Projecto Final Nélio Chiau 5

FACULDADE DE CIÊNCIAS
Departamento de Matemática e Informática
Trabalho de Licenciatura em
Estatı́stica
Análise dos Factores Associados à

Insegurança Alimentar
e Nutricional Aguda na Provı́ncia
de Gaza.
Autor: Nélio Hebeu Rogério Chiau
Maputo, Março de 2020

FACULDADE DE CIÊNCIAS
Departamento de Matemática e Informática
Trabalho de Licenciatura em
Estatı́stica
Análise dos Factores Associados à

Insegurança Alimentar
e Nutricional Aguda na Provı́ncia
de Gaza.
Autor: Nélio Hebeu Rogério Chiau
Supervisor: Jonas Nassabe, Msc
Maputo, Março de 2020

Declaração de Honra
Declaro por minha honra que o presente Trabalho de Licenciatura é resultado da minha
investigação e que o processo foi concebido para ser submetido apenas para a obtenção do
grau de Licenciado em Estatı́stica, na faculdade de Ciências da Universidade Eduardo
Mondlane.
Maputo, Março de 2020.
—————————————————————–
(Nélio Hebeu Rogério Chiau)
i
Dedicatória
Aos meus pais, Rogério Chiau e Idalina Correia,

Aos meus irmãos, Lucas Chiau, Rogério Júnior e Ernesto Chiau.
ii
Agradecimentos
A Deus, por ter-me concedido o dom da vida e pela graça concedida durante toda a
caminhada académica até os dias de hoje, e por me conceder a graça de lutar e vencer nesta
longa caminhada.
Aos meus pais, Rogério e Idalina que incansavelmente investiram em mim como estu-
dante e pessoa, e sempre foram os meus pilares quando sempre precisei, aos meus irmãos,
Lucas, Júnior, Neto, Vanesa e Armando Jr. que sempre foram as minhas fontes de inspiração
e motivação e não me permitiram desistir desta caminhada.
Ao meu supervisor, Dr. Jonas Nassabe pelas aulas diárias de Estatı́stica e da vida e
pela sua entrega no auxı́lio para concretização do trabalho.
Ao Técnico de Segurança Alimentar e nutricional, Dino Boene, pelo auxı́lio, mesmo

com o seu escasso tempo, pelos ensinamentos sobre segurança alimentar e nutricional e pela
vontade de ajudar.
Ao Dr. Alberto Mulenga, pela sua dedicação, pelas orientações e crı́ticas que foram
cruciais para o desenvolvimento deste trabalho.
Ao corpo docente do Departamento de Matemática e Informática, em especial

aos docentes do curso de Estatı́stica, pela dedicação, profissionalismo e pelos diversos
ensinamentos transmitidos dia após dia.
Aos meus colegas e amigos Santos Daniel, dr. Hailé Rajá, Lisdália Cossa, Tereza,
Emerson Tila, Neusa Tembe e Carla Miambo pelo companheirismo e atenção quando
sempre precisei e a minha companheira Michella que nunca deixou que eu ficasse desmoti-
vado nos meus fracassos e celebrou comigo as minhas vitórias. Ao meu colega e amigo, dr.
Evan Massango, pela incansável partilha de conhecimentos que tornaram possı́vel a con-
cretização do trabalho, e o meu amigo Ezequiel Langa, pelo grande auxı́lio para correcção
deste trabalho.
A todos aqueles que ajudaram de modo a que essa caminhada fosse efectuada com su-
cesso.
O MEU KHANIMAMBO!
iii
“É a alimentação que faz pequenos ou grandes, imbecis ou inteligentes
Frágeis ou fortes, apáticos ou intervenientes, insociáveis ou
capazes de saudável convivência, mata-nos cedo
ainda em embrião no ventre materno,
ou tarde no acaso de uma vida plena.”
- Em ”Alimentação e Saúde”, Dr. Emı́lio Peres.
iv
Resumo
Considera-se em situação de Insegurança Alimentar e Nutricional, quando as pessoas não
têm acesso fı́sico, social e económico à alimentos suficientes, seguros e nutritivos para satis-
fazer suas necessidades alimentares para uma vida activa e saudável. A provı́ncia de Gaza
vem se destacando como umas das provı́ncias de Moçambique com uma parte significativa
da população exposta à InSAN aguda em fase de crise. O facto desta provı́ncia apresentar
uma parte significativa da população exposta à InSAN aguda em fase de crise pode ter como
causa o conhecimento superficial da informação dos factores associados a este fenómeno. O
presente estudo objectivou analisar os factores associados à InSAN aguda da Provı́ncia de
Gaza, com dados sócio-económicos de 2881 AFs desta provı́ncia, com a aplicação dos Mode-
los de regressão logı́stica ordinal. Ademais, verificou-se que a maior parte da amostra vivia
exposta à insegurança alimentar e nutricional numa percentagem de 57.79%. Na aplicação
dos modelos de regressão logistica ordinal, estimou-se 3 modelos, Modelo Ordinal Genera-
lizado, Modelo de Chances Proporcionais e Modelo de Chances Proporcionais Parciais, em
que se verificou que o melhor modelo é o Modelo de Chances Proporcionais Parciais. Através
do qual se considerou que o sexo do chefe do AF, a prática de agricultura no AF, o ı́ndice
de consumo alimentar, a qualidade da dieta do AF, a situação fora de controle que o AF
enfrentou, o uso de estratégias de sobrevivência no AF, a duração das reservas de cereais
do AF, a fonte de renda do AF, o número de membros do AF, o nı́vel académico do chefe
do AF, a desnutrição de pelo menos uma criança ou mulher do AF e o acesso aos serviços
de saúde são os factores associados à exposição de Insegurança Alimentar e Nutricional da
provı́ncia de Gaza.
Palavras-chave: Insegurança Alimentar e Nutriconal, InSAN, Provı́ncia de Gaza, Re-

gressão Logı́stica Ordinal, Modelos de chances Proporcionais parciais.
v
Abstract
Food and Nutritional Insecurity is when people lack physical, social and economic access
to sufficient, safe and nutritious food to satisfy their needs for an active and healthy life.
The province of Gaza has been standing out as one of the provinces of Mozambique with
a significant part of the population exposed to an acute Food and Nutrition Insecurity in
a crisis phase. The fact that this province has a significant part of the population exposed
to an acute Food and Nutritional Insecurity in a crisis phase may be related to the shal-
low knowledge of information about the causes of this phenomenon. This study aimed to
analyze the causes of the acute Food and Nutritional Insecurity in the Province of Gaza,
based on socio-economic data from 2881 households in the province, by applying Ordinal
Logistic Regression Models. It was found that the majority of the population of this pro-
vince is exposed to Food and nutritional insecurity (57.79 %). In the application of the
Ordinal Logistic Regression Models, 3 models were considered, Generalized Ordinal Model,
Proportional Chances Model and Partial Proportional Chances, where it was found that
the best model is the Partial Proportional Chances Model. Through the Model of Partial
Proportional Chances it was found that the gender of the head of the household, the practice
of agriculture in the household, the rate of food consumption, the quality of the household’s
diet, the out of control situation that the household has faced, the use of household survival
strategies, the duration of the household’s cereal reserves, the household’s source of income,
the number of household members, the academic level of the household head, the malnutri-
tion of at least one child or woman in the household and access to health services are the
causes of exposure to food and nutrition insecurity in the province of Gaza.
Keywords: Food and Nutricional inserurity, Province of Gaza, Ordinal logistic regression,
Partial Proportional Chances Model.
vi
Lista de Abreviaturas
AF Agregado Familiar
AIC Akaike’s Information Criterion
BIC Bayesian Information Criterion
FAO Food and Agriculture Organization
INE Instituto Nacional de Estatı́stica
InSAN Insegurança Alimentar e Nutrional
IPC Integrated Food Security Phase Classification
MCP Modelo Chances Proporcionais
MOPP Modelo de Chances Proporcionais Parciais
MRC Modelo de Razões Continuas
ME Modelo Estereótipo
SAN Segurança Alimentar e Nutricional
SETSAN Secretariado Técnico de Segurança Alimentar e Nutricional
OR Odds Ratio
vii
Índice
1 Introdução 1
1.1 Contextualização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Formulação do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Objectivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Objectivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Objectivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Relevância do Estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Breve descrição dos capı́tulos do trabalho . . . . . . . . . . . . . . . . . . . . 3
2 Revisão da literatura 4
2.1 Segurança Alimentar e Nutricional . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.1 Pilares da Segurança Alimentar e Nutricional . . . . . . . . . . . . . 5
2.1.2 Conceitos de alguns ı́ndices . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.3 Índice de SAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.4 Insegurança Alimentar e Nutricional em Moçambique . . . . . . . . . 7
2.1.5 Factores Associados à Segurança Alimentar e Nutricional . . . . . . . 9
2.1.6 Resultados de estudos similares . . . . . . . . . . . . . . . . . . . . . 11
2.2 Análise de Regressão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Modelos Lineares Generalizados . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.1 Estimação dos Parâmetros . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.2 Selecção de Variáveis Explicativas . . . . . . . . . . . . . . . . . . . 15
2.4 Regressão Logı́stica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.1 Regressão Logı́stica Simples . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.2 Regressão Logı́stica Múltipla . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Regressão Logı́stica Multinomial . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6 Regressão Logı́stica Ordinal . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6.1 Modelo Ordinal Generalizado . . . . . . . . . . . . . . . . . . . . . . 21
2.6.2 Modelo de Chances Proporcionais (MCP) . . . . . . . . . . . . . . . 21
2.6.3 Modelo de Chances Proporcionais Parciais (MCPP) . . . . . . . . . . 22
2.6.4 Modelo de Razões Continuas . . . . . . . . . . . . . . . . . . . . . . . 23
2.6.5 Modelo de Categorias Adjacentes . . . . . . . . . . . . . . . . . . . . 23
2.6.6 Modelo Estereótipo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
viii
Análise dos Factores Associados à Insegurança Alimentar e Nutricional Aguda na
Provı́ncia de Gaza.
3 Material e Métodos 25
3.1 Material . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Métodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.1 Teste de independência entre as variáveis do estudo . . . . . . . . . . 27
3.2.2 Estimação dos Modelos Logı́sticos Ordinais . . . . . . . . . . . . . . . 28
3.2.3 Teste para a significância do Modelo . . . . . . . . . . . . . . . . . . 29
3.2.4 Teste do pressuposto de paralelismo nos modelos logı́sticos ordinais . 29
3.2.5 Qualidade de Ajuste nos Modelos Logı́sticos Ordinais . . . . . . . . . 30
3.2.6 Critérios de Selecção de Modelos . . . . . . . . . . . . . . . . . . . . 31
3.2.7 Interpretação da razão de chances para modelos ordinais . . . . . . . 31
3.2.8 O processo da Análise . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 Resultados e Discussão 33
4.1 Análise Descritiva e bivariada entre as variáveis do estudo . . . . . . . . . . 33
4.2 Estimação dos Modelos de Regressão . . . . . . . . . . . . . . . . . . . . . . 36
4.2.1 Estimação do Modelo logı́stico Ordinal . . . . . . . . . . . . . . . . . 36
4.2.2 Selecção do melhor modelo . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.3 Interpretação das razões de Chances do Modelo . . . . . . . . . . . . 38
4.3 Discussão dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5 Conclusões e Recomendações 43
5.1 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Recomendações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.3 Limitações do estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Referências Bibliográficas 45
Nélio Chiau ix Trabalho de licenciatura

Lista de Tabelas
2.1.1 Índice SAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1.2 Número de pessoas expostas à InSAN aguda em fase de crise na provı́ncia de
Gaza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.3 Resultados de estudos similares . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Ligações canónicas mais comuns nos MLG . . . . . . . . . . . . . . . . . . . 13
3.1.1 Caracterização das variáveis em estudo . . . . . . . . . . . . . . . . . . . . . 26

3.1.2 Variáveis do Estudo, suas categorias e descrições (Continuação) . . . . . . . 27
4.1.1 Distribuição de frequências e teste de independência do Índice de SAN e al-

gumas caracterı́sticas selecionadas do AF . . . . . . . . . . . . . . . . . . . . 34
4.2.1 Testes individuais e global para o pressuposto de paralelismo . . . . . . . . . 37
4.2.2 Critérios de selecção do melhor modelo . . . . . . . . . . . . . . . . . . . . . 37
4.2.3 Modelo de Chances Proporcionais parciais(Modelo final) . . . . . . . . . . . 38
5.3.1 Distribuição de frequência alguns factores segundo o Índice de SAN e o teste

de independência - continuação da tabela 4.1.1 . . . . . . . . . . . . . . . . 49
5.3.2 Modelo Generalizado incluindo todas as variáveis . . . . . . . . . . . . . . . 50
5.3.3 Modelo final de Chances Proporcionais Parciais-completa . . . . . . . . . . . 51
x
Lista de Figuras
2.1 Principais dimensões da Segurança Alimentar e Nutricional (Gross et al., 2000). 5

2.2 Mapa de Moçambique, situação de pessoas expostas à InSAN aguda Janeiro
a Março de 2019. (SETSAN e MISAU,2019) . . . . . . . . . . . . . . . . . . 8
4.1 Distribuição provı́ncia de Gaza, quanto a classificação da situação

de SAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
xi
Capı́tulo 1
Introdução
1.1 Contextualização
Um dos maiores problemas pelos quais passa uma parte significativa da população mun-
dial está relacionado com questões alimentares e nutricionais, seja pela ausência de alimentos,
pela má qualidade da alimentação ou por condições de vida e saúde que impedem o apro-
veitamento adequado de alimentos disponı́veis (Santos et al., 2009).
A Food and Agriculture Organizition (FAO, 2008), considera em situação de Insegurança

Alimentar e Nutricional (InSAN) as pessoas que não têm acesso fı́sico, social e económico
à alimentos suficientes, seguros e nutritivos para satisfazer suas necessidades e preferências
alimentares para uma vida activa e saudável.
Em 2018, 821 milhões de pessoas, aproximadamente uma a cada nove pessoas no mundo,
apresentavam dificuldades de acesso à alimentos com requisitos mı́nimos de nutrição que lhes
permitissem ter uma vida activa e saudável. Uma parte siginificativa da população, apro-
ximadamente 98%, residia em paı́ses em via de desenvolvimento, com maior destaque aos
paı́ses da Ásia e África, onde 354 e 277 milhões de pessoas, respectivamente, encontravam-se
expostas à InSAN severa (FAO, 2019).
Em Moçambique, no perı́odo de Abril a Setembro de 2019, foram identificadas 1.648.646

pessoas expostas à InSAN aguda na fase de crise, necessitando de assistência humanitária
urgente e projecta-se que 1.994.538 pessoas poderão estar expostas à InSAN aguda no perı́odo
de Outubro de 2019 a Fevereiro de 2020. Na região Sul, destacam-se as provı́ncias de Gaza e
Inhambane com mais distritos onde se encontra uma parte significativa de pessoas expostas
à InSAN aguda em fase de crise, segundo a abordagem do Integrated Food Security Phase
Classification (IPC) (SETSAN e MISAU, 2019).
1
CAPÍTULO 1. INTRODUÇÃO
De acordo com SETSAN (2019), a crise alimentar no perı́odo de Janeiro a Março de 2019
afectou seis distritos da provı́ncia de Gaza, onde metade dos agregados enfrentou dificuldades
de acesso à alimentos e cerca de 250.000 pessoas estavam expostas à InSAN aguda em fase
de crise. Entretanto, o facto de uma parte significativa da população da provı́ncia de Gaza
encontrar-se exposta à InSAN aguda pode estar associado à falta de acesso de alimentos,
falta de meios para adquirir e produzı́-los, factores climáticos, entre outros. Portanto, com o
objectivo de analisar os factores associados à insegurança alimentar e nutricional aguda na
provı́ncia de Gaza este estudo visa contribuir com a discussão dos motivos que levam uma
parte significativa da provı́ncia de Gaza à exposição da InSAN.
1.2 Formulação do Problema

A provı́ncia de Gaza ao longo do tempo vem se destacando como uma das provı́ncias
da região Sul com maior população exposta à InSAN aguda em fase de crise, na região sul
do paı́s, de acordo com a classificação do IPC. Afirma-se ainda que ocorreu um aumento
significativo de pessoas expostas à InSAN aguda do perı́odo de Abril a Setembro de 2018 e
Outubro a Dezembro de 2018, de 178.482 para 318.264 pessoas (SETSAN, 2019).
A provı́ncia de Gaza necessita de intervenções urgentes de assistência humanitária para
reduzir o défice de alimentos, bem como para a protecção da saúde pública e para aumentar
a capacidade de adaptação aos eventos extremos de crise a nı́vel dos Agregados Familiares
(AFs). O facto desta provı́ncia apresentar uma parte significativa da população exposta à
InSAN aguda em fase de crise ou emergência pode ter como causa o conhecimento superficial
dos factores associados a este fenómeno e que consequentemente coloca em risco a saúde da
população desta provı́ncia, pois representa um enorme risco para uma vida activa e saudável
dos AFs.
1.3 Objectivos
1.3.1 Objectivo Geral
Analisar os factores associados à insegurança alimentar e nutricional aguda na provı́ncia
de Gaza.
1.3.2 Objectivos Especı́ficos

