57.58%) | 81374 (40.10%) | 62742 (30.92%) | 143452 (70.70%) | 10370 (5.11%) | 49081 (24.19%) | 66175 (32.61%) | 62681 (30.89%) | 54109 (26.67%) | 16441 (8.10%) | 19362 (9.54%) | 70523 (34.76%) | 23524 (11.59%) | 30838 (15.20%) | 88992 (43.86%) | 82502 (40.66%) | 60950 (30.04%) | 26717 (13.17%) | 66260 (32.66%) | 53234 (26.24%) | 35705 (17.60%) | 20987 (10.34%) | 0 (0.00%) |
| 2013 | 204.022 | 98466 (48.26%) | 105556 (51.74%) | 121886 (59.74%) | 82136 (40.26%) | 85052 (41.69%) | 118970 (58.31%) | 86483 (42.39%) | 64698 (31.71%) | 145256 (71.20%) | 9841 (4.82%) | 48925 (23.98%) | 63155 (30.95%) | 64705 (31.71%) | 54606 (26.76%) | 21556 (10.57%) | 19824 (9.72%) | 69966 (34.29%) | 23969 (11.75%) | 30912 (15.15%) | 90356 (44.29%) | 84583 (41.46%) | 60673 (29.74%) | 26874 (13.17%) | 65836 (32.27%) | 54337 (26.63%) | 35693 (17.49%) | 21282 (10.43%) | 0 (0.00%) |
| 2014 | 201.244 | 97285 (48.34%) | 103959 (51.66%) | 122398 (60.82%) | 78846 (39.18%) | 84149 (41.81%) | 117095 (58.19%) | 87867 (43.66%) | 64780 (32.19%) | 144315 (71.71%) | 8700 (4.32%) | 48229 (23.97%) | 54143 (26.90%) | 64805 (32.20%) | 55402 (27.53%) | 26894 (13.36%) | 20503 (10.19%) | 67698 (33.64%) | 23930 (11.89%) | 29948 (14.88%) | 90407 (44.92%) | 85455 (42.46%) | 58860 (29.25%) | 26886 (13.36%) | 65132 (32.36%) | 53478 (26.57%) | 35173 (17.48%) | 20575 (10.22%) | 0 (0.00%) |
| 2015 | 197.879 | 95713 (48.37%) | 102166 (51.63%) | 122548 (61.93%) | 75331 (38.07%) | 82021 (41.45%) | 115858 (58.55%) | 89367 (45.16%) | 64580 (32.64%) | 140899 (71.20%) | 10179 (5.14%) | 46801 (23.65%) | 46365 (23.43%) | 63801 (32.24%) | 55356 (27.97%) | 32357 (16.35%) | 19924 (10.07%) | 63972 (32.33%) | 23167 (11.71%) | 28849 (14.58%) | 88853 (44.90%) | 84160 (42.53%) | 56739 (28.67%) | 26048 (13.16%) | 63267 (31.97%) | 52861 (26.71%) | 35280 (17.83%) | 20423 (10.32%) | 0 (0.00%) |
| 2016 | 193.974 | 93399 (48.15%) | 100575 (51.85%) | 121210 (62.49%) | 72764 (37.51%) | 78212 (40.32%) | 115762 (59.68%) | 89352 (46.06%) | 63779 (32.88%) | 134256 (69.21%) | 12351 (6.37%) | 47367 (24.42%) | 37787 (19.48%) | 62559 (32.25%) | 55804 (28.77%) | 37824 (19.50%) | 19337 (9.97%) | 59628 (30.74%) | 22006 (11.34%) | 25784 (13.29%) | 86452 (44.57%) | 80781 (41.65%) | 53475 (27.57%) | 25912 (13.36%) | 62050 (31.99%) | 52134 (26.88%) | 33915 (17.48%) | 19963 (10.29%) | 0 (0.00%) |
| 2017 | 185.832 | 89268 (48.04%) | 96564 (51.96%) | 117077 (63.00%) | 68755 (37.00%) | 74193 (39.92%) | 111639 (60.08%) | 87928 (47.32%) | 61471 (33.08%) | 127054 (68.37%) | 12765 (6.87%) | 46013 (24.76%) | 30614 (16.47%) | 59910 (32.24%) | 53740 (28.92%) | 41568 (22.37%) | 18831 (10.13%) | 54973 (29.58%) | 19835 (10.67%) | 23942 (12.88%) | 83258 (44.80%) | 75538 (40.65%) | 51516 (27.72%) | 24603 (13.24%) | 58577 (31.52%) | 49940 (26.87%) | 32657 (17.57%) | 20055 (10.79%) | 0 (0.00%) |
