Comparar duas fontes: o que entra, o que sai, e quem fica de fora

O índice de referência deste pacote promete uma coisa, na porta do IBGE: “a COD, usada na PNAD Contínua e no Censo, é quase a ISCO-08 com outro nome. É por aqui que se compara candidatura com população.” É a promessa mais forte que o pacote faz, e até agora era a única que ele não mostrava cumprindo — nem mostrava onde ela falha.

Esta página existe porque a promessa custou caro uma vez. Em setembro de 2026, uma comparação entre candidaturas do TSE e população da PNAD Contínua foi auditada e reprovada. Nada estava errado na tradução: as funções fizeram o que prometem, os testes passaram, os vetores tinham o comprimento certo. O erro estava numa decisão que o usuário toma sem perceber que a está tomando, e que o site do pacote não desaconselhava em lugar nenhum, porque em lugar nenhum tratava do assunto.

A decisão era a agregação. Ler o primeiro dígito da ISCO-88 dos dois lados parece a simplificação mais inocente possível. Não é: o grupo 1 do formulário do TSE está cheio de autorrótulo de empresário, e o da PNAD Contínua, de gerência assalariada. Mesmo rótulo, duas populações. A seção 7 mede a diferença.

Esta página é sobre as oito decisões desse tipo. Nenhuma delas tem resposta certa. Todas têm consequência, e a consequência é sempre a mesma coisa: um grupo de gente que sai da conta sem avisar.

O molde

Cada decisão recebe o mesmo bloco de quatro partes, nesta ordem: a decisão, o que ela permite, quem ela exclui e como medir o tamanho no seu dado. A repetição é de propósito. Você aprende o formato uma vez e lê as sete restantes sem reaprender nada.

Onde há recomendação, ela vem com a condição: se a sua pergunta é X, use A; se é Y, use B; e o preço de A é este. Nenhuma escolha é apresentada como óbvia.

Todos os números desta página são calculados na hora em que ela é construída, a partir dos dados que vêm instalados com o pacote. Nenhum foi digitado.

1. A porta

A decisão. Por qual das quatro portas o código entra: o cadastro de ocupações do TSE, a CBO-2002 (da RAIS, do CAGED e do eSocial), a CBO-94 ou a COD (da PNAD Contínua e do Censo).

O que ela permite. É a única decisão que a sua fonte toma por você. Você não escolhe a porta: escolhe o dado, e a porta vem junto.

Quem ela exclui. Na porta do TSE, os códigos que não designam ocupação nenhuma. Na porta da CBO, as famílias sem ISCO majoritário.

Como medir o tamanho no seu dado. checa_cobertura(cod) na porta do TSE, e as irmãs checa_cobertura_cbo2002(), checa_cobertura_cbo94() e checa_cobertura_cod() nas outras três.

sem_isco <- sum(is.na(tse_isco$isco88))
empates  <- sum(cbo2002_familia_isco88$empate)
c(codigos_tse = nrow(tse_isco), sem_isco = sem_isco,
  ocupacoes_cbo = nrow(cbo2002_isco88), familias_com_empate = empates)
#>         codigos_tse            sem_isco       ocupacoes_cbo familias_com_empate 
#>                 275                  17                1387                  19

São 17 códigos do TSE sem ISCO, e a ausência está certa: 999 OUTROS, 581 DONA DE CASA, 296 SERVIDOR PÚBLICO ESTADUAL não nomeiam ocupação, e inventar um endereço para eles seria pior do que não ter nenhum. A seção 3 volta a esses códigos, porque é sobre eles que quase todas as decisões seguintes se decidem.

O ponto que quase ninguém percebe: a granularidade não é escolha sua, é do instrumento. O cadastro do TSE tem 275 códigos; a tábua da CBO-2002 cobre 1.387 ocupações. E não é só uma questão de quantidade — é de resolução. A coluna nivel de tse_isco diz em que profundidade da ISCO-88 cada código aterrissa:

n <- table(tse_isco$nivel, useNA = "no")
rbind(codigos = n, pct = round(100 * prop.table(n), 1))
#>             2    3    4
#> codigos 217.0 25.0 16.0
#> pct      84.1  9.7  6.2

Cerca de 84% dos códigos traduzidos param no grande grupo de dois dígitos. Quando você pede a ISCO-88 de uma candidatura, o que volta é, na maioria das vezes, um código arredondado — 2400 e não 2411. Isso não é defeito do pacote: é o que o formulário do TSE permite dizer. Mas tem uma consequência prática imediata, e ela é o assunto da seção 7: quando você compara com a PNAD Contínua, que classifica em quatro dígitos de verdade, os dois lados não têm a mesma resolução, e agregar até o ponto em que eles se encontram é uma decisão, não uma formalidade.

2. A revisão da ISCO

A decisão. ISCO-88 ou ISCO-08. São classificações diferentes, não a mesma renumerada, e os escores de uma não são comparáveis com os da outra.

O que ela permite. A ISCO-08 é o vocabulário da COD e do que se publica hoje; a ISCO-88 é onde mora o EGP, o prestígio de Treiman e a maior parte da literatura brasileira de estratificação.