• Descrever o perfil sócio-económico e demográfico dos AFs expostos à insegurança ali-
mentar e nutricional aguda na provı́ncia de Gaza;
• Verificar a associação entre o ı́ndice de SAN e cada variável do estudo;
• Estimar um modelo que melhor relaciona o ı́ndice de SAN e os potenciais factores;
Nélio Chiau 2 Trabalho de licenciatura

CAPÍTULO 1. INTRODUÇÃO
• Identificar os factores associados à exposição insegurança alimentar e nutricional na

1.4 Relevância do Estudo

Garantir a Segurança Alimentar e Nutricional (SAN) a nı́vel dos AFs de forma perma-
nente é uma condição fundamental para o desenvolvimento da população. Por essa razão,
argumenta-se que a SAN deve ser considerada como um objectivo do governo e dos fazedores
de polı́ticas públicas sobre a ela, por ser um importante ponto estratégico para o desenvol-
vimento do paı́s e garantia de saúde pública (Carrilho et al., 2016).
Um dos passos cruciais no processo da garantia de SAN a nı́vel dos AFs é o conhecimento
das causas associadas ao fenómeno. Com isso, a análise dos factores associados à InSAN
aguda na provı́ncia de Gaza torna-se relevante na medida em que, para garantir a SAN
dos AFs é importante conhecer as suas causas e o comportamento das mesmas. Portanto,
através do conhecimento das causas que levam a população da provı́ncia de Gaza à crise
de InSAN aguda pode-se, posteriormente, definir polı́ticas à luz dos factores associados à
InSAN aguda.
1.5 Breve descrição dos capı́tulos do trabalho

O primeiro capı́tulo, consiste na descrição geral do tema em questão, partindo de uma
abordagem ampla para especı́fica, descrevendo os objectivos, a problematização, as razões
que levam à execução da pesquisa. No segundo capı́tulo, apresenta-se os conceitos relaci-
onados a SAN e as técnicas usadas para concretização do trabalho. No terceiro capı́tulo,
apresenta-se o material e os métodos necessários para a execução da pesquisa. No quarto
capı́tulo, são apresentados os resultados e a discussão dos resultados. No quinto capı́tulo,
são abordadas as principais conclusões obtidas com base na análise de dados e nos objectivos
traçados.

Capı́tulo 2
Revisão da literatura
Este capı́tulo é dedicado a apresentar os conceitos relacionados ao tema do trabalho, e

também conceitos teóricos das principais técnicas estatı́sticas usadas para a concretização
do trabalho.
2.1 Segurança Alimentar e Nutricional

De acordo com Pinto (2013), considera-se em Segurança Alimentar e Nutricional (SAN)
quando as pessoas têm, de forma permanente, acesso fı́sico e económino a alimentos se-
guros, nutritivos e suficientes para satisfazer as suas necessidades dietéticas e preferência
alimentares, a fim de levarem uma vida activa e saudável.
O SETSAN (2014) afirma que SAN é o direito de todas as pessoas ter acesso aos alimen-
tos básicos de qualidade em quantidade suficiente, de modo permanente sem comprometer o
acesso a outras necessidades essenciais, com base em práticas alimentares saudáveis, contri-
buindo assim para uma existência digna no contexto de desenvolvimento integral da pessoa.
Segundo Mischler et al. (2014), a segurança alimentar e nutricional pode ser:

• Transitória ou Aguda, quando ocorre em épocas de crise da população;
• Crónica, quando acontece de forma contı́nua; e
• Sazonal, quando ocorre de forma transitória mas recorrentemente, ou seja, com uma
duração limitada mas seguindo uma sequência previsı́vel de eventos conhecidos.
De acordo com SETSAN (2014), quatro condições devem ser reunidas para que as pessoas
estejam seguras:
1) Os alimentos devem estar disponı́veis;
2) As pessoas devem ter acesso a alimentos;
3) As pessoas devem ser capazes de utilizar os alimentos de que têm acesso, e
4) As três condições acima devem ser estáveis ao longo do tempo. Estas são as quatro
dimensões da segurança alimentar e nutricional. Conforme ilustra a figura 2.1.
4
CAPÍTULO 2. REVISÃO DE LITERATURA
Figura 2.1: Principais dimensões da Segurança Alimentar e Nutricional (Gross et al., 2000).
2.1.1 Pilares da Segurança Alimentar e Nutricional

Disponibilidade de alimentos
A disponibilidade de alimentos compreende-se como a existência da quantidade sufici-

ente de alimentos com qualidade adequada, para atender às necessidades de consumo da
população e que é adquirida através da produção doméstica ou da importação, incluindo a
assistência alimentar (Pinto, 2013).
Acesso aos alimentos
O acesso aos alimentos esta relacionado com a capacidade das famı́lias e indivı́duos dis-
porem de recursos suficientes para adquirir alimentação adequada para as suas necessidades
e a existência de infra-estruturas e mecanismos que asseguram o acesso aos alimentos. Isso
implica a existência de uma distribuição justa da renda nacional, um sistema efectivo de
mercados, sistemas de comunicação, redes de segurança alimentar formais e informais e
assistência alimentar as populações mais carenciadas (SETSAN, 2007).
Utilização dos alimentos
A Utilização de alimentos é o processo como os alimentos disponı́veis são transformados

numa dieta adequada (incluindo processos como a escolha dos alimentos, processamento,
preparação dos alimentos, e distribuição intra-familiar). Os factores a considerar a nı́vel
familiar estão relacionados ao tempo de ocupação da mulher, conhecimentos alimentares,
hábitos alimentares, incluindo alimentação infantil e amamentação, a utilização dos serviços
de saúde preventiva e curativa, hábitos de higiene, e crenças. A nı́vel individual, a uti-
lização de alimentos adequados relaciona-se com a ingestão e à absorção dos alimentos e
acção biológica dos nutrientes no corpo, a utilização a nı́vel individual pode ser afectada
por doenças que inibem a absorção de nutrientes ou que aumentam a sua necessidade e por
deficiências em micronutrientes especı́ficos (SETSAN, 2007).

Estabilidade dos alimentos
O SETSAN (2007) afirma que, os alimentos devem ser adequados, disponı́veis, acessı́veis e
utéis continuamente e a todo o momento. A estabilidade deve ser garantida a nı́vel individual
e do AF. Os AFs devem criar condições de modo a que todos os seus membros tenham
estabilidade alimentar e o Estado deve assegurar a estabilidade da alimentação e nutrição
dos grupos vulneráveis e dependentes.
2.1.2 Conceitos de alguns ı́ndices

Índice de qualidade da dieta é um ı́ndice com o objectivo de mensuração da quali-
dade global da dieta, que por sua vez é um instrumento de identificação das pessoas com
dietas de alta qualidade ou de baixa qualidade, baseando na possibilidade de alcance das
necessidades nutricionais, na importância de determinados nutrientes e nas recomendações
de dieta e saúde (Volp et al., 2018).
Índice de consumo alimentar - é um instrumento de medida simples e sumária da

qualidade da dieta, que pode ser utilizado para verificar as mudanças nos padrões de con-
sumo e também é conhecido como instrumento útil na educação nutricional e na melhoria
de saúde (Volp et al., 2018).
2.1.3 Índice de SAN

De acordo com o SETSAN (2014), o Índice de Insegurança Alimentar e Nutricional é a
média dos cinco sub-indicadores 1 . Para cada sub-indicador atribui-se a um AF uma pon-
tuação que varia de 1 a 4, sendo que 1 indica melhor estado e 4 pior estado de Segurança
Alimentar. Porém, para o trabalho serão somente consideradas 3 categorias, nomeadamente,
Segura 2 , Insegurança Moderada 3 e Insegurança Severa 4 , pois segundo as directrizes forneci-
das pelo Programa Mundial para Alimentação 5 , a primeira e a segunda categorias podem
ser agrupadas em uma só categoria.
1
Índice de Consumo Alimentar (ICA), o Índice de Estratégias de Sobrevivência (IES), a Duração das
reservas de cereais de produção própria, e tipos de renda do AF
2
O AF tem acesso regular e permanente a alimentos de qualidade, em quantidade suficiente, sem com-
prometer o acesso as outras necessidade
3
No AF há uma redução quantitativa de alimentos entre adultos e/ou corte nos padrões de alimentação
resultante da falta de alimentos entre os adultos
4
No AF há redução quantitativa de alimento entre as crianças e/ou corte nos padrões de alimentação
resultante da falta de alimentos entre as crianças e a possibilidade de um membro do AF ficar um dia inteiro
sem comer por falta de dinheiro para adquirir alimentos
5
https://resources.vam.wfp.org

De acordo com o SETSAN (2014), o Índice de SAN foi calculado em 3 etapas:
1. O valor dos cinco sub-indicadores é determinado (por exemplo, a ı́ndice do consumo

alimentar; o número de meses em que o AF teve dificuldade em obter o suficiente para
comer, etc.)
2. Com base em seu valor, aos sub-indicadores atribui-se uma pontuação de 1 à 4. Quanto
mais associado com a insegurança alimentar estiver o valor do indicador, maior será a
pontuação, conforme mostrado na tabela 2.1.1
3. O ISA é calculado como sendo a média das pontuações dos sub-indicadores.
Tabela 2.1.1: Índice SAN

Segura na maior Insegurança Insegurança
Segura
Indicador parte do tempo (moderada) (severa)
Pontuação 1 2 3 4
Qualidade da dieta Adequada Adequada Moderada Fraca
Duração da reservas cereais (Meses) 10 ou mais 7-9 4-6 3 ou menos
Principal fonte de renda:
Salário, pensão X X
Ganho-ganho, esmola
ajuda alimentar X
Índice de consumo alimentar Adequado Adequado Moderado Pobre
Uso de estratégias de sobrevivência Nenhuma Stresse Crise Emergência
2.1.4 Insegurança Alimentar e Nutricional em Moçambique

Estima-se que mais que a metade das famı́lias moçambicanas estejam afectadas pela in-
segurança alimentar e, cerca de um terço, por InSAN crónica. Cerca de 30% das famı́lias são
consideradas pobres ou estão no seu limite em termos de diversificação da dieta e frequência
de refeições, uma medida crı́tica de segurança nutricional, 80% das famı́lias não consegue ter
uma dieta adequada (Carrilho et al., 2016).
Sarmento (2015) advoga que, o paı́s começa a reconstruir-se após décadas de guerra civil,
e de uma transição recente para uma economia de maior liberalização de mercado. Com um
baixo nı́vel de produtividade agrı́cola e com taxas altas de pobreza, a insegurança alimentar
é um espectro constante para um número substancial da população.
Cerca de 1.689.382 pessoas encontram-se expostas à InSAN aguda em fase de crise ou
emergência, estas pessoas por sua vez necessitam de assistência humanitária urgentemente.
Um pouco por todas as regiões do paı́s podemos encontrar famı́lias expostas à insegurança
alimentar e nutricional sendo que, o nı́vel mais baixo de insegurança alimentar encontra-se
na zona norte. Embora ainda seja alta a insegurança alimentar no norte, é ainda menor que

em qualquer outra região rural ou urbana de Moçambique, este factor provavelmente deve-se
a ao alto nı́vel de produtividade agrı́cola na região norte (SETSAN, 2019).
A figura 2.2, de acordo com o SETSAN e MISAU (2019), ilustra a situação da população
exposta à InSAN aguda em moçambique, e verifica-se a parte significativa da população ex-
posta à InSAN aguda em fase de crise nas provı́ncias de Gaza, Inhambane, Sofala, Manica,
Tete, Zambézia e Cabo Delgado.
Pode-se verificar também pela figura 2.2, que os distritos que receberam assistência huma-
nitária alimentar são Mabalane, Guija e Chibuto da provı́ncia de Gaza.
Figura 2.2: Mapa de Moçambique, situação de pessoas expostas à InSAN aguda Janeiro a
Março de 2019. (SETSAN e MISAU,2019)
Insegurança alimentar e nutricional em Gaza
De acordo com os resultados obtidos pelo SETSAN (2018, 2019), a tabela 2.1.2, ilustra
o número de pessoas expostas à InSAN aguda em fase de crise ou emergência nas provı́ncias
de Gaza. Pode-se notar um crescimento da população exposta à InSAN aguda em fase de
crise ou emergência ao longo dos três perı́odos apresentados pela tabela.
Tabela 2.1.2: Número de pessoas expostas à InSAN aguda em fase de crise na provı́ncia de
Gaza
Perı́odo Número de Pessoas
Abril a Setembro de 2018 178,482
Outubro a Dezembro de 2018 318,264
Janeiro a Março de 2019 289,331

2.1.5 Factores Associados à Segurança Alimentar e Nutricional

Factores demográficos
Zarret et al. (2017) afirma que, os AFs chefiados por mulheres são mais vulneráveis à
Insegurança Alimentar em comparação com os AFs chefiados por homens. SETSAN (2014),
afirma também que um AF chefiado por uma mulher, um chefe de AF analfabeto, um
membro do AF que tem estado doente por mais de três meses, são caracterı́sticas de AFs
associados com uma prevalência mais alta de insegurança alimentar.
Rosa et al. (2012) afirma que, o baixo nı́vel académico constitui uma caracterı́stica
importante para a condição de InSAN do AF. Em geral, o nı́vel académico agrega valores
que podem facilitar o acesso à informação à serviços públicos de saúde e nutricionais, além
disso geralmente o baixo nı́vel académico é associado a baixa renda pode levar o AF a
exposição de InSAN. Almeida et al. (2015) acrescenta ainda que o baixo nı́vel académico do
chefe do AF contribui para que, de maneira geral, as pessoas não consigam oportunidades de
trabalho bem remuneradas fora dos assentamentos, não promovendo um aumento de renda
e diminuição da InSAN.
Factores de acesso à alimentos
A agricultura é particularmente vulnerável às mudanças climáticas, pois o aumento da

temperatura afetará a quantidade e qualidade dos alimentos, afetará a disponibilidade de
água e terá efeitos negativos sobre a segurança alimentar e nutricional (FAO, 2016).
A agricultura tem um grande papel a desempenhar para a garantia da segurança alimen-

tar e nutricional não só no fornecimento de alimentos e na sua diversificação que contribui
para dietas mais enriquecidas, mas também nas oportunidades que cria de providenciar o
emprego e auto-emprego proporcionando a geração de renda às populações rurai (SETSAN,
2013).
Cultivar legumes variados em pequenas quantidades é uma boa estratégia para proteger
o ambiente; isso permite conservar a biodiversidade e melhorar a segurança alimentar e a
nutrição. As mulheres que trabalham na agricultura contribuem particularmente para a di-
versidade das culturas, visto serem elas que utilizam os recursos genéticos para desenvolver
novas variedades, em função das necessidades e das preferências da sua famı́lia. O facto de
se praticarem diversas culturas reduz o risco de uma perda total de produção em caso de
doença. Permite igualmente às famı́lias diversificar o seu padrão alimentar, preparar um
número maior de pratos e aumentar a qualidade nutritiva das refeições (FAO, 2017).
CONSEA (2010), afirma existir evidências entre a insegurança alimentar e nutricional e o

acesso à alimentação saudável, que se traduz não apenas na dificuldade em adquirir alimentos
saudáveis, mas também no crescente acesso aos alimentos de baixo teor nutricional.

