Transparência (2): Qual o salário médio dos servidores federais?

Transparência (2): Qual o salário médio dos servidores federais?

Este é o segundo post da série de artigos sobre dados do Portal Transparência relativos a de servidores federais. Agora, o foco são os salários.
Outra pequena mudança é que, para os gráficos deste post, ao invés de usar o tema theme_economist(), usarei o theme_wsj(), também incluso no package ggthemes.

library(ggplot2)
library(stringr)
library(ggthemes)
library(dplyr)
library(ggrepel)

Por alguma razão além do meu entendimento, o Portal da Transparência arquiva os dados de salários em um arquivo separado do principal. Iremos agora importá-lo e juntá-lo com o data frame principal, criado no post anterior.

# Basicamente as únicas colunas que importam são a 3ª (ID do servidor) e a 6ª (remuneração bruta)
df <- read.csv2("/home/sillas/R/data/transparencia.csv", fileEncoding = "ISO-8859-15")

salarios <- read.csv2("/home/sillas/Downloads/20150831_Remuneracao.csv",
                      sep="\t", stringsAsFactors=FALSE) %>%  select(3, 6) 


names(salarios) <- c("ID_SERVIDOR_PORTAL", "SALARIO")

names(df) <- str_to_upper(names(df))
df <- merge(df, salarios, by="ID_SERVIDOR_PORTAL")
df$x <- 1


rm(salarios)

Primeiramente, vamos olhar como é a distribuição dos salários dos servidores federais.

ggplot(data=df, aes(x=SALARIO)) +
    geom_histogram(binwidth=1000) +
    scale_x_continuous(breaks=seq(0, 50000, by=5000)) +
    labs(title="Histograma dos salários\n dos servidores",
         x="Salário", y="Quantidade de servidores") +
  theme_wsj()

center

Com o gráfico acima, é possível aprender que: * Estranhamente, existe uma quantidade anormal (fora da curva) de servidores que ganham aproximadamente entre R$22.000 a RS$24.000,00.
* Percebeu que existe um “breu” após a faixa dos 35000? É porque existem alguns poucos servidores que ganham acima disso, o que distorce o gráfico. Eles são nossos outliers.
* Os salários dos servidores não seguem uma distribuição normal (ver comparação abaixo);

ggplot(data=df, aes(x=SALARIO)) +
    geom_histogram(binwidth=1000, aes(y=..density..)) +
    scale_x_continuous(breaks=seq(0, 50000, by=5000)) +
    labs(title="Distribuição dos salários\n dos servidores",
         x="Salário", y="Proporção") +
    stat_function(fun=dnorm, color="red", arg=list(mean=mean(df$SALARIO), sd=sd(df$SALARIO)))+
    theme_wsj()

center

Será que os salários variam de acordo com a região? Existem diferentes visualizações que podem ser usadas para fazer essa comparação.

Histogramas

ggplot(data=df, aes(x=SALARIO)) +
  geom_histogram(binwidth=1000) +
  facet_grid(REGIAO~., scales = "free_y") +  #TESTE
  scale_x_continuous(breaks=seq(0, 50000, by=5000)) +
  theme_wsj() +
  labs(title = "Distribuição dos salários\n por região")

center

ggplot(data=df, aes(x=SALARIO)) +
    geom_histogram(binwidth=1000, aes(y=..density..)) +
    facet_grid(REGIAO~., scales = "free_y") + 
    scale_x_continuous(breaks=seq(0, 50000, by=5000)) +
    stat_function(fun=dnorm, color="red", arg=list(mean=mean(df$SALARIO), sd=sd(df$SALARIO)))+
    scale_y_continuous(breaks=NULL) +
    theme_wsj()

center

Com os gráficos acima, é possível inferir que: * A diferença entre as distribuições dos salários se mantém constante nas diferentes faixas salariais.
* Na região Norte, existe uma quantidade anormalmente alta de pessoas que ganham por volta de 5000 reais.
* No geral, os salários no Norte são bem baixos. A proporção de servidores que ganham acima de 10000 reais nessa região é muito menor que nas outras.