| 2018 | 184.457 | 88261 (47.85%) | 96196 (52.15%) | 117254 (63.57%) | 67203 (36.43%) | 72544 (39.33%) | 111913 (60.67%) | 89197 (48.36%) | 61295 (33.23%) | 125846 (68.23%) | 11874 (6.44%) | 46737 (25.34%) | 24638 (13.36%) | 59388 (32.20%) | 54168 (29.37%) | 46263 (25.08%) | 18701 (10.14%) | 53620 (29.07%) | 19044 (10.32%) | 23215 (12.59%) | 83539 (45.29%) | 74246 (40.25%) | 51600 (27.97%) | 24063 (13.05%) | 57688 (31.27%) | 51793 (28.08%) | 31339 (16.99%) | 19574 (10.61%) | 0 (0.00%) |
| 2019 | 186.832 | 89055 (47.67%) | 97777 (52.33%) | 120433 (64.46%) | 66399 (35.54%) | 72857 (39.00%) | 113975 (61.00%) | 91679 (49.07%) | 62488 (33.45%) | 127135 (68.05%) | 11543 (6.18%) | 48154 (25.77%) | 19066 (10.20%) | 60076 (32.16%) | 55356 (29.63%) | 52334 (28.01%) | 19084 (10.21%) | 52777 (28.25%) | 18954 (10.14%) | 22984 (12.30%) | 85153 (45.58%) | 74279 (39.76%) | 52856 (28.29%) | 24783 (13.26%) | 57799 (30.94%) | 52652 (28.18%) | 31688 (16.96%) | 19910 (10.66%) | 0 (0.00%) |
| 2020 | 160.420 | 75899 (47.31%) | 84521 (52.69%) | 104505 (65.14%) | 55915 (34.86%) | 63943 (39.86%) | 96477 (60.14%) | 79924 (49.82%) | 54048 (33.69%) | 101889 (63.51%) | 10728 (6.69%) | 47803 (29.80%) | 11524 (7.18%) | 50744 (31.63%) | 48217 (30.06%) | 49935 (31.13%) | 16477 (10.27%) | 41847 (26.09%) | 14752 (9.20%) | 18293 (11.40%) | 68806 (42.89%) | 61924 (38.60%) | 39965 (24.91%) | 20558 (12.82%) | 48641 (30.32%) | 46093 (28.73%) | 28400 (17.70%) | 16728 (10.43%) | 160420 (100.00%) |
| 2021 | 139.932 | 65494 (46.80%) | 74438 (53.20%) | 88392 (63.17%) | 51540 (36.83%) | 56245 (40.19%) | 83687 (59.81%) | 72125 (51.54%) | 45822 (32.75%) | 89610 (64.04%) | 9348 (6.68%) | 40974 (29.28%) | 5665 (4.05%) | 42747 (30.55%) | 43505 (31.09%) | 48015 (34.31%) | 14355 (10.26%) | 35065 (25.06%) | 14311 (10.23%) | 16222 (11.59%) | 59049 (42.20%) | 53085 (37.94%) | 36525 (26.10%) | 18783 (13.42%) | 41777 (29.86%) | 39649 (28.33%) | 24767 (17.70%) | 14956 (10.69%) | 139932 (100.00%) |
| 2022 | 155.721 | 73507 (47.20%) | 82214 (52.80%) | 98985 (63.57%) | 56736 (36.43%) | 62211 (39.95%) | 93510 (60.05%) | 81763 (52.51%) | 51287 (32.94%) | 102346 (65.72%) | 6820 (4.38%) | 46555 (29.90%) | 2119 (1.36%) | 46501 (29.86%) | 48946 (31.43%) | 58155 (37.35%) | 16131 (10.36%) | 40711 (26.14%) | 15905 (10.21%) | 18179 (11.67%) | 68228 (43.81%) | 59509 (38.22%) | 42837 (27.51%) | 21235 (13.64%) | 47405 (30.44%) | 41849 (26.87%) | 27869 (17.90%) | 17363 (11.15%) | 0 (0.00%) |