Factores de estabilidade dos alimentos
A situação de emprego é um aspecto muito importante pois as famı́lias com fontes de

rendimento fixas e seguras são menos propensas à insegurança alimentar. Um ambiente
macroeconómico favorável e o acesso à recursos financeiros constituem incentivos à produção
agrı́cola e ao consumo de alimentos nutritivos (Carrilho et al., 2016).
Factores de consumo e utilização dos alimentos
Segundo Carrilho et al. (2016), as unidades sanitárias têm um papel importante na in-
fluência da segurança alimentar e nutricional, pois as mesmas prestam-se cuidados básicos de
saúde e é através delas que se transmitem mensagens importantes sobre higiene e utilização
correcta dos alimentos, particularmente às mulheres grávidas e mães jovens.
De acordo com FAO (2013a) , o acesso a água potável e saneamento adequado, um meio
ambiente salubre e condições de vida adequadas são determinantes para o estado nutricional
das pessoas e consequentemente à insegurança alimentar. A falta de acesso a uma fonte
de água melhorada, a falta de saneamento podem contribuir para o estado da insegurança
alimentar e nutricional do agregado familiar. De acordo com Carrilho et al. (2016), em
Moçambique, apesar de se ter registado um relativo progresso nos últimos anos em relação
ao saneamento do meio e água potável, mais de 50% da população continua a não ter acesso
a saneamento básico. A falta de acesso a água potável e saneamento básico também influ-
enciam o estado de insegurança alimentar e nutricional da população.
Uma criança pode ter problemas graves de desnutrição, mesmo que tenha acesso a ali-
mentação abundante e variada, se tiver por exemplo, frequentes diarreias causadas pelo
consumo de água contaminada. É claro que um bom estado nutricional tem associação com
a segurança alimentar, mas também a outras condições de vida saudável da sua residência
(Hoffmann, 1995).
Factores de disponibilidade dos alimentos
De acordo com Carrilho et al. (2016), a pecuária em Moçambique é muito importante

para os modos de vida e nutrição do seu povo. A criação de gado é, predominantemente,
praticada pelo sector familiar, essencialmente extensiva, com pouca ou nenhuma utilização
de insumos e de raças melhoradas. Ela constitui uma poupança e reserva de riqueza para
os criadores, sobretudo no sul do paı́s onde se concentra o gado bovino, garantindo a sua
segurança alimentar e o aumento da sua renda.
Segundo o SETSAN (2014), a idade do chefe do AF é um factor associado à Insegurança
alimentar e nutricional, e ainda afirma Um AF chefiado por um idoso (60 anos ou mais velho)
está associado com uma prevalência mais baixa de Insegurança Alimentar e Nutricional.

O Instituto Brasileiro de Geografia e Estatı́stica (2013) afirma em seu estudo, que rela-
tivamente ao nı́vel académico dos chefes e dos restantes membros do AF, que quanto maior
o nı́vel académico menor é a prevalência de insegurança alimentar Moderada e Severa.
2.1.6 Resultados de estudos similares

A tabela 2.1.3, ilustra os resultados de pesquisas feitas com objectivos similares ao pre-
sente estudo, apresentando assim o autor, o ano de publicação e factores que foram identifi-
cados como factores associados à insegurança alimentar e nutricional.
Tabela 2.1.3: Resultados de estudos similares

Autor (Ano) Factores determinantes da InSAN
Rosa et al. (2012) O sexo do chefe do AF
O nı́vel académico do chefe do AF
Número de quartos da casa do AF
Número de Membros do AF
Ferreira et al. (2010) Consumo de água tratada
O nı́vel académico do chefe com ≤ 4 anos de escola
Beneficiário de algum programa de assistência alimentar
Baixo nı́vel de escolaridade do chefe do AF
Machado (2016) Baixa renda domiciliar per capita
Jovens e mulheres como chefes do AF
Índice de estatura/peso e peso/idade em crianças e mulheres
Menor consumo de alimentos adequados
Morais et al. (2013) Menor renda
Nı́vel académico do chefe do AF
Existência de Saneamento básico
2.2 Análise de Regressão

Segundo Ferreira (2013) análise de regressão é uma das técnicas estatı́sticas mais utiliza-
das para modelagem e pesquisa da relação existente entre duas ou mais variáveis, e tem como
objectivo avaliar a existência e o grau de dependência estatı́stica entre as variáveis, tal que
a variável resposta possa ser estimada ou prevista através da(s) variável(s) explicativa(s).
Ferreira (2013) advoga ainda ,que os modelos de regressão podem ser classificados se-
gundo o número de variáveis independentes. Quando existe apenas uma variável indepen-
dente denomina-se modelo de regressão linear simples, quando existem mais de uma variável
independente denomina-se regressão múltipla.
Segundo Montgomey (2009) , supondo que se tenha uma variável resposta y que
depende de k variáveis explicativas x1 , x2 , ...xk , a relação de dependência entre estas

variáveis é caracterizado por um modelo Matemático, denominado por Modelo de Re-

gressão.
O modelo geral de regressão é dado pela formula 2.1:
Y = β0 + β1 x1 + β2 x2 + ... + βk xk + i (2.1)
A equação 2.1 é definida como sendo modelo de regressão linear múltipla de k

variáveis explicativas. O termo Linear é pelo motivo da equação 2.1 ser uma função Linear
nos parâmetros desconhecidos, β0 , β1 , β2 ..., βk , e os parâmetros βk são designados coefici-
entes de regressão e i é o termo de erro.
A Estimação dos parâmetros do modelo de regressão podem ser estimados por via de
dois métodos, nomeadamente, método de mı́nimos quadrados e método de máxima veros-
similhança. O método de mı́nimos quadrados é usado independentemente de ser conhecida
ou não a distribuição do termo de erro, enquanto que o método de máxima verossimilhança
é usado quando se conhece a distribuição do termo de erro (εi ) (Loquiha, 2015).
2.3 Modelos Lineares Generalizados

Os Modelos Linear Generalizados (MLGs), são uma extensão dos Modelos Lineares Tra-
dicionais. Os MLGs permitem a modelagem de variável resposta que não necessariamente
segue a Distribuição Normal. A resposta média da população µ =E(y) é relacionada à um
preditor linear através de uma função de ligação não linear g(µ). Deste modo, a variável
Resposta y pode seguir qualquer distribuição de probabilidade que pertencente à famı́lia ex-
ponencial. Fazem parte da famı́lia exponencial as seguintes distribuições, normal, binomial
negativa, gama, poisson, normal inversa, multinomial, beta, logarı́tmica, entre outras (Silva,
2017; Moutinho e Demétrio, 2013).
Moutinho e Demétrio (2013) acrescentam que os MLGs podem ser aplicados quando se
tem uma única variável aleatória Y associada à um conjunto de variáveis explanatórias,
x1 , ..., xp, para uma amostra de n observações (xi , yi ), em que x1 = (xi1 ...xi2 )T é um vetor
coluna de variáveis explicativas, os MLGs envolvem três componentes:
• Componente aleatório: representado por um conjunto de variáveis aleatórias expli-

cativas Y1 , ..., Yn obtidas de uma distribuição da famı́lia exponencial, como mencionada
na secção 2.3, com médias µ1 , ..., µn , ou seja E(Yi )= µi , i=1,..., n, sendo φ > 0 um
parâmetro de dispersão e o parâmetro denominado canónico. Então, a função densi-
dade ou de probabilidade de Yi é expressa pela equação 2.2:
f(y i , θi , φ) = exp{φ−1 [y i θi - b(θi )] + c(yi , φ)} (2.2)
onde b(.) e c(.) funções conhecidas,

• Componente sistemático: As variáveis explanatórias entram sob forma de soma

linear dos seus efeitos, dando origem a um vector de preditores lineares representado
pela expressão em 2.3:
r
X
ηi = xir β r = xTi β ou η = Xβ (2.3)
i=1
onde X = (x1 ,. . . , xn )T representa a matriz do modelo, β = (β 1 ,..., β r ) o vector de

parâmetros desconhecidos e η representa o vector de preditores lineares.
• Função linear: é a função que relaciona o componente aleatório ao componente

sistemático, ou seja, vincula a média ao preditor linear, isto é,
η i = g(.) (2.4)
Na equação em 2.4, g(.) é uma função real e a monótona.
Segundo Moutinho e Demétrio (2013), na tabela 2.3.1 são apresentadas as funções de

ligação canónicas para as principais distribuições.
Tabela 2.3.1: Ligações canónicas mais comuns nos MLG

Normal Identidade:
µ=η
µ
Binomial Logı́stica: =η
1−µ
Gama Recı́proca: µ−1 = η
Poisson Logarı́tmica: logµ = µ
Normal Inversa Recı́proca do quadrado: µ−2 = η
De acordo com Ferreira (2013), são casos particulares dos MLGs, os seguintes modelos:
modelo de regressão linear clássico, modelos de análise da variância e covariância, modelo
de regressão logı́stica, modelo de regressão de Poisson, modelos Log-lineares para tabelas de
contingência, modelo Probit para estudos de proporções, entre outros.
De modo geral, uma decisão importante na escolha do MLG é definir os termos do

trinómio: (i) Distribuição da variável resposta; (ii) matriz do modelo e (iii) a função de
ligação. Nesses termos, um MLG é definido por uma distribuição da famı́lia Exponencial
(2.2), uma estrutura linear (2.3) e uma função de ligação ( 2.4). Por exemplo, quando
θ = µ e a função de ligação é linear, obtém-se o modelo clássico de regressão como um
caso particular. Os modelos log-lineares são deduzidos supondo θ = log(µ) com função de
ligação logarı́tmica log(µ) = η. Torna-se clara, agora, a palavra Generalizado, significando

uma distribuição mais ampla do que a normal para a variável resposta, e uma função não-
linear em um conjunto linear de parâmetros conectando a média dessa variável com a parte
determinı́stica do modelo.
2.3.1 Estimação dos Parâmetros

Como referenciado anteriormente, na secção 2.3, a decisão importante na aplicação é a es-
colha do trinómio, nomeadamente, a distribuição da variável resposta, matriz modelo e a
função de ligação. A selecção pode resultar de simples exames dos dados ou de alguma
experiência anterior. Inicialmente, considera-se esse fixo para se obter uma descrição ade-
quada dos trinómio de dados por meio das estimativas dos parâmetros do modelo. Muitos
métodos podem ser usados para estimar os parâmetros β, inclusive o Qui-quadrado mı́nimo,
o Bayesiano e a estimação pelo método de Máxima Verosimilhança (MV). O método de MV
têm muitas propriedades óptimas, tais como, consistência e eficiência assimptótica (Silva,
2017; Moutinho e Demétrio, 2013).
Seja um MLG definido pelas expressões 2.2, 2.3 e 2.4, e suponha que as observações a
serem analisadas sejam representas pelo vector y= (yi1 ...yi2 )T . O logaritmo da função de
verossimilhança como função apenas de β (considerando-se o parâmetro de dispersão θ co-
nhecido), especificado y, é definido por `(β) = `(β = y) e usando a expressão 2.2, tem-se:
n
X n
X
` (β) = `( θi , φ, yi ) = { φ−1 [y i θi - b(θi )] + c(yi , φ)} (2.5)
i=1 i=1
p
em que θ=q(µi ), µi = g −1 (η) e η =
P
xir βr
r=1
A partir da expressão em 2.5, procura-se obter o vector β de parâmetros que maximizam
a função l (y, θ, φ), pela regra de cadeia, derivando-se a função dada pela equação em 2.6.
n
∂l ∂l ∂θi ∂ui ∂η i −1
X 1 dui
Ur = = =φ (y i - u i ) x ij (2.6)
∂β j ∂θi ∂ui ∂η i ∂β j i=1
V i dη i
A estimativa de máxima verossimilhança β̂ é calculada igualando-se a zero a denominada

função score Uj , para j = 1,...,p. No entanto, em geral, estas equações não são lineares
devendo ser resolvidas por processos iterativos como, por exemplo, o método de Newton-
Raphson ou o método score de Fisher. Pelo método de Newton-Raphson, de acordo com a
equação em 2.7, tem-se:
β (m+1) = β (m) + [K (m) ]−1 U (m) (2.7)

∂l
U(m) é o vector score, com elementos . K (m) é a matriz de informação obsevada, com
2 ∂β j
∂ l
elementos , em que se estabelece a igualidade β = β (m) .
∂β j β’j

Substituindo a matriz de informação observada pela matriz de informação esperada de fisher

∂Uj
I =E , que representa a matriz de covariância da função score, para um bom estimador
∂β j
de Máxima Verossimilhança, de acordo com a equação em 2.8, é possı́vel obter:
β (m+1) = (XT W(m) X)−1 XT W(m) z(m) (2.8)
X é a matriz do modelo, W = diag{w1 ,...,wn } é uma matriz diagonal de pesos que capta
a informação sobre a distribuição e z(m) = Xβ (m) + (m)
∆ (y - µ)
(m)
é o vector da variável
∂η i
dependente ajustada na etapa m, em que ∆ = diag .
∂u i
2.3.2 Selecção de Variáveis Explicativas

De acordo com Moutinho e Demétrio (2013), na prática, é uma tarefa difı́cil selecionar um
conjunto de variáveis explicativas para formar um modelo parcimonioso, devido aos pro-
blemas de ordem combinatória e Estatı́stica. O problema da combinação das variáveis é
selecionar as combinações possı́veis de variáveis explicativas que deverão ser testadas para
inclusão no preditor linear. O problema estatı́stico é definir, com a inclusão de um novo
termo no preditor linear, o balanço entre o efeito de reduzir a discrepância entre µ̂ e y o
facto de se ter um modelo mais complexo.
Existem diversos procedimentos de selecção de variáveis e critérios para a comparação

da qualidade de ajuste dos modelos, entre os quais destacam-se os métodos de Forward,
Backward, Stepwise.
O método Backward consiste em iniciar com o modelo complexo, e remover as variáveis

sem significância sequencialmente, o método Forward inicia com o modelo inicial e acres-
centa as variáveis de acordo com a sua significância ao modelo até que a última variável
inclusa não melhore o ajuste do modelo, o método Stepwise faz a combinação dos dois
critérios Backward e Forward (Moutinho e Demétrio, 2013).
2.4 Regressão Logı́stica

Segundo Favero et al. (2009), a regressão logı́stica é uma técnica Estatı́stica utilizada para
descrever o comportamento entre uma variável dependente binária e variáveis independentes
métricas ou não métricas, isto é, destina-se a investigar o efeito das variáveis pelas quais os
indivı́duos ou objectos estão expostos sobre a probabilidade de ocorrência de um determinado
evento de interesse.
Segundo Hosmer e Lemeshow (2000), a diferença existente entre o modelo de regressão
logı́stica e o modelo de regressão linear, é que a variável Resposta do modelo de regressão
Logı́stica é de natureza binária ou dicotómica. Esta distinção encontra-se refletida na forma

paramétrica do modelo e seus pressupostos. Contudo, se as diferenças forem levadas em

consideração, o método de regressão logı́stica emprega métodos similares aos modelos de
regressão Linear.
De acordo com Araújo (2017), o modelo de regressão linear simples dado pela equação
2.9 :
Y i = β 0 + β 1 xi + εi (2.9)
Uma vez que a variável resposta Yi é binária, assumindo valores 0 ou 1, para os nı́veis da
variável explicativa. Assim, desde que E(εi )=0, tem-se:
E(Yi ) = β 0 + β 1 xi (2.10)
E(Yi ) representa a média esperada e pode ser interpretada como o valor esperado de Y
dado o valor de x, onde Y segundo a sua natureza assume qualquer valor, a medida que, x
varia no intervalo de −∞; +∞
Deve-se considerar que, utilizar o modelo de regressão simples quando a variável resposta
é binária, pode acarretar alguns problemas, tais como:
1. Não normalidade dos termos de erro;
2. Variâncias heterógeneas dos termos de erro, isso ocorre porque a variável resposta é
binária, portanto, Var(Yi )=πi (1-πi )
3. Restrição na função reposta, como a resposta média representa a probabilidade de Yi

esse valor deve ser maior ou igual a 0 e menor ou igual a 1. Por essa razão, uma função
linear não é adequada para este tipo de modelagem.
2.4.1 Regressão Logı́stica Simples

Segundo Araújo (2017), para dados de natureza binária, o modelo adequado é o modelo de
regressão logı́stica. Assim, seja E(Y |)=π(x) a média condicional da variável resposta Y e x
uma variável explicativa. Então, o modelo de regressão logı́stica define π(x) como:
eβ0 +β1 x
πi = , i = 1, ..., n (2.11)
1 + eβ0 +β1 x
onde β0 e β1 são parâmetros do modelo, com i=0,1., X representa probabilidade estimada
de ocorrência ou não de um evento de acordo com os valores da variável Explicativa.
A formula implica que π(x) aumenta ou diminui como uma função em forma de S o
parâmetro β1 na equação 2.14 determina a taxa de aumento ou diminuição da curva. O sinal
de β1 indica se a curva cresce (β1 > 0) ou decresce (β1 < 0) e taxa de mudança aumenta
quando |β1 | aumenta. Quando β1 = 0, o lado direito da equação 2.14 passa a ser constante.

