Este documento está sendo disponibilizado com a finalidade de publicizar o script R de geração dos resultados do Déficit Habitacional, período 2016 até 2019, realizada pela Fundação João Pinheiro.
Em função do sigilo dos dados do CadÚnico, os resultados aqui produzidos são exclusivamente aqueles gerados a partir da PNAD Contínua1, portanto referente aos seguintes subcomponentes do Déficit Habitacional:
Domicílios rústicos
Cômodos
Unidades Conviventes Déficit
Ônus excessivo com o aluguel urbano
Desse modo, por meio deste script, visa-se auxiliar aqueles que desejam reproduzir este trabalho ou utilizar os dados gerados neste documento para outras análises. Reforça-se que, em caso de dúvidas a respeito da metodologia aplicada, recomenda-se a leitura de Metodologia do Deficit Habitacional e da Inadequação de Domicílios no Brasil 2016-2019 (Fundação João Pinheiro, 2020).
Estabeleça o diretório onde estão localizados os dados da PNAD Contínua para 2016-2019:
setwd("directory/")Caso necessário, utilize o código abaixo para baixar os dados da PNAD Contínua, os quais devem ser salvos em uma pasta denominada input no diretório estabelecido. Os dados referentes às características dos domicílios se encontram na primeira visita da PNAD Contínua de 2016 a 2019.
install.packages("PNADcIBGE")
library("PNADcIBGE")
get_pnadc(2016,interview = 1, savedir = "input/")
get_pnadc(2017,interview = 1, savedir = "input/")
get_pnadc(2018,interview = 1, savedir = "input/")
get_pnadc(2019,interview = 1, savedir = "input/")Estabeleça os pacotes a serem utilizados:
pacotes <- c( "tidyverse", "data.table", "PNADcIBGE", "survey", "srvyr", "rio", "ggtext",
"ggthemes", "ipeadatar")Caso precise instale os pacotes que forem necessários:
install.packages(pacotes)]Carregue os pacotes em seu ambiente R:
carregar <- lapply(pacotes, library, character.only = TRUE)Se necessário utilize o código abaixo para aumentar a memória disponível para seu ambiente R:
memory.limit(size = 20000)Utilize os comandos abaixo para selecionar as variáveis, identifcar os arquivos da PNAD Contínua e, em seguida, importá-los:
#Selecionando as Variáveiis
variaveis <- c(
"Ano", # Ano
"UF", # Unidade da Federação
"Capital", # Município da Capital
"RM_RIDE", # Região Metropolitana e Região Administrativa Integrada
'UPA', # Unidade Primaria de amostragem (unidade de amostragem mais granular)
'Estrato', # Estratos da amostra
"V1008", # Número do domicílio
"V1030", # Projeção da população
"V1031", # Peso com correção de não entrevista sem pós estratificação
"V1032", # Peso com correção de não entrevista com pós estratificação
"V2001", # Número de pessoas no domicílio
"V2005", # Condição no domicílio
"S01002", # Material paredes externas domicílio
"S01001", # Tipo de domicílio (casa, apt, cômodo/cortiço...)
"S01017", # Este domicílio é (próprio, alugado...)
"V1022", # Situação do domicílio (urbano/rural)
"S01019", # Valor mensal do aluguel
"VD5004", # Rendimento (efetivo) domiciliar (inclusive rendimentos.)
"S01006", # Cômodos servindo de dormitórios
"VD2003", # Núm. componentes do domicílio (exclusive pensionista, emp. domest. ou parente emp.
#domest.)
"S01004", # Piso que predomina no domicílio
"VD2004", # Espécie da unidade doméstica
'V2009', # Idade moradores
'V2007', # sexo moradores
'V2010', # cor ou raça
'VD5002' # rendimento domiciliar per capita
)
# Identificar os arquivos de microdados
microdados <- list.files(path = "input/", pattern = "^PNADC_201(6|7|8|9)(.*?)txt$")
microdados <- map_chr(microdados, function(x) paste0("input/", x))
# Identificar os inputs
input_PNADc <- list.files(path = "input/", pattern = "^input_PNADC_201(6|7|8|9)(.*?)txt$")
input_PNADc <- map_chr(input_PNADc, function(x) paste0("input/", x))
# Identificar os dicionários
dicionarios <- list.files(path = "input/",
pattern = "^dicionario_PNADC_microdados_201(6|7|8|9)(.*?)xls$")
dicionarios <- map_chr(dicionarios, function(x) paste0("input/", x))
dicionarios
# Importar os dados 2016, 2017, 2018 e 2019 em uma lista
PNADc_lista <- map2(microdados, input_PNADc, function(x, y)
read_pnadc(microdata = x,
input_txt = y,
vars = variaveis))
# Renomear as pesquisas de acordo com os anos
names(PNADc_lista) <- paste0("PNADc_", c(2016:2019))
# Reordenar lista
PNADc_lista <- PNADc_lista[c("PNADc_2016","PNADc_2017","PNADc_2018","PNADc_2019")]
# Adicionar os rótulos das variáveis categóricas
PNADc_lista$PNADc_2016 <- pnadc_labeller(PNADc_lista$PNADc_2016,
dictionary.file = dicionarios[1])
PNADc_lista$PNADc_2017 <- pnadc_labeller(PNADc_lista$PNADc_2017,
dictionary.file = dicionarios[2])
PNADc_lista$PNADc_2018 <- pnadc_labeller(PNADc_lista$PNADc_2018,
dictionary.file = dicionarios[3])
PNADc_lista$PNADc_2019 <- pnadc_labeller(PNADc_lista$PNADc_2019,
dictionary.file = dicionarios[4])Verificando as Colunas da Base de dados importada2:
colnames(PNADc_lista$PNADc_2019)## [1] "Ano" "Trimestre" "UF" "Capital" "RM_RIDE"
