Modelos Lineares e Avaliação Do Crescimento

Pedro Fernando Santos Vieira Fernandes da Silva
Modelos lineares e avaliação do crescimento

vegetativo na pandemia em municı́pios
selecionados
Niterói - RJ, Brasil

23 de fevereiro de 2022
Universidade Federal Fluminense
Pedro Fernando Santos Vieira Fernandes da

Silva
Modelos lineares e avaliação do

crescimento vegetativo na pandemia
em municı́pios selecionados
Trabalho de Conclusão de Curso
Monografia apresentada para obtenção do grau de Bacharel em

Estatı́stica pela Universidade Federal Fluminense.
Orientador(a): Prof. Dra. Márcia Marques de Carvalho
Niterói - RJ, Brasil
23 de fevereiro de 2022
Universidade Federal Fluminense
Pedro Fernando Santos Vieira Fernandes da

Silva
Modelos lineares e avaliação do crescimento

vegetativo na pandemia em municı́pios
selecionados
Monografia de Projeto Final de Graduação sob o tı́tulo “Mode-

los lineares e avaliação do crescimento vegetativo na pandemia
em municı́pios selecionados”, defendida por Pedro Fernando
Santos Vieira Fernandes da Silva e aprovada em 23 de fevereiro
de 2022, na cidade de Niterói, no Estado do Rio de Janeiro,
pela banca examinadora constituı́da pelos professores:
Profa. Dra. Márcia Marques de Carvalho

Departamento de Estatı́stica – UFF
Profa. Dra. Ludmilla da Silva Viana Jacobson

Prof. Dr. Rafael Santos Erbisti