Logo, π(x) é idêntico para todo X, com isso, a curva se torna uma linha recta horizontal e
conclui-se que a variável X é independente de Y (Agreti, 2007).
Em vez de usar o modelo apresentado pela equação 2.14, aplica-se uma função de ligação
g(x), conhecida com logit, que permite que a variável resposta seja modelada como

π(x)
logit(π(x)) = ln = β0 +β1 X (2.12)
1 − π(x)
Obtém-se a probabilidade de sucesso:

π(x)
= eβ0 +β1 x (2.13)
1 − π(x)
eβ0 +β1 x
π(x) = , (2.14)
1 + eβ0 +β1 x
A razão entre a chance de X+1 e chance do nı́vel X é conhecida com Razão de Chances
(Odds ratio) designada por Ψ, que é a base para a interpretação dos coeficientes do modelo
de regressão logı́stica. Assim, a Odds ratio pode ser expressa pela equação 3.14

π(X + 1)

odds(X + 1) 1 − π(X + 1)
ψ= = = e β1 (2.15)
odds(X) π(X)
1 − π(X)
A Odds ratio é um indicador de aumento ou redução da chance de sucesso, em cada vez
que x aumenta em um unidade. Assim, depois de estimar os parâmetros, o efeito da variável
explicativa na variável resposta pode ser medido através do Odds ratio (Agreti, 2007).
Agreti (2007) afirma que, com vista a facilitar a interpretação desses modelos é importante
ter em consideração o conceito de Chance, usualmente chamado pelo nome em inglês, Odds.
Supondo que temos uma variável Y com duas categorias: Sucesso, denotado por 1, fracasso,
denotado por 0. Para a probabilidade de sucesso P(Y=1) = π, a chance de sucesso é definida
pela equação 2.16:
π
Odds = (2.16)
1−π
Se a probabilidade de sucesso é maior que a de fracasso, Odds > 1. Caso contrário, Odds
<1. Se por exemplo, Odds=2, a probabilidade de sucesso é duas vezes a probabilidade de
Fracasso. Por outro lado, se Odds=0.5, a probabilidade de sucesso é metade da probabili-
dade de Fracasso. Isolando π na equação 2.16, obtem-se:
Odds
π= (2.17)
Odds + 1
Sendo π a probabilidade de sucesso em função da Odds.

2.4.2 Regressão Logı́stica Múltipla

A regressão logı́stica no caso uni-variado, existem situações em que se pretende estudar o
efeito de diversas variáveis explicativas em relação variável Resposta. A abordagem de es-
timação e modelagem seguirá o mesmo procedimento usado para regressão logı́stica simples.
De acordo com Fávero et al. (2009), considerando o conjunto de p variáveis independentes
descritas pelo vetor x=(x1 , x2 , ..., xp ) e a probabilidade condicional de sucesso é dada por
π(x) = P (Y = 1|x). O logit do modelo de regressão logı́stica é dado pela equação 2.18
g(x) = β0 + β1 x1 + β2 x2 + ... + βp xp (2.18)
tal que o modelo de regressão logı́stica é dado pela equação 2.19:
exp(g(x))
π(x) = (2.19)
1 + exp(g(x))
Estimação dos parâmetros em regressão logı́stica
De acordo com Ferreira (2013), o método de ajustamento mais utilizado para estimar os
parâmetros do modelo de regressão logı́stica é o método da Máxima Verosimilhança. Este
método estima os coeficientes que maximizam a probabilidade de encontrar as realizações
da variável resposta da amostra. Dado que a distribuição que está associada com a variável
resposta dicotómica é a distribuição Bernoulli. Sendo yi a resposta do i-ésimo indivı́duo
da amostra com vetor de covariáveis xi =(x1i , x2i , ...xki ), a função de verossimilhança é dada
pela equação :
n
Y
L(β1 |Y ) = [π(xi )]yi [1 - π(xi )]1−yi (2.20)
i=1
em que,
eβ0 +β1 x1i +....+βx xki

πi = , (2.21)
1 + eβ0 +β1 x+....+βx xki
Onde β1 , β2 , ..., βk são coeficientes do modelo a serem estimados.
As estimativas dos parâmetros são valores que maximizam a função de Verossimilhança
L(β|Y ), para a amostra analisada. Estes estimadores são obtidos derivando a função em
relação a cada parâmetro e igualando a zero. Para facilitar a maximização, é possı́vel uti-
lizar o logaritmo da função de verossimilhança, como essas equações são não-lineares nos
parâmetros, resolvemos isso aplicando métodos numéricos computacionais, como o Newton-
Raphson (Araújo, 2017).
Araújo (2017), acrescenta ainda que o método de MV consiste em estimar β considerando

o valor deste parâmetro que maximiza L(β). Aplicando o logaritimo em 2.20. Para encontrar
o valor de β que maximiza L(β |Y ), deriva-se a expressão 2.20 em relação a cada parâmetro

(β0 , β1 ), e de seguida são igualados os resultados à zero, obtêm-se as seguintes expressões

2.22 e 2.23: n
∂L(β) X
= (yi − πi ) = 0 (2.22)
∂β0 i=1
n
∂L(β) X
= (yi − πi )xi = 0 (2.23)
∂β1 i=1
As equações 2.22 e 2.23 são conhecidas como sendo equações de verossimilhança.
2.5 Regressão Logı́stica Multinomial

De acordo com Dolgun e Saracbasi (2014), o modelo de regressão logı́stica multinomial
(MRLM) é uma extensão simples do modelo de regressão logı́stica binária cuja variável
resposta possui mais de duas categorias. Seja Y denotada como variável resposta com k
categorias, onde k=0,1,...,K., condicionada pelo vector x de j variáveis explicativas j=1,2,...,J
é denotado por P(Y=k|x)=φk (x). O modelo de regressão logı́stica multinomial, geralmente
a primeira categoria do resultado (k =0) está definida como a categoria de referência e a
probabilidade da linha de referência condicionada em x, é denotada por P(Y=k|x)=φ0 (x).
Usando a função logit multinomial, o modelo de regressão logı́stica pode ser expressado do
seguinte modo:
p−1
P (Y = k|x) X
gk (x) = ln = β0k + βk Xjk , k = 1, 2, ..., K (2.24)
P (Y = 0|x) k=1
Adicionando a probabilidade na equação 2.24, obtêm-se:
1
P (Y = 0|x) = β0 +β1 x+....+βx xki
, (2.25)
1+e
eβ0 +β1 x1i +....+βx xki

P (Y = k|x) = , (2.26)
1 + eβ0 +β1 x+....+βx xki
e
K
X
P (Y = k|x) = 1. (2.27)
k=0
Na equação 2.24, β0k é a constante ou intercepto, e βk são os coeficientes do modelo com

o vector com K categorias da função logit. O beneficio do uso dos modelo MRLM é que
modela as chances de cada categoria em relação a uma categoria de referência em função das
covariáveis. Os parâmetros e as estimativas de erro padrão, satisfazendo simultaneamente
K categorias multinomias podem seres estimados usando o método de estimação de MV.
O MRLM é também frequentemente usado quando a variável resposta é ordinal, daı́ é
estimado um modelo para variáveis de natureza multinomial, há perda de eficiência porque
a informação relativamente à ordem da variável é ignorada. Neste casos em que a variável

resposta é ordinal é aconselhável o uso dos modelos de Regressão logı́stica Ordinal (Dolgun
e Saracbasi, 2014).
2.6 Regressão Logı́stica Ordinal

Variáveis ordinais são muito comuns em pesquisas epidemiológicas, mas os métodos de análise
que incorporam a estrutura ordenada das categorias das variáveis têm sido pouco utiliza-
dos. Em muitas situações, geralmente as variáveis de carácter ordinal representam nı́veis
de uma escala de medida normal, como por exemplo a severidade da dor com as categorias,
nenhuma, moderada, severa. Em contrapartida em outros casos, por razões práticas, isto é,
uma variável contı́nua que não pode ser directamente observada, a estrutura ordinal surge
na categorização de uma ou mais variável continuas, como por exemplo, na classificação dos
valores da glicose plasmática para o diagnóstico de diabete e seus estágios pré-clı́nicos, com
as categorias, Glecemia normal, tolerância à glicose diminuı́da e diabetes Vigo (2004).
O Modelo de regressão logı́stica ordinal é aplicado quando uma determinada variável

resposta tem mais de duas categorias e as mesmas estão ordenadas. Existe uma variedade
de modelos para variáveis ordinais que respeitam a natureza ordinal dos dados, os quais são
aplicados quando há interesse em verificar se entre a variável resposta ordinal e as variáveis
explicativas de relevância para o estudo, sendo que as variáveis explicativas podem ser quan-
titativas ou qualitativas Moura (2019).
Quando se utilizam modelos multinominais para variáveis respostas ordinais, a ordem das
categorias torna-se irrelevante e, consequentemente, muita informação é perdida. Os métodos
ordinais possibilitam descrição simples dos dados e permitem inferências mais poderosas
sobre as caracterı́sticas da população do que os modelos para variáveis multinominais que
ignoram a informação ordinal Moura (2019).
Supondo que a variável resposta Y, com k categorias descritas de 1, 2,...,K., e um vector
X= (x1 , x2 , ..., xp ) das variáveis explicativas. As k categorias de Y condicionalmente aos valo-
res das variáveis explicativas ocorrem com probabilidades p1 , p2 , ..., pk , isto é, pk = P(Y=k|x).
Na modelagem de dados de resposta ordinal podem ser utilizadas as probabilidades indivi-
duais pk ou as probabilidade acumuladas (p1 + p2 ), (p1 + p2 + p3 ),... (p1 + p2 + p3 + ... + pk ).
No primeiro caso, a probabilidade de cada categoria é comparada com a probabilidade de
uma categorias de referência, ou cada categoria com a categoria anterior, como no modelo de
categorias adjacentes. Os modelos de regressão logı́stica ordinal podem variar de acordo com
o seu uso, os principais modelos de regressão logı́stica ordinal são, nomeadamente, Modelo
de Chances Proporcionais (MCP), modelos de chances proporcionais parcial não restrito e
restrito (MCPP-NR e MCPP-R respectivamente), o modelo de regressão de razão contı́nua
(MRC) e o modelo Estereótipo (ME) (Abreu, 2007).

2.6.1 Modelo Ordinal Generalizado

Segundo Williams (2006), os Modelos Ordinais Generalizados (MOG) são modelos cumula-
tivos, em que para uma variável ordinal com k categorias são construidas k-1 funções logit,
o modelo por ser representado pela expressão 2.28:
exp(αj + βj x)
P [(Y > J)] = j =1,..., k - 1 (2.28)
1 + exp(αj + βj x)
Quando o número de categorias(k > 2), o modelo é similar a uma series de modelos de
regressão logı́stica binária, com uma combinação das categorias da variável resposta, isto é,
se k =4, ocorre uma comparação entre a categoria 1 e 2, 3 e 4.
O modelo ajustado relativamente ao pressuposto de paralelismo, pode ser representado
pela expressão 2.29
exp(αj + βx)
P [(Y > J)] = j =1,..., k - 1 (2.29)
1 + exp(αj + βx)
As expressões 2.28 e 2.29, são similares, apenas deferem somente os parâmetros do mo-
delo, pois o modelo assume que os parâmetros são iguais para todas k-1 equações estimadas
(Williams, 2006).
2.6.2 Modelo de Chances Proporcionais (MCP)

O modelo de Chances proporcionais (MCP), também chamado de modelo logit comulativo, a
sua aplicação é indicada quando a variável resposta era originalmente uma variável contı́nua
que posteriormente foi agrupada (Abreu, 2007).
O MCP é uma opção adequada quando a variável resposta é de natureza ordinal. Nesse
modelo, probabilidades acumuladas são modeladas de forma que as razões de chances para
qualquer variável explicativa sejam as mesmas independentemente da categoria, isto é, o
modelo assume que as chances são proporcionais em todas categorias da variável resposta
(Inácio et al., 2015)
O MCP é composto por k-1 equações paralelas, no caso particular de apenas duas ca-
tegorias(k=2) na variável resposta, o modelo corresponde exactamente ao tradicional de
regressão logı́stica binária (Abreu, 2007).
De acordo com Agreti (2007), a probabilidade acumulada de Y é a probabilidade de Y

estar abaixo ou sobre certa categoria de Y. Para categoria j, a probabilidade acumulada é
dada pela expressão 2.30:
P [(Y 6 J)] = π1 + π2 + ... + πj , j = 1, 2, ...., J − 1 (2.30)
Para uma variável resposta definida por j categorias, com probabilidades de ocorrência
π 1 ,..., π j , as funções logit são dadas pela expressão em 2.31.


P(Y ≤ J) π1 + ... + πj
logit P [(Y ≤ J)] = log = log j = 1,..., j - 1.
1 − P(Y ≤ J) πj+1 + ... + πj
(2.31)
Supondo que para a variável Y, J a categoria de resultado para a variável resposta e que x
indique um vetor coluna para as variáveis explicativas, o modelo de Chances proporcionais
é dado pela expressão em 2.32.
logit P [(Y 6 J)] = αj - β’x j =1,..., J - 1 (2.32)
β é o vector de parâmetros do modelo que descreve o efeito das variáveis explicativas sobre
a variável Resposta do modelo. O modelo assume que o efeito das variáveis explicativas é
idêntico em todas J-1 categorias do logit acumulado. Essa premissa dos modelos de Chances
proporcionais é chamada de suposição de paralelismo (Agreti, 2007).
2.6.3 Modelo de Chances Proporcionais Parciais (MCPP)

Abreu (2007) afirma que, é rara a chance de todas as variáveis explicativas incluı́das no
modelo apresentarem a propriedade de Chances proporcionais. Com o vista a obter uma
alternativa em relação a violação do pressuposto de paralelismo surge o modelo de MCPP,
que permite que algumas variáveis explicativas possam se modeladas com o pressuposto de
Paralelismo e para outras variáveis que este pressuposto não seja satisfeito, são incluı́dos no
modelo parâmetros especı́ficos que variam para as diversas categorias comparadas. O MCPP
é uma extensão do MCP, quando não se verifica o pressuposto paralelismo. No MCPP, são
estimados k-1 interceptos, p coeficientes β que são independentes das categorias comparadas
e q(k-1) parâmetros γ, os quais são associados às variáveis explicativas da variável resposta.
Se os parâmetros γ são nulos(γj = 0) para todo j, o modelo se reduz ao MCPP. Para
uma variável resposta de natureza ordinal Y, com k categorias e um vector p de variáveis
explicativas, o modelo de chances proporcionais parciais é dado pela equação 2.33.
exp(−αj − β 0 x − τ 0 γj )
P [(Y ≤ j| x)] = j =1,..., k (2.33)
1 + exp(−αj − β 0 x − τ 0 γj )
τ é um vector (q×1) do subconjunto das p variáveis explicativas para as quais a hipótese de

chances proporcionais não é assumida a priori ou deve ser testada, γ j é um vector (q×1) de
coeficientes de regressão associados às q-covariáveis em τ .
Quando testado o pressuposto de chances proporcionais, pode-se não ser verificada, e
alternativa imediata dos modelos ordinais pode ser o MCPP, e mesmo assim pode-se conse-
quentemente verificar uma relação linear entre a razão de Chances das variáveis explicativas e
a variável resposta, sendo assim proposto o MCP Restrito, nesse caso são inseridas restrições
como parâmetros do modelo de modo a incorporar essa linearidade (Abreu, 2007).

2.6.4 Modelo de Razões Continuas

De acordo com Agreti (2007), o Modelo de Razão contı́nua (MRC) são úteis quando a variável
resposta Y é caracterizada por um processo sequencial de cada observação deve passar pela
categoria de resposta j antes de passar para categoria anterior. Por exemplo Tutz (1991)
utilizou o modelo logit de razão contı́nua para analisar a relação entre o aumento de amı́gdala
(não ampliada, ampliada, e grandemente ampliada) e ser portador ou não de bactérias, o
mesmo autor argumentou que estes dados formam um grupo sequencial pois a amı́gdala
começa no estágio de não ampliada e depois torna-se ampliada.
De acordo com Abreu et al. (2009), o MRC permite comprar a probabilidade de uma
resposta igual à categoria com determinado escore, supondo, yj , Y=j, com a probabilidade
de uma resposta maior, Y > yj . Esse modelo possui diferentes interceptos e coeficientes
para cada comparação e pode ser ajustado por k modelos de regressão logı́stica binária. É
apropriado quando existe um interesse em uma categoria especı́fica da variável resposta.
A função logit para a razão contı́nua é dada pela expressão em 2.34.

πj
log j = 1,..., k - 1. (2.34)
πj+1 + ... + πk
O modelo logı́stico de razões contı́nuas pode ser representado pela equação 2.35.