## [6] "UPA" "Estrato" "V1008" "V1014" "V1022"
## [11] "V1030" "V1031" "V1032" "V1034" "posest"
## [16] "posest_sxi" "V2001" "V2003" "V2005" "V2007"
## [21] "V2009" "V2010" "S01001" "S01002" "S01004"
## [26] "S01006" "S01017" "S01019" "VD2003" "VD2004"
## [31] "VD5002" "VD5004" "V1032001" "V1032002" "V1032003"
## [36] "V1032004" "V1032005" "V1032006" "V1032007" "V1032008"
## [41] "V1032009" "V1032010" "V1032011" "V1032012" "V1032013"
## [46] "V1032014" "V1032015" "V1032016" "V1032017" "V1032018"
## [51] "V1032019" "V1032020" "V1032021" "V1032022" "V1032023"
## [56] "V1032024" "V1032025" "V1032026" "V1032027" "V1032028"
## [61] "V1032029" "V1032030" "V1032031" "V1032032" "V1032033"
## [66] "V1032034" "V1032035" "V1032036" "V1032037" "V1032038"
## [71] "V1032039" "V1032040" "V1032041" "V1032042" "V1032043"
## [76] "V1032044" "V1032045" "V1032046" "V1032047" "V1032048"
## [81] "V1032049" "V1032050" "V1032051" "V1032052" "V1032053"
## [86] "V1032054" "V1032055" "V1032056" "V1032057" "V1032058"
## [91] "V1032059" "V1032060" "V1032061" "V1032062" "V1032063"
## [96] "V1032064" "V1032065" "V1032066" "V1032067" "V1032068"
## [101] "V1032069" "V1032070" "V1032071" "V1032072" "V1032073"
## [106] "V1032074" "V1032075" "V1032076" "V1032077" "V1032078"
## [111] "V1032079" "V1032080" "V1032081" "V1032082" "V1032083"
## [116] "V1032084" "V1032085" "V1032086" "V1032087" "V1032088"
## [121] "V1032089" "V1032090" "V1032091" "V1032092" "V1032093"
## [126] "V1032094" "V1032095" "V1032096" "V1032097" "V1032098"
## [131] "V1032099" "V1032100" "V1032101" "V1032102" "V1032103"
## [136] "V1032104" "V1032105" "V1032106" "V1032107" "V1032108"
## [141] "V1032109" "V1032110" "V1032111" "V1032112" "V1032113"
## [146] "V1032114" "V1032115" "V1032116" "V1032117" "V1032118"
## [151] "V1032119" "V1032120" "V1032121" "V1032122" "V1032123"
## [156] "V1032124" "V1032125" "V1032126" "V1032127" "V1032128"
## [161] "V1032129" "V1032130" "V1032131" "V1032132" "V1032133"
## [166] "V1032134" "V1032135" "V1032136" "V1032137" "V1032138"
## [171] "V1032139" "V1032140" "V1032141" "V1032142" "V1032143"
## [176] "V1032144" "V1032145" "V1032146" "V1032147" "V1032148"
## [181] "V1032149" "V1032150" "V1032151" "V1032152" "V1032153"
## [186] "V1032154" "V1032155" "V1032156" "V1032157" "V1032158"
## [191] "V1032159" "V1032160" "V1032161" "V1032162" "V1032163"
## [196] "V1032164" "V1032165" "V1032166" "V1032167" "V1032168"
## [201] "V1032169" "V1032170" "V1032171" "V1032172" "V1032173"
## [206] "V1032174" "V1032175" "V1032176" "V1032177" "V1032178"
## [211] "V1032179" "V1032180" "V1032181" "V1032182" "V1032183"
## [216] "V1032184" "V1032185" "V1032186" "V1032187" "V1032188"
## [221] "V1032189" "V1032190" "V1032191" "V1032192" "V1032193"
## [226] "V1032194" "V1032195" "V1032196" "V1032197" "V1032198"
## [231] "V1032199" "V1032200" "ID_DOMICILIO"Transformando os dados importados em um objeto de plano amostral complexo e, depois, permitindo seu tratamento dentro da lógica do dplyr:
PNADc_lista <- PNADc_lista %>% map(pnadc_design)
PNADc_lista
PNADcfam_svy <- lapply(PNADc_lista, as_survey)
rm(PNADc_lista)A função abaixo será utilizada para gerar novas variáveis categóricas e aplicá-las em todos os objetos da lista criada:
fct_case_when <- function(...) {
args <- as.list(match.call())
levels <- sapply(args[-1], function(f) f[[3]]) # extract RHS of formula
levels <- levels[!is.na(levels)]
factor(dplyr::case_when(...), levels=levels)
}Baixe a série histórica do salário mínimo e crie vetores para o salário mínimo usando o primeiro mês de cada ano:
library(ipeadatar)
serie_sm <- ipeadata(code = "MTE12_SALMIN12", language = "br")
sm_2016 <- serie_sm %>%
filter(date == "2016-01-01") %>%
summarise(Valor = sum(value)) %>%
as.double()
sm_2017 <- serie_sm %>%
filter(date == "2017-01-01") %>%
summarise(Valor = sum(value)) %>%
as.double()
sm_2018 <- serie_sm %>%
filter(date == "2018-01-01") %>%
summarise(Valor = sum(value)) %>%
as.double()
sm_2019 <- serie_sm %>%
filter(date == "2019-01-01") %>%
summarise(Valor = sum(value)) %>%
as.double()
# Criar uma lista com os salários mínimos de cada ano
SMs <- list(SM_2016 = sm_2016,
SM_2017 = sm_2017,
SM_2018 = sm_2018,
SM_2019 = sm_2019)Crie, utilzando a função fct_case_when, os códigos abaixo das variáveis de renda em termos do salário mínimo de cada ano:
# Criar função que cria variável com faixa salarial: Faixa_Rend_Dom
fun_faixa <- function(x, y){
x %>% mutate(Faixa_Rend_Dom = fct_case_when(
VD5004 <= 0.25 * y ~ "Até ¼ salário mínimo",
VD5004 > 0.25 * y & VD5004 <= 0.5 * y ~ "Mais de ¼ até ½ salário mínimo",
VD5004 > 0.5 * y & VD5004 <= 1 * y ~ "Mais de ½ até 1 salário mínimo",
VD5004 > 1 * y & VD5004 <= 2 * y ~ "Mais de 1 até 2 salários mínimos",
VD5004 > 2 * y & VD5004 <= 3 * y ~ "Mais de 2 até 3 salários mínimos",
VD5004 > 3 * y & VD5004 <= 5 * y ~ "Mais de 3 até 5 salários mínimos",
VD5004 > 5 * y ~ "Mais de 5 salários mínimos",
is.na(VD5004) ~ NA_character_
))
}