Quem ela exclui. Ninguém — e é por isso que é pior. A revisão não tira gente da conta, desloca gente entre categorias, e o deslocamento não aparece em nenhuma taxa de cobertura.

Como medir o tamanho no seu dado. Traduzir pelas duas e cruzar: table(substr(tse_para_isco(cod, ano), 1, 1), substr(tse_para_isco08(cod, ano), 1, 1)). O que estiver fora da diagonal mudou de grande grupo por causa da revisão.

amb <- table(isco88_isco08$n_alternativas > 1)
round(100 * prop.table(amb), 1)
#> 
#> FALSE  TRUE 
#>  64.9  35.1

Cerca de 35% dos códigos da ISCO-88 têm mais de um destino possível na ISCO-08. A tábua escolhe um deles, e a escolha está declarada: n_alternativas é uma coluna do dado, e isco88_para_isco08(cod, com_ambiguidade = TRUE) devolve a marca junto com a tradução. A ambiguidade foi preservada, não resolvida no escuro.

Quem fica na ISCO-88 do começo ao fim pode ignorar isso. Quem atravessa, não — e o deslocamento tem um endereço preferido:

b <- isco88_isco08
b$g88 <- substr(b$isco88, 1, 1); b$g08 <- substr(b$isco08, 1, 1)
round(100 * mean(b$g88 != b$g08), 1)   # % que troca de grande grupo
#> [1] 7.5
table(ISCO88 = b$g88, ISCO08 = b$g08)[c("3", "8"), c("2", "3")]
#>       ISCO08
#> ISCO88  2  3
#>      3 11 79
#>      8  0  5

7,5% dos códigos trocam de grande grupo, e o maior fluxo isolado são os 11 que sobem do grupo 3, dos técnicos, para o grupo 2, dos profissionais de nível superior. Não é uma lista aleatória:

sob <- b[b$g88 == "3" & b$g08 == "2", ]
data.frame(isco88 = sob$isco88, isco08 = sob$isco08,
           isei88 = isco88_para_isei(sob$isco88),
           rotulo = isco88_medidas$rotulo[match(sob$isco88,
                                                isco88_medidas$isco88)])
#>    isco88 isco08 isei88                                                 rotulo
#> 1    3213   2132     50                            farming & forestry advisers
#> 2    3223   2265     51                             dieticians & nutritionists
#> 3    3226   2264     60           physiotherapists etc associate professionals
#> 4    3300   2359     38                       teaching associate professionals
#> 5    3310   2341     38     primary education teaching associate professionals
#> 6    3320   2342     38 pre-primary education teaching associate professionals
#> 7    3330   2352     38     special education teaching associate professionals
#> 8    3340   2359     38                 other teaching associate professionals
#> 9    3472   2656     64                   radio, television & other announcers
#> 10   3473   2652     50      street night-club etc musicians singers & dancers
#> 11   3474   2659     50  clowns magicians acrobats etc associate professionals

São, em boa parte, professores de ensino fundamental e pré-escolar. No Brasil isso é grande: a docência é onde se concentra o emprego público, e isco_posicao_br mede que 67,5% de quem está no grupo 23 é empregado do setor público. Se você contar “quantos profissionais de nível superior” pela ISCO-88 e comparar com uma contagem feita pela ISCO-08, o professor primário está de um lado e não do outro, e a diferença não aparece em nenhuma taxa de cobertura.

E há uma armadilha maior, que não é da revisão e sim do dígito. O primeiro dígito é lido como se fosse uma escala, e ele não é:

ex <- c(enfermeiro = "2230", escriturário = "4110",
        `técnico de enfermagem` = "3231")
data.frame(isco88 = unname(ex), grande_grupo = substr(ex, 1, 1),
           isei88 = isco88_para_isei(ex), row.names = names(ex))
#>                       isco88 grande_grupo isei88
#> enfermeiro              2230            2     43
#> escriturário            4110            4     51
#> técnico de enfermagem   3231            3     38

O enfermeiro está no grande grupo 2 e tem ISEI-88 43; o escriturário está no grupo 4, dois degraus abaixo na leitura ingênua do dígito, e tem 51. Duas réguas da mesma casa ordenam o mesmo par em sentidos opostos. Isso não é assimetria entre fontes — atinge os dois lados igualmente — mas é um defeito de validade do primeiro dígito, e a seção 7 mostra o que ele custa quando a agregação vira o eixo da comparação.

3. O ano

A decisão. Passar ano = para as funções de tradução, ou não passar.

O que ela permite. O cadastro de ocupações do TSE não é estável: sete códigos foram reaproveitados para ocupação diferente depois de 2002. Passar o ano é o que impede a série de misturar duas populações sob o mesmo número.

Quem ela exclui. Passando o ano, as candidaturas que usam um desses códigos no período errado voltam NA. É pouca gente, e é a resposta certa. Não passando, não exclui ninguém e traduz errado em silêncio.