A distribuição dos salários da região Norte aparenta ser a que mais difere de uma distribuição normal. É possível quantificar essa diferença por meio de duas métricas:

Assimateria (skewness)

De acordo com Fonseca (2011) dá-se a nomenclatura de assimetria ao grau de afastamento de uma distribuição da unidade de assimetria. Uma Distribuição é Simétrica quando seus valores de Média, Mediana e Moda coincidem. A comparação entre o valor da Média e o valor da Moda, dá, portanto, uma indicação da inclinação da distribuição.

Curtose (kurtoses).

Dá-se o nome de curtose ao grau de achatamento da distribuição: (a) Quando a distribuição apresenta uma curva de frequência mais fechada (mais aguda em sua parte superior), ela é denominada Leptocúrtica (Lepto = Delgado, Alongado, Magro, etc.) (b) A distribuição de referência (Distribuição Normal) é denominada Mesocúrtica (Meso = Meio, Central, etc.). © Quando a distribuição apresenta uma curva de frequência mais aberta (mais achatada em sua parte superior), ela é denominada Platicúrtica (Plato = Chato, Plano, Largo, etc.).

Leia mais aqui.

Em suma:

  • Assimetria é, como se pode inferir pelo seu nome, a medida da falta de assimetria de uma distribuição. Uma distribuição é simétrica se parece a mesma à esquerda ou à direita de seu ponto médio. Valores negativos de assimetria indicam que a distribuição é distorcida para a esquerda e positivos para a direita. A assimetria de uma distribuição normal é próxima a zero:
library(moments)
skewness(rnorm(100))
## [1] -0.1254035
skewness(rnorm(10000))
## [1] 0.02134943
skewness(rnorm(100000))
## [1] -0.003966336
  • Curtose é uma medida que verifica se a distribuição possui picos ou se é plana em relação a uma distribuição normal. As distribuições com alta curtose tendem a ter um pico distinto próximo à média. A curtose de uma distribuição normal é igual a 3:
kurtosis(rnorm(100))
## [1] 2.383941
kurtosis(rnorm(10000))
## [1] 3.008551
kurtosis(rnorm(100000))
## [1] 3.008823

Fonte.

Vamos agora computar a assimetria e curtose dos salários para cada região:

df %>%
  group_by(REGIAO) %>%
  summarise(assimetria = skewness(SALARIO),
            curtose = kurtosis(SALARIO))
## Source: local data frame [5 x 3]
## 
##         REGIAO assimetria  curtose
##         (fctr)      (dbl)    (dbl)
## 1 Centro-Oeste   1.035474 3.571747
## 2     Nordeste   1.462003 5.578107
## 3        Norte   1.712028 6.447419
## 4      Sudeste   1.214714 4.225232
## 5          Sul   1.100610 3.936279

Interpretação: De fato, a assimetria e a curtose dos salários na região Norte são muito mais altos que nas outras regiões. Uma investigação mais detalhada desses resultados provavelmente resultaria em descobertas, no mínimo, interessantes. Outra observação interessante é que todos as regiões possuem uma assimetria positiva, o que é um efeito direto da presença dos outliers no nosso dataset.

Gráfico ou Diagrama de caixas (Boxplots)

Outra maneira de visualizar a variação da distribuição de uma variável contínua em diferentes categorias é por meio de gráficos de caixas.

O diagrama de caixa é uma ferramenta para localizar e analisar a variação de uma variável dentre diferentes grupos de dados. O diagrama de caixa procura obter as seguintes informações:
* Calcular a mediana e os quartis ( o quartil inferior contém 25% ( 14) das menores medidas e o quartil superior contém 75 ( 34) de todas as medidas);
* Plotar um símbolo onde se localiza a mediana e uma caixa, daí o nome de diagrama de caixas, onde a base representa o quartil inferior ( 25% ou 14) dos menores valores), e o topo da caixa o quartil superior (75% ou 34) dos valores observados. A caixa portanto representa 50% de todos os os valores observados ,concentrados na tendência central dos valores, eliminando os 25% menores valores e 25% maiores valores ( 75% - 25% = 50%);
* Um segmento de reta vertical conecta o topo da caixa ao maior valor observado e outro segmento conecta a base da caixa ao menor valor observado, este segmento denomina-se Whisker, ou fio de bigode.