# Aplicar função para todas os anos, de acordo com a lista de SMs
PNADcfam_svy <- map2(PNADcfam_svy, SMs, fun_faixa)
## Criar função de faixa salarial para politicas habitacionais
fun_faixa_2 <- function(x, y){
x %>% mutate(Faixa_Rend_Dom_2 = fct_case_when(
VD5004 <= 1 * y ~ "Até 1 salário mínimo",
VD5004 > 1 * y & VD5004 <= 2 * y ~ "Mais de 1 até 2 salário mínimo",
VD5004 > 2 * y & VD5004 <= 3 * y ~ "Mais de 2 até 3 salário mínimo",
VD5004 > 3 * y ~ "Mais de 3 salários mínimos",
is.na(VD5004) ~ NA_character_
))
}
PNADcfam_svy <- map2(PNADcfam_svy, SMs, fun_faixa_2)
# Criar um vetor com as faixas com menos de 3SMs
SMs_3 <- c("Até ¼ salário mínimo",
"Mais de ¼ até ½ salário mínimo",
"Mais de ½ até 1 salário mínimo",
"Mais de 1 até 2 salários mínimos",
"Mais de 2 até 3 salários mínimos")Crie com os códigos abaixo a variável da região para a base de dados:
PNADcfam_svy <- PNADcfam_svy %>%
map(~ .x %>% mutate(Regiao = fct_case_when(
UF %in% c("Rondônia", "Acre", "Amazonas", "Roraima", "Pará", "Amapá", "Tocantins") ~
"Norte",
UF %in% c("Maranhão", "Piauí", "Ceará", "Rio Grande do Norte", "Paraíba", "Pernambuco", "Alagoas", "Bahia", "Sergipe") ~
"Nordeste",
UF %in% c("Minas Gerais", "Espírito Santo", "Rio de Janeiro", "São Paulo") ~
"Sudeste",
UF %in% c("Paraná", "Santa Catarina", "Rio Grande do Sul") ~
"Sul",
UF %in% c("Mato Grosso do Sul", "Mato Grosso", "Goiás", "Distrito Federal") ~
"Centro-Oeste",
is.na(UF) ~
NA_character_
)))Crie com os códigos abaixo a variável que determina o percentual da renda domiciliar gasto em aluguel.
PNADcfam_svy <- PNADcfam_svy %>%
map(~ .x %>% mutate(Pct_Renda_Aluguel = S01019/ VD5004 ))Crie com os códigos abaixo a variável que determina a proporção de moradores para cada cômodo utilizado como dormitório no domicílio.
PNADcfam_svy <- PNADcfam_svy %>%
map(~ .x %>% mutate(Moradores_Comodos = V2001 / S01006))Nesta seção serão criadas variáveis utilizadas para identificar a presença de mais de um núcleo familiar no domicílio. Esta parte do script reflete o desafio metodológico deste processo, pois, devido a exclusão desta pergunta no questionário da PNAD Contínua, exigiu a reconstituição e a identificação de potenciais núcleos familiares secundários existêntes nos domicílios. Para mais informações acerca da metodologia, consultar: FJP (2020, p. 31-37).
Além disso, por questão de eficiência no processamento dos dados e geração das variáveis, foi extraído do objeto lista da PNADcfam_svy, a tabela do banco de dados das variáveis. Do mesmo modo, por razões de eficiência e tempo de processamento, utilizou-se o pacote data.table em determinadas etapas. Posteriormente, ao longo do script, a tabela é reinserida na lista do plano amostra complexo PNADcfam_svy.
Utilize o código a seguir para criar uma ID do domicílio.
Depois reclassifique os domicílios compostos entre:
aqueles com apenas não parentes em relação ao responsável pelo domicílio; Este subconjunto é excluído da análise
aqueles compostos por parentes e não parentes do responsável pelo domicílio; Este subconjunto será utilizado para identificação da existência de núcleos secundários no domicílio
variables <- PNADcfam_svy %>%
map(~.x %>% as.data.frame("variables")) %>%
map(~ .x %>% mutate(V2005=as.integer(V2005))) %>% ### Transformando a V2005 em um integer, inteiro
map(~ .x %>% mutate(VD2004=as.integer(VD2004))) %>% ### Transformando a VD2004 em um integer, inteiro
map(~ .x %>% mutate(UPA=as.integer(UPA))) %>% ### Transformando a UPA em um integer, inteiro
map(~ .x %>% mutate(V1008=as.integer(V1008))) %>% ### Transformando a em um integer, inteiro
map(~ .x %>% mutate(UPA100=UPA*100)) %>% #Auxilia criacao de variavel de identificacao do domicilio
map(~ .x %>% mutate(domicilioid=UPA100+V1008)) %>% #Cria variavel de identificacao do domicilio
map(~ .x %>% mutate(nao_parente=ifelse((V2005>=15), 1, 0))) %>% #cria variavel para nao parente
map(~ .x %>% mutate(parente=ifelse((V2005>=2 & V2005<=14), 1, 0))) %>%
map(~ .x %>% group_by(domicilioid)) %>% #agrupa por domicilio
map(~ .x %>% mutate(total_naoparente = sum(nao_parente))) %>% #soma total de nao parentes
map(~ .x %>% mutate(total_parente = sum(parente))) %>%
map(~ .x %>% mutate(composta_parente = ifelse((VD2004==4 & total_naoparente>=1 & total_parente>=1), 1, #cria variavel de nao parentes em fam. compostas
ifelse((VD2004==4 & total_naoparente>=1 & total_parente==0), 0, NA)))) %>%
map(~ .x %>% ungroup()) %>%
map(~ .x %>% mutate(VD2004_2 = ifelse((VD2004==1), "Unipessoal",
ifelse((VD2004==2), "Nuclear",
ifelse((VD2004==3), "Estendida",
ifelse((composta_parente==1), "Composta por parentes e não parentes do responsável pelo domicílio",
ifelse((composta_parente==0), "Composta somente por não parentes do responsável pelo domicílio",
NA))))))) %>%
map(~ .x %>% mutate(VD2004_2 = as.factor(VD2004_2)))O código abaixo cria as variáveis que identifica as relações de conjugalidade e/ou parentalidade ascendente, em relação ao responsável pelo domicílio, existentes no domicílio.