Como medir o tamanho no seu dado. checa_periodo(cod, ano).

r <- tse_quebra_2002[tse_quebra_2002$tipo == "reutilizado",
                     c("cod_tse", "rotulo_ate_2000", "rotulo_apos_2002",
                       "pct_superior_ate_2000", "pct_superior_apos_2002")]
r[order(r$cod_tse), ]
#>    cod_tse                                               rotulo_ate_2000
#> 13     158                                            DESENHISTA TÉCNICO
#> 25     211                                     PROCURADOR E ASSEMELHADOS
#> 5      214                                           DELEGADO DE POLICIA
#> 7      215        OCUPANTE DE CARGO DE DIRECAO E ASSESSORAMENTO SUPERIOR
#> 8      216               OFICIAIS DAS FORCAS ARMADAS E FORCAS AUXILIARES
#> 6      391                                           CHEFE INTERMEDIARIO
#> 9      521 GOVERNANTA DE HOTEL, CAMAREIRO, PORTEIRO, COZINHEIRO E GARCOM
#>                         rotulo_apos_2002 pct_superior_ate_2000
#> 13                TÉCNICO EM INFORMÁTICA                   6.1
#> 25  ESTIVADOR, CARREGADOR E ASSEMELHADOS                  90.5
#> 5                      ESCULTOR E PINTOR                  87.5
#> 7        ARTISTA PLÁSTICO E ASSEMELHADOS                  15.4
#> 8  EMBALADOR, EMPACOTADOR E ASSEMELHADOS                  67.2
#> 6               TAQUÍGRAFO E ESTENÓGRAFO                  10.7
#> 9                             GOVERNANTA                   0.5
#>    pct_superior_apos_2002
#> 13                   18.1
#> 25                    6.3
#> 5                     2.3
#> 7                    21.0
#> 8                     2.1
#> 6                    36.4
#> 9                     2.8

O código 214 era DELEGADO DE POLICIA até 2000 e passou a ser ESCULTOR E PINTOR. O 215 era ocupante de cargo de direção e virou artista plástico. Não são refinamentos do rótulo: são ocupações sem relação nenhuma, e a coluna de escolaridade mostra o tamanho do estrago — o 214 vai de 87,5% de ensino superior para 2,3%.

Veja o que o pacote responde com e sem o ano:

# a mesma candidatura de 2000, lida das duas maneiras
data.frame(
  passou_o_ano = c("não", "sim"),
  isco88 = c(suppressWarnings(tse_para_isco("214")),
             suppressWarnings(tse_para_isco("214", ano = 2000))),
  isei   = c(suppressWarnings(tse_para_isei("214")),
             suppressWarnings(tse_para_isei("214", ano = 2000))),
  rotulo = c(suppressWarnings(tse_para_rotulo("214", ano = 2006)),
             suppressWarnings(tse_para_rotulo("214", ano = 2000))))
#>   passou_o_ano isco88 isei              rotulo
#> 1          não   2452   54   ESCULTOR E PINTOR
#> 2          sim   <NA>   NA DELEGADO DE POLICIA

Sem o ano, o dicionário devolve a leitura vigente — a do escultor — e a aplica a um registro de 2000, quando o código queria dizer delegado de polícia. A função não avisa, porque não tem como saber. Com o ano, ela devolve NA, que é a resposta honesta: o pacote não tem escore para o delegado sob esse código naquele período, e dizer isso é melhor do que dizer o número errado.

Esta é a única decisão desta página em que uma das opções não tem defesa. As outras sete são escolhas legítimas com preços diferentes. Esta é passar o ano ou estar errado. Se a sua análise cobre 2002 ou algum ano anterior, passe o ano. Se cobre só 2004 em diante, passe o ano assim mesmo — custa um argumento e protege de uma extensão futura da janela.

4. A régua

A decisão. Uma medida contínua de status (ISEI, ISEI-BR, prestígio) ou um esquema categórico de classes (EGP, a classe de dez, o estrato).

O que ela permite. A contínua responde “quanto”; a categórica responde “qual”. Uma diferença de médias e uma tabela de composição não respondem à mesma pergunta e não se substituem.

Quem ela exclui. A contínua exclui os 17 rótulos que não são ocupação: eles voltam NA e somem da conta. A categórica não exclui ninguém, mas transforma metade deles em categoria residual — e categoria residual não é estrato. Vínculo público não especificado e Fora da PEA por posição não se somam às classes populares nem às altas, porque não são classes.

Como medir o tamanho no seu dado. table(tse_para_classe(cod, ano), is.na(tse_para_isei(cod, ano))).

res <- c("Vínculo público não especificado", "Fora da PEA por posição",
         "Inativo com trajetória", "Não informado")
data.frame(classe = res,
           codigos = sapply(res, function(k) sum(tse_isco$classe == k)),
           com_isei = sapply(res, function(k)
             sum(!is.na(suppressWarnings(
               tse_para_isei(tse_isco$cod_tse[tse_isco$classe == k]))))),
           row.names = NULL)
#>                             classe codigos com_isei
#> 1 Vínculo público não especificado       4        0
#> 2          Fora da PEA por posição       2        0
#> 3           Inativo com trajetória       6        0
#> 4                    Não informado       4        0

Nenhuma das quatro classes residuais tem escore, e não deveria ter. A escolha entre as réguas é assunto de vignette("qual-regua"), que não se repete aqui. O que interessa nesta página é a consequência para a comparação: as classes residuais existem só de um lado. A PNAD Contínua não tem “vínculo público não especificado” nem “dona de casa” como categorias de classe, porque ela pergunta a ocupação e a posição em separado. Comparar uma classificação que tem categorias residuais com uma que não tem é a armadilha da seção 5.