πj P (Y = j|x)
log = log = αj - β’x j = 1,..., c - 1. (2.35)
πj+1 + ... + πc P (Y > j|x)
Os MRC são úteis quando um mecanismo sequencial determina o resultado da resposta, no

sentido de que uma observação deve provavelmente ocorrer na categoria j antes que ocorra
em uma categoria de ordem superior à esta. Há um interesse intrı́nseco em uma categoria
especı́fica da variável resposta. Uma das vantagens do MRC é que pode ser ajustado através
de k modelos de regressão logı́stica binária (Abreu et al., 2009).
2.6.5 Modelo de Categorias Adjacentes

Quando se pretende comparar os efeitos na categoria da variável resposta seguindo uma
ordenação consecutiva de um par de categorias, seja, crescente ou decrescente, o modelo
apropriado é o modelo de Categorias Adjacentes Hosmer e Lemmeshow (2000).
De acordo com Moura (2019), o logit do modelo de categorias adjacentes é definido pelo
logit da probabilidade condicional da resposta na categoria j ou j+1, e o modelo é definido
pela expressão 2.36:
πj (x )
log = αj - β’x j = 1,..., k - 1. (2.36)
πj+1 (x )
O logit do modelo compara a categoria j com a categoria de referência j+1. Normalmente,

utiliza-se a última categoria como referência.
2.6.6 Modelo Estereótipo

O modelo Estereótipo (ME), é considerado uma extensão do modelo multinomial, que por
sua vez compara cada categoria da variável resposta com uma categoria de referência, nor-
malmente a primeira ou a última. Devido ao caractér ordinal dos dados são atribuı́dos pesos
(ωj ) aos coeficientes, os pesos são directamente relacionados com os efeitos das variáveis ex-
plicativas. O ME é adequado para situações em que a variável resposta de natureza ordinal
é discreta (Batista e Silva, 2000).
O ME deve ser aplicado quando a variável resposta é ordinal e não é uma versão discreta
de uma variável contı́nua, este modelo foi proposto por Anderson (1984), onde afirma que
os diagnósticos médicos tendem a ser fixos e invariáveis (estereotipados) baseando-se na
classificação da gravidade da doença, tais como, média moderada e grave. Neste caso, o
modelo deve ser flexı́vel o bastante para capturar a dimensão natural das categorias da
variável resposta (Abreu, 2007).
O modelo estereótipo assume a forma dada pela equação em 2.37.
exp(αj β0 + βφj x’)

P [(Y = J | x)] = Pj j =1,..., k (2.37)
i=1 exp(αi β0 + βφi x’)
φj é um parâmetro introduzido de modo a impor uma estrutura linear ao seu logit.

A interpretação dos coeficientes β, está intimamente relacionada com ωj , pois os loga-
ritmos de razão de Chances da forma funcional do modelo 2.37 são dados por ωj β (Cunha,
2014).
Além dos pesos (ωj ) para a variável reposta, há um parâmetro β para cada variável explica-
tiva. Esses pesos são directamente relacionados com efeito das variáveis explicativas, então
a razão de chances formada terá uma tendência de crescimento já que os pesos normalmente
são construı́dos com ordenação (0 = ω ≤ ω2 ≤ ... ≤ ωj ), assim o efeito das variáveis explica-
tivas na primeira razão de Chances é menor que o efeito na segunda e assim sucessivamenteb
Abreu (2007).
Abreu(2007 afirma ainda, que a maior dificuldade do ME é a determinação dos pesos,
mas existem algumas possibilidades. Sugere-se que os pesos podem ser decididos a priori,
ou seja, valores apropriadamente escolhidos ou estimados a partir de dados de um estudo
piloto, ou ainda utilizar modelos lineares generalizados que estimam pesos como parâmetros
adicionais do modelo.

Capı́tulo 3
Material e Métodos
Neste capı́tulo, são apresentados de forma detalhada os materiais usados e o método

aplicado para a obtenção dos resultados que são apresentados na secção 4. Na secção 3.1,
referente aos materiais, é apresentada a fonte de dados e a descrição das variáveis (vide as
tabelas 3.1.1 e 3.1.2). Na secção 3.2, referente aos métodos, é apresentada a classificação
metodológica da pesquisa e os testes usados para a realização do trabalho.
3.1 Material
Para a realização deste estudo foram usados dados de fonte secundária fornecidos pelo
SETSAN 1 , a amostra é referente à dados dos AFs que estiveram expostos à InSAN aguda
no perı́odo de Janeiro a Março de 2019, onde efectuou-se a recolha dos seus dados sócio-
económicos dos AFs , da disponibilidade alimentar, acesso, a utilização e estabilidade dos
alimentos, bem como informação nutricional de mulheres e crianças menores de cinco anos
de idade dos AFs. A recolha de dados dos AFs foi realizada em abril de 2019.
Relativamente ao processo de amostragem, foi usada a Amostragem Aleatória Simples
(AAS), para a selecção dos AFs a inquirir em cada Área de Enumeração (AE)2 , para o cálculo
do tamanho da amostra foi considerada a prevalência de insegurança alimentar e nutricional
aguda observada nos perı́odos anteriores nas respectivas provı́ncias. Feita a determinação do
tamanho da amostra, o processo seguinte foi executado em duas etapas, a primeira consistia
na selecção das AE, que eram seleccionadas por uma AAS e a segunda etapa consistia em
enumerar todos os AFs da área presentes no momento até encontrar o número total de AFs
na área. Tendo este número, recorria-se à tabela de selecção aleatória para selecção de 14
AFs a inquirir por AE.
1
Secretariado Técnico de Segurança Alimentar e Nutricional, é um órgão moçambicano responsável pelos
estudos de SAN
2
Uma área de enumeração (AE) é compreendida como sendo parte do território que é atribuı́da a um
recenseador para recensear todas as pessoas e casas ali existentes, sendo ela dividida em rural e urbano.
Yma AE Rural contêm 80 à 100 AFs e uma AE urbana tem 100 à 120 AFs
25
CAPÍTULO 3. MATERIAL E MÉTODOS
Definição da variável de interesse
A variável Resposta é o Índice de Segurança Alimentar(ISA) 3 construı́do segundo a meto-

dologia do Estudo de Base. Seja Y o ı́ndice de InSAN, como definido na seccção 2.1.3, o
ı́ndice é classificado da seguinte forma: 4 ,


 Segura, se 0 < Y < 2
Y = M oderada, se 2 ≤ Y < 3

Severa, se Y ≥ 3

Nas tabelas 3.1.1 e 3.1.2 5 , são apresentadas as variáveis do estudo, as suas categorias e
a sua respectiva descrição.
Tabela 3.1.1: Caracterização das variáveis em estudo

Variável Categorias Descrição
Menos de 18 anos Representa a idade do chefe do AF.

IdadechefeAF 18-59 anos agrupados em faixas etárias
60 anos ou mais
Masculino Representa o sexo do chefe do AF.
SexochefeAF
Feminino
Sim A variável indica se o AF Cria animais
AnimalAF
Não para o seu consumo ou venda.
Sim A variável indica se o AF prática agricultura
PratAgricultura
Não para o seu consumo ou para venda.
Pobre A variável indica o nı́vel
FCSCat
Moderado de consumo de alimentos do AF.
Adequado
Normal A variável indica se o AF enfrentou situações
Stress de acesso de alimentos fora do comum.
Maxcopping
Crise
Emergência
Sim A variável indica se os membros do AF que
SA12centrodesaude Não ficaram doentes nos últimos 12 meses e tiveram
acesso aos centros de saúde
Sim A variável indica se no AF existem crianças
Desnutri
Não ou mulheres desnutridas
Água do poço Representa a fonte de água utilizada pelo AF
FonteaguaAF Água insegura
Água canalizada
1 a 4 membros Representa o número de membros
MembrosAF 5 a 8 membros em cada AF
mais de 8 membros
3
É um indicador composto do estado de Segurança alimentar e nutricional do AF
4
Estudo de Segurança Alimentar e Nutricional realizado em Moçambique em 2013 realizado pelo SETSAN
5
O Índice do Consumo Alimentar (ICA), o Índice de Estratégias de Sobrevivência (IES) relativo a formas
de vida e o Índice (reduzido) de Estratégias de Sobrevivência Alimentar foram todos calculados de acordo
com as directrizes fornecidas pelo Programa Mundial para a Alimentação https://resources.vam.wfp.org

Tabela 3.1.2: Variáveis do Estudo, suas categorias e descrições (Continuação)

Variável Categorias Descrição
Pobre A variável indica o nı́vel qualidade
DADD24WFP
Moderado da dieta do AF.
Adequado
Fase 1 Representa o uso de estratégias
RCSIcat Fase 2 de sobrevivência alimentar.
Fase 3 ou mais
Sem Reservas A variável representa a duração das
1-3 meses reservas de cereais dos AFs, meses.
Reservas
4-6 meses
7-12 meses
Mais de 12 meses
Sem nenhum nı́vel Representa o nı́vel académico do chefe do AF.
EscolaridadeAF Primário
Secundário ou Médio
Superior
Latrina melhorada A variável representa o tipo de latrina
LatrinaAF Latrina tradicional usada pelo AF
Retrete
Trabalho Informal Representa a principal fonte de renda do AF,
Esmola geralmente gerada pelo chefe do AF, onde a
Salário categoria Salário foram considerados os chefes
Ganho a Ganho com trabalho e que tem um vı́nculo contratual,
Ajuda alimentar a categoria informal aqueles sem nenhum vı́nculo
Fonterenda contratual, categoria Esmola aqueles que dependem
de doações de dinheiro para o acesso aos aliementos,
categoria Ganho à ganho foram considerados aqueles
prestadores de serviços executados geralmente na via
pública e sem nenhum ponto fı́sico de trabalho, a
categoria ajuda alimentar indica aqueles que dependem
de ajudas alimentares, geralmente provenientes dos
programas de assistência alimentar
3.2 Métodos
A análise dos factores associados à InSAN aguda na provı́ncia de Gaza, será efectuada por
meio de modelos de regressão logı́stica ordinal e será precedida pela análise bivariada com
vista a verificar a associação entre o Índice de SAN e os potencias factores, para através
deste procedimento conhecer os factores que serão introduzidos ao modelo de regressão. De
modo a verificar a associação da situação da InSAN e os potencias factores será aplicado o
teste Qui-quadrado (χ2 ).
3.2.1 Teste de independência entre as variáveis do estudo

De acordo com Ferreira (2013), o teste do Qui-quadrado (χ2 ) permite verificar a inde-
pendência entre duas variáveis qualitativas, tendo por base uma disposição dos dados em
uma tabela de dupla entrada r xc.

Genericamente, uma tabela de dupla entrada resulta de uma classificação, segundo dois
ou mais itens diferentes, de um mesmo grupo de indivı́duos. Tem por objetivo inferir sobre
a existência ou inexistência de relação entre as variáveis.
Seja uma amostra de n indivı́duos extraı́da de uma população, atendendo a dois critérios
de classificação: variável X e variável Y, cujos valores observados serão representados por
Oij , com i=1,...,r, e j=1,...,c. As frequências observadas podem apresentar-se numa “Tabela
de Contingência” com linhas e colunas.
A hipótese Nula (Ho ) do teste χ2 consiste em afirmar que há independência entre variáveis
X e Y, a estatı́stica de teste é dada pela equação 3.1
XX (Oij - Eij )2
χ2 = (3.1)
Eij
A regra de decisão é dada por:
• Se χ2 ≤ χ(r−1)(k−1);α 6 ou P-value ≥ α, não rejeitar H0 ;
• Se χ2 > χ(r−1)(k−1);α ou P-value < α, rejeitar H0 .
3.2.2 Estimação dos Modelos Logı́sticos Ordinais

De acordo com o Heeringa et al. (2010), o processo de estimação dos parâmetros nos
modelos ordinais é análoga ao processo de estimação nos modelos multinomiais. A estimação
dos parâmetros deste modelo envolve a maximização da versão multinomial da função de
pseudo-máxima verossimilhança, dada pela expressão 3.2:
n
( K
)
Y Y (k)
yi
P LM ult (β̂ | X) = π̂k (xi ) (3.2)
i=1 k=1
(k) (k)
onde na equação 3.2, yi = 1, se y = k para a i-ésima unidade amostral e yi = 0, caso
contrário., π̂k (xi ) é a estimativa para a probabilidade de que yi = k|x.
Heeringa et al. (2010) afirma ainda, que a maximização envolve a aplicação do al-
goritmo de Newton-Raphson para a resolução das equações de estimação dos parâmetros,
dadas pela expressão 3.3.
0
XXX (k)
S(β)M ult = (yhαi − π̂k (β))xhαi = 0 (3.3)
k α i
(k) (k) 0
yhαi = 1, se y = k para a i-ésima unidade amostral e yhαi = 0, caso contrário. xhαi é um vector
coluna dos p+1 elementos da matriz amostral para o caso i e β é o vector de parâmetros a
estimar. A matriz de variância-covariância é obtida pelo método de linearização de Taylor,
tal como nos modelos de regressão logı́stica binária.
6
Foi fixado o nı́vel de significância α= 5%; r e k representam o número de categorias das variáveis.

3.2.3 Teste para a significância do Modelo

Feita a estimação dos coeficientes do modelo, é importante avaliar a significância global
do modelo e individual dos coeficientes, que será feita através do teste de Wald.
Teste de Wald
De acordo com Araújo (2017), o teste de Wald é utilizado para avalia se o parâmetro
do modelo é estatisticamente significativo para um determinado nı́vel de significância 7 . As
hipóteses a serem testadas são dadas pela expressão 3.6:
(
H0 : βj = 0
(3.4)
H1 : βj 6= 0
A estatı́stica de teste é obtida por meio da razão do coeficiente pelo seu respectivo erro
padrão, tem-se assim, que essa estatı́stica apresenta uma distribuição normal. A estatı́stica
é dada pela equação 3.5
βˆj
Wj = ∩ N (0, 1) (3.5)
var(βˆj )
Onde βˆj é o vector de estimativas para β e var(βˆj ) é a matriz de variâncias.
Analogamente para verificar a significância global do modelo, segundo Cunha (2014), é
necessário testar a significância do modelo estimado onde pode-se também recorrer ao teste
de razão de verossimilhança, que testa as hipóteses na expressão 3.6.
(
H0 : β1 = β2 = ... = βj 0
(3.6)
H1 : ∃βj 6= 0, j = 1, ..., k
A estatı́stica de teste é dada pela expressão 3.7

2
X nj
G =2 nj log (3.7)
nπj0
Quanto maior for o valor da estatı́stica G2 , indica maior evidências para rejeição da
hipótese nula (Ho ). A estatı́stica G2 segue uma distribuição Qui-quadrado (χ2 ), com k-1
graus de liberdade, onde k representa o número de categorias da variável resposta.
3.2.4 Teste do pressuposto de paralelismo nos modelos logı́sticos

ordinais
Nos modelos logı́sticos ordinais existe um importante pressuposto ligados às probabilidades
ordinais, designado pressuposto de Paralelismo, que assume que os parâmetros estimados
são iguais em todas as diferentes categorias da variável resposta, isto é, a razão de chances
é a mesma para todos k-1 logits estimados (Ari e Yildiz (2014); Moura(2019)).
7
neste trabalho foi o nı́vel de significância fixado é de 5%

Segundo Moura (2019), o pressuposto de paralelismo é dado pela expressão 3.8:
β 1j = β 2j = · · · = β (k−1)j = β j =1, 2,..., J (3.8)
Onde k designa-se como a categoria, j variáveis explicativas, o teste de paralelismo é feito

sob a expressão 3.8 como sendo a Ho e a hipótese H1 é dada pelo inverso da expressão 3.8.
Para testar a H0 , será usado o teste de Wald, proposta por Brant (1990), este teste segue
aproximadamente a distribuição Qui-quadrado (χ2 ), em que o número de graus de liberdade
equivale à diferença entre o número de parâmetros do modelo sob a hipótese nula e o número
de parâmetros do modelo proposto (Moura, 2019).
3.2.5 Qualidade de Ajuste nos Modelos Logı́sticos Ordinais

Segundo Cunha (2014), normalmente a qualidade do ajuste dos modelos ordinais é ve-
rificada pelos teste de Pearson ou Deviance, ou mesmo recorrendo à criação de uma tabela
de contingência na qual as linhas consistem de todas as possı́veis combinações das variáveis
explicativas do modelo e as colunas são as categorias da variável resposta, as contagens
esperadas dessa tabela são expressas pela formula 3.9:
Ni
X
Eij = Pij (3.9)
i=1
onde Ni é o número total de observações classificadas na linha i, e Pi j representa a proba-

bilidade da observação na linha i ter a resposta j a partir do modelo adoptado.
O teste de Pearson para avaliar se o modelo é adequado quando se compara as contagens
esperadas com as observadas, pela formula 3.10
X X (Ojkl − Ejkl )2
χ2P = ; (3.10)
Ejkl
O teste de Pearson é adequado quando se pretende comparar as contagens esperadas com

as observadas e dado pela formula 3.11

XX Ojkl
χ2D =2 Ojkl ln (3.11)
Ejkl
Os testes para avaliar a qualidade do ajuste do modelo são baseadas nas aproximações das
estatı́sticas 3.10 e 3.11 para distribuição Qui-quadrado com (L-1)(k-1)p graus de liberdade,
sendo L o número de linhas, k o número de colunas da tabela de contingência e p o número
de variáveis explicativas (Abreu, 2007).
De acordo com os autores Abreu et al. (2009) e Connel e Liu (2011), até ao momento não
se encontram disponı́veis métodos para o teste da validade do modelo de chances proporci-
onais parciais, porém existe um comando 8 , este comando por sua vez possibilitou testar e
8
gologit2, proposto e desenvolvido por Williams (2006) no Software STATA

corrigir a suposição de Chances proporcionais para as várias categorias das variável em que
esta suposição não verificada. As estatı́sticas AIC e BIC podem auxiliar a verificação do
modelo que melhor se ajusta aos dados.
3.2.6 Critérios de Selecção de Modelos