variables <- variables %>%
map(~ .x %>% mutate(V2007=as.integer(V2007))) %>%
map(~ .x %>% mutate(conjuge=ifelse((V2005==2|V2005==3), 1, 0))) %>% # cria variavel para cônjuge no domicilio
map(~ .x %>% mutate(pai_pad=ifelse((V2005==8 & V2007==1), 1, 0))) %>% # cria variavel para Pai/padrasto no domicilio
map(~ .x %>% mutate(mae_mad=ifelse((V2005==8 & V2007==2), 1, 0))) %>% # cria variavel para mae/madrastra no domicilio
map(~ .x %>% group_by(domicilioid)) %>% #agrupa por domicilio
map(~ .x %>% mutate(total_conjuge = sum(conjuge))) %>% # Cria variável com o total de cônjuges no domicílio
map(~ .x %>% mutate(total_pai_pad = sum(pai_pad))) %>% # Cria variável com o total de pai/padrastos no domicílio
map(~ .x %>% mutate(total_mae_mad = sum(mae_mad))) %>% # Cria variável com o total de mãe/madrastas no domicílio
map(~ .x %>% ungroup())O código abaixo cria as variáveis que identifica as relações de parentalidade descendente, em relação ao responsável pelo domicílio, existentes no domicílio. Bem como, identifica filhos, netos, bisnetos mais maiores e menores de idade, isto é, acima e abaixo de 18 anos.
variables <- variables %>%
map(~ .x %>% mutate(V2005=as.integer(V2005))) %>% #condicao no domicilio como inteira
map(~ .x %>% mutate(VD2004=as.integer(VD2004))) %>% #especie da unidade domestica como inteira
map(~ .x %>% mutate(UPA=as.integer(UPA))) %>% #UPA como inteira
map(~ .x %>% mutate(V1008=as.integer(V1008))) %>% #número de selecao do domicilio como inteiro
map(~ .x %>% mutate(UPA100=UPA*100)) %>% #Auxilia criacao de variavel de identificacao do domicilio
map(~ .x %>% mutate(domicilioid=UPA100+V1008)) %>% #Cria variavel de identificacao do domicilio
map(~ .x %>% mutate(filho_maior=ifelse(((V2005==4 | V2005==5 | V2005==6) & V2009 >=18), 1, 0))) %>% #cria variavel para filho maior de idade no domicilio (do responsavel e do conjuge, so do responsavel e so do conjuge)
map(~ .x %>% mutate(filho_menor=ifelse(((V2005==4 | V2005==5 | V2005==6) & V2009 <18), 1, 0))) %>% #cria variavel para filho menor de idade no domicilio (do responsavel e do conjuge, so do responsavel e so do conjuge)
map(~ .x %>% mutate(filhos=ifelse(((V2005==4 | V2005==5 | V2005==6)), 1, 0))) %>% #cria variavel para filho no domicilio (do responsavel e do conjuge, so do responsavel e so do conjuge)
map(~ .x %>% mutate(neto=ifelse((V2005==10), 1, 0))) %>% # cria variavel para neto no domicilio
map(~ .x %>% mutate(neto_maior=ifelse((V2005==10) & V2009>=18, 1, 0))) %>% # cria variavel para neto maior de idade no domicilio
map(~ .x %>% mutate(bisneto=ifelse((V2005==11), 1, 0))) %>% # cria variavel para bisneto no domicilio
map(~ .x %>% mutate(genro=ifelse((V2005==7), 1, 0))) %>% # cria variavel para genro ou nora no domicilio
map(~ .x %>% mutate(outros=ifelse((V2005==9| V2005>=12), 1, 0))) %>% # cria variável de outros componentes da V2005 no domicilio
map(~ .x %>% group_by(domicilioid)) %>% #agrupa por domicilio
map(~ .x %>% mutate(total_filho_maior = sum(filho_maior))) %>% #soma o total de filhos maiores de idade no domicílio
map(~ .x %>% mutate(total_filho_menor = sum(filho_menor))) %>% #soma o total de filhos menores de idade no domicílio
map(~ .x %>% mutate(total_filhos = sum(filhos))) %>% #soma o total de filhos independente da idade
map(~ .x %>% mutate(total_neto = sum(neto))) %>% #soma o total de netos
map(~ .x %>% mutate(total_neto_maior = sum(neto_maior))) %>% #soma o total de netos maiores de idade
map(~ .x %>% mutate(total_bisneto = sum(bisneto))) %>% #soma o total de bisnetos
map(~ .x %>% mutate(total_genro = sum(genro))) %>% #soma o total de genros/noras
map(~ .x %>% mutate(total_outros = sum(outros))) %>% #soma o total de outros integrantes da V2005
map(~ .x %>% ungroup()) Verifique se há coerência nas variáveis criadas
var_sec <- select(variables$PNADc_2019,domicilioid,V2005, V2009,neto, neto_maior,filho_maior,filho_menor)
var_sec## # A tibble: 443,790 × 7
## domicilioid V2005 V2009 neto neto_maior filho_maior filho_menor
## <dbl> <int> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 11000001601 1 44 0 0 0 0
## 2 11000001601 2 61 0 0 0 0
## 3 11000001601 4 26 0 0 1 0
## 4 11000001601 4 17 0 0 0 1
## 5 11000001601 10 6 1 0 0 0
## 6 11000001602 1 48 0 0 0 0
## 7 11000001603 1 54 0 0 0 0
## 8 11000001603 2 54 0 0 0 0
## 9 11000001603 4 29 0 0 1 0
## 10 11000001603 10 15 1 0 0 0
## # … with 443,780 more rows
## # ℹ Use `print(n = ...)` to see more rowsrm(var_sec)O código abaixo identifica as idades dos filhos maiores e menores de idade do responsável pelo domicílio.
variables <- map(variables, data.table)
### Cria variavel que indica a idade dos filhos e do mais velho e mais novo
variables <- map(variables, ~.x[,idade_filho := ifelse((filhos == 1), V2009, NA)]) #Cria variável que identifica a idade dos filhos(indica a V2009 se é filho e NA caso contrário)
variables <- map(variables, ~.x[,idade_filho_menor := min(idade_filho, na.rm = T), by = domicilioid]) #Cria variável que indica a idade do filho mais novo
variables <- map(variables, ~.x[,idade_filho_menor := na_if(idade_filho_menor, Inf), by = domicilioid]) #trannsforma em NA, valores infinitosvariables <- map(variables, ~.x[,idade_filho_maior := max(idade_filho, na.rm = T), by = domicilioid]) #cria variável que indica a idade do filho mais velho
variables <- map(variables, ~.x[,idade_filho_maior := na_if(idade_filho_maior, -Inf), by = domicilioid]) #transforma em NA, valores infinitos (limite lateral inferior)O código abaixo identifica as idades dos netos maiores e menores de idade do responsável pelo domicílio.