5. O universo

A decisão. Sobre que denominador a proporção é calculada: a base cheia, a base classificável, os ocupados, ou a população em idade elegível.

O que ela permite. Tudo. Nenhuma proporção significa nada sem ele.

Quem ela exclui. Depende do denominador — e é exatamente esse o ponto.

Como medir o tamanho no seu dado. tse_universo do lado das candidaturas, cod_populacao_br do lado da população. As duas tabelas fecham em 100% dentro de cada recorte, de propósito: o universo está declarado no próprio objeto.

Esta é a decisão que mais move o resultado, e é a que menos gente percebe estar tomando. Veja por quê:

u <- tse_universo[tse_universo$ano == 2024 & tse_universo$sexo == "Todos", ]
cob_tse <- u$pct[u$rubrica == "Com escore"]

p <- cod_populacao_br[cod_populacao_br$piso == 18 &
                        cod_populacao_br$sexo == "Todos", ]
p$isei <- suppressWarnings(isco88_para_isei(p$isco88))
cob_pop <- sum(p$pct[!is.na(p$isei)])

c(cobertura_do_ISEI_nas_candidaturas_2024 = cob_tse,
  cobertura_do_ISEI_na_populacao_18mais   = round(cob_pop, 1))
#> cobertura_do_ISEI_nas_candidaturas_2024   cobertura_do_ISEI_na_populacao_18mais 
#>                                   62.04                                   61.80

As duas fontes perdem quase a mesma fração de gente — e por motivos que não têm nada em comum. A população perde porque 38,0% dos adultos não estão ocupados e não têm ocupação para traduzir. O Tribunal perde porque um em cada cinco candidatos marca uma rubrica que não nomeia ocupação:

u[order(-u$pct), c("rubrica", "n", "pct")]
#>                       rubrica      n   pct
#> 288                Com escore 287624 62.04
#> 293              Outros (999) 101443 21.88
#> 294           Vínculo público  37329  8.05
#> 290    Inativo com trajetória  20003  4.31
#> 289 Fora da força de trabalho  17088  3.69
#> 292       Ocupação sem escore     96  0.02
#> 291             Não informada      0  0.00

A coincidência dos dois números é acidente aritmético, e é útil justamente por isso: ela mostra que uma taxa de cobertura parecida não é sinal de que os dois lados são comparáveis. Aqui os dois lados perdem 38% da gente, e as duas perdas são de pessoas completamente diferentes.

E o denominador da população não é um só. Depende do piso etário, que a Constituição fixa em quatro valores diferentes conforme o cargo:

q <- cod_populacao_br[cod_populacao_br$situacao == "Não ocupado", ]
xtabs(pct ~ piso + sexo, q)
#>     sexo
#> piso  Homem Mulher  Todos
#>   18 27.020 48.143 38.008
#>   21 25.964 47.689 37.304
#>   30 27.779 49.878 39.439
#>   35 30.296 52.291 41.973

Quem compara candidatos ao Senado — piso de 35 anos — com “a população” sem escolher o piso erra o denominador em quatro pontos. E a diferença entre os sexos, dentro de qualquer piso, passa de vinte.

A recomendação, com a condição. Se a sua pergunta é sobre recrutamento — quem entra na disputa —, o denominador é a população em idade elegível para o cargo, e a fração não ocupada é parte do resultado, não um problema a descartar. Se a sua pergunta é sobre composição ocupacional — entre os que têm ocupação, quais —, o denominador é a base classificável dos dois lados, e aí você precisa declarar a cobertura de cada um, porque elas diferem por sexo. Trocar o denominador no meio do texto, sem dizer, troca o resultado sem avisar.

6. O resíduo

A decisão. O que fazer com quem não tem escore: descartar, nomear como categoria, ou recuperar do passado da própria pessoa.

O que ela permite. Descartar dá uma medida limpa sobre uma base menor. Nomear preserva o universo. Recuperar aumenta a cobertura sem inventar dado.

Quem ela exclui. Descartar apaga desproporcionalmente mulheres, pela linha do fora da força de trabalho. Nomear não apaga ninguém, mas custa uma categoria que não existe do outro lado. isei_retrospectivo() recupera parte e a documentação diz quanto — não resolve, reduz.

Como medir o tamanho no seu dado. tse_universo, recortado por sexo.

d <- tse_universo[tse_universo$ano >= 2004 & tse_universo$sexo != "Todos", ]
tot <- tapply(d$n, d$sexo, sum)
by_r <- tapply(d$n, list(d$rubrica, d$sexo), sum)
round(100 * sweep(by_r, 2, tot, "/"), 1)
#>                           Homem Mulher
#> Com escore                 69.2   53.3
#> Fora da força de trabalho   1.2   14.6
#> Inativo com trajetória      3.9    3.7
#> Não informada               0.5    0.4
#> Ocupação sem escore         0.1    0.0
#> Outros (999)               16.4   18.7
#> Vínculo público             8.6    9.3

De 2004 em diante, Fora da força de trabalho é 1,2% das candidaturas de homens e 14,6% das de mulheres. A diferença de cobertura entre os sexos está quase toda nessa linha, e ela tem nome: são as donas de casa, o código 581. Descartar o resíduo não é uma operação neutra sobre ruído — é apagar um grupo específico, majoritariamente feminino, cuja posição declarada é informação e não omissão.

