Escolar Documentos
Profissional Documentos
Cultura Documentos
Trabalho de Licenciatura em
Estatı́stica
Trabalho de Licenciatura em
Estatı́stica
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.
—————————————————————–
(Nélio Hebeu Rogério Chiau)
i
Dedicatória
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 Dr. Alberto Mulenga, pela sua dedicação, pelas orientações e crı́ticas que foram
cruciais para o desenvolvimento deste trabalho.
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.
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
ME Modelo Estereótipo
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
x
Lista de Figuras
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).
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).
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.
1.3 Objectivos
1.3.1 Objectivo Geral
Analisar os factores associados à insegurança alimentar e nutricional aguda na provı́ncia
de Gaza.
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.
Revisão da literatura
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).
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).
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.
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
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
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)
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
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.
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).
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.
Y = β0 + β1 x1 + β2 x2 + ... + βk xk + i (2.1)
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).
r
X
ηi = xir β r = xTi β ou η = Xβ (2.3)
i=1
η i = g(.) (2.4)
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.
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.
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
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
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:
2. Variâncias heterógeneas dos termos de erro, isso ocorre porque a variável resposta é
binária, portanto, Var(Yi )=πi (1-πi )
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.
exp(g(x))
π(x) = (2.19)
1 + exp(g(x))
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,
n
∂L(β) X
= (yi − πi )xi = 0 (2.23)
∂β1 i=1
1
P (Y = 0|x) = β0 +β1 x+....+βx xki
, (2.25)
1+e
resposta é ordinal é aconselhável o uso dos modelos de Regressão logı́stica Ordinal (Dolgun
e Saracbasi, 2014).
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).
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).
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).
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 )
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 )
Material e Métodos
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
Nas tabelas 3.1.1 e 3.1.2 5 , são apresentadas as variáveis do estudo, as suas categorias e
a sua respectiva descrição.
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
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 ).
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:
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.
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.
Ni
X
Eij = Pij (3.9)
i=1
X X (Ojkl − Ejkl )2
χ2P = ; (3.10)
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.
P (Y ≤ Yj |x(A) )
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.
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).
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
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.
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.
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.
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%).
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
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.
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.
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.
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, 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.
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.
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.
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:
• 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;
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;
[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.
[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.
[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.
[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.
[20] FAO (2013). The State of Food Insecurity in the World the Multiple Dimensions of
Food
Security.
[22] FAO (2017). Factores que afectam a segurança alimentar e o estado nutricional das
famı́lias.
[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.
[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.
[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.
[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.
[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.
[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.
[43] Partners, I. (2012). Integrated Food Security Phase Classification Technical Manual
Version
2.0. Evidence and Standards for Better Food Security Decisions.
[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.
[50] SETSAN (2018). Resultados das analises de IPC conduzidas em 11 provı́ncias no perı́odo
de
setembro a outubro de 2018.
[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.
[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.
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 )
49
ANEXO