| 2023 | 157.029 | 73683 (46.92%) | 83346 (53.08%) | 98685 (62.85%) | 58344 (37.15%) | 62195 (39.61%) | 94834 (60.39%) | 83693 (53.30%) | 51096 (32.54%) | 103178 (65.71%) | 5583 (3.56%) | 48268 (30.74%) | 0 (0.00%) | 44064 (28.06%) | 49894 (31.77%) | 63071 (40.17%) | 16499 (10.51%) | 41028 (26.13%) | 15382 (9.80%) | 18291 (11.65%) | 69486 (44.25%) | 60463 (38.50%) | 42715 (27.20%) | 21019 (13.39%) | 48361 (30.80%) | 42620 (27.14%) | 27728 (17.66%) | 17301 (11.02%) | 0 (0.00%) |
| 2024 | 156.405 | 73662 (47.10%) | 82743 (52.90%) | 98064 (62.70%) | 58341 (37.30%) | 61969 (39.62%) | 94436 (60.38%) | 86141 (55.08%) | 50692 (32.41%) | 105120 (67.21%) | 4621 (2.95%) | 46664 (29.84%) | 0 (0.00%) | 41102 (26.28%) | 50468 (32.27%) | 64835 (41.45%) | 16535 (10.57%) | 42465 (27.15%) | 15522 (9.92%) | 19177 (12.26%) | 70405 (45.01%) | 61618 (39.40%) | 43502 (27.81%) | 19907 (12.73%) | 48675 (31.12%) | 43164 (27.60%) | 28018 (17.91%) | 16641 (10.64%) | 0 (0.00%) |
3.2. Tabela Renda Real Média de Cada Variável
| Ano | Renda Média Geral | Mediana Renda Real | Renda Homens | Renda Mulheres | Renda Brancos | Renda ñBrancos | Renda Casados | Renda ñCasados | Renda Casado Com Filho | Renda Casado Sem Filho | Renda Ocupados | Renda Formal | Renda Informal | Renda SetorPrimario | Renda SetorSecundario | Renda SetorTerciario | Renda ChefeFamilia | Renda Conjuge | Nordeste | Norte | Sul | Sudeste | Centro-Oeste |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2012 | 2.665,66 | 1.629,47 | 2.928,90 | 2.292,05 | 3.376,60 | 2.091,02 | 2.906,75 | 2.320,98 | 2.791,83 | 2.610,84 | 2.665,66 | 3.303,99 | 1.706,31 | 1.554,15 | 2.565,62 | 2.939,41 | 3.105,68 | 2.457,69 | 1.791,24 | 2.505,74 | 3.213,56 | 2.994,54 | 1.791,24 |
| 2013 | 2.802,02 | 1.728,49 | 3.105,75 | 2.373,64 | 3.572,36 | 2.198,14 | 3.026,83 | 2.461,93 | 2.914,19 | 2.753,58 | 2.802,02 | 3.459,45 | 1.783,44 | 1.704,22 | 2.675,35 | 3.081,38 | 3.201,68 | 2.583,07 | 1.924,06 | 2.437,33 | 3.377,93 | 3.178,93 | 1.924,06 |
| 2014 | 2.890,46 | 1.781,05 | 3.177,80 | 2.482,91 | 3.671,57 | 2.276,51 | 3.088,48 | 2.579,32 | 2.981,68 | 2.852,34 | 2.890,46 | 3.563,76 | 1.803,13 | 1.751,37 | 2.745,07 | 3.185,05 | 3.243,54 | 2.668,83 | 1.981,52 | 2.544,32 | 3.514,77 | 3.280,08 | 1.981,52 |
| 2015 | 2.844,40 | 1.815,98 | 3.110,76 | 2.468,81 | 3.623,05 | 2.243,09 | 3.025,69 | 2.544,85 | 2.956,57 | 2.798,62 | 2.844,40 | 3.515,59 | 1.746,60 | 1.663,85 | 2.698,36 | 3.149,66 | 3.159,89 | 2.637,76 | 1.950,27 | 2.569,19 | 3.352,43 | 3.270,63 | 1.950,27 |