Fonte

Vamos analisar a distribuição de salários dos servidores de acordo com as regiões e os estados.

#1: Regiões
ggplot(data=df, aes(x=REGIAO, y=SALARIO, fill=REGIAO)) +
  geom_boxplot() +
  scale_fill_brewer(palette="Set1") +
  guides(fill=FALSE) +
  theme_wsj() +
  labs(title = "Distribuição dos salários por região")

center

#2: Agrupar estados por região
# Defini um vetor de cores para cada estado para facilitar a visualização
coresEstados <- c(#Norte
                  "AM" = "#8dd3c7", "AP"="#ffffb3", "AC" = "#bebada",
                  "PA" = "#fb8072", "RO" = "#80b1d3", "RR" = "#fdb462",
                   #Nordeste
                  "AL" = "#8dd3c7", "BA" = "#ffffb3", "CE" = "#bebada",
                  "MA" = "#fb8072", "PB" = "#80b1d3", "PE" = "#fdb462",
                  "PI" = "#b3de69", "RN" = "#fccde5", "SE" = "#d9d9d9",
                  "TO" = "#bc80bd",
                  #CO
                  "DF" = "#8dd3c7", "GO" = "#ffffb3", "MS" = "#bebada", "MT" = "#fb8072",
                  #SUDESTE
                  "SP" = "#8dd3c7", "RJ" = "#ffffb3", "ES" = "#bebada", "MG" = "#fb8072",
                  #SUL
                  "PR" = "#b3de69", "SC" = "#fccde5", "RS" = "#d9d9d9"
                  )

ggplot(data=df, aes(x=UF_EXERCICIO, y=SALARIO, fill=UF_EXERCICIO)) + geom_boxplot() + facet_grid(. ~ REGIAO, scales="free_x") +
    scale_y_continuous(breaks=seq(0, 50000, by=5000)) + 
    scale_fill_manual(values= coresEstados) +
  theme_wsj() +
  labs(title = "Distribuição dos salários por estado") +
  guides(fill = FALSE)

center

Por meio dos dois gráficos acima, aprendemos que:
* A grande maioria dos outliers pertence ao Centro-Oeste, onde estão os três maiores salários de servidores do Brasil.
* A “caixa” referente ao Norte é a mais achatada, o que mostra, mais uma vez, o quão anormalmente concentrada é a distribuição dos salários na região.
* São Paulo aparenta ter o maior salário médio (calculado pela mediana), enquanto que Roraima e Amapá possuem os menores. Além disso, o salário médio paulista difere muito do observado em outros estados no Sudeste. De fato:

df %>%
  group_by(UF_EXERCICIO, REGIAO) %>%
  summarise(salarioMedio = round(median(SALARIO),0)) %>%
  ggplot(aes(x = salarioMedio, y = reorder(UF_EXERCICIO, salarioMedio))) +
  geom_point() +
  geom_segment(aes(yend = UF_EXERCICIO, xend = 0)) +
  facet_grid(REGIAO ~., drop = TRUE, scales = "free_y") +
  geom_text(aes(label = salarioMedio, hjust = -0.3)) +
  labs(title = "Salário médio por UF") +
  theme_wsj()

center

Será que existe alguma correlação entre o salário médio e o número de servidores do estado? Vamos tentar responder isso com um gráfico de dispersão comum, onde eu uso um recurso do package recém criado ggrepel:

temp <- df %>%
  group_by(UF_EXERCICIO) %>%
  summarise(salarioMedio = round(median(SALARIO),2),
            numeroDeServidores = n())

ggplot(temp, aes(numeroDeServidores, salarioMedio)) +
  geom_point() +
  geom_text_repel(aes(label = UF_EXERCICIO)) +
  geom_vline(xintercept = median(temp$numeroDeServidores)) +
  geom_hline(yintercept = median(df$SALARIO)) +
  labs(title = "Salário médio e número\n de servidores\n por estado", x = "Número de Servidores", y = "Salário Médio") +
  theme_wsj()

center

Não é possível detectar nenhum padrão muito significativo.

Nos vemos no próximo post!

 
comments powered by Disqus