Segundo Hair et al. (2005), o Critério de Informação de Akaike (AIC), e o Critério de
Informação Bayesiano (BIC), são ferramentas para seleção de modelos.
No MLG os Critérios de AIC e BIC, são expressos pelas equações: 3.12 e 3.12
AICp = Sp + 2p − 2lˆn (3.12)
BICp = Sp + plog(n) − 2lˆn (3.13)

Um valor baixo para AIC, entre determinados modelos, são considerados como indicação
de um melhor ajuste e os modelos são selecionados visando a se obter um mı́nimo AIC, e
analogamente interpreta-se BIC.
Hair et al. (2005) acrescenta ainda, que os valores de AIC mais próximos de Zero indicam
melhor ajuste e maior Parcimónia. Um pequeno AIC geralmente verifica-se quando pequenos
valores de Qui-quadrado são obtidos com menos coeficientes estimados. Isso mostra não
apenas um bom ajuste das correlações observadas versus previstas, mas também um modelo
não propenso à Superajustamento.
3.2.7 Interpretação da razão de chances para modelos ordinais

Segundo Abreu (2007), Supondo que a variável resposta Y, com k categorias ordenas(Yj
com j=1,2,...,k.), e que dois grupos(A e B) que devem ser comparados. Para a categoria j,
a razão de chances (OR) é dada pela expressão:
P (Y ≤ Yj |x(A) )

P (Y > |x(A) ) odds(A)

ORj = = (3.14)
P (Y ≤ Yj |x(B) ) odds(B)

P (Y > |x(B) )
A e B representam respectivamente a exposição ou não a um factor de risco, a razão
de chances quantifica a chance de um indivı́duo do grupo exposto ser classificado até uma
determinada categoria comparada com a chance do grupo não exposto.
Como definição usual, o OR é a razão entre duas chances(Odds), mas para os modelos
logı́sticos ordinais a chances é definida através de probabilidade acumulativas. Para sua
interpretação, basta que seja considerada que a variável resposta seja binária, já pode ser
interpretado como um modelo logı́stico binário, conforme referenciado na secção 2.4.1, isto
é, supondo que a variável resposta do modelo tenha 3 categorias, a primeira categoria é
comparada com as categorias 2 e 3, de seguida as categorias 1 e 2 são comparadas com a
categoria 3.

3.2.8 O processo da Análise

Para análise dos factores associados à insegurança alimentar e nutricional da provı́ncia
de Gaza, conforme recomendado por Hosmer e Lemeshow (2000), inicialmente efectur-se-á
uma análise exploratória dos dados e de seguida a verificação da existência da associação
entre a variável resposta (Índice de SAN) e as variáveis do estudo por meio do teste Qui-
quadrado (χ2 ) de Pearson, com o objectivo de conhecer as variáveis que serão utilizadas
para a estimação do modelo, um nı́vel de significância fixado à 5%, onde (P-value< 0.05)
indica a existência de evidências suficientes para rejeitar a hipótese de independência entre
as variáveis.
De seguida, será estimado um Modelo ordinal Generalizado, que por meio do teste de
Wald, serão verificadas a significância individual dos factores a um nı́vel de significância
de 5%, onde, por sua vez, para a selecção destas variáveis será aplicado o metódo de
backward,(referenciado na secção ) ,onde serão excluı́das as variáveis que não serão esta-
tisticamente significativas (P-value< 0.05).
Depois de selecionadas as variáveis que se apresentaram estatisticamente significativas,

será estimado o Modelo de Chances Proporcionais, e de seguida, aplicarar-se-á o teste do
pressuposto de paralelismo, em que quando o pressuposto não se verifica, a alternativa é o
Modelo de Chances Proporcionais Parciais ajustado 9 . Feita a estimação dos 3 modelos, a
identificação do melhor modelo será com o auxı́lio das estatı́sticas AIC e BIC, que quanto
menor for a estatistica melhor será o modelo.
Importa salientar conforme referenciado na secção 3.2.5, nos modelos de chances pro-
porcionais parciais existe pouca informação relativa a um teste para a verificação de ajuste
do modelo e o uso de estatı́sticas que avaliam a qualidade de ajuste do modelo, sobre o
uso da análise dos resı́duos, pois segundo Hosmer e Lemeshow (2000), deve-se ter cuidado
na interpretação destas estatı́sticas e os resı́duos, principalmente considerando a escassa
existência de informações de como aplicar a avaliação. Os gráficos por vezes podem sugerir
informações confusas e dificultar a tomada de decisões quanto à qualidade do modelo, pois
quando há alguma incerteza quanto ao formato do gráfico, esse teste pode contribuir para
uma má conclusão do modelo. Em alternativa, mas não em substiuição, ao teste de ajuste
do modelo pode-se através do software STATA, pode-se com o auxı́lio das estatisticas AIC
e BIC, pode-se proceder com as análises.
Feita a selecção do melhor modelo, será feita a interpretação das razões de chances, porém
somente das categorias estatisticamente significativas (P-value< 0.05).
9
A estimação do Modelo de Chances Proporcionais Parciais foi efectuada através do software STATA
com auxı́lio do comando autofit

Capı́tulo 4
Resultados e Discussão
O presente capitulo é dedicado a apresentação dos resultados. Neste capı́tulo, será apre-
sentada inicialmente uma análise descritiva e os resultados do teste de independência entre
as variáveis do estudo e por fim os resultados referentes aos modelos estimados.
4.1 Análise Descritiva e bivariada entre as variáveis do

estudo
A amostra do estudo é composta por 2881 AFs residentes na provı́ncia de Gaza que se
encontram expostos à InSAN aguda. A figura 4.1, apresenta a distribuição do AFs relati-
vamente a classificação da situação da segurança alimentar e nutricional, em que pode-se
verificar que a maior parte dos AFs da amostra vivia exposta a situação de InSAN Moderada
(57.79%) e a menor parte vivia exposta a InSAN Severa (14.23%).
Figura 4.1: Distribuição provı́ncia de Gaza, quanto a classificação da situação de

SAN
33
CAPÍTULO 4. RESULTADOS E DISCUSSÃO
Verifica-se à luz das tabelas 4.1.1 e 5.3.1 (última em anexo), a distribuição de frequências
absolutas e relativas do Índice de SAN segundo as caracterı́sticas dos AF e os resultados do
teste de independência (χ2 ) entre as variáveis do estudo.
Verifica-se de acordo com a tabela 4.1.1, que num universo de 1,626 AFs chefiados por
indivı́duos com idades compreendidas entre 18 à 59 anos, 53.4% dos AFs encontram-se
expostos à InSAN moderada, enquanto 14.8% dos AFs, na mesma faixa etária, estão expostos
à InSAN Severa. Relativamente aos AFs chefiados por indivı́duos menores de 18 anos 95.2%
encontravam-se expostos à InSAN moderada.
Tabela 4.1.1: Distribuição de frequências e teste de independência do Índice de SAN e

algumas caracterı́sticas selecionadas do AF
Índice de SAN P-value
Variável Categorias Segura(%) Moderada(%) Severa(%) Total (χ2 )
Idade chefe Menos de 18 anos 12(2.5) 452(95.2) 11(2.3) 475
do AF 18-59 anos 516(31.7) 869(53.4) 241(14.8) 1,626 0.00
60 anos ou mais 278(35.6) 344(44.1) 158(20.3) 780
Sexo do chefe Masculino 378(30.0) 745(59.2) 136(10.8) 1,259 0.00
do AF Feminino 428(26.4) 920(56.7) 274(16.9) 1,622
Prática Sim 521(32.4) 846(52.6) 241(15.0) 1608 0.00
de pecuária Não 285(22.4) 819(64.3) 169(13.3) 1,273
Situação fora Normal 142(40.1) 165(46.6) 47(13.3) 354
do comum Stresse 271(41.6) 307(47.1) 74(11.3) 652 0.00
Crise 190(31.7) 322(53.7) 88(14.7) 600
Emergência 203(15.9) 871(68.3) 201(15.8) 1,275
Principal fonte Trabalho informal 483(54.3) 335(37.7) 71(8.0) 889
de renda Esmola 49(8.2) 469(79.0) 76(12.8) 594
Salário 162(54.7) 123(41.6) 11(3.7) 296 0.00
Ganho à ganho 2(0.2) 599(70.9) 244(28.9) 845
Ajuda alimentar 110(42.8) 139(54.1) 8(3.1) 257
Membros 1 a 4 membros 473(50.8) 377(40.5) 81(8.7) 931
do AF 5 a 8 membros 112(12.8) 631(72.0) 133(15.2) 876 0.00
mais de 8 membros 221(20.6) 657(61.2) 196(18.2) 1,074
Desnutrição Sim 306(21.3) 922(64.2) 209(14.5) 1,437 0.00
no AF Não 500(34.6) 743(51.5) 201(13.9) 1,444
Acesso ao centro Sim 362(25.4) 831(58.3) 232(16.3) 1,425 0.00
de saúde Não 444(30.5) 834(57.3) 178(12.2) 1,456
Prática de Sim 596(43.8) 633(46.5) 133(9.8) 1,362 0.00
Agricultura Não 210(13.8) 1032(67.9) 277(18.2) 1,519

Num total 1,622 AFs chefiados por mulheres, 56.7% estavam expostos à InSAN mode-
rada, em contrapartida apenas 16.9% dos AFs estavam expostos à InSAN severa. Por outro
lado, num universo de 1259 AFs chefiados por homens a maior parte encontrava-se exposta
à InSAN moderada (59.2%).
Verifica-se que no total de 1,608 AFs que praticavam a pecuária a maior parte deles
encontravam-se expostos à InSAN moderada (52.6%), enquanto a menor parte encontrava-
se exposta à InSAN severa (15.0%). Por outro lado, num total de 1,273 AFs que não
praticavam a pecuária, a maior parte encontravam-se expostos à InSAN moderada (64.3%)
e 13.3% estavam expostos à InSAN severa.
Em um universo de 1,275 AFs que tinham enfrentado situações de fora do comum, a

maior parte encontravam-se expostos à InSAN moderada (68.3%) e a percentagem dos AFs
expostos à InSAN severa eram de cerca de 15.8% , encontrando-se estes aproximadamente
na mesma proporção que os AFs não expostos à InSAN.
Os AFs que tinham como principal fonte de renda o trabalho informal constituem um
total de 889, em que a maioria não se encontrava exposto à InSAN (54.3%), e 8.0% dos AFs
encontravam-se em situação de InSAN severa. Por outro lado, nos AFs que tinham como
principal fonte de renda a esmola, a maior parte encontra-se exposta à InSAN moderada
(79.0%). Nos AFs que tinham como sua principal fonte de renda o ganho à ganho somente
0.2% não estavam expostos à InSAN.
Relativamente aos AFs com mais de 8 membros (1,074), 61.2% dos AFs encontravam-se
expostos à InSAN moderada e 18.2% encontravam-se expostos à InSAN severa. Por outro
lado, os AFs com 1 à 4 membros a maior parte não se encontrava exposta à InSAN (50.8%)
comparativamente aos expostos à InSAN moderada (40.5%) e severa (8.7%).
Em um universo de 1,444 AFs sem mulheres ou crianças desnutridas, a maior parte

encontrava-se exposta à InSAN moderada com cerca de 51.5% e os AFs expostos à InSAN
severa eram cerca de 13.9%. Por outro lado, entre os AFs com crianças ou mulheres desnu-
tridas (1437), 64.2% encontravam-se expostos à InSAN moderada.
Do total de 1,425 AFs que tiveram acesso aos serviços de saúde, 16.3% encontravam-se
expostos à InSAN severa, e por sua vez 25.4% dos AFs não encontravam-se exposto à InSAN.
Relativamente aos AFs que não tiveram acesso aos serviços de saúde (1,456), maior parte
encontrava-se exposta à InSAN moderada com cerca de 57.3%, contra apenas 12.2% dos AFs
expostos à InSAN severa.

Num total de 1,519 AFs que não praticam agricultura, a maioria estava exposta à InSAN
moderada (67.9%), enquanto 13.8% dos AFs não se encontrava exposto à InSAN. Por outro
lado dos AFs que praticavam a agricultura, apenas (9.8%) encontra-se exposta à InSAN
severa, comparativamente aos AFs não expostos à InSAN e aos expostos InSAN moderada
constituiam cerca de 43.8% e 46.5% de AFs, respectivamente.
Relativamente a verificação da associação entre a variável de interesse e as demais
variáveis do estudo, foi efectuado o teste de Qui-quadrado(χ2 ), cujos os resultados podem
ser verificados nas tabelas 4.1.1 e 5.3.1 (último em anexo).
Deste modo, pode-se verificar a existência de evidências suficientes para concluir sobre
a existêncuma relação bivariada estatisticamente significativa entre a variável de interesse
(Índice de SAN), e as demais variáveis do estudo. Com isso pode-se efectuar a estimação
das variáveis
4.2 Estimação dos Modelos de Regressão

4.2.1 Estimação do Modelo logı́stico Ordinal
O processo de estimação de modelos consistiu em, inicialmente estimar um MCP com todas
as variáveis com uma associação estatisticamente significativas com a variável de interesse
(Índice de SAN). De seguida foi avaliada a significância individual dos coeficientes do mo-
delo, ver a tabela 5.3.2 em anexo, onde foram inclusas no modelo as variáveis cujo p-value
foi menor que o nı́vel de significância de 5% (P-value< 0.05).
Feita a estimação do modelo, de seguida feito o teste de significância dos coeficientes, as

variáveis que não foram estatisticamente significativas foram, Idade do Chefe do AF, Prática
de pecuária do AF, a fonte de água do AF e o tipo de latrina do AF. Desta feita o modelo
final incluı́ as variáveis tais como, o Sexo do chefe do AF, Prática de Agricultura, o Índice
de Consumo Alimentar, Qualidade da dieta, Situação fora do comum, Índice Reduzido de
Estratégias de Sobrevivência Alimentar, Duração das reservas de cereais, fonte de renda do
AF, o número de membros do AF, nı́vel de escolaridade do Chefe do AF, a desnutrição em
mulheres ou crianças do AF, o Acesso aos serviços de saúde.
No processo de estimação dos modelos de chances proporcionais foi testado o pressuposto

de igualdade dos coeficientes ao longos das equações estimadas para todas as comparações das
categorias do Índice de SAN, a um nı́vel de significância de 5%, verifica-se que o pressuposto
foi violado para todas as variáveis incluı́das no modelo excepto para as variáveis, Desnutrição
em crianças ou mulheres no AF e Acessos aos serviços de saúde, conforme a tabela 4.2.1.

Tabela 4.2.1: Testes individuais e global para o pressuposto de paralelismo

Variável P-value
Sexo do chefe AF 0.00
Prática de agricultura 0.00
Índice de consumo alimentar 0.00
Qualidade da dieta 0.00
Situação fora do comum 0.00
Índice reduzido de estratégias de sobrevivência 0.01
Duração de reservas de cereais 0.01
Principal fonte de renda 0.00
Membros do AF 0.00
Nı́vel académico do chefe do AF 0.00
Desnutrição de crianças no AF 0.98
Acesso ao serviço de saúde 0.08
Teste Global 0.00
4.2.2 Selecção do melhor modelo

Tendo-se estimado o MOG, MCPP e o MCPP, as estatı́sticas AIC e BIC auxiliaram
para a escolha do melhor modelo, na tabela 4.2.2, encontram as estatı́sticas AIC e BIC de
cada modelo estimado.
Tabela 4.2.2: Critérios de selecção do melhor modelo

Modelos AIC BIC
Modelo Ordinal Generalizado 3.464 3.631
Modelo de Chances Proporcionais 3.134 3.457
Modelo de Chances Proporcionais Parciais 3.126 3.400
De acordo com os resultados na tabela 4.2.2, pode-se considerar que o modelo de MCPP é a
melhor alternativa de modelação para os dados, por possuir o menor valor para as estatı́sticas
AIC e BIC comparativamente ao MOG e o MCP.
Tendo se selecionado o modelo de MCPP como sendo o melhor modelo, no MCPP o
processo de modelação consistiu na estimação de duas equações, isto é, sendo que a variável
resposta ordinal tem 3 categorias, nomeadamente, Segura (Seg), Moderada (Mod) e Severa
(Sev), foram estimadas duas equações. Inicialmente compara-se a categoria Segura e as
categorias Moderada e Severa, de seguida comparam-se as categorias Segura e moderada
com a categoria Severa.
Relativamente a significância global do modelo, avaliado pela estatı́stica χ2 = 2443.76
associado a um P-value = 0.00. Existêm evidências suficientes para afirmar que pelo menos
um parâmetro do modelo é estatisticamente significativo.