## Replica o que foi feito para identificar a idade do neto mais novo e do neto mais velho
variables <- map(variables, ~.x[,idade_neto := ifelse((neto == 1), V2009, NA)])
variables <- map(variables, ~.x[,c("idade_neto_menor", "idade_neto_maior") :=
list(min(idade_neto, na.rm = T),
max(idade_neto, na.rm = T)), by = domicilioid])
variables <- map(variables, ~.x[,c("idade_neto_menor", "idade_neto_maior") :=
list(na_if(idade_neto_menor, Inf),
na_if(idade_neto_maior, -Inf)), by = domicilioid])O código abaixo identifica a idade do genro ou nora mais velho
## Replica o que foi feito para identificar a idade do genro ou nora mais velho
variables <- map(variables, ~.x[,idade_genro := ifelse((genro==1), V2009, NA)])
variables <- map(variables, ~.x[,idade_genro_maior := max(idade_genro, na.rm = T), by = domicilioid])
variables <- map(variables, ~.x[,idade_genro_maior := na_if(idade_genro_maior, -Inf), by = domicilioid])O código abaixo identifica as idades dos netos maiores e menores de idade do responsável pelo domicílio.
### Replica o que foi feito criando variável que identifica a idade do bisneto mais novo de cada domicílio
variables <- map(variables, ~.x[,idade_bisneto := ifelse((bisneto==1), V2009, NA)])
variables <- map(variables, ~.x[,idade_bisneto_menor := min(idade_bisneto, na.rm = T), by = domicilioid])
variables <- map(variables, ~.x[,idade_bisneto_menor := na_if(idade_bisneto_menor, Inf), by = domicilioid])Verifique se há coerência nas variáveis criadas. Primeiramente, crie a variável de moradores no domicílio que são parentes, em seguida observe os dados.
## Criar nova variável de número de moradores(Subtração da V2001 e a variável criada de outros componentes da V2005 que não entrarão na análise)
variables <- variables %>%
map(~ .x %>% mutate(V2001_2 = V2001 - total_outros ))
### Ver os dados e conferir as variáveis criadas
var_conv <- select(variables$PNADc_2019,domicilioid,V2005, V2001,total_outros, V2001_2,V2009,VD2004,filho_maior, filho_menor, filhos, neto, bisneto, genro,
outros, total_filho_maior,total_filho_menor, total_filhos, total_neto,total_bisneto,total_genro)
var_conv## domicilioid V2005 V2001 total_outros V2001_2 V2009 VD2004 filho_maior
## 1: 11000001601 1 5 0 5 44 3 0
## 2: 11000001601 2 5 0 5 61 3 0
## 3: 11000001601 4 5 0 5 26 3 1
## 4: 11000001601 4 5 0 5 17 3 0
## 5: 11000001601 10 5 0 5 6 3 0
## ---
## 443786: 53005106713 5 2 0 2 13 2 0
## 443787: 53005106714 1 4 0 4 34 2 0
## 443788: 53005106714 2 4 0 4 28 2 0
## 443789: 53005106714 4 4 0 4 11 2 0
## 443790: 53005106714 4 4 0 4 4 2 0
## filho_menor filhos neto bisneto genro outros total_filho_maior
## 1: 0 0 0 0 0 0 1
## 2: 0 0 0 0 0 0 1
## 3: 0 1 0 0 0 0 1
## 4: 1 1 0 0 0 0 1
## 5: 0 0 1 0 0 0 1
## ---
## 443786: 1 1 0 0 0 0 0
## 443787: 0 0 0 0 0 0 0
## 443788: 0 0 0 0 0 0 0
## 443789: 1 1 0 0 0 0 0
## 443790: 1 1 0 0 0 0 0
## total_filho_menor total_filhos total_neto total_bisneto total_genro
## 1: 1 2 1 0 0
## 2: 1 2 1 0 0
## 3: 1 2 1 0 0
## 4: 1 2 1 0 0
## 5: 1 2 1 0 0
## ---
## 443786: 1 1 0 0 0
## 443787: 2 2 0 0 0
## 443788: 2 2 0 0 0
## 443789: 2 2 0 0 0
## 443790: 2 2 0 0 0rm(var_conv)Em seguida serão criadas variáveis que avaliam as relações de idade entre os filhos, genros, noras, netos e bisnetos do responsável. O objetivo é identificar se descendentes mais novos e distantes (netos, bisnetos) da pessoa responsável pelo domiílio são ou não mais novos do que os descentes mais velhos e próximos (filhos, genros e noras) do responsável pelo domicílio.
A lógica é evitar a identificação de relações de conjugalidade e parentalidade erradas. Por exemplo, não é possível a existência de núcleo familiar secundário em determinado domicílio, se o neto mais novo (do responsável pelo domicílio) for mais velho que o filho mais velho (do responsável pelo domcílio) presente no domicílio no momento da entrevista. Em outras palavras, este neto mais novo com certeza não é descendente do filho mais velho presente neste domicílio.
Ademais, nota-se a utilização da função fct_case_when, criada no seção 2.2, para criação de variáveis categóricas de interesse.
## Criar variável indicadora: filho mais velho possui idade superior ao neto mais novo do domicílio?
variables <- variables %>%
map(~ .x %>% mutate(V2001_2 = V2001 - total_outros )) %>%
map(~ .x %>% mutate(Idade_filho_neto = fct_case_when(
idade_filho_maior>idade_neto_menor ~
"Sim",
idade_filho_maior<idade_neto_menor ~
"Não",
is.na(idade_filho_maior) |
is.na(idade_neto_menor) ~
NA_character_
)))
## Criar variável indicadora: O filho mais velho possui idade superior ao bisneto mais novo do domicílio?
variables <- variables %>%
map(~ .x %>% mutate(Idade_filho_bisneto = fct_case_when(
idade_filho_maior>idade_bisneto_menor ~
"Sim",
idade_filho_maior<idade_bisneto_menor ~
"Não",
is.na(idade_filho_maior) |
is.na(idade_bisneto_menor) ~
NA_character_
)))
