class: center, middle, inverse, title-slide # Introdução ao R aplicado a pesquisas em empreendedorismo ## R aplicado ao Panel Study of Entrepreneurial Dynamics ### Daniel Pagotto ### LAPEI/UFG e CIGETS/UFG --- # Agradecimentos <br> <div class="figure" style="text-align: center"> <img src="imagem/realizacao.png" alt=" " width="100%" height="100%" /> <p class="caption"> </p> </div> class: inverse, middle, left # Divisão do curso * **Módulo 1: conceitos básicos de R** + Cálculos básicos + Tipos de variáveis e objetos + O pacote dplyr para manipulação de dataframes + O pacote ggplot2 para visualização de dados * **Módulo 2: usando o R para explorar o Global Entrepreneurship Monitor (GEM)** + Compreendedo as bases + Tratando as bases + Análise Exploratória dos Dados do GEM * **Módulo 3: usando o R para explorar o Panel Study of Entrepreneurial Dynamics (PSED)** + Compreendendo a base + Tratando a base + Análise Exploratória dos Dados do PSED --- class: inverse, middle, left # Objetivos do módulo 3 - Demonstrar relevância do PSED - Explorar variáveis disponíveis no PSED - Aplicar funções para manipular dataframes - Aplicar análise exploratória dos dados --- # Panel Study of Enterpreneurial Dynamics #### - O PSED foi conduzido em duas edições. O PSED I iniciou em 1998 e o PSED II teve início em 2004. #### - O PSED II foi uma iniciativa para coletar dados de uma amostra representativa de empreendedores americanos, ao longo do processo de criação de empresas, entre 2005 e 2011. #### - O PSED foi coordenado por Richard Curtin e Paul Reynolds e contou com apoio de diversos pesquisadores de empreendedorismo, dentre eles: Howard Aldrich, Per Davidsson, William Gartner, Benson Honig, Martin Ruef, Scott Shane, entre outros. #### - O projeto foi conduzido no âmbito da Universidade de Michigan e contou com financiamento da Kauffman Foundation, US Small Business Administration e a National Science Foundation #### - Para mais informações, acesse o [site](http://www.psed.isr.umich.edu/psed/home) --- # Publicações <img src="imagem/artigo_psed2_1.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Publicações <img src="imagem/artigo_psed2_2.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Publicações <img src="imagem/artigo_psed2_3.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Potencial do PSED Capacidades dinâmicas <img src="imagem/capacidades_dinamicas.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Potencial do PSED Plano de negócios <img src="imagem/effectuation.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Potencial do PSED Conversa com potenciais clientes <img src="imagem/clientes_potenciais.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Potencial do PSED Perfil dos empreendedores <img src="imagem/demografics.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Potencial do PSED Finanças <img src="imagem/personal_loans.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Potencial do PSED Inovação <img src="imagem/inovacao.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Potencial do PSED Internacionalização <img src="imagem/internacionalizacao.