| 2016 | 2.740,30 | 1.753,74 | 2.962,47 | 2.430,29 | 3.536,39 | 2.144,58 | 2.894,41 | 2.478,64 | 2.857,90 | 2.694,15 | 2.740,30 | 3.423,63 | 1.627,73 | 1.568,41 | 2.590,21 | 3.047,74 | 2.997,74 | 2.579,51 | 1.866,11 | 2.420,09 | 3.246,85 | 3.132,50 | 1.866,11 |
| 2017 | 2.879,41 | 1.752,70 | 3.126,10 | 2.542,74 | 3.735,43 | 2.240,48 | 3.055,64 | 2.570,55 | 3.060,22 | 2.810,35 | 2.879,41 | 3.619,15 | 1.713,22 | 1.736,97 | 2.670,24 | 3.181,23 | 3.107,05 | 2.798,52 | 1.936,62 | 2.504,21 | 3.458,06 | 3.279,62 | 1.936,62 |
| 2018 | 2.905,50 | 1.797,75 | 3.173,09 | 2.547,97 | 3.794,46 | 2.259,13 | 3.071,54 | 2.602,24 | 3.107,76 | 2.829,06 | 2.905,50 | 3.676,00 | 1.722,28 | 1.774,56 | 2.702,16 | 3.193,21 | 3.129,18 | 2.820,74 | 1.976,90 | 2.464,36 | 3.480,01 | 3.308,70 | 1.976,90 |
| 2019 | 2.971,61 | 1.883,22 | 3.232,48 | 2.624,71 | 3.887,11 | 2.318,52 | 3.160,56 | 2.609,93 | 3.235,37 | 2.872,95 | 2.971,61 | 3.754,45 | 1.797,64 | 1.769,04 | 2.714,71 | 3.280,79 | 3.183,05 | 2.913,49 | 2.025,32 | 2.539,43 | 3.517,96 | 3.387,92 | 2.025,32 |
| 2020 | 3.146,33 | 1.935,27 | 3.414,82 | 2.783,13 | 4.084,74 | 2.435,92 | 3.340,91 | 2.753,33 | 3.529,89 | 3.003,31 | 3.146,33 | 3.905,05 | 1.894,95 | 1.851,51 | 2.892,91 | 3.463,16 | 3.366,00 | 3.107,76 | 2.132,45 | 2.693,62 | 3.672,51 | 3.604,36 | 2.132,45 |
| 2021 | 2.930,14 | 1.787,30 | 3.167,84 | 2.606,13 | 3.771,12 | 2.305,11 | 3.133,37 | 2.555,30 | 3.260,09 | 2.822,85 | 2.930,14 | 3.661,40 | 1.796,48 | 1.856,58 | 2.602,59 | 3.253,94 | 3.150,40 | 2.849,12 | 1.957,03 | 2.456,93 | 3.445,94 | 3.364,68 | 1.957,03 |
| 2022 | 2.980,91 | 1.761,84 | 3.258,44 | 2.611,69 | 3.845,70 | 2.346,92 | 3.158,11 | 2.647,45 | 3.278,30 | 2.886,40 | 2.980,91 | 3.756,70 | 1.845,62 | 1.981,94 | 2.709,99 | 3.267,75 | 3.139,95 | 2.938,61 | 2.010,98 | 2.529,51 | 3.518,61 | 3.417,69 | 2.010,98 |
| 2023 | 3.126,57 | 1.928,98 | 3.404,75 | 2.762,21 | 4.022,20 | 2.476,36 | 3.319,61 | 2.773,08 | 3.526,87 | 3.006,09 | 3.126,57 | 3.907,52 | 1.964,63 | 2.016,46 | 2.854,50 | 3.425,25 | 3.273,05 | 3.122,21 | 2.113,99 | 2.644,69 | 3.687,31 | 3.544,63 | 2.113,99 |
| 2024 | 3.368,57 | 2.006,22 | 3.679,29 | 2.960,38 | 4.388,97 | 2.634,76 | 3.634,31 | 2.876,49 | 3.898,06 | 3.212,26 | 3.368,57 | 4.204,06 | 2.130,35 | 2.143,77 | 3.036,70 | 3.710,74 | 3.515,07 | 3.350,19 | 2.331,38 | 2.840,00 | 4.096,21 | 3.797,89 | 2.331,38 |
3.3. Tabela Estatística Descritiva(média) das Homens Ocupados
| Ano | Renda Hora | Escolaridade | Branca | ChefeFamilia | Casadas | Casada com filho | Informal | SetorTerciario | Norte | Nordeste | Centro Oeste | Sudeste | Sul |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2012 | 14,94 | 10,54 | 0,4737 | 0,2897 | 0,5632 | 0,2633 | 0,4372 | 0,7873 | 0,1239 | 0,2812 | 0,1078 | 0,2816 | 0,2055 |