Os três preços, sem recomendação:

o que fazer	o que custa
descartar	a base encolhe de forma generificada; toda proporção passa a ser condicional a ter declarado ocupação, e isso precisa ir na legenda da figura
nomear	preserva o universo, mas cria categorias que não existem do outro lado da comparação; a figura ganha barras que não têm par
recuperar	isei_retrospectivo() herda o escore do registro anterior da própria pessoa, com marca de herança e defasagem; a cobertura sobe, a defasagem mediana é de quatro anos, e quem nunca se candidatou antes continua sem escore

7. A agregação

A decisão. Em que resolução comparar: o primeiro dígito da ISCO, dois dígitos, ou um esquema publicado.

O que ela permite. Comparar de todo. As duas fontes não se encontram no código de quatro dígitos, porque a do TSE não tem quatro dígitos de verdade (seção 1).

Quem ela exclui. Ninguém — e é a armadilha. A agregação não apaga gente, funde gente diferente sob o mesmo rótulo, e o resultado parece perfeitamente comparável.

Como medir o tamanho no seu dado. Compare o ISEI dentro de cada categoria agregada, nos dois lados. Se as médias divergirem, o rótulo casou e a população não.

Esta é a decisão que originou esta página. Aqui está o diagnóstico, feito com os dois agregados do pacote — tse_validacao do lado das candidaturas, cod_populacao_br do lado da população:

v <- tse_validacao
v$isco <- suppressWarnings(tse_para_isco(v$cod_tse))
v$isei <- suppressWarnings(tse_para_isei(v$cod_tse))
v <- v[!is.na(v$isei), ]; v$g <- substr(v$isco, 1, 1)

o <- cod_populacao_br[cod_populacao_br$piso == 18 &
                        cod_populacao_br$sexo == "Todos" &
                        cod_populacao_br$situacao == "Ocupado", ]
o$isei <- suppressWarnings(isco88_para_isei(o$isco88))
o <- o[!is.na(o$isei), ]; o$g <- substr(o$isco88, 1, 1)

wm <- function(x, w) sum(x * w) / sum(w)
g  <- sort(unique(c(v$g, o$g)))
cmp <- data.frame(
  grupo    = g,
  isei_tse = sapply(g, function(k) wm(v$isei[v$g == k], v$n[v$g == k])),
  isei_pop = sapply(g, function(k) wm(o$isei[o$g == k], o$pop[o$g == k])),
  top_tse  = sapply(g, function(k)
               100 * sum(v$n[v$g == k & v$isei >= 70]) / sum(v$n[v$g == k])),
  top_pop  = sapply(g, function(k)
               100 * sum(o$pop[o$g == k & o$isei >= 70]) / sum(o$pop[o$g == k])))
cmp$dif <- cmp$isei_tse - cmp$isei_pop
round(cmp[, -1], 1)
#>   isei_tse isei_pop top_tse top_pop  dif
#> 1     59.6     56.9    25.4     6.9  2.8
#> 2     71.0     68.9    28.7    39.2  2.1
#> 3     52.2     50.7     0.0     0.0  1.5
#> 4     45.3     46.3     0.0     0.0 -1.0
#> 5     42.3     35.2     0.0     0.0  7.1
#> 6     23.0     23.3     0.0     0.0 -0.3
#> 7     32.6     32.0     0.0     0.0  0.6
#> 8     31.8     30.5     0.0     0.0  1.3
#> 9     17.6     20.2     0.0     0.0 -2.6

Olhe primeiro a coluna dif, e depois as duas colunas do topo da escala. Elas contam histórias diferentes, e é aí que está a lição.

Pela média, quase tudo casa: 5 dos 9 grandes grupos ficam a menos de dois pontos de ISEI um do outro, e o grupo 1, dos dirigentes, fica a 2,8. Se você parasse aqui, concluiria que o primeiro dígito agrega as mesmas pessoas dos dois lados.

Pela forma, o grupo 1 não é a mesma coisa nem de longe: 25,4% das candidaturas dele estão no topo da escala (ISEI 70 ou mais) contra 6,9% da população. O dígito 1 do formulário do TSE é povoado por autorrótulo de empresário e proprietário — a pessoa escreve o que ela é, não o cargo que ocupa. O da PNAD Contínua é povoado por gerência assalariada de estabelecimento pequeno. Mesmo rótulo, duas populações, e a média não denuncia porque as duas misturas por acaso têm centros parecidos.

O grupo 2 mostra o mesmo mecanismo com o sinal invertido, e vale reparar: 39,2% da população desse grupo está no topo contra 28,7% das candidaturas. A “elite profissional” do formulário do TSE é mais baixa que a da população, não mais alta.

O grupo 5, de serviços e comércio, é o que mais diverge na média — 7,1 pontos — e a razão é o policiamento, que a seção 8 explica.

