Lendo dados da PNS

Segue algumas dicas para a leitura de dados da PNS.

Esse é o começo da análise feita para a minha Monografia para o curso de Economia na UFPR. Outros posts com a TAG de “TCC” fazem parte da mesma análise.

Pacotes

Esse Chunk contém todas as bibliotecas usadas no decorrer de todo o trabalho.

library(tidyverse) # utilizar a sintaxe tidyverse com o R
library(survey)    # análise de pesquisas complexas
library(srvyr)     # provê notação tidyverse para o pacote survey 
library(PNSIBGE)   # acesso aos dados da PNS
library(broom)     # sumariza as informações dos modelos em formato tidy
library(gt)        # tabelas
library(gtExtras)  # formatação de tabelas

Carga de Dados da PNS

Para acessar os dados da PNS usaremos as funções do pacote PNSIBGE disponível no blog do Garbiel Assunção: https://rpubs.com/gabriel-assuncao-ibge/pns

a principal função utilizada é a ‘get_pns()’

# Subgrupo de variáveis desejado:
variaveis_pns_2013 = c("C006",  # sexo
                       "C008",  # idade
                       "J007",  # possui DCNT
                       "J014",  # Usou serviço saúde nas últimas 2 semanas
                       "J037",  # Internação nos últimos 12 meses
                       "J002",  # Deixou de realizar atividades nas 2 últimas semanas por motivo de saúde
                       "J011"  # Consulta médica nos últimos 12 meses
                       )

variaveis_pns_2019 = c("C006",  # sexo
                       "C008",  # idade
                       "J007",  # possui DCNT
                       "J014",  # Usou serviço saúde nas últimas 2 semanas
                       "J037",  # Internação nos últimos 12 meses
                       "J002",  # Deixou de realizar atividades nas 2 últimas semanas por motivo de saúde
                       "J01101"  # Consulta médica nos últimos 12 meses
                       )

# lendo os dados da PNS 2013 
pns13 <-
  get_pns(
    year = 2013,
    selected = FALSE,
    anthropometry = FALSE,
    vars = variaveis_pns_2013,
    labels = TRUE,
    design = TRUE)

# Vamos utilizar a versão sem pesos dos dados para obter informações sobre __labels__ e __levels__.
df_pns13 <-
  get_pns(
    year = 2013,
    selected = FALSE,
    anthropometry = FALSE,
    vars = variaveis_pns_2013,
    labels = TRUE,
    design = FALSE)

# Vamos trabalhar com o pacote srvyr e não com o survey,
# por isso precisamos transformar survey.design2 em tbl.svy
p13 <- srvyr::as_survey(pns13)

## Ajuste dos dados para aplicar regressão de Poisson
## A regressão de Poisson requer que a variável objetivo seja numérica. 
## Neste caso vamos ajustar as variáveis categóricas para valores 0 ou 1.
levels(df_pns13$J007)

[1] "Sim" "Não"

levels(df_pns13$J014)

[1] "Sim" "Não"

levels(df_pns13$J037)

[1] "Sim" "Não"

levels(df_pns13$J002)

[1] "Sim" "Não"

levels(df_pns13$J011)

[1] "Nos doze últimos meses"      "De 1 ano a menos de 2 anos" 
[3] "De 2 anos a menos de 3 anos" "3 anos ou mais"             
[5] "Nunca foi ao médico"        

levels(df_pns13$C006)

[1] "Masculino" "Feminino" 

# Vamos mudar o formato que a variável é apresentada para, no futuro, podermos realizar uma regressão de Poisson
p13 <- 
  p13 |> 
  mutate(iJ014 = if_else(J014 == "Não", 0, 1),
         iJ037 = if_else(J037 == "Não", 0, 1),
         iJ002 = if_else(J002 == "Não", 0, 1),
         cJ011 = if_else(J011 == "Nos doze últimos meses", "Sim", "Não"),
         iJ011 = if_else(J011 == "Nos doze últimos meses", 1, 0)) |> 
  mutate(J007 = relevel(J007, ref = "Não"))

No final o objeto “p13” esta pronto para começarmos a análise