| 2013 | 15,58 | 10,60 | 0,4632 | 0,3087 | 0,5739 | 0,2607 | 0,4240 | 0,7958 | 0,1209 | 0,2788 | 0,1115 | 0,2858 | 0,2030 |
| 2014 | 16,10 | 10,74 | 0,4642 | 0,3178 | 0,5835 | 0,2537 | 0,4129 | 0,7953 | 0,1237 | 0,2867 | 0,1075 | 0,2813 | 0,2008 |
| 2015 | 16,08 | 10,80 | 0,4587 | 0,3374 | 0,5938 | 0,2489 | 0,4052 | 0,7991 | 0,1217 | 0,2830 | 0,1082 | 0,2822 | 0,2049 |
| 2016 | 15,58 | 10,93 | 0,4495 | 0,3442 | 0,5926 | 0,2388 | 0,3895 | 0,8148 | 0,1241 | 0,2765 | 0,1089 | 0,2881 | 0,2024 |
| 2017 | 16,32 | 11,08 | 0,4460 | 0,3801 | 0,5970 | 0,2337 | 0,3988 | 0,8193 | 0,1236 | 0,2700 | 0,1157 | 0,2889 | 0,2018 |
| 2018 | 16,42 | 11,20 | 0,4384 | 0,4029 | 0,6013 | 0,2298 | 0,4053 | 0,8228 | 0,1206 | 0,2661 | 0,1169 | 0,3045 | 0,1919 |
| 2019 | 16,83 | 11,31 | 0,4374 | 0,4216 | 0,6077 | 0,2282 | 0,4097 | 0,8266 | 0,1223 | 0,2628 | 0,1187 | 0,3038 | 0,1924 |
| 2020 | 17,59 | 11,68 | 0,4538 | 0,4391 | 0,6129 | 0,2255 | 0,3833 | 0,8310 | 0,1243 | 0,2472 | 0,1129 | 0,3094 | 0,2062 |
| 2021 | 16,68 | 11,61 | 0,4494 | 0,4847 | 0,5864 | 0,1987 | 0,3974 | 0,8209 | 0,1296 | 0,2422 | 0,1179 | 0,3059 | 0,2043 |
| 2022 | 16,72 | 11,52 | 0,4449 | 0,5012 | 0,5946 | 0,1993 | 0,4091 | 0,8281 | 0,1284 | 0,2516 | 0,1221 | 0,2938 | 0,2041 |
| 2023 | 17,59 | 11,55 | 0,4386 | 0,5113 | 0,5850 | 0,1882 | 0,4071 | 0,8346 | 0,1264 | 0,2553 | 0,1225 | 0,2937 | 0,2021 |
| 2024 | 18,81 | 11,61 | 0,4353 | 0,5302 | 0,5889 | 0,1856 | 0,4084 | 0,8345 | 0,1205 | 0,2608 | 0,1165 | 0,3004 | 0,2018 |
3.4. Tabela Estatística Descritiva(média) das Mulheres Ocupadas
| Ano | Renda Hora | Escolaridade | Branco | ChefeFamilia | Casados | Casado com filho | Informal | SetorTerciario | Norte | Nordeste | Centro Oeste | Sudeste | Sul |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2012 | 16,06 | 9,02 | 0,4255 | 0,6036 | 0,6108 | 0,3328 | 0,4158 | 0,4973 | 0,1350 | 0,3008 | 0,1087 | 0,2679 | 0,1876 |
| 2013 | 17,09 | 9,05 | 0,4194 | 0,6218 | 0,6282 | 0,3330 | 0,4130 | 0,4933 | 0,1364 | 0,2970 | 0,1097 | 0,2712 | 0,1856 |
| 2014 | 17,54 | 9,12 | 0,4194 | 0,6330 | 0,6388 | 0,3271 | 0,4041 | 0,5012 | 0,1375 | 0,3020 | 0,1068 | 0,2688 | 0,1848 |
| 2015 | 17,46 | 9,22 | 0,4167 | 0,6409 | 0,6521 | 0,3220 | 0,4008 | 0,5052 | 0,1371 | 0,2995 | 0,1069 | 0,2689 | 0,1876 |
| 2016 | 16,67 | 9,28 | 0,4114 | 0,6572 | 0,6632 | 0,3148 | 0,4049 | 0,5160 | 0,1401 | 0,2915 | 0,1072 | 0,2744 | 0,1867 |
| 2017 | 17,54 | 9,47 | 0,4129 | 0,6349 | 0,6736 | 0,3090 | 0,4105 | 0,5295 | 0,1369 | 0,2800 | 0,1155 | 0,2768 | 0,1907 |
| 2018 | 17,75 | 9,57 | 0,4075 | 0,6260 | 0,6879 | 0,3087 | 0,4137 | 0,5397 | 0,1345 | 0,2747 | 0,1140 | 0,2920 | 0,1850 |