O ponto didático, e ele generaliza. Quando você agrega para comparar, compare as distribuições dentro de cada categoria, e não só as médias. Uma média que casa é evidência fraca; uma cauda que não casa é evidência forte de que o rótulo casou e a população não. Se a sua categoria agregada tem composições internas diferentes nas duas fontes, ela é um nome, não um objeto — e qualquer diferença que você mostrar entre as fontes nessa categoria é, em parte, do instrumento.

8. A ponte entre duas fontes

A decisão. Ler o código da COD direto, ou passar por cod_para_isco().

O que ela permite. Passar pelo pacote alinha os dois lados num ponto em que eles genuinamente se encontram.

Quem ela exclui. Ninguém — mas ler a COD direto move o policial militar de grande grupo em um dos lados e não no outro.

Como medir o tamanho no seu dado. table(substr(V4010, 1, 1), substr(cod_para_isco(V4010), 1, 1)) sobre o seu microdado da PNAD Contínua.

O que o pacote faz por você sem você pedir. A COD do IBGE aloca oficiais e praças da polícia militar e do corpo de bombeiros militar ao grande grupo 0, o das forças armadas. A ISCO-08 não faz isso: para ela, policiamento é serviço protetivo, grupo 5. É uma adaptação brasileira legítima da classificação, e cod_para_isco() a desfaz:

cod <- c(`forças armadas` = "0110", `polícia militar` = "0411",
         `bombeiro militar` = "0511")
data.frame(cod = unname(cod),
           isco08 = cod_para_isco08(cod),
           isco88 = cod_para_isco(cod),
           row.names = names(cod))
#>                   cod isco08 isco88
#> forças armadas   0110   0110   0110
#> polícia militar  0411   5412   5162
#> bombeiro militar 0511   5411   5161

E é para lá que os códigos do TSE aterrissam:

tse <- c("145", "232", "233", "258")
data.frame(cod_tse = tse,
           rotulo = tse_para_rotulo(tse, ano = rep(2024, length(tse))),
           isco88 = tse_para_isco(tse, ano = rep(2024, length(tse))))
#>   cod_tse           rotulo isco88
#> 1     145   BOMBEIRO CIVIL   5162
#> 2     232   POLICIAL CIVIL   5162
#> 3     233 POLICIAL MILITAR   5162
#> 4     258 BOMBEIRO MILITAR   5162

Os dois lados aterrissam no mesmo grande grupo — desde que você passe pelo pacote. Quem ler o primeiro dígito da COD em vez de traduzir põe o policial militar da população no grupo 0 e o candidato policial militar no grupo 5, e a figura mostra uma diferença que é do instrumento, não do país.

No código de quatro dígitos os dois lados ainda diferem, e convém saber: a COD separa bombeiro (5161) de policial (5162), e o cadastro do TSE manda os quatro rótulos para 5162. Se a sua comparação desce a quatro dígitos, agregue 5161 e 5162 dos dois lados antes de comparar.

O que o pacote não faz. A posição na ocupação, que não é atributo do código. E, quando você a traz da PNAD Contínua, ela discorda do código sobre quem é militar:

i <- isco_posicao_br
i[i$isco88 %in% c("0110", "5161", "5162"),
  c("isco88", "n_pessoas", "pct_militar", "pct_setor_publico")]
#>     isco88 n_pessoas pct_militar pct_setor_publico
#> 1     0110      1420       100.0               0.0
#> 173   5161       570        61.9               5.4
#> 174   5162      2483        71.6              28.4

O dicionário do IBGE define a posição militar como “militar do exército, da marinha, da aeronáutica, da polícia militar ou do corpo de bombeiros militar”. Por isso 71,6% de quem está no endereço 5162 — polícia — declara posição militar. Duas perguntas do mesmo questionário, duas respostas, e nenhuma das duas é o erro da outra. Escolha qual delas responde à sua pergunta, e diga qual escolheu.

9. O que o pacote não faz

Sem eufemismo, com a razão de cada uma e o que fazer no lugar.

Não tem esquema de classes para a COD. tse_para_classe() existe e cod_para_classe() não. O motivo não é preguiça: metade das categorias do esquema de dez classes são rubricas do formulário do TSE — Vínculo público não especificado, Fora da PEA por posição, Inativo com trajetória — e não posições da ISCO. Elas não têm equivalente na PNAD Contínua, porque lá vínculo e ocupação são perguntas separadas. Consequência direta: o esquema de dez classes não atravessa para a população, e quem precisa comparar composição de classe entre as duas fontes não tem régua pronta. O que fazer: comparar pelo ISEI, que é literalmente o mesmo construto dos dois lados, ou construir a sua própria régua declarando as categorias que só existem de um lado.

Não sabe a posição na ocupação a partir do código. Daí o EGP sair degradado (?tse_para_egp), e daí isco_posicao_br ser um prior de população e nunca uma imputação individual. O que fazer: usá-la para análise de sensibilidade — rodar com e sem a posição provável e ver se a conclusão se move.

Não fecha o EGP nem com a PNAD Contínua, porque falta a supervisão sobre assalariados, que é o que define a classe V. Nenhuma das quatro portas a tem.

