Amostras complexas em R e Python: survey e svy lado a lado

Com os microdados da TIC Domicílios 2025

Published: Apr 24, 2026 by Thiago Meireles

Amostras complexas em R e Python: survey e svy lado a lado

Em R, a análise de pesquisas com amostra complexa costuma passar pelo pacote survey; em Python, uma das opções é a biblioteca svy. Este texto replica a mesma análise nas duas ferramentas para verificar se as estimativas pontuais e os erros padrão coincidem. De forma mais específica, mostra de onde vem a diferença nos erros padrão e como alinhar os dois resultados.

Todo o material para replicação está neste repositório no GitHub.

Dados: os microdados usados na análise estão disponíveis aqui: TIC Domicílios 2025 (SAV).

1. Os dados

A análise usa os microdados da TIC Domicílios 2025, pesquisa feita anualmente desde 2005 para medir o acesso e o uso de TIC nos domicílios brasileiros, com padrões metodológicos da UIT e da UNESCO.

Dois indicadores entram na comparação:

  • A1: Domicílios com computador, desagregado por REGIÃO (Sudeste, Nordeste, Sul, Norte, Centro-Oeste).
  • A4: Domicílios com acesso à internet, desagregado por AREA (Urbana/Rural).

Rótulos e códigos:

  • AREA: 1 = Urbana, 2 = Rural
  • REGIÃO: 1 = Sudeste, 2 = Nordeste, 3 = Sul, 4 = Norte, 5 = Centro-Oeste
  • A1/A4: 1 = Sim, 0 = Não

2. Implementação em R (survey)

# Setup e Leitura
pacman::p_load(survey, haven, here, janitor)
path_dados <- here::here("02_dados", "tic_domicilios_2025_domicilios_base_de_microdados_v1.0.sav")

dados_dom <- haven::read_sav(path_dados) |> 
  janitor::clean_names() |> 
  dplyr::mutate(dplyr::across(dplyr::any_of(c("a4", "area")), as.integer))

# Desenho Amostral
design_dom <- survey::svrepdesign(
  weights = ~peso, 
  repweights = "rep[0-9]+", 
  scale = 0.0065365334145709, # Versão 1: Canty-Davison
  # scale = 0.0050251256,    # Versão 2: Rao-Wu
  data = dados_dom, 
  combined.weights = TRUE
)

# Estimativa para o indicador A4
estimativa_r <- survey::svyby(
  formula = ~as.factor(a4), 
  by = ~area, 
  design = design_dom, 
  FUN = survey::svymean
)

3. Implementação em Python (svy)

import svy
import polars as pl
import os
import math

# Leitura e Tratamento
path_sav = os.path.join("02_dados", "cetic", "tic_domicilios_2025_domicilios_base_de_microdados_v1.0.sav")
dados_dom = svy.io.read_sav(path_sav).with_columns([
    pl.col("A4").cast(pl.Int32),
    pl.col("AREA").cast(pl.Int32)
])

scale = 0.0065365334145709  # Escala do produtor (CETIC)
R = 200  # Número de réplicas

# Desenho Amostral
rep_weights_config = svy.RepWeights(method="bootstrap", prefix="REP", n_reps=R)
smp_design = svy.Design(wgt="PESO", rep_wgts=rep_weights_config)
sample = svy.Sample(data=dados_dom, design=smp_design)

# Estimativa
estimativa_py = sample.estimation.prop("A4", by="AREA", method="replication")

# Ajuste do SE para corresponder ao R
estimativa_py_df = estimativa_py.to_polars().with_columns(
    se_r=pl.col("se") * math.sqrt(scale * R)
)

4. Indicador A4: domicílios com acesso à internet, por área

As tabelas comparam as estimativas de acesso à internet nos domicílios brasileiros em 2025 feitas no Python (svy) com as duas escalas de bootstrap testadas no R (survey).

4.1 Comparação: Versão 1 (Canty-Davison) vs Python

Aqui o R usa o método de Canty-Davison.

Área Resposta (A4) Est. R Est. Python SE R (v1) SE Python Dif. SE
Urbana Sim (1) 0.869906 0.869906 0.004602 0.004602 0.000000
Urbana Não (0) 0.128482 0.128482 0.004512 0.004512 0.000000
Urbana Não Sabe (97) 0.001452 0.001452 0.000409 0.000409 0.000000
Rural Sim (1) 0.809164 0.809164 0.008636 0.008636 0.000000
Rural Não (0) 0.188962 0.188962 0.008584 0.008584 0.000000
Rural Não Sabe (97) 0.001851 0.001851 0.000881 0.000881 0.000000

4.2 Comparação: Versão 2 (Rao-Wu) vs Python

Aqui o R usa o método de Rao-Wu.

