A Monografia escrita pela Fernanda Pita, “AGÊNCIA DE CONTROLE E IMPACTO SOBRE A MULHER”, publicado no livro, O conhecimento científico da Psicologia: Diversidades teóricas produzidas no Centro Universitário Unigran Capital (Vol.1), traz uma revisão teórica importante dos efeitos das agências de controle sobre as mulheres.
O texto vai mostrar vários tipos de controle: midiático, educacional, econômico e etc. Mas aqui vamos focar só na parte econômica. Segundo a autora, O controle econômico utiliza o dinheiro e bens como estímulos reforçadores, e assim atua de forma direta sobre o comportamento das pessoas. Assim, é expressa na divisão do trabalho, a desigualdade de determinados trabalhos, fazendo acom que as mulheres sejam excluídas dessas profissões que não precisam necessariamente de tais características, e assim as mulheres acabam ficando com trabalhos com remuneração mais baixa. As ocupações são rotuladas como masculinas ou femininas por conta dos estereótipos de gênero, que criam assim uma justificativa racional para a discriminação sutil.
Pelo foco da monografia, carece de alguns dados, por isso, nesse pub mostrarei alguns dados do PNAD, tentando mostrar da importância do estudo sobre desigualdade de genêro que deve percorrer no mundo acadêmico, além disso, continuar a série de funções importantes na utilização do RStudio, no caso de hoje, outras funções Loops.
Abaixo há o pacote do ibge para importação dos microdados, 4 trimestre de 2019. O post do Douglas Braga (https://rpubs.com/BragaDouglas/335574) mostra de um jeito mais detalhado. Entretanto, fiz aqui de um jeito diferente, porque minha maquininha estava travando e sem memória, e fazer esse post deu muito trabalho também.
library(PNADcIBGE)
pnad = get_pnadc(year = 2019, quarter = 4, design = FALSE)Aqui com pacote dplyr, podemos fazer manipulação de dados, nesse caso, selecionar apenas alguns dados na nossa tabela, essas variáveis pode ser observadas no dicionário do PNAD. Em outro post publiquei como mudar o nome das colunas.
Também eliminamos os dados ausentes de salário, e filtramos os salários para maiores que R$550.
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionD <- pnad %>% select(.,V2007,V2010,V2009,VD4031,VD3004,VD4002,VD4008,VD4011,VD4016)
b = D[!is.na(D$VD4016) , ]
dados = b[b$VD4016 > 550, ]A ideia por trás de uma função de loop é que você quer executar um loop em um objeto ou conjunto de objetos de modo que se faça um tanto de trabalho em bem pouco espaço. Algumas dessas funções chaves são “lapply”, “sapply”, “apply”, “tapply”.
Apply é uma função que opera sobre as margens de uma matriz. No caso abaixo, ele vai retrornar o valor máximo da 9ª coluna. Uma observação é que a margem 2 indica que a operação será realiza por coluna, e a margem 1 em linhas.
apply(array, margin, …)
apply(dados[,(9)],2, max)## VD4016
## 2e+05A ideia por trás de lapply é se você tem uma lista de objetos e quer fazer um loop sobre a lista de objetos e aplicar uma função a todos os elementos da lista. Como estamos trabalhando com dados enormes, podemos usar essa função para determinar os tipos variáveis existentes.
lapply(list, function)
lapply(dados[,(7:8)],levels)## $VD4008
## [1] "Empregado no setor privado"
## [2] "Trabalhador doméstico"
## [3] "Empregado no setor público (inclusive servidor estatutário e militar)"
## [4] "Empregador"
## [5] "Conta-própria"
## [6] "Trabalhador familiar auxiliar"
##
## $VD4011
## [1] "Diretores e gerentes"
## [2] "Profissionais das ciências e intelectuais"
## [3] "Técnicos e profissionais de nível médio"
## [4] "Trabalhadores de apoio administrativo"
## [5] "Trabalhadores dos serviços, vendedores dos comércios e mercados"
## [6] "Trabalhadores qualificados da agropecuária, florestais, da caça e da pesca"
## [7] "Trabalhadores qualificados, operários e artesões da construção, das artes mecânicas e outros ofícios"
## [8] "Operadores de instalações e máquinas e montadores"
## [9] "Ocupações elementares"
## [10] "Membros das forças armadas, policiais e bombeiros militares"
## [11] "Ocupações maldefinidas"A função sapply é uma variante de lapply que simplifica o resultado. O mesmo do lapply. Mas agora, podemos também fazer um tipo de summary, identificando as caracteristicas estatísticas dos dados.
sapply(list, function)
sapply(dados[, 5], levels)## VD3004
## [1,] "Sem instrução e menos de 1 ano de estudo"
## [2,] "Fundamental incompleto ou equivalente"
## [3,] "Fundamental completo ou equivalente"
## [4,] "Médio incompleto ou equivalente"
## [5,] "Médio completo ou equivalente"
## [6,] "Superior incompleto ou equivalente"
## [7,] "Superior completo"a <- sapply(split(dados$VD4016, dados$V2007),fivenum)
x <- c("min", "1q", "md", "3q", "max")
rownames(a) <- paste(x)
a## Homem Mulher
## min 552 555
## 1q 1000 998
## md 1500 1300
## 3q 2500 2000
## max 200000 100000O nome tapply é a forma abreviada para “table apply” (aplicar em tabela) e ela aplica uma função a subconjuntos de um vetor. E nesse caso percebemos a diferença salarial entre os tipos de trabalho. Deixo as conclusões para vocês, mas podemos fazer várias análises de dados diante dos recursos que o IBGE disponibiliza.
tapply(vector, index, function)
tapply(dados$VD4016, dados$V2007, mean)## Homem Mulher
## 2487.553 2097.886tapply(dados$VD4016, list(dados$VD4011, dados$V2007), mean)## Homem
## Diretores e gerentes 6185.623
## Profissionais das ciências e intelectuais 5958.896
## Técnicos e profissionais de nível médio 3260.911
## Trabalhadores de apoio administrativo 2126.933
## Trabalhadores dos serviços, vendedores dos comércios e mercados 2088.333
## Trabalhadores qualificados da agropecuária, florestais, da caça e da pesca 1959.156
## Trabalhadores qualificados, operários e artesões da construção, das artes mecânicas e outros ofícios 1801.666
## Operadores de instalações e máquinas e montadores 1923.039
## Ocupações elementares 1232.086
## Membros das forças armadas, policiais e bombeiros militares 5065.171
## Ocupações maldefinidas 1531.429
## Mulher
## Diretores e gerentes 4269.418
## Profissionais das ciências e intelectuais 3754.583
## Técnicos e profissionais de nível médio 2364.562
## Trabalhadores de apoio administrativo 1754.983
## Trabalhadores dos serviços, vendedores dos comércios e mercados 1508.495
## Trabalhadores qualificados da agropecuária, florestais, da caça e da pesca 1759.705
## Trabalhadores qualificados, operários e artesões da construção, das artes mecânicas e outros ofícios 1437.728
## Operadores de instalações e máquinas e montadores 1507.685
## Ocupações elementares 1147.976
## Membros das forças armadas, policiais e bombeiros militares 5391.892
## Ocupações maldefinidas 3025.000