Não sabe quem é servidor público entre as candidaturas, além de quem escolheu o rótulo. E a diferença entre as duas coisas é grande:

# `tse_validacao` cobre a serie inteira, entao o rotulo tambem tem de cobrir:
# comparar 2024 com 1998-2026 seria comparar duas bases diferentes
us <- tse_universo[tse_universo$sexo == "Todos", ]
rotulo <- 100 * sum(us$n[us$rubrica == "Vínculo público"]) / sum(us$n)

# aplicando a taxa de setor publico por endereco da ISCO as candidaturas que
# DECLARAM ocupacao — o que a PNAD Continua mede e o TSE nao pergunta
v2 <- tse_validacao
v2$isco <- suppressWarnings(tse_para_isco(v2$cod_tse))
v2 <- v2[!is.na(v2$isco), ]
v2$taxa <- isco_posicao_br$pct_setor_publico[match(v2$isco, isco_posicao_br$isco88)]
v2$taxa[is.na(v2$taxa)] <-
  isco_posicao_br$pct_setor_publico_grupo[
    match(substr(v2$isco[is.na(v2$taxa)], 1, 2), isco_posicao_br$grupo)]
estimado <- sum(v2$n * v2$taxa, na.rm = TRUE) / sum(v2$n[!is.na(v2$taxa)])

c(escolheram_o_rotulo = round(rotulo, 1),
  estimado_entre_quem_declara = round(estimado, 1))
#>         escolheram_o_rotulo estimado_entre_quem_declara 
#>                         8.7                        20.4

Os dois números medem coisas diferentes e a distância entre eles é o tamanho do que não se sabe. A conta da direita é uma estimativa, não uma imputação: ela aplica ao candidato a taxa média da ocupação dele na população, e candidatos não são uma amostra da população da sua ocupação. Use-a como ordem de grandeza e não como variável.

Não deflaciona, não pondera e não faz desenho amostral. A PNAD Contínua exige peso; o pacote devolve vetor. cod_populacao_br já vem ponderada, mas dá o ponto e não a incerteza — se você precisa de erro-padrão, o caminho é o microdado com o pacote survey.

10. A folha de decisão

As oito, numa página. Nada aqui que não esteja desenvolvido acima.

#	a decisão	as opções	quem isso exclui
1	a porta	TSE, CBO-2002, CBO-94, COD	os 17 códigos do TSE sem ocupação; as 19 famílias da CBO sem ISCO majoritário
2	a revisão	ISCO-88, ISCO-08	ninguém — desloca em vez de excluir, e não aparece na cobertura
3	o ano	passar ano =, não passar	passando, as candidaturas dos 7 códigos reutilizados fora de vigência; não passando, ninguém, e a tradução fica errada
4	a régua	contínua, categórica	a contínua, os 17 rótulos sem ocupação; a categórica, ninguém — mas cria residuais que não são estratos
5	o universo	base cheia, classificável, ocupados, idade elegível	quem não tem escore de cada lado: 38,0% das candidaturas de 2024, 38,2% da população de 18 anos ou mais
6	o resíduo	descartar, nomear, recuperar	descartar apaga 14,6% das candidatas contra 1,2% dos candidatos
7	a agregação	1 dígito, 2 dígitos, esquema publicado	ninguém — funde populações diferentes sob o mesmo rótulo; no grupo 1, 25,4% no topo da escala contra 6,9%
8	a ponte	cod_para_isco(), ler a COD direto	ninguém — mas lendo direto, o policial militar troca de grande grupo em um dos lados só

O exemplo trabalhado

Uma comparação completa, de ponta a ponta, com o universo declarado, o resíduo nomeado e a agregação justificada. Tudo abaixo roda com library(ocupacoesBR) e nada mais.

A pergunta. Entre quem tem ocupação declarada, as candidaturas brasileiras e a população em idade elegível se distribuem igual pelos grandes grupos da ISCO-88?

As decisões, declaradas. Porta: TSE de um lado, COD do outro (1). Revisão: ISCO-88, porque é onde mora o ISEI (2). Ano: passado, e é o que tse_validacao já faz ao agregar (3). Régua: o grande grupo para a composição, o ISEI para auditar a agregação (4 e 7). Universo: a base classificável dos dois lados, com a cobertura reportada junto (5). Resíduo: descartado, e o preço na Figura 2 (6). Ponte: pelo pacote (8).

E uma nona decisão, que esta página não trata e você vai ter de tomar: a janela de tempo. tse_validacao agrega as candidaturas de 1998 a 2026; cod_populacao_br é a PNAD Contínua de 2025. Os dois lados não cobrem o mesmo período, e isso é uma limitação real deste exemplo, não um detalhe. Está declarada aqui porque é o que o resto da página pede que se faça: nomear a decisão em vez de deixá-la implícita. Quem precisar de correspondência temporal estrita tem de descer ao microdado dos dois lados.