| 2019 | 18,00 | 9,69 | 0,3999 | 0,6148 | 0,7021 | 0,3069 | 0,4205 | 0,5468 | 0,1384 | 0,2706 | 0,1145 | 0,2931 | 0,1833 |
| 2020 | 18,93 | 9,99 | 0,4145 | 0,5992 | 0,7178 | 0,3060 | 0,3991 | 0,5556 | 0,1333 | 0,2578 | 0,1147 | 0,2992 | 0,1950 |
| 2021 | 17,61 | 9,88 | 0,4103 | 0,5890 | 0,7033 | 0,2800 | 0,4154 | 0,5348 | 0,1423 | 0,2582 | 0,1146 | 0,2911 | 0,1938 |
| 2022 | 18,35 | 9,77 | 0,4062 | 0,5759 | 0,7053 | 0,2731 | 0,4259 | 0,5409 | 0,1432 | 0,2650 | 0,1205 | 0,2791 | 0,1922 |
| 2023 | 19,23 | 9,81 | 0,4066 | 0,5710 | 0,7019 | 0,2643 | 0,4194 | 0,5463 | 0,1397 | 0,2674 | 0,1208 | 0,2814 | 0,1907 |
| 2024 | 20,65 | 9,85 | 0,4053 | 0,5675 | 0,7030 | 0,2605 | 0,4181 | 0,5405 | 0,1348 | 0,2710 | 0,1148 | 0,2864 | 0,1931 |
4. Estatística Descritiva Gráfica
4.1 Gráfico 1: Percentual de indivíduos do sexo masculino desocupados, ocupados e inativos (média das coortes). Brasil, 2012 a 2024
4.2 Gráfico 2: Percentual de indivíduos do sexo feminino desocupados, ocupados e inativos (média das coortes). Brasil, 2012 a 2024
4.3 Gráfico 3: Salário-hora real dos Homens por macrorregião do País (média das coortes). Brasil, 2012 a 2024
4.4 Gráfico 4: Salário-hora real dos Mulheres por macrorregião do País (média das coortes). Brasil, 2012 a 2024
4.5 Gráfico 5: Salário-hora real dos homens por Faixa Etária. Brasil, 2012 a 2024
4.6 Gráfico 6: Salário-hora real dos mulheres por Faixa Etária. Brasil, 2012 a 2024
5. Análise Econométrica
5.1 Regressão Homens
#regressao para ID homens com efeito fixo (within)
regressao_renda_hora_homens <- plm(
log_renda_hora_ID ~
Média_escolaridade_ID,
data = painel_homens,
model = "within"
)
# Resumo da regressão
#summary(regressao_renda_hora_homens)
modelsummary(regressao_renda_hora_homens,
stars = TRUE,
statistic = "std.error",
output = "html")| (1) | |
|---|---|
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001 | |
| Média_escolaridade_ID | 0.253*** |
| (0.014) | |
| Num.Obs. | 442 |
| R2 | 0.453 |
| R2 Adj. | 0.407 |
| AIC | -1104.1 |
| BIC | -1095.9 |
| RMSE | 0.07 |
5.2 Regressão Mulheres
#regressao para ID homens com efeito fixo (within)
regressao_renda_hora_mulheres <- plm(
log_renda_hora_ID ~
Média_escolaridade_ID,
data = painel_mulheres,
index = c("ID", "Ano"),
model = "within"
)
# Resumo da regressão
#summary(regressao_renda_hora_mulheres)
modelsummary(regressao_renda_hora_mulheres,
stars = TRUE,
statistic = "std.error",
output = "html")| (1) | |
|---|---|
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001 | |
| Média_escolaridade_ID | 0.229*** |
| (0.011) | |
| Num.Obs. | 442 |
| R2 | 0.502 |
| R2 Adj. | 0.460 |
| AIC | -1183.5 |
| BIC | -1175.3 |
| RMSE | 0.06 |