## Cria variável indicadora: O genro/nora mais velho possui idade superior ao neto mais novo do domicílio?
variables <- variables %>%
map(~ .x %>% mutate(Idade_genro_neto = fct_case_when(
idade_genro_maior>idade_neto_menor ~
"Sim",
idade_genro_maior<idade_neto_menor ~
"Não",
is.na(idade_genro_maior) |
is.na(idade_neto_menor) ~
NA_character_
)))
## Cria variável indicadora: O genro/nora mais velho possui idade superior ao bisneto mais novo do domicílio?
variables <- variables %>%
map(~ .x %>% mutate(Idade_genro_bisneto = fct_case_when(
idade_genro_maior>idade_bisneto_menor ~
"Sim",
idade_genro_maior<idade_bisneto_menor ~
"Não",
is.na(idade_genro_maior) |
is.na(idade_bisneto_menor) ~
NA_character_
)))
## Cria variável indicadora: O neto mais velho possui idade superior ao bisneto mais novo do domicílio?
variables <- variables %>%
map(~ .x %>% mutate(Idade_neto_bisneto = fct_case_when(
idade_neto_maior>idade_bisneto_menor ~
"Sim",
idade_neto_maior<idade_bisneto_menor ~
"Não",
is.na(idade_neto_maior) |
is.na(idade_bisneto_menor) ~
NA_character_
)))Verifique se há coerência nas variáveis criadas.
#Conferir se as variáveis criadas estao corretas e fazem o que queríamos que elas fizesem
Idade_conv <- select(variables$PNADc_2019,domicilioid,V2005,V2009,filho_maior, filho_menor, filhos, neto_maior, bisneto, genro,
idade_filho_menor, idade_filho_maior, idade_genro_maior, idade_bisneto_menor, Idade_genro_bisneto,idade_genro_maior,
idade_neto_menor,Idade_genro_neto, idade_filho_maior,idade_bisneto_menor,Idade_filho_bisneto, Idade_filho_neto )
Idade_conv## domicilioid V2005 V2009 filho_maior filho_menor filhos neto_maior
## 1: 11000001601 1 44 0 0 0 0
## 2: 11000001601 2 61 0 0 0 0
## 3: 11000001601 4 26 1 0 1 0
## 4: 11000001601 4 17 0 1 1 0
## 5: 11000001601 10 6 0 0 0 0
## ---
## 443786: 53005106713 5 13 0 1 1 0
## 443787: 53005106714 1 34 0 0 0 0
## 443788: 53005106714 2 28 0 0 0 0
## 443789: 53005106714 4 11 0 1 1 0
## 443790: 53005106714 4 4 0 1 1 0
## bisneto genro idade_filho_menor idade_filho_maior idade_genro_maior
## 1: 0 0 17 26 NA
## 2: 0 0 17 26 NA
## 3: 0 0 17 26 NA
## 4: 0 0 17 26 NA
## 5: 0 0 17 26 NA
## ---
## 443786: 0 0 13 13 NA
## 443787: 0 0 4 11 NA
## 443788: 0 0 4 11 NA
## 443789: 0 0 4 11 NA
## 443790: 0 0 4 11 NA
## idade_bisneto_menor Idade_genro_bisneto idade_neto_menor
## 1: NA <NA> 6
## 2: NA <NA> 6
## 3: NA <NA> 6
## 4: NA <NA> 6
## 5: NA <NA> 6
## ---
## 443786: NA <NA> NA
## 443787: NA <NA> NA
## 443788: NA <NA> NA
## 443789: NA <NA> NA
## 443790: NA <NA> NA
## Idade_genro_neto Idade_filho_bisneto Idade_filho_neto
## 1: <NA> <NA> Sim
## 2: <NA> <NA> Sim
## 3: <NA> <NA> Sim
## 4: <NA> <NA> Sim
## 5: <NA> <NA> Sim
## ---
## 443786: <NA> <NA> <NA>
## 443787: <NA> <NA> <NA>
## 443788: <NA> <NA> <NA>
## 443789: <NA> <NA> <NA>
## 443790: <NA> <NA> <NA>rm(Idade_conv)O bloco de variáveis a seguir identifica características categóricas do domicílio que são utilizadas para identificar os núcleos primários e secundários. Crie-as utilizando os códigos abaixo.
#### Cria variáveis indicadores Utilizadas nas descritivas(Indicadoras dos núcleos primários e secundários)
## Filhos maiores de Idade
variables <- variables %>%
map(~ .x %>% mutate(Filhos_maiores = fct_case_when(
total_filho_maior ==0 ~
"Não tem Filho maior de idade",
total_filho_maior ==1 ~
"1 Filho maior de idade",
total_filho_maior >=2 ~
"Pelo menos dois 2 Filhos maiores",
is.na(total_filho_maior) ~
NA_character_
))) %>%
## Filho menores de Idade
map(~ .x %>% mutate(Filhos_menores = fct_case_when(
total_filho_menor ==0 ~
"Não tem Filho menor de idade",
total_filho_menor >=1 ~
"Pelo menos 1 Filho menor de idade",
is.na(total_filho_menor) ~
NA_character_
))) %>%
##Netos
map(~ .x %>% mutate(Netos = fct_case_when(
total_neto ==0 ~
"Não tem Neto",
total_neto >=1 ~
"Tem pelo menos 1 Neto",
is.na(total_neto) ~
NA_character_
))) %>%
## Netos maiores de idade
map(~ .x %>% mutate(Neto_maior = fct_case_when(
total_neto_maior ==0 ~
"Não tem Neto",
total_neto_maior >=1 ~
"Tem pelo menos 1 Neto",
is.na(total_neto_maior) ~
NA_character_
))) %>%
##Bisnetos
map(~ .x %>% mutate(Bisnetos = fct_case_when(
total_bisneto ==0 ~
"Não tem Bisnetos",
total_bisneto >=1 ~
"Tem pelo menos 1 Bisneto",
is.na(total_bisneto) ~
NA_character_
))) %>%
### Genros ou noras
map(~ .x %>% mutate(Genros_nora = fct_case_when(
total_genro ==0 ~
"Não tem genro ou nora",
total_genro >=1 ~
"Tem pelo menos um genro ou nora",
is.na(total_genro) ~
NA_character_
))) %>%
## Variáveis do núcleo primário
## Cônjuge
map(~ .x %>% mutate(Conjuge = fct_case_when(
total_conjuge ==0 ~
"Não tem Cônjuge",
total_conjuge >=1 ~
"Possui Cônjuge",
is.na(total_conjuge) ~
NA_character_
))) %>%
## Mãe ou Madrastra
map(~ .x %>% mutate(Mae_Madrasta = fct_case_when(
total_mae_mad ==0 ~
"Não tem Mãe ou Madrasta",
total_mae_mad >=1 ~
"Possui Mãe ou Madrasta",
is.na(mae_mad) ~
NA_character_
))) %>%
## Pai ou Padastro
map(~ .x %>% mutate(Pai_Padrasto = fct_case_when(
total_pai_pad ==0 ~
"Não tem Pai ou padrasto",
total_pai_pad >=1 ~
"Possui Pai ou padrasto",
is.na(total_pai_pad) ~
NA_character_
)))As variáveis criadas na seção anterior auxiliam na identificação de provável existência de mais de um núcleo familiar no domicílio. Elas serão usadas nesta etapa para avaliar a presença de ao menos uma unidade familiar convivente. O processo de criação da variável que identifica se existem ao menos uma família convivente no domicílio é feito em duas rodadas com 4 etapas cada uma:
Então, se o domicílio possui mais de quatro moradores, é extenso, possui alguma das categorias de núcleo primário e possui em seus componentes algum par citado na etapa anterior, identifica-se a existência de ao menos um núcleo secundário e ele é considerado como “Família convivente”.