4.2.3 Interpretação das razões de Chances do Modelo

A tabela 4.2.3 ilustra o MCPP, apresentando assim duas equações e de acordo com as
comparações anteriormente referenciadas, com o respectivos coeficientes (β), as razões de
chances (OR), e o P-value do teste de significância individual das variáveis.
Tabela 4.2.3: Modelo de Chances Proporcionais parciais(Modelo final)

Seg Vs Mod & Sev Seg & Mod Vs Sev
Variável Categorias β OR P-value β OR P-value
Sexo do chefe Masculino*
do AF Feminino -0.14 0.87 0.33 0.49 1.64 0.00
Prática de Sim*
Agricultura Não 1.46 4.33 0.00 0.78 2.19 0.00
Índice Pobre*
de consumo Moderado 0.74 2.10 0.00 -0.60 0.55 0.00
alimentar Adequado 1.46 4.31 0.00 -0.23 0.80 0.28
Qualidade Pobre
da dieta Moderado 0.45 1.57 0.04 0.45 1.57 0.04
Adequado 1.57 4.79 0.00 0.44 1.55 0.07
Situação fora Normal*
do comum Stresse 0.16 1.17 0.40 0.16 1.17 0.40
Crise 0.70 2.02 0.00 0.70 2.02 0.00
Emergência 1.47 4.34 0.00 0.62 1.86 0.00
Índice reduzido Fase1*
de estratégias Fase 2 0.33 1.39 0.01 0.33 1.39 0.01
sobrevivência Fase 3 ou mais 1.23 3.42 0.00 0.60 1.81 0.00
Duração das Sem reservas*
reservas 1-3 meses 0.57 1.77 0.00 0.06 1.06 0.71
4-6 meses 0.86 2.36 0.00 0.86 2.36 0.00
7-12 meses 1.26 3.51 0.00 1.26 3.51 0.00
mais de 12 meses 2.31 10.09 0.00 3.58 35.69 0.00
Principal Trabalho informal*
fonte Esmola 1.75 5.74 0.00 -0.05 0.96 0.82
de renda Salário -0.01 0.99 0.96 -0.94 0.39 0.01
Ganho à ganho 6.09 443.07 0.00 1.20 3.32 0.00
Ajuda alimentar -0.80 0.45 0.00 -2.06 0.13 0.00
1 a 4 membros*
No de membros 5 a 8 membros 1.18 3.26 0.00 0.13 1.14 0.43
do AF Mais de 8 membros 1.23 3.41 0.00 0.77 2.15 0.00
Escolaridade Sem nenhum nı́vel*
do Chefe do AF Primário -0.86 0.43 0.00 -0.11 0.90 0.44
Secundário ou médio -2.83 0.06 0.00 -1.08 0.34 0.00
Superior -0.92 0.40 0.00 -0.04 0.96 0.80
Desnutrição Sim*
no AF Não 0.03 1.03 0.77 0.03 1.03 0.77
Acesso aos Serviços Sim*
de Saúde Não -0.23 4.80 0.02 -0.23 4.80 0.02
OR-Razão de Chances // *-Representa a categoria de referência

Pode-se verificar que um AF chefiado por uma mulher têm 1.64 vezes mais chances em
relação a um AF chefiado por um homem, de encontrar-se exposto à InSAN severa, ajus-
tando o efeito dos restantes factores.
Controlando o efeito dos restantes factores, os AFs que não praticam agricultura com-
parativamente os que praticam têm 4.33 vezes mais chances de estarem expostos à InSAN
moderada e severa. Os AFs que não pratica a agricultura têm 2.19 vezes mais chances de
estar exposto à InSAN severa comparativamente aos que praticam agricultura.
Ajustando o efeito dos restantes factores, um AF com o ı́ndice de consumo alimentar

adequado e moderado comparativamente os AF com ı́ndice pobre tem 2.10 e 4.31 vezes mais
chances, respectivamente, de encontrarem-se expostos à InSAN moderada e severa quando
comparada com aos AFs com um consumo pobre. Um AF com o ı́ndice de consumo ali-
mentar moderado comparado a um AF com ı́ndice pobre tem 0.55 menos chances de estar
exposto à InSAN severa.
Relativamente a qualidade da dieta do AF, os AFs com a qualidade de dieta adequada

e moderada tem por sua vez 1.57 e 4.79 vezes mais chances, respectivamente, de encontrar
expostos à InSAN moderada e severa comparativamente a não exposição de InSAN. Por
outro lado, os AFs com a qualidade de dieta adequada e moderada têm 1.57 e 1.55, vezes
mais chances, respectivamente, estarem expostos à InSAN severa, ajustando o efeito dos
restantes factores.
Os AFs que enfrentaram situações de crise e emergência têm 2.02 e 4.34 vezes, respecti-
vamente, mais chances estarem expostos à InSAN moderada e severa. Um AF que enfrentou
situações de crise e emergência tem 2.02 e 1.86 vezes, respectivamente, mais chances de se
encontrar expostos à InSAN severa, controlando o efeito dos restantes factores.
Relativamente a duração de reservas do AF, os AFs com com reservas de 1 à 3, 4 à 6, 7 à

12 e mais de 12 meses comparativamente aos AFs sem reservas têm 1.77, 2.36, 3.51 e 10.09
vezes respectivamente, mais chances de estarem exposto à InSAN moderada e severa. Por
outro lado, os AFs com duração de reservas de 1 à 3, 4 à 6, 7 à 12 e mais de 12 meses tem
1.06, 2.36, 3.51 e 35.69 vezes, respectivamente, mais chances de estarem expostos à InSAN
severa, ajustando o efeito dos restantes factores.
Verifica-se que os AFs com a fonte de renda a esmola e ganho à ganho comparativamente
aos AFs com principal fonte de renda o trabalho informal tem 5.74, 443.07 vezes, respecti-
vamente, mais chances de estarem expostos à InSAN moderada e severa relativamente aos
não expostos à InSAN. Por outro lado, os AFs com a principal fonte a ajuda alimentar tem
0.45 vezes menos chances de estar exposta à InSAN moderada e severa comparativamente,

ajustando o efeito dos restantes factores.
Ajustando o efeito dos restantes factores, os AFs que têm como fonte de renda o salário
e acesso alimentos por meio de ajuda alimentar comparativamente aos AFs que tem como
principal fonte de renda o trabalho informal tem 0.39 e 0.13 vezes menos chances de estarem
expostos à InSAN severa.
Relativamente ao número membros do AF, os AFs que tinham 5 à 8 e mais de 8 membros

do AF comparativamente aos AFs com 1 à 4 membros, têm a 3.26 e 3.41 vezes, respecti-
vamente, mais chances de estarem expostos à InSAN moderada e severa. Analogamente os
AFs com mais de 8 membros comparativamente aos AFs com 1 à 4 membros têm 2.15 vezes
mais chances de estarem expostos à InSAN severa, ajustando o efeito dos restantes factores.
Controlando o efeito dos restantes factores, os AFs com chefes com o nı́vel de académico
primário, secundário ou médio e superior comparativamente aos AFs com chefes do AF sem
nenhum nı́vel de escolaridade têm 0.43, 0.06 e 0.4 vezes, respectivamente, menos chances de
estarem expostos à InSAN moderada e severa. Por lado, verifica-se que os AFs com o chefe
com nı́vel académico secundário ou médio comparativamente aos AFs sem nenhum nı́vel de
académico têm 0.34 vezes menos chances de estar exposto à InSAN severa.
Os AFs que não tem acesso aos serviços de saúde comparativamente aos AFs que tiveram
acesso tem 4.8 vezes mais chances de encontrarem-se expostos a situação de InSAN mode-
rada e severa, controlando os efeitos dos restantes factores.

4.3 Discussão dos Resultados

Feita a apresentação dos resultados do estudo, neste capı́tulo são apresentados as dis-
cussões dos resultados, fazendo a conjugação dos resultados obtidos na secção 4 e a in-
formação da literatura apresentada na seccção 2.
Para à análise dos factores associados à insegurança alimentar e nutricional na provı́ncia
de Gaza, aplicou-se o modelo de Regressão Logı́stica Ordinal, pela natureza do ı́ndice de
SAN, que é proveniente de uma variável continua que é categorizada e as suas catergorias
apresentarem uma determinada ordem, pois segundo Abreu (2007), este modelo é aplicado
quando uma variável contı́nua que não pode ser directamente observada e é efectuada a
categorização dos nı́veis desta variável. Foram estimados três modelos, primeiramente foi
estimado o modelo de o Modelo de Chances Proporcionais e o pressuposto de paralelismo não
foi verificado, logo foi estimado o Modelo de Chances Proporcionais Parciais, pois segundo
Abreu et al. (2007), O modelo de MCPP é uma extensão do MCP, quando não se verifica o
pressuposto paralelismo. Por meio de critérios de informação constatou-se que o Modelo de
Chances Proporcionais Parciais é o melhor modelo.
De acordo com os resultados obtidos a Idade do chefe do AF não se representa como um

factor associado à InSAN na provı́ncia de Gaza, porém segundo o SETSAN (2014), a Idade
do chefe do AF é um factor associado à InSAN, e acrescenta ainda, que os chefes do AF
de 60 anos ou mais, os AFs estão menos propensos à exposição de InSAN, isto é, um AF
chefiado por um menor de 21 anos espera-se que a sua fonte de renda ainda não seja segura,
logo a exposição à InSAN é maior.
Os AFs chefiados por mulheres mostraram ter grande probabilidade de estar expostos
à InSAN severa comparativamente aos AFs chefiados por homens, concordando os autores
Zarret et al. (2017) , Rosa et al. (2012), Machado et al. (2016), que afirmam que os AFs
chefiados por mulheres são os mais vulneráveis à exposição de InSAN.
O nı́vel académico do chefe do AF é um dos factores que mais destaca-se entre os po-
tencias factores de InSAN, de acordo com os estudo de Rosa et al. (2012), Ferreira et al.
(2010), Machado et al. (2016) e Morais et al. (2013). Assim, tal como evidenciado no
presente estudo, o nı́vel académico do chefe do AF é um dos factores associados à InSAN,
pois, espera-se que a medida que os chefes do AF tem um grau académico médio ou superior
eles tem maiores conhecimentos sobre à InSAN, o conhecimento de qualidade de alimentos
para uma vida activa e saúdavel e assume-se que tem geralmente fontes de renda seguras.
De acordo com os resultados obtidos, os AFs com prinicpal fonte de renda insegura (ganho
à ganho e esmola) tem mais chances de exposição à InSAN moderada e severa comparadas
a AFs com fontes fixas e seguras (trabalho informal e salário). Tal como referenciado por
Carrilho et al. (2016) , a situação do emprego é um aspecto muito importante pois as famı́lias

com fontes fixas e seguras são menos propensas à InSAN a medida que tem rendas fixas têm
a capacidade de aquisição de alimentos.
De acordo com os resultados obtidos, um AF que não pratica agricultura tem mais chan-
ces de estar expostos à InSAN comparativamente aos AFs que praticam a agricultura, tal
como referenciado em SETSAN (2014), a prática da agricultura tem um grande papel para
a garantia da segurança alimentar e nutricional, pois contribui para o acesso de alimentos e
melhora a dieta do AF.
Segundo Carrilho et al. (2016), as unidades sanitárias tem um grande papel para a
garantia da SAN,pois as mesmas podem garantir qualidade a saúde para os membros do
AF, concordando com o autor, os resultados mostram que os AFs que não tiveram acesso a
serviços de saúde tem mais chances de exposição à InSAN comparativamente aos AFs que
tiveram acesso a serviços de saúde.
De acordo com a FAO (2013a) e Carrilho et al. (2016), o acesso água potável é um dos
determinantes da InSAN, pois o uso da água não potável para o consumo pode colocar o
risco a saúde do membro do AF, porém de acordo com os resultados do estudo a fonte de
água não apresentou-se como sendo um factor associado à InSAN.

Capı́tulo 5
Conclusões e Recomendações
5.1 Conclusões
Em vista o objectivo de analisar os factores associados à InSAN na provı́ncia de Gaza que
entiveram expostos à InSAN aguda, em abril de 2019, com a aplicação dos Modelos de
Regressão Logı́stica Ordinal, obteve-se as seguintes conclusões:
• A maior os AFs da amostra vivia exposta à InSAN moderada (57.79%), comparac-

tivamente à 14.23% pessoas se encontrava exposta à InSAN Severa e 27.98% não se
encontrava exposta a situação de InSAN;
• Os nı́veis elevados de exposição de InSAN severa, apresentavam-se nos AFs que tinham
um chefe do AF com mais de 60 anos de idade, os AFs chefiados por mulheres, os AFs
que criavam animais, os AFs que enfrentaram situações de emergência, os AFs que
tinham como a sua principal fonte de renda o Ganho a Ganho, os AFs com mais de
8 membros, os AFs que tinham crianças ou mulheres desnutridas e os AFs que não
praticavam a agricultura;
• Dos modelos estimados, o modelo de chances proporcionais parciais foi identificado

como melhor modelo para descrever os dados, de acordo com as estatı́sticas de AIC e
BIC.
• O sexo do chefe do AF, a prática de agricultura no AF, o ı́ndice de consumo alimentar,

a qualidade da dieta do AF, a situação fora de controle que o AF enfrentou, o uso de
estratégias de sobrevivência no AF, a duração das reservas de cereais do AF, a fonte
de renda do AF, o número de membros do AF, o nı́vel académico do chefe do AF, a
desnutrição de pelo menos uma criançan ou mulher do AF, o acesso aos serviços de
saúde são os factores associados à exposição de insegurança alimentar e Nutricional da
43
CAPÍTULO 5. CONCLUSÕES E RECOMENDAÇÕES
5.2 Recomendações
Segundo as conclusões obtidas e as observações ao longo do estudo, sugere-se:
• Em futuros estudos, a análise paralela da aplicação dos MCP e MCPP, com o objectivo
de avaliar os possı́veis impactos de ignorar o pressuposto de paralelismo e as estimativas
do modelo diferem significativamente;
• Pesquisas perı́odicas para o monitoramento dos factores associados à InSAN na provı́ncia

de Gaza;
• Pesquisas incluindo mais factores que possivelmente encontram-se associados à In-

SAN, nomeamente, desastres naturais, informação de redes do mercado (Preços e a
distância para os mercados), a situação económica do paı́s e da provı́ncia, medidas
antropométricas de mulheres e crianças do AF.
• Atenção aos factores identificados na pesquisa como os factores associados à InSAN

aguda na provı́ncia de Gaza.
5.3 Limitações do estudo

O presente estudo foi efectuado com uma base de dados de fonte secundária, do estudo de
InSAN aguda efectuado em abril de 2019, e para o alcance dos objectivos foram aplicados os
Modelos Logı́sticos Ordinais. Uma das limitações foi a indisponibilidade de algumas variáveis
que podiam ser cruciais para à anáise, nomeadamente, informação dos mercados(Preços e as
distâncias a percorrer para o mercado), desastres naturais (Ciclones, chuvas, tempestades,
etc), e as variáveis da situação económica do paı́s e da provı́ncia e as medidas antropométricas
de mulheres e crianças do AF pois estes factores podem ser determinantes da insegurança
alimentar e nutricional. A pouca a informação relativa aos modelos logı́stico ordinais, con-
cretamente a sua aplicação teórica e prática a nı́vel dos pacotes estatı́sticos existentes.