comp <- data.frame(
  grupo = cmp$grupo,
  tse   = sapply(cmp$grupo, function(k) 100 * sum(v$n[v$g == k]) / sum(v$n)),
  pop   = sapply(cmp$grupo, function(k) 100 * sum(o$pop[o$g == k]) / sum(o$pop)))
comp$razao <- comp$tse / comp$pop
rot <- c("0 forças armadas", "1 dirigentes", "2 nível superior",
         "3 técnicos", "4 apoio adm.", "5 serviços e comércio",
         "6 agropecuária", "7 artesãos", "8 operadores", "9 elementares")
comp$rotulo <- rot[match(comp$grupo, as.character(0:9))]
round(comp[, c("tse", "pop", "razao")], 1)
#>    tse  pop razao
#> 1 29.0  7.6   3.8
#> 2 22.0 13.0   1.7
#> 3  8.5  9.3   0.9
#> 4  3.6  9.3   0.4
#> 5  7.6 15.5   0.5
#> 6 14.3  4.8   3.0
#> 7  5.3 13.0   0.4
#> 8  6.8  9.6   0.7
#> 9  3.0 18.0   0.2

op <- par(mar = c(4, 11, 1, 2))
m <- t(as.matrix(comp[, c("pop", "tse")]))
colnames(m) <- comp$rotulo
barplot(m, beside = TRUE, horiz = TRUE, las = 1, border = NA,
        col = c(CINZA, VERDE), xlab = "% da base classificável",
        cex.names = 0.85, xlim = c(0, max(m) * 1.15))
# no canto de cima: a barra mais longa e a do grupo 1, que fica embaixo
legend("topright", c("população 18+ (2025)", "candidaturas (1998-2026)"),
       fill = c(CINZA, VERDE), border = NA, bty = "n", cex = 0.9)

Composição ocupacional das candidaturas de 1998 a 2026 e da população de 18 anos ou mais em 2025, pelos grandes grupos da ISCO-88. Base classificável dos dois lados: as candidaturas sem ocupação declarada e a população não ocupada estão fora, e a Figura 2 mede o tamanho do que ficou de fora.

par(op)

O grupo 1 é 3,8 vezes mais frequente entre candidaturas do que na população, e o grupo 9, das ocupações elementares, é 6,1 vezes menos. Mas a seção 7 já avisou: o grupo 1 não é a mesma população dos dois lados, e a razão de 3,8 mistura uma diferença real de recrutamento com uma diferença de instrumento.

O grupo 9 não está livre do problema — o ISEI médio dos dois lados difere em 2,6 pontos —, mas ali as caudas casam (nenhum dos dois lados tem gente no topo da escala) e a fusão é mais branda. A leitura defensável desta figura é a direção e a ordem de grandeza, não a razão exata, e ela é mais segura na base da escala do que no topo. É por isso que a Figura 1 não pode ser lida sozinha.

uh <- tse_universo[tse_universo$sexo != "Todos", ]
tot <- tapply(uh$n, uh$sexo, sum)
cs  <- uh[uh$rubrica == "Com escore", ]
fora_tse <- 100 - 100 * tapply(cs$n, cs$sexo, sum) / tot

ph <- cod_populacao_br[cod_populacao_br$piso == 18, ]
ph$isei <- suppressWarnings(isco88_para_isei(ph$isco88))
fora_pop <- sapply(c("Homem", "Mulher"), function(k)
  100 - sum(ph$pct[ph$sexo == k & !is.na(ph$isei)]))

op <- par(mar = c(4, 4, 1, 2))
b <- rbind(`candidaturas 1998-2026` = fora_tse[c("Homem", "Mulher")],
           `população 18+ (2025)`   = fora_pop)
x <- barplot(b, beside = TRUE, border = NA, col = c(VERDE, CINZA),
             ylab = "% sem escore", ylim = c(0, 60))
text(x, b, pc(b), pos = 3, cex = 0.85, xpd = NA)
legend("topleft", rownames(b), fill = c(VERDE, CINZA), border = NA,
       bty = "n", cex = 0.9)

O que ficou de fora da Figura 1, de cada lado e por sexo. As duas fontes perdem frações parecidas de gente por razões sem nada em comum, e as duas perdem mais mulheres que homens — também por razões diferentes.

par(op)

A Figura 2 é o que a Figura 1 esconde, e ela tem de andar junto. Do lado do Tribunal, a fração sem escore é maior entre as candidatas pela linha do fora da força de trabalho (seção 6): é declaração de posição, e some quando se descarta o resíduo. Do lado da população, a fração sem escore também é maior entre as mulheres, mas por outra razão inteiramente — a taxa de ocupação feminina. As duas assimetrias têm o mesmo sinal e causas diferentes, e uma análise que descarte o resíduo dos dois lados sem dizer isso apresenta como achado sobre recrutamento o que é, em parte, a soma de dois instrumentos.

A conclusão honesta deste exemplo é modesta, e é a que a medida sustenta: as candidaturas são muito mais concentradas nos grandes grupos altos da ISCO-88 do que a população em idade elegível, e o afastamento é mais seguro de afirmar na base da escala do que no topo; o tamanho da concentração no grupo 1 não é medível pelo primeiro dígito, porque ali o rótulo não casa população; e as duas bases classificáveis, ainda que de tamanho parecido, excluem gente diferente e de forma generificada nos dois lados.

Se você quer mais do que isso, a saída não é uma régua melhor. É declarar as oito decisões, dizer qual janela de tempo usou, e mostrar a Figura 2 ao lado da Figura 1.

---

As tabelas usadas aqui — tse_universo, cod_populacao_br, isco_posicao_br, tse_validacao — são dados do pacote, geradas por script a partir dos microdados do TSE e da PNAD Contínua, que não viajam com o pacote. Os scripts estão em data-raw/.