Caso ele não seja identificado na etapa anterior, o domicílio é submetido a segunda rodada, a qual se faz necessária devido ao fato dos filhos maiores de idade poderem fazer parte tanto do núcleo primário como do núcleo secundário. A segunda rodada é constituída de quatro etapas, sendo as duas primeiras iguais à etapa anterior:
Se nesta segunda rodada também não for identificado a existência de ao menos um núcleo familiar secundário, o domicílio recebe a categoria “Sém Déficit”, ou seja, sem existência de ao menos um núcleo secundário no domicílio.
Ressalta-se que a segunda rodada é justamente criada para identificar combinações dos filhos maiores de idade.
#### VARIÁVEL COMPOSTAS E ESTENDIDAS
variables <- variables %>%
map(~ .x %>% mutate(conviventes_ec = fct_case_when(
V2001_2>=4 & #Se o número de moradores indicado pela V2001_4 é maior ou igual a 4 passamos para a próxima etapa
VD2004_2 %in% c("Composta por parentes e não parentes do responsável pelo domicílio",
"Estendida") & #Se o domicílio é estendido passamos para a próxima etapa
((total_conjuge >=1 | total_filho_menor>=1 | total_pai_pad>=1 | total_mae_mad>=1) & # Etapa de identificação de algum componente do núcleo primário: Se o domicílio tem algum conjugê, ou algum filho menor de idade, ou algum pai ou padrato, ou alguma mãe ou madrasta passamos para a próxima etapa
((total_neto_maior>=1 & total_bisneto>=1 & Idade_neto_bisneto %in% c("Sim")) |(total_neto>=1 & total_genro>=1 & Idade_genro_neto %in% c("Sim"))|
(total_neto>=1 & total_filho_maior>=1 & Idade_filho_neto %in% c("Sim") )|(total_genro>=1 & total_bisneto>=1 & Idade_genro_bisneto %in% c("Sim") )|
(total_genro>=1 & total_filho_maior>=1) |(total_bisneto>=1 & total_filho_maior>=1) & Idade_filho_bisneto %in% c("Sim")))| ## Quarta etapa:identifiação do núcleo secundário
V2001_2>=4 & ### Então se o domicílio passa pelas quatro etapas acima ele é considerado família convivente, senão ele passa para a rodada abaixo. Primeira etapa da segunda rodada: passa pra próxima se a V2001_2 for maior ou igual a 4 moradores
VD2004_2 %in% c("Composta por parentes e não parentes do responsável pelo domicílio",
"Estendida") & #Se o domicílio é estendido passamos para a próxima etapa
total_filhos>=1 & ## Identificação do núcleo primário se há algum filho no domicílio passamos para a próxima etapa
((total_filho_maior>=2 & total_neto>=1 & Idade_filho_neto %in% c("Sim") )|(total_filho_maior>=2 & total_bisneto>=1 & Idade_filho_bisneto %in% c("Sim"))|
(total_filho_maior>=2 & total_genro>=1)|(total_neto_maior>=1 & total_bisneto>=1 & Idade_neto_bisneto %in% c("Sim"))) ### Identificação do núcleo secundário
~ "Possui pelo menos uma família convivente",
TRUE ~ "Sem Déficit" ## Se o domicílio não tiver nenhuma das características acima ele é definido como Sém déficit.
)))Os códigos abaixo são usados para gerar os indicadores de déficit a partir dos dados da PNAD Contínua em conjunto com as variáveis criadas nesse documento.
Primeiramente, como dito, reinserimos as tabelas na lista do plano amostral complexo (PNADcfam_svy).
Posteriormente, utilizando a função fct_case_when, criamos as variáveis que identificam os subcomponentes do déficit habitacional gerados a partir da PNAD Contínua:
# Substituindo as variáveis de volta à base original
PNADcfam_svy$PNADc_2016$variables <- variables$PNADc_2016
PNADcfam_svy$PNADc_2017$variables <- variables$PNADc_2017
PNADcfam_svy$PNADc_2018$variables <- variables$PNADc_2018
PNADcfam_svy$PNADc_2019$variables <- variables$PNADc_2019
rm(variables)
## Déficit com ônus
PNADcfam_svy <- PNADcfam_svy %>%
map(~ .x %>% mutate(CH_onus = fct_case_when(
S01002 %in% c("Taipa sem revestimento",
"Madeira aproveitada",
"Outro material") ~ "Domicílios Rústicos",
S01001 %in% "Habitação em casa de cômodos, cortiço ou cabeça de porco" &
! S01017 %in% c("Cedido por empregador") ~ "Cômodos",
V1022 %in% "Urbana" &
S01017 %in% "Alugado" &
Faixa_Rend_Dom %in% SMs_3 &
Pct_Renda_Aluguel > 0.3 &
!is.na(Pct_Renda_Aluguel) &
is.finite(Pct_Renda_Aluguel) ~ "Ônus",
TRUE ~ "Sem Déficit"
)))Alternativamente, caso seja de interesse, utilize o código abaixo para gerar a variável que identifica as componentes do déficit excluindo o ônus com aluguel.