Referências Bibliográficas
[1] Abdullah, Z., Shah, T., Ali, S., Ahmad, W., Din, I., e Ilyas, A. (2017). Factors
affecting household food security in rural northern hinterland of Pakistan. Journal of the
Saudi Society of Agricultural Sciences.
[2] Abreu, M. (2007). Uso de modelos de regressão logı́stica ordinal em epidemiologia:

Um exemplo usando a qualidade de vida.
[3] Abreu, M., Siqueira, A., e Caiaffa, W. (2009). Regressão logı́stica ordinal em estudos
epidemiológicos.
[4] Agresti, A. (2007). An introduction to categorical data analysis. 2nd ed. John Wiley.
[5] Almeida, J., Santos, A., Oliveira, M., Oliveira, J., Silva, D. G., e Mendes-Netto, R.
(2015). Fatores associados ao risco de insegurança alimentare nutricional em famı́lias de
assentamentos rurais.
[6] Anderson, J. (1984). Regression and ordered categorical variables.
[7] Araújo, P. (2017). Regressão logı́stica multinı́vel: um estudo sobre o consumo de álcool
e inalantes entre crianças e adolescentes.
[8] Ari, E., e Yildiz, Z. (2014). Parallel lines assumption in ordinal logistic regression and
analysis approaches.
[9] Batista, G., e Silva, T. (2000). Regressão para variáveis categóricas ordinais aplicado
em indicadores
financeiros.
[10] Brant, R. (1990). Assessing proportionality in the proportional odds model for ordinal
logistic regression.
[11] Carrilho, J., Abbas, M., Júnior, A., e Mosca., J. (2016). Desafios para Segurança Ali-
mentar
e Nutrição em Moçambique.
45
REFERÊNCIAS BIBLIOGRÁFICAS
[12] Connell, A., e Liu, X. (2011). Model diagnostics for proportional and partial proporti-
onal
odds models.
[13] CONSEA (2010). A segurança alimentar e nutricional e o direito humano à alimentação

adequada no Brasil.
[14] Cunha, A. (2014). Modelação estatı́stica: Estudo do perfil cardiovascular de adultos

assintomáticos da cidade de benguela.
[15] Dolgun, A., e Saracbasi, O. (2014). Assessing proportionality assumption in the adjacent
category logistic regression model.
[16] Ericksen, P. (2007). Conceptualizing food systems for global environmental change re-
search.
Global Environmental Change.
[17] FAO (2003). Trade Reforms And Food Security- Conceptualizing the Linkages.
[18] FAO (2008). Deriving Food Security Information from National Household Budget Sur-
veys:
Experiences, Achievements, Challenges.
[19] FAO (2013). Avaliação do direito à alimentação.
[20] FAO (2013). The State of Food Insecurity in the World the Multiple Dimensions of
Food
Security.
[21] FAO (2016). Panorama da segurança alimentar e nutricional - sistemas alimentares

sustentáveis para acabar com a fome e a má nutrição.
[22] FAO (2017). Factores que afectam a segurança alimentar e o estado nutricional das
famı́lias.
[23] FAO (2018). World Food and Agriculture - Statistical Pocketbook.
[24] FAO (2019). The state of food security and nutrition in the world.
[25] Ferreira, H., Souza, M., Moura, F., e Horta, B. (2010). Prevalência e factores
associados à insegurança alimentar e nutricional em famı́lias dos municı́pios do norte de
alagoas, Brasil.
[26] Ferreira, M. (2013). Modelos de regressão: Uma aplicação em medicina dentária.

[27] Fávero, L., Belfiore, P., Silva, F., e Chan, B. (2009). Análises de dados -
Modelagem Multivariada para Tomada de Decisões.
[28] Gross, F., Rainer, T., Schoeneberger, S., Hans, P., Preuss, L., e Joachim, H. (2000).
The Four
Dimensions of Food and Nutrition Security: Definitions and Concepts. EC, Inwent, FAO.
[29] Hair, J., Anderson, R., Tatham, R., e Black, W. (2005). Análise de Dados Multivariados.
[30] Heeringa, S., West, B., e Berglund, P. (2010). Applied Survey Data Analysis.
[31] Hoffmann, R. (1995). Pobreza - Insegurança alimentar e desnutrição no Brasil.
[32] Hosmer, D., e Lemeshow, S. (2000). Applied logistic regression. 2nd ed. John Wiley.
[33] IBGE (2013). Pesquisa nacional por amostra de domicı́lios - segurança alimentar.
[34] INE (2019). Censo 2017 - iv recenseamento geral da população e habitação.
[35] Inácio, L., Forbellone, A., Almeida, C., e Taconeli, C. (2015). Análise do consumo de
frutas por crianças de um municı́pio do interior do paraná usando modelos multinomias
com efeitos aleatórios.
[36] Loquiha, O. (2015). Ficha de análise de regressão.
[37] Machado, J., Souza, R., Moura, L., e Vasconcellos, A. (2016). Determinantes de inse-
gurança alimentar e nutricional no distrito federal.
[38] Mischler, F., Kracht, U., e Immink, M. (2014). Avaliação do Direito à Alimentação.
[39] Montgomery, D. (2009). Statistical Quality Control.
[40] Morais, D., Dutra, L., Franceschini, S., e Priore, S. (2013). Insegurança alimentar e
indicadores antropométricos, dietético e sociais em estudos brasileiros: uma revisão sis-
temática.
[41] Moura, M. (2019). Diagnóstico no modelo de regressão logı́stica ordinal.
[42] Moutinho, G. e Demétrio, C. (2013). Modelos Lineares Generalizados e Extensões.
[43] Partners, I. (2012). Integrated Food Security Phase Classification Technical Manual
Version
2.0. Evidence and Standards for Better Food Security Decisions.
[44] Pinto, J. (2013). Manual de Segurança Alimentar e Nutricional.

[45] Rosa, T., Mondini, L., Gubert, M., Sato, G., e Benı́cio, M. (2012). segurança alimentar
em domicı́lios chefiados por idosos, Brasil.
[46] Santos, J., Gigante, D., e Domingues, M. (2009). Prevalência de insegurança alimentar
em pelotas, rio grande do sul, Brasil, e estado nutricional de indivı́duos que vivem nessa
condição.
[47] Sarmento, E. (2015). Reflexão sobre a segurança alimentar em Moçambique.
[48] SETSAN (2007). Estratégia da Segurança Alimentar e Nutricional -2007-2015.
[49] SETSAN (2014). Relatório de Estudo de Base de Segurança Alimentar e Nutricional

em
2013 em Moçambique.
[50] SETSAN (2018). Resultados das analises de IPC conduzidas em 11 provı́ncias no perı́odo
de
setembro a outubro de 2018.
[51] SETSAN (2019). Sumário da situação de insegurança alimentar aguda e desnutrição

aguda de Moçambique - 2019/20.
[52] SETSAN e MISAU (2019). Sumário da situação de insegurança alimentar aguda e des-
nutrição aguda de Moçambique - 2019-20.
[53] Silva, L. (2017). Regressão Logı́stica Multinı́vel com Estimação de Equações Generali-
zadas (GEE): Uma Aplicação em Dados Odontológicos.
[54] Tutz, G. (1991). Sequencial models in categorial regression - computational statistics

and
data analysis.
[55] Volp, A., Alfenas, R., Costa, N., Minim, V., Stringueta, P., e Bressan, J. (2018).
Índice dietético para avaliação da qualidade de dietas.
[56] Williams, R. (2006). Generalized ordered logit/partial proportional odds models for
ordinal
dependent variables.
[57] Álvaro V. (2004). Comparação entre a estimativa de razão de chances gerada pelo
modelo
de odds proporcionais com a razão de chances generalizada.

Anexo
Tabela 5.3.1: Distribuição de frequência alguns factores segundo o Índice de SAN e o teste
de independência - continuação da tabela 4.1.1
Índice de SAN P value
Variável Categoria Segura(%) Moderada(%) Severa(%) Total (χ2 )
Tipo latrina Latrina melhorada 235(36.2) 330(50.8) 84(12.9) 649 0.00

Latrina tradicional 170(15.1) 739(65.7) 216(19.2) 1125
Retrete 401(36.2) 596(53.8) 110(9.9) 1107
Fonte água Água do poço 107(21.8) 336(68.6) 47(9.6) 490
Agua insegura 203(17.3) 794(67.6) 177(15.1) 1174 0.00
Agua canalizada 496(40.8) 535(44.0) 186(15.3) 1217
Duração 0 meses 227(34.7) 359(54.8) 69(10.5) 655
das reservas 1-3 meses 364(28.1) 790(61.0) 141(10.9) 1295
4-6 meses 168(25.5) 381(57.8) 110(16.7) 659 0.00
7-12 meses 40(18.8) 122(57.3) 51(23.9) 213
mais de 12 meses 7(11.9) 13(22.0) 39(66.1) 59
Índice de Pobre 343(58.7) 171(29.3) 70(12.0) 584 0.00
Consumo Moderado 241(26.0) 566(61.0) 121(13.0) 928
Alimentar Adequado 222(16.2) 928(67.8) 219(16.0) 1369
Qualidade da Pobre 283(70.9) 86(21.6) 30(7.5) 399 0.0
dieta Moderada 260(39.3) 314(47.5) 87(13.2) 661
Adequada 263(14.4) 1265(69.5) 293(16.1) 1821
Índice reduzido Fase 1 295(32.4) 510(56.0) 105(11.5) 910
Estratégias de Fase 2 358(31.3) 627(54.8) 159(13.9) 1144 0.00
Sobrevivência alimentar Fase3 ou mais 153(18.5) 528(63.8) 146(17.7) 827
Nı́vel escolaridade Sem nenhum nı́vel 84(9.5) 646(72.7) 158(17.8) 888
do chefe Alfabetização ou 332(29.4) 637(56.3) 162(14.3) 1131
primaria
do AF Secundário ou médio 262(73.4) 84(23.5) 11(3.1) 357 0.00
Superior 128(25.3) 298(59.0) 79(15.6) 505
49
ANEXO
Tabela 5.3.2: Modelo Generalizado incluindo todas as variáveis

β Erros Padrão P valor IC 95%
Intercepto 1 7.57 0.58 - 6.43 8.71
Intercepto 2 11.36 0.61 - - 10.16 12.56
Idade Chefe do AF -0.02 0.07 0.73 -0.15 0.10
Sexo Chefe do AF 0.23 0.08 0.01 0.06 0.40
Prática de Agricultura 0.95 0.09 0.00 0.77 1.12
Prática de Pecuária -0.08 0.09 0.34 -0.25 0.09
ı́ndice de Consumo Alimentar 0.40 0.07 0.00 0.27 0.54
Qualidade da dieta 0.86 0.08 0.00 0.70 1.02
Situação fora do comum 0.48 0.05 0.00 0.38 0.57
de Formas de Vida
Índice Reduzido de Estratégias 0.51 0.06 0.00 0.31 0.63
de Sobrevivência
Duração de Reservas de cereais 0.61 0.05 0.00 0.52 0.70

Principal Fonte de Renda 0.32 0.03 0.00 0.26 0.39
Membros do AF 0.36 0.05 0.00 0.26 0.46
Nı́vel Académico do chefe do AF -0.28 0.04 0.00 -0.36 -0.20
Desnutrição de crianças no AF -0.21 0.08 0.01 -0.37 -0.04
Fonte de água do AF 0.02 0.06 0.73 -0.09 0.13
Tipo de latrina do AF -0.09 0.05 0.09 -0.20 0.01
Acesso ao serviço de saúde -0.28 0.08 0.00 -0.44 -0.11

ANEXO
Tabela 5.3.3: Modelo final de Chances Proporcionais Parciais-completa

Coef. Std. Err. z P value IC 95%
Intercepto -9.20 0.54 -17.06 0.00 -10.26 -8.15
Sexo do chefe 0.10 0.11 0.86 0.39 -0.13 0.32
Prática de Agricultura 1.22 0.12 10.57 0.00 0.99 1.45
Índice de Consumo Alimentar 0.71 0.09 07.84 0.00 0.53 0.89
Qualidade da dieta 1.08 0.10 11.25 0.00 0.89 1.27
Situação fora do comum 0.68 0.06 12.08 0.00 0.57 0.79
Índice Reduzido de 0.68 0.08 08.51 0.00 0.53 0.84
Estratégias de Sobrevivência
Duração de Reservas de cereais 0.61 0.05 12.79 0.00 0.52 0.71
Principal Fonte de Renda 0.36 0.04 08.71 0.00 0.28 0.44
Membros do AF 0.31 0.05 5.75 0.00 0.21 0.42
Nı́vel Académico do chefe do AF -0.49 0.05 -9.15 0.00 -0.59 -0.38
Desnutrição de crianças no AF -0.32 0.11 -2.86 0.00 -0.54 -0.10
Acesso ao serviço de saúde -0.27 0.09 -3.12 0.00 -0.45 -0.10
Intercepto -07.29 0.57 -12.83 0.00 -8.41 -6.18
Sexo do chefe 0.43 0.12 3.56 0.00 0.19 0.66
Prática de Agricultura 0.55 0.12 4.58 0.00 0.31 0.78
Índice de Consumo Alimentar 0.06 0.10 0.59 0.55 -0.13 0.24
Qualidade da dieta 0.17 0.11 1.52 0.13 -0.05 0.38
Situação fora do comum 0.17 0.06 3.05 0.00 0.06 0.28
Índice Resuzido de 0.32 0.08 4.02 0.00 0.16 0.47
Estratégias de Sobrevivência
Duração de Reservas de cereias 0.61 0.05 12.79 0.00 0.52 0.71
Principal Fonte de Renda 0.21 0.04 4.74 0.00 0.12 0.30
Membros do AF 0.31 0.05 5.75 0.00 0.21 0.42
Nı́vel Acedemico do chefe do AF -0.07 0.05 -1.34 0.18 -0.17 0.03
Desnutrição de crianças no AF 0.05 0.11 0.44 0.66 -0.17 0.27
Acesso ao serviço de saúde -0.27 0.09 -3.12 0.00 -0.45 -0.10

Projecto Final Nélio Chiau 5

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Projecto Final Nélio Chiau 5

Enviado por

Direitos autorais:

Formatos disponíveis

FACULDADE DE CIÊNCIAS

Departamento de Matemática e Informática

Análise dos Factores Associados à

Autor: Nélio Hebeu Rogério Chiau

Maputo, Março de 2020

Análise dos Factores Associados à

Autor: Nélio Hebeu Rogério Chiau

Supervisor: Jonas Nassabe, Msc

Maputo, Março de 2020

Maputo, Março de 2020.

Aos meus pais, Rogério Chiau e Idalina Correia,

Ao Técnico de Segurança Alimentar e nutricional, Dino Boene, pelo auxı́lio, mesmo

Ao corpo docente do Departamento de Matemática e Informática, em especial

Palavras-chave: Insegurança Alimentar e Nutriconal, InSAN, Provı́ncia de Gaza, Re-

AIC Akaike’s Information Criterion

BIC Bayesian Information Criterion

FAO Food and Agriculture Organization

INE Instituto Nacional de Estatı́stica

InSAN Insegurança Alimentar e Nutrional

IPC Integrated Food Security Phase Classification

MCP Modelo Chances Proporcionais

MOPP Modelo de Chances Proporcionais Parciais

MRC Modelo de Razões Continuas

SAN Segurança Alimentar e Nutricional

SETSAN Secretariado Técnico de Segurança Alimentar e Nutricional

Nélio Chiau ix Trabalho de licenciatura

2.1.1 Índice SAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3.1.1 Caracterização das variáveis em estudo . . . . . . . . . . . . . . . . . . . . . 26

4.1.1 Distribuição de frequências e teste de independência do Índice de SAN e al-

5.3.1 Distribuição de frequência alguns factores segundo o Índice de SAN e o teste

2.1 Principais dimensões da Segurança Alimentar e Nutricional (Gross et al., 2000). 5

4.1 Distribuição provı́ncia de Gaza, quanto a classificação da situação

A Food and Agriculture Organizition (FAO, 2008), considera em situação de Insegurança

Em Moçambique, no perı́odo de Abril a Setembro de 2019, foram identificadas 1.648.646

1.2 Formulação do Problema

1.3.2 Objectivos Especı́ficos

• Verificar a associação entre o ı́ndice de SAN e cada variável do estudo;

• Estimar um modelo que melhor relaciona o ı́ndice de SAN e os potenciais factores;

Nélio Chiau 2 Trabalho de licenciatura

• Identificar os factores associados à exposição insegurança alimentar e nutricional na

1.4 Relevância do Estudo

1.5 Breve descrição dos capı́tulos do trabalho

Nélio Chiau 3 Trabalho de licenciatura

Este capı́tulo é dedicado a apresentar os conceitos relacionados ao tema do trabalho, e

2.1 Segurança Alimentar e Nutricional

Segundo Mischler et al. (2014), a segurança alimentar e nutricional pode ser:

2.1.1 Pilares da Segurança Alimentar e Nutricional

A disponibilidade de alimentos compreende-se como a existência da quantidade sufici-

Acesso aos alimentos

Utilização dos alimentos

A Utilização de alimentos é o processo como os alimentos disponı́veis são transformados

Nélio Chiau 5 Trabalho de licenciatura

Estabilidade dos alimentos

2.1.2 Conceitos de alguns ı́ndices

Índice de consumo alimentar - é um instrumento de medida simples e sumária da

2.1.3 Índice de SAN

Nélio Chiau 6 Trabalho de licenciatura

De acordo com o SETSAN (2014), o Índice de SAN foi calculado em 3 etapas:

1. O valor dos cinco sub-indicadores é determinado (por exemplo, a ı́ndice do consumo

3. O ISA é calculado como sendo a média das pontuações dos sub-indicadores.

Tabela 2.1.1: Índice SAN

2.1.4 Insegurança Alimentar e Nutricional em Moçambique

Nélio Chiau 7 Trabalho de licenciatura