Área Resposta (A4) Est. R Est. Python SE R (v2) SE Python Dif. SE
Urbana Sim (1) 0.869906 0.869906 0.004035 0.004035 0.000000
Urbana Não (0) 0.128482 0.128482 0.003956 0.003956 0.000000
Urbana Não Sabe (97) 0.001452 0.001452 0.000359 0.000359 0.000000
Rural Sim (1) 0.809164 0.809164 0.007572 0.007572 0.000000
Rural Não (0) 0.188962 0.188962 0.007526 0.007526 0.000000
Rural Não Sabe (97) 0.001851 0.001851 0.000772 0.000772 0.000000

5. Indicador A1: domicílios com computador, por região

A mesma comparação vale para o indicador A1, agora desagregado por região.

Nota sobre a metodologia. Os resultados oficiais da TIC Domicílios, publicados pelo Cetic.br, calculam a variância com o bootstrap de Canty-Davison. A biblioteca svy, por outro lado, usa o método de Rao-Wu. Por isso, as duas versões foram calculadas no R e inseridas manualmente nas tabelas abaixo, o que permite validar a implementação do Python contra o padrão Rao-Wu.

Comparação A1: Versão 1 (Canty-Davison) vs Python (por Região)

Aqui o R segue a metodologia oficial (Canty-Davison).

Região Resposta (A1) Est. R Est. Python SE R (v1) SE Python Dif. SE
Sudeste Sim (1) 0.376789 0.376789 0.014972 0.014972 0.000000
Nordeste Sim (1) 0.217300 0.217300 0.007479 0.007479 0.000000
Sul Sim (1) 0.370627 0.370627 0.014156 0.014156 0.000000
Norte Sim (1) 0.253914 0.253914 0.013751 0.013751 0.000000
Centro-Oeste Sim (1) 0.278927 0.278927 0.011757 0.011757 0.000000

Comparação A1: Versão 2 (Rao-Wu) vs Python (por Região)

Aqui o R usa a escala de Rao-Wu, a mesma lógica interna da biblioteca svy.

Região Resposta (A1) Est. R Est. Python SE R (v2) SE Python Dif. SE
Sudeste Sim (1) 0.376789 0.376789 0.013127 0.013127 0.000000
Nordeste Sim (1) 0.217300 0.217300 0.006558 0.006558 0.000000
Sul Sim (1) 0.370627 0.370627 0.012412 0.012412 0.000000
Norte Sim (1) 0.253914 0.253914 0.012057 0.012057 0.000000
Centro-Oeste Sim (1) 0.278927 0.278927 0.010308 0.010308 0.000000

Erros padrão (SE) e ajustes de escala

As duas escalas testadas para o bootstrap vêm dos métodos de Canty-Davison e de Rao-Wu, e cada ferramenta parte de uma delas:

  • TIC Domicílios (oficial): usa o bootstrap de Canty-Davison, com uma escala própria do produtor, igual a 0.0065365334145709.
  • Python (biblioteca svy): usa internamente o bootstrap de Rao-Wu (escala = 1/R).
  • R (pacote survey): o padrão é Canty-Davison (escala = 1/(R-1)), mas o parâmetro scale permite trocar.

A diferença nos erros padrão vem inteiramente da convenção de escala do bootstrap. Há duas formas de alinhá-los:

  1. Para reproduzir os SEs do svy no R, passe scale = 1/R para svrepdesign (onde R é o número de réplicas).
  2. Para reproduzir os SEs do R (com qualquer escala c) a partir da saída do svy, multiplique os SEs do svy por math.sqrt(c * R).

Como as duas versões foram calculadas no R e inseridas manualmente nas tabelas, a comparação parte da mesma base. As estimativas pontuais são idênticas em todas as ferramentas; os erros padrão do Python, no entanto, seguem a implementação de Rao-Wu.

6. O que é possível dizer?

As estimativas pontuais do R e do Python são idênticas, e os erros padrão também coincidem quando a escala do bootstrap é tratada de forma explícita. Dessa forma, levar um pipeline de amostras complexas do R para o Python com a svy não muda os resultados e ainda permite usar o Polars no tratamento dos dados.

A comparação, no entanto, cobre apenas proporções de dois indicadores da TIC Domicílios 2025. Totais, razões e modelos de regressão (o equivalente ao svyglm) ainda precisam ser testados antes de tratar as duas ferramentas como intercambiáveis.

survey R Python

Share

Comentários