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Potencial do PSED Motivação <img src="imagem/motivacao.png" width="90%" height="90%" style="display: block; margin: auto;" /> --- # Tratando a base ```r library(tidyverse) library(foreign) setwd("~/LAPEI/Curso R Lapei/modulo extra") psed <- read.spss("psedii_scrn_ABCDEF.sav", use.value.labels = FALSE) psed_df <- as.data.frame(psed) # Para baixar a base, retire o # e rode a linha. # psed_df <- read_csv("https://raw.githubusercontent.com/danielppagotto/R_empreendedorismo3/main/arquivos%20de%20bases/psed_2.csv") ``` --- # Filtrando e selecionando dados Filtrando base para manter apenas empreendedores solo e cujos negócios estão operantes na wave E. ```r # filtrando para manter os negócios operantes psed_tratado <- psed_df %>% filter(AG2 <2 & BA50 != 3 & CA50 != 3 & DA50 != 50 & EA50 != 3) # selecionado variáveis psed_tratado <- psed_tratado %>% select(AG2, AH1_1, AH2_1, AH6_1, AH11_1,AH12_1, AH13_1, AQ4_1, AQ5_1, AQ6_1, AQ7_1, AQ8_1, AQ9_1, AQ10_1, BQ4_1, BQ5_1, BQ6_1, BQ7_1, BQ8_1, BQ9_1, BQ10_1, CQ4_1, CQ5_1, CQ6_1, CQ7_1, CQ8_1, CQ9_1, CQ10_1, DQ4_1, DQ5_1, DQ6_1, DQ7_1, DQ8_1, DQ9_1, DQ10_1, EQ4_1, EQ5_1, EQ6_1, EQ7_1, EQ8_1, EQ9_1, EQ10_1, AS5, AS8, AS9, ES5, ES8, ES9, AP1, AP2, AP3, AP4, AP5, AP6, AP7, AP8, AP9, AP10, AP11, AP12, EP1, EP2, EP3, EP4, EP5, EP6, EP7, EP8, EP9, EP10, EP11, EP12) ``` Para conhecer as variáveis selecionadas, acesse o dicionário de dados que preparamos para o curso ou o [codebook](http://www.psed.isr.umich.edu/psed/download_node/198) do PSED. --- # Tratamentos - demografia A partir desse ponto, faremos muitos tratamentos na base antes de iniciar qualquer análise. ```r # recodificando sexo, escolaridade e renomeando variáveis psed_tratado <- psed_tratado%>% mutate(sexo = ifelse(AH1_1 == "1", "Masculino","Feminino"),.after=AH1_1) %>% mutate(escolaridade = case_when(AH6_1 < 4 ~ "Até EM", AH6_1 >= 4 & AH6_1 < 8 ~ "Ensino Superior", AH6_1 >= 8 ~ "Pós-graduação"),.after=AH6_1) %>% rename(idade = AH2_1, industria = AH11_1, empreendedorismo = AH12_1, negocios_possui = AH13_1, pesq_desenv_a = AS5, pesq_desenv_e = ES5, regional_a = AS8, regional_e = ES8, nacional_a = AS9, nacional_e = ES9) # adicionando o status "NA" em variáveis preenchidas pelo valor 999999998, conforme dicionário de dados psed_tratado[psed_tratado == 999999998] <- NA psed_tratado[psed_tratado == 999999999] <- NA ``` --- # Tratamentos - finanças Vamos criar variáveis considerando a fonte de financiamento: reservas pessoais, 3F (family, friends and fools) e crédito. ```r psed_tratado <- psed_tratado %>% rowwise() %>% mutate(personal_savings_A = sum(c(AQ4_1),na.rm = TRUE),.after = AQ4_1) %>% mutate(fff_A = sum(c(AQ5_1,AQ6_1),na.rm = TRUE), .after = AQ6_1) %>% mutate(credit_A = sum(c(AQ7_1,AQ8_1,AQ9_1,AQ10_1),na.rm = TRUE),.after = AQ10_1) %>% mutate(personal_savings_B = sum(c(BQ4_1),na.rm = TRUE),.after = BQ4_1) %>% mutate(fff_B = sum(c(BQ5_1,BQ6_1),na.rm = TRUE), .after = BQ6_1) %>% mutate(credit_B = sum(c(BQ7_1,BQ8_1,BQ9_1,BQ10_1),na.rm = TRUE),.after = BQ10_1) %>% mutate(personal_savings_C = sum(c(CQ4_1),na.rm = TRUE),.after = CQ4_1) %>% mutate(fff_C = sum(c(CQ5_1,CQ6_1),na.rm = TRUE), .after = CQ6_1) %>% mutate(credit_C = sum(c(CQ7_1,CQ8_1,CQ9_1,CQ10_1),na.rm = TRUE),.after = CQ10_1) %>% mutate(personal_savings_D = sum(c(DQ4_1),na.rm = TRUE, .after = DQ4_1)) %>% mutate(fff_D = sum(c(DQ5_1,DQ6_1),na.rm = TRUE), .after = DQ6_1) %>% mutate(credit_D = sum(c(DQ7_1,DQ8_1,DQ9_1,DQ10_1),na.rm = TRUE),.after = DQ10_1) %>% mutate(personal_savings_E = sum(c(EQ4_1),na.rm = TRUE),.after = EQ4_1) %>% mutate(fff_E = sum(c(EQ5_1,EQ6_1),na.rm = TRUE), .after = EQ6_1) %>% mutate(credit_E = sum(c(EQ7_1,EQ8_1,EQ9_1,EQ10_1),na.rm = TRUE),.after = EQ10_1) ``` --- # Tratamentos - finanças Vamos criar variáveis financeiras com o acumulado de cada wave ```r psed_tratado <- psed_tratado %>% mutate(ps_acumulado_B = personal_savings_A + personal_savings_B, ps_acumulado_C = ps_acumulado_B + personal_savings_C, ps_acumulado_D = ps_acumulado_C + personal_savings_D, ps_acumulado_E = ps_acumulado_D + personal_savings_E, fff_acumulado_B = fff_A + fff_B, fff_acumulado_C = fff_acumulado_B + fff_C, fff_acumulado_D = fff_acumulado_C + fff_D, fff_acumulado_E = fff_acumulado_D + fff_E, credit_acumulado_B = credit_B + credit_A, credit_acumulado_C = credit_acumulado_B + credit_C, credit_acumulado_D = credit_acumulado_C + credit_D, credit_acumulado_E = credit_acumulado_D + credit_E) ``` --- # Tratamento - normas sociedade Renomeando algumas das variáveis sobre normas sociais. Vamos utilizar apenas algumas. Por isso, renomeei apenas algumas das variáveis sobre a comunidade. ```r psed_tratado <- psed_tratado %>% rename(suporte_comunidade_a = AP1, autonomia_a = AP2, risco_a = AP3, criatividade_a = AP4, suporte_comunidade_e = EP1, autonomia_e = EP2, risco_e = EP3, criatividade_e = EP4) ``` --- # Selecionando dados após tratamentos ```r psed_tratado <- psed_tratado %>% select(sexo, idade, escolaridade, industria, empreendedorismo, negocios_possui, personal_savings_A, personal_savings_B, personal_savings_C, personal_savings_D, personal_savings_E, ps_acumulado_B, ps_acumulado_C, ps_acumulado_D, ps_acumulado_E, fff_A, fff_B, fff_C, fff_D, fff_E, fff_acumulado_B, fff_acumulado_C, fff_acumulado_D, fff_acumulado_E, credit_A, credit_B, credit_C, credit_D, credit_E, credit_acumulado_B, credit_acumulado_C, credit_acumulado_D, credit_acumulado_E, pesq_desenv_a, pesq_desenv_e, regional_a,nacional_a, regional_e,nacional_e, suporte_comunidade_a, autonomia_a, risco_a, criatividade_a, suporte_comunidade_e, autonomia_e, risco_e, criatividade_e) %>% filter(idade < 99) %>% filter(industria < 98) %>% filter(empreendedorismo < 10) %>% filter(regional_e < 998) %>% filter(regional_a < 998) ``` --- # Análises - Estatística Descritiva Vamos usar algumas estatísticas descritivas considerando a amostra como um todo ```r summary(psed_tratado) ``` ``` ## sexo idade escolaridade industria ## Length:153 Min. :22.0 Length:153 Min. : 0.00 ## Class :character 1st Qu.:39.0 Class :character 1st Qu.: 3.00 ## Mode :character Median :49.0 Mode :character Median :10.00 ## Mean :47.6 Mean :12.58 ## 3rd Qu.:56.0 3rd Qu.:20.00 ## Max. :74.0 Max. :45.00 ## empreendedorismo negocios_possui personal_savings_A personal_savings_B ## Min. :0.000 Min. :0.0000 Min. : 0 Min. : 0 ## 1st Qu.:0.000 1st Qu.:0.0000 1st Qu.: 299 1st Qu.: 0 ## Median :0.000 Median :0.0000 Median : 2000 Median : 0 ## Mean :1.013 Mean :0.2941 Mean : 8005 Mean : 2151 ## 3rd Qu.:2.000 3rd Qu.:0.0000 3rd Qu.:10000 3rd Qu.: 30 ## Max. :5.000 Max. :4.0000 Max. :75000 Max. :45000 ## personal_savings_C personal_savings_D personal_savings_E ps_acumulado_B ## Min. : 0 Min. : 0 