In tomasbarcellos/pof: Leitura da Pesquisa de Orçamentos Familiares (POF)

knitr::opts_chunk$set(
  collapse = TRUE,
  comment = "#>",
  warning = FALSE,
  message = FALSE
)

Setup

library(pof)
library(tidyverse)

Análise nutrientes

O objetivo dessa vinheta é realizar uma análise dos dados da POF de 2017/2018 sobre nutrientes consumidos pelos idosos no Brasil.

Para isso vamos precisar montar uma tabela com as variáveis

[x] UF (domicílio)
[x] Capital/RM/resto de Estado/Rural (domicílio)
[x] Horário (refeição) tabela alimentação
[x] Renda familiar (domicílio) tabela alimentação
[x] Idade (pessoa)
[x] Sexo (pessoa)
[x] Cor (pessoa)
[x] Nutrientes (refeição) tabela alimentação
[x] Alimento (refeição) tabela alimentação

Ha dois quadros na tabela de alimentação, ver como tratar os dois.

Leitura dos dados

O peimrio passo é ler a tabela com os estratos para ter informações sobre a região do estrato (capital, rural, etc)

setwd(here::here())

estratos <- readxl::read_excel("dados/2018/Documentos/Estratos POF 2017-2018.xls",
                               skip = 6, 
                               col_names = c("uf", "capital", "resto_rm",
                                             "resto_uf", "rural")) %>% 
  filter(!is.na(capital)) %>% 
  mutate_all(str_replace, " [ae] ", ":") %>% 
  pivot_longer(-uf, names_to = "tipo_domicilio") %>% 
  mutate(value = ifelse(value == "-", NA, value),
         tipo_domicilio = str_replace(tipo_domicilio, "_", " "),
         estrato = map(value, ~eval(parse(text = .x)))) %>% 
  unnest(estrato) %>% 
  select(estrato, tipo_domicilio) %>% 
  filter(!is.na(estrato))

O segundo é ler os dados de pessoas, aplicar os código usados para guardas as informações qualitativas e unir as informações dos estratos.

setwd(here::here())

pessoas <- ler_morador(2018) %>% 
  transmute(estrato = ESTRATO_POF,
            cod_pessoa = paste0(ESTRATO_POF, COD_UPA, NUM_DOM, 
                                NUM_UC, COD_INFORMANTE), 
            idade = V0403, sexo = V0404, cor = V0405, 
            renda = RENDA_TOTAL, peso = PESO_FINAL) %>% 
  mutate(
    cor = case_when(
      cor == 1 ~ "Branca",
      cor == 2 ~ "Preta",
      cor == 3 ~ "Amarela",
      cor == 4 ~ "Parda",
      cor == 5 ~ "Indígena",
      cor == 9 ~ "Sem declaração"
    ),
    sexo = ifelse(sexo == 1, "Homem", "Mulher")
  ) %>% 
  left_join(estratos, "estrato") %>% 
  select(-estrato)

O terceita passo consiste em ler a tabela de alimentos e fazer algumas agregações por pessoa.

setwd(here::here())

produtos <- readxl::read_excel(
  "dados/2018/Documentos/Cadastro de Produtos do Consumo Alimentar.xls"
  ) %>% 
  set_names(c("codigo", "produto")) %>% 
  mutate(codigo = as.numeric(codigo))

dic <- readxl::read_excel("dados/2018/Documentos/Dicion†rios de v†riaveis.xls",
                          "Consumo Alimentar", skip = 2) %>% 
  filter(!is.na(Tamanho))

posicoes <- as.numeric(dic$Tamanho)

alimentos <- read_fwf("dados/2018/CONSUMO_ALIMENTAR.txt", 
                  fwf_widths(posicoes)) %>% 
  set_names(dic$`Código da variável`) %>% 
  mutate(cod_pessoa = paste0(ESTRATO_POF, COD_UPA, NUM_DOM, 
                             NUM_UC, COD_INFORMANTE)) %>% 
  rename(codigo = V9001, quantidade = V9005, cod_medida = V9007, 
         hora = V9015, cod_preparo = V9016, cod_refeicao = V9017, 
         cod_local = V9018, gramas = QTD,
         azeite = V9019, mantega = V9020, acucar = V9021, 
         adocante = V9022, mel = V9023, melado = V9024, 
         mayonese = V9025, ketchup = V9026, mostarda = V9027, 
         shoyu = V9028, queijo_ralado = V9029, creme_leite = V9030) %>% 
  janitor::clean_names() %>% 
  left_join(produtos, "codigo")

