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 parâmetroscalepermite trocar.
A diferença nos erros padrão vem inteiramente da convenção de escala do bootstrap. Há duas formas de alinhá-los:
- Para reproduzir os SEs do
svyno R, passescale = 1/Rparasvrepdesign(ondeRé o número de réplicas). - Para reproduzir os SEs do R (com qualquer escala
c) a partir da saída dosvy, multiplique os SEs dosvypormath.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.