Min. : 0 Min. : 0 ## 1st Qu.: 0 1st Qu.: 0 1st Qu.: 0 1st Qu.: 1000 ## Median : 0 Median : 0 Median : 0 Median : 3000 ## Mean : 4767 Mean : 5321 Mean : 3672 Mean :10156 ## 3rd Qu.: 0 3rd Qu.: 0 3rd Qu.: 0 3rd Qu.:10000 ## Max. :150000 Max. :200000 Max. :200000 Max. :85000 ## ps_acumulado_C ps_acumulado_D ps_acumulado_E fff_A ## Min. : 0 Min. : 0 Min. : 0 Min. : 0 ## 1st Qu.: 1150 1st Qu.: 2000 1st Qu.: 2000 1st Qu.: 0 ## Median : 4000 Median : 5200 Median : 6500 Median : 0 ## Mean : 14923 Mean : 20244 Mean : 23916 Mean : 2088 ## 3rd Qu.: 15000 3rd Qu.: 20100 3rd Qu.: 25000 3rd Qu.: 0 ## Max. :180000 Max. :243000 Max. :350000 Max. :100000 ## fff_B fff_C fff_D fff_E ## Min. : 0.0 Min. : 0.00 Min. : 0 Min. : 0.0 ## 1st Qu.: 0.0 1st Qu.: 0.00 1st Qu.: 0 1st Qu.: 0.0 ## Median : 0.0 Median : 0.00 Median : 0 Median : 0.0 ## Mean : 202.6 Mean : 87.25 Mean : 1072 Mean : 488.9 ## 3rd Qu.: 0.0 3rd Qu.: 0.00 3rd Qu.: 0 3rd Qu.: 0.0 ## Max. :20000.0 Max. :7000.00 Max. :150000 Max. :40000.0 ## fff_acumulado_B fff_acumulado_C fff_acumulado_D fff_acumulado_E ## Min. : 0 Min. : 0 Min. : 0 Min. : 0 ## 1st Qu.: 0 1st Qu.: 0 1st Qu.: 0 1st Qu.: 0 ## Median : 0 Median : 0 Median : 0 Median : 0 ## Mean : 2291 Mean : 2378 Mean : 3450 Mean : 3939 ## 3rd Qu.: 0 3rd Qu.: 0 3rd Qu.: 0 3rd Qu.: 0 ## Max. :100000 Max. :100000 Max. :250000 Max. :250000 ## credit_A credit_B credit_C credit_D ## Min. : 0 Min. : 0.0 Min. : 0 Min. : 0 ## 1st Qu.: 0 1st Qu.: 0.0 1st Qu.: 0 1st Qu.: 0 ## Median : 0 Median : 0.0 Median : 0 Median : 0 ## Mean : 5921 Mean : 879.4 Mean : 4960 Mean : 10396 ## 3rd Qu.: 0 3rd Qu.: 0.0 3rd Qu.: 0 3rd Qu.: 0 ## Max. :244000 Max. :80000.0 Max. :600000 Max. :1030000 ## credit_E credit_acumulado_B credit_acumulado_C credit_acumulado_D ## Min. : 0.0 Min. : 0 Min. : 0 Min. : 0 ## 1st Qu.: 0.0 1st Qu.: 0 1st Qu.: 0 1st Qu.: 0 ## Median : 0.0 Median : 0 Median : 0 Median : 0 ## Mean : 636.6 Mean : 6801 Mean : 11761 Mean : 22157 ## 3rd Qu.: 0.0 3rd Qu.: 0 3rd Qu.: 0 3rd Qu.: 0 ## Max. :62000.0 Max. :324000 Max. :924000 Max. :1954000 ## credit_acumulado_E pesq_desenv_a pesq_desenv_e regional_a ## Min. : 0 Min. :1.000 Min. :1.000 Min. : 0.00 ## 1st Qu.: 0 1st Qu.:5.000 1st Qu.:5.000 1st Qu.: 1.00 ## Median : 0 Median :5.000 Median :5.000 Median :20.00 ## Mean : 22794 Mean :4.111 Mean :4.288 Mean :21.24 ## 3rd Qu.: 400 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:30.00 ## Max. :1954000 Max. :5.000 Max. :8.000 Max. :99.00 ## nacional_a regional_e nacional_e suporte_comunidade_a ## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. :1.000 ## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.:1.000 ## Median : 5.00 Median : 10.00 Median : 2.00 Median :2.000 ## Mean : 20.11 Mean : 19.46 Mean : 18.25 Mean :2.235 ## 3rd Qu.: 25.00 3rd Qu.: 25.00 3rd Qu.: 25.00 3rd Qu.:3.000 ## Max. :100.00 Max. :100.00 Max. :100.00 Max. :8.000 ## autonomia_a risco_a criatividade_a suporte_comunidade_e ## Min. :1.00 Min. :1.000 Min. :1.000 Min. :1.00 ## 1st Qu.:2.00 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:1.00 ## Median :2.00 Median :2.000 Median :2.000 Median :2.00 ## Mean :2.15 Mean :2.412 Mean :2.275 Mean :2.17 ## 3rd Qu.:3.00 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.:3.00 ## Max. :5.00 Max. :5.000 Max. :5.000 Max. :5.00 ## autonomia_e risco_e criatividade_e ## Min. :1.000 Min. :1.000 Min. :1.000 ## 1st Qu.:1.000 1st Qu.:2.000 1st Qu.:2.000 ## Median :2.000 Median :2.000 Median :2.000 ## Mean :2.039 Mean :2.458 Mean :2.242 ## 3rd Qu.:2.000 3rd Qu.:3.000 3rd Qu.:3.000 ## Max. :5.000 Max. :5.000 Max. :5.000 ``` --- # Análises - sexo A partir desse momento, serão realizadas algumas análises sobre a amostra resultante. Para esse estudo de caso, serão aplicadas análises comparando-se empreendedores e empreendedoras .pull-left[ ```r total_sexo <- psed_tratado %>% group_by(sexo) %>% count() total_sexo %>% ggplot(aes(x = sexo, y = n)) + geom_col(aes(fill=sexo)) + geom_text(aes(label = n), vjust = -0.5) + ylab("Total") + ggtitle("Frequência por sexo") + theme_classic() ``` ] .pull-right[ <!-- --> ] --- # Análises - idade Vamos criar um boxplot da variável idade ```r psed_tratado %>% ggplot(aes(x = sexo, y = idade, fill = sexo)) + geom_boxplot() + theme_minimal() + theme(legend.position = "none") + ggtitle("Boxplot de idades por sexo") + scale_y_continuous(breaks = seq(20,90,5)) ``` <img src="index_files/figure-html/boxplot-1.png" style="display: block; margin: auto;" /> --- # Análises - escolaridade Vamos comparar a escolaridade de ambos grupos da amostra. .pull-left[ ```r library(webr) escolaridade <- psed_tratado %>% group_by(sexo,escolaridade) %>% summarise(total = n()) escolaridade %>% PieDonut(aes(sexo,escolaridade, count = total), explode = 2, title = "Escolaridade por sexo") ``` ] .pull-right[ <!-- --> ] --- # Análises - experiências Dados sobre a experiência prévia na criação de empreendendimentos ```r psed_tratado %>% group_by(sexo) %>% summarise(media = mean(empreendedorismo)) %>% ggplot(aes(x=sexo, y = media, fill = sexo)) + geom_text(aes(label = round(media,2)), vjust = -0.5) + geom_col() + theme_classic() + ggtitle("Experiência na criação de empresas", "Quantos negócios teve previamente?") ``` <img src="index_files/figure-html/experiencia previa-1.png" style="display: block; margin: auto;" /> --- # Análises - experiências Dados sobre a experiência na indústria. Vamos fazer os gráficos e vamos atribuí-los a objetos. Depois usaremos o pacote `patchwork`para plotar ambos gráficos. A instalação do pacote é um pouco diferente. É necessário ter o pacote devtools instalado anteriormente. ```r industria_colunas <- psed_tratado %>% group_by(sexo) %>% summarise(media = mean(industria)) %>% ggplot(aes(x=sexo, y = media, fill = sexo)) + geom_text(aes(label = round(media,2)), vjust = -0.5) + geom_col() + theme_minimal() + theme(legend.position = "none") + ggtitle("Experiência média na mesma indústria", "Quantos anos atuou na mesma indústria do novo empreendimento?") industria_histogramas <- psed_tratado %>% ggplot(aes(x = industria, fill = sexo)) + geom_histogram(bins=15) + theme_minimal() + facet_wrap(~sexo, nrow = 2) + theme(legend.position = "none") + ggtitle("Histograma da experiência na mesma indústria", "Quantos anos atuou na mesma indústria do novo empreendimento?") library(patchwork) # intall.packages("devtools") # devtools::install_github("thomasp85/patchwork") ``` --- # Análises ```r industria_colunas / industria_histogramas ``` <img src="index_files/figure-html/unnamed-chunk-7-1.png" style="display: block; margin: auto;" /> --- # Análises - Inovação ```r psed_tratado %>% group_by(sexo,pesq_desenv_a) %>% summarise(total = n()) %>% mutate(pesq_desenv_a = ifelse(pesq_desenv_a == 1, "Sim","Não")) %>% PieDonut(aes(sexo,pesq_desenv_a,count = total), explode = 2, title = "P&D é uma prioridade para o empreendimento wave A") ``` ```r psed_tratado %>% group_by(sexo,pesq_desenv_e) %>% summarise(total = n()) %>% filter(pesq_desenv_e != 8) %>% mutate(pesq_desenv_e = ifelse(pesq_desenv_e == 1, "Sim","Não")) %>% PieDonut(aes(sexo,pesq_desenv_e,count = total), explode = 2,title = "P&D é uma prioridade para o empreendimento wave E") ``` Os gráficos estão no próximo slide. --- # Análises - Inovação .pull-left[ <!-- --> ] .pull-right[ <!-- --> ] --- # Análises - Finanças Fiz um tratamento inicial. Nesse caso, estamos agrupando as observações (linhas) por sexo e depois sumarizando as variáveis de diferentes fontes de financiamento para cada wave (de A até E). ```r financas_acumulada <- psed_tratado %>% group_by(sexo) %>% summarise(ps_a = mean(personal_savings_A,na.rm = TRUE), fff_a = mean(fff_A,na.rm = TRUE), credit_a = mean(credit_A,na.rm = TRUE), ps_b = mean(ps_acumulado_B, na.rm = TRUE), fff_b = mean(fff_acumulado_B, na.rm = TRUE), credit_b = mean(credit_acumulado_B, na.rm = TRUE), ps_c = mean(ps_acumulado_C, na.rm = TRUE), fff_c = mean(fff_acumulado_C, na.rm = TRUE), credit_c = mean(credit_acumulado_C, na.rm = TRUE), ps_d = mean(ps_acumulado_D, na.rm = TRUE), fff_d = mean(fff_acumulado_D, na.rm = TRUE), credit_d = mean(credit_acumulado_D, na.rm = TRUE), ps_e = mean(ps_acumulado_E, na.rm = TRUE), fff_e = mean(fff_acumulado_E, na.rm = TRUE), credit_e = mean(credit_acumulado_E, na.rm = TRUE)) ``` --- # Análises - Finanças Em sequência, usamos a função pivot_longer para inverter a base de um formato "amplo" para "longo". Em sequência, criei uma variável correspondente a cada wave (onda). ```r library(tidyr) financas_acumulada <- financas_acumulada %>% pivot_longer(!sexo,names_to = "fontes",values_to="valores") %>% separate(fontes, into = c("fonte","wave"), sep = "_") %>% mutate(ano = case_when(wave == "a" ~ 2006, wave == "b" ~ 2007, wave == "c" ~ 2008, wave == "d" ~ 2009, wave == "e" ~ 2010)) ``` --- # Análises - Finanças Por fim, vamos visualizar a evolução do capital financeiro de modo acumulado entre as diferentas ondas. ```r financas_acumulada %>% ggplot(aes(x = ano, y = valores, fill = sexo)) + geom_col(position = "dodge") + facet_grid(~fonte) + theme_minimal() ``` <img src="index_files/figure-html/unnamed-chunk-13-1.png" style="display: block; margin: auto;" /> --- # Análises - Expansões Na seção S do PSED, os entrevistados são questionados quanto ao percentual de clientes no âmbito regional e nacional. Vamos calcular a variação entre o esperado na wave A e o alcançado na wave E. .pull-left[ ```r psed_tratado <- psed_tratado %>% rowwise() %>% mutate(expansao_regional = regional_e - regional_a, expansao_nacional = nacional_e - nacional_a) psed_tratado %>% ggplot(aes(x = expansao_regional)) + geom_histogram(bins = 10) + theme_minimal() ``` Quais motivos podem explicar isso? ] .pull-right[ <!-- --> ] --- class: inverse, middle, center # Obrigado **Daniel Pagotto** | danielppagotto@gmail.com | [LinkedIn](https://www.linkedin.com/in/daniel-do-prado-pagotto-bab62a50/)