alim_pessoa <- alimentos %>% 
  group_by(cod_pessoa, produto) %>% 
  summarise(qtd = sum(gramas), .groups = "drop") %>% 
  pivot_wider(names_from = produto, values_from = qtd, 
              values_fill = list(qtd = 0))

nut_pessoa <- alimentos %>% 
  group_by(cod_pessoa) %>% 
  summarise_at(vars(azeite:creme_leite, energia_kcal:folato), 
               sum, na.rm = TRUE)

Para que possamos ao fim unir as inforamações das três tabelas

dados <- pessoas %>% 
  right_join(alim_pessoa, "cod_pessoa") %>% 
  left_join(nut_pessoa, "cod_pessoa")

Exemplo análise

Consumo de nutrientes

Digamos que queiramos saber o consumo médio dos Nutrientes entre idosos por macrorregião do Brasil.

dados %>% 
  filter(idade > 65) %>% 
  mutate(regiao = str_sub(cod_pessoa, 1, 1) %>% 
           as.numeric() %>% 
           map_chr(~switch(.x, 
             "Norte", "Nordeste", "Sul", "Sudeste", "Centro-Oeste"
           ))) %>% 
  select(regiao, peso, energia_kcal:folato) %>% 
  group_by(regiao) %>% 
  summarise_at(vars(energia_kcal:folato), 
               ~round(weighted.mean(.x, w = peso, na.rm = TRUE), 2)) %>% 
  pivot_longer(-regiao, names_to = "Nutriente") %>% 
  pivot_wider(names_from = regiao, values_from = value) %>% 
  knitr::kable()

Consumo de grupos alimentares

Outra possibilidade de anásise é verificar a quantidade de pesacado fresco comido pelos idosos nas diferentes regiões do Brasil ou de a cordo com a cor de pele.

Para tanto iremos utlizar um tradutor dos códigos dos produtos para grupos alimentares disponibilizado pelo IBGE.

setwd(here::here())

cod_peixes <- ler_tradutor_alimentacao(2018) %>% 
  filter(nivel_3 == 1075)

alim_peixes <- alimentos %>% 
  mutate(codigo = codigo %/% 100) %>% 
  semi_join(cod_peixes, "codigo")

pessoas_peixes <- pessoas %>% 
  left_join(alim_peixes,"cod_pessoa")

Com essa tabela em mãos podemos calcular o consumo médio de peixes na população como um todo:

pessoas_peixes %>% 
  summarise(media = weighted.mean(gramas, peso_final, na.rm = TRUE)) %>% 
  knitr::kable()

Ou entre os idosos:

pessoas_peixes %>% 
  filter(idade > 65) %>% 
  summarise(media = weighted.mean(gramas, peso_final, na.rm = TRUE)) %>% 
  knitr::kable()

E podemos verificar as diferenças regionais e cor propostas ao início

pessoas_peixes %>% 
  filter(idade > 65) %>% 
  mutate(regiao = str_sub(cod_pessoa, 1, 1) %>% 
           as.numeric() %>% 
           map_chr(~switch(.x, 
             "Norte", "Nordeste", "Sul", "Sudeste", "Centro-Oeste"
           ))) %>% 
  group_by(regiao) %>% 
  summarise(media = weighted.mean(gramas, peso_final, na.rm = TRUE)) %>% 
  knitr::kable()

pessoas_peixes %>% 
  filter(idade > 65) %>% 
  mutate(regiao = str_sub(cod_pessoa, 1, 1) %>% 
           as.numeric() %>% 
           map_chr(~switch(.x, 
             "Norte", "Nordeste", "Sul", "Sudeste", "Centro-Oeste"
           ))) %>% 
  group_by(cor) %>% 
  summarise(media = weighted.mean(gramas, peso_final, na.rm = TRUE)) %>% 
  knitr::kable()