#Déficit sem ônus
PNADcfam_svy <- PNADcfam_svy %>%
map(~ .x %>% mutate(CH = fct_case_when(
S01002 %in% c("Taipa sem revestimento",
"Madeira aproveitada",
"Outro material") ~ "Domicílios Rústicos",
S01001 %in% "Habitação em casa de cômodos, cortiço ou cabeça de porco" &
! S01017 %in% c("Cedido por empregador") ~ "Cômodos",
TRUE ~ "Sem Déficit"
)))A seguir, utilize os códigos abaixo para identificar domicílios com alguma componente de déficit habitacional em variáveis numérica e categórica, respectivamente.
# Variável numérica: Deficit
PNADcfam_svy <- PNADcfam_svy %>%
map(~ .x %>% mutate(Deficit_onus = case_when(
CH_onus %in% c("Domicílios Rústicos",
"Cômodos",
"Ônus") ~ 1, # Deficit
TRUE ~ 0 # Sem Deficit
)))
# Variável categórica: DH
PNADcfam_svy <- PNADcfam_svy %>%
map(~ .x %>% mutate(DH_onus = fct_case_when(
CH_onus %in% c("Domicílios Rústicos",
"Cômodos",
"Ônus") ~ "Deficit",
TRUE ~ "Sem Deficit"
)))Por fim, utilize o códigos abaixo para incluir o subcomponente de Unidades Conviventes Déficit na análise do déficit habitacional. Ou seja, a existência de uma unidade convivente déficit pressupõe, além da identificação de ao menos uma famílias convivente, uma densidade moradores por cômodo acima de 2 pessoas.
Conforme FJP (2020), as unidades conviventes são uma coluna a parte, porque o mesmo domicílio pode apresentar simultaneamente uma situação déficit qualquer - pelas características do domicílio ou em situação de ônus excessivo com o aluguel urbano - e possuir também uma unidade convivente déficit. O que representaria a necessidade de ao menos duas unidades habitacionais novas para aquele domicílio: uma para o núcleo primário e ao menos outra para o núcleo secundário identificado.
## Variável de unidades conviventes déficit
PNADcfam_svy <- PNADcfam_svy %>%
map(~ .x %>% mutate(fan_conviven = fct_case_when(
conviventes_ec %in% c(("Possui pelo menos uma família convivente")) &
Moradores_Comodos>2
~ "Unidade convivente déficit",
TRUE ~ "Sem Deficit"
)))As informações geradas sobre o déficit habitacional podem ser sumarizadas e salvas em um arquivo formato xlsx como segue no exemplo abaixo.
Note que neste caso estão sendo geradas tabelas de acorodo com a variável indicadora de déficit CH_onus, portanto separando as componentes de déficit considerando o ônus com aluguel.
### Deficit total ----
#Brasil
r_deficit_brasil <- PNADcfam_svy %>%
map(~ .x %>% filter(V2005 == 1)) %>%
map(~ .x %>% group_by(Ano, CH_onus)) %>%
map(~ .x %>% summarise(count = survey_total(vartype = "se", na.rm = T),
Percentual = survey_mean(na.rm = T))) %>%
map(~ .x %>% filter(!CH_onus %in% "Sem Déficit")) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se, -Percentual_se) %>%
mutate(regiao = "Brasil") %>%
select(1,6,2,3:5) %>%
rename("regiao" = 2)
#Regiao
r_deficit_regiao <- PNADcfam_svy %>%
map(~ .x %>% filter(V2005 == 1)) %>%
map(~ .x %>% group_by(Ano, CH_onus, Regiao)) %>%
map(~ .x %>% summarise(count = survey_total(vartype = "se", na.rm = T),
Percentual = survey_mean(na.rm = T))) %>%
map(~ .x %>% filter(!CH_onus %in% "Sem Déficit")) %>%
map(~ .x %>% group_by(Regiao)) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se, -Percentual_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
#UF
r_deficit_UF <- PNADcfam_svy %>%
map(~ .x %>% filter(V2005 == 1)) %>%
map(~ .x %>% group_by(Ano, CH_onus, UF)) %>%
map(~ .x %>% summarise(count = survey_total(vartype = "se", na.rm = T),
Percentual = survey_mean(na.rm = T))) %>%
map(~ .x %>% filter(!CH_onus %in% "Sem Déficit")) %>%
map(~ .x %>% group_by(UF)) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se, -Percentual_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
#RM
r_deficit_RM <- PNADcfam_svy %>%
map(~ .x %>% filter(V2005 == 1)) %>%
map(~ .x %>% group_by(Ano, CH_onus, RM_RIDE)) %>%
map(~ .x %>% summarise(count = survey_total(vartype = "se", na.rm = T),
Percentual = survey_mean(na.rm = T))) %>%
map(~ .x %>% filter(!CH_onus %in% "Sem Déficit")) %>%
map(~ .x %>% group_by(RM_RIDE)) %>%
map(~ .x %>% mutate(percent = (count/sum(count,na.rm = T)))) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se, -Percentual_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
# Capitais
r_deficit_Capital <- PNADcfam_svy %>%
map(~ .x %>% filter(V2005 == 1)) %>%
map(~ .x %>% group_by(Ano, CH_onus, Capital)) %>%
map(~ .x %>% summarise(count = survey_total(vartype = "se", na.rm = T),
Percentual = survey_mean(na.rm = T))) %>%
map(~ .x %>% filter(!CH_onus %in% "Sem Déficit")) %>%
map(~ .x %>% group_by(Capital)) %>%
map(~ .x %>% mutate(percent = (count/sum(count,na.rm = T)))) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se, -Percentual_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
deficit <- list(brasil = r_deficit_brasil,
regiao = r_deficit_regiao,
uf = r_deficit_UF,
rm = r_deficit_RM,
capital = r_deficit_Capital)
writexl::write_xlsx(deficit, "deficit.xlsx")Dessa maneira, o subcomponente domicílios improvisados, calculado a partir da base do universo do CadÚnico, não consta neste documento.↩︎
Nota-se a importação de de outras variáveis além das solicitadas. Estas são variáveis necessárias para expansão da amostra segundo a nova ponderação e metodologia do IBGE para a PNAD Contínua. Para mais informações: Reponderação Bootstrap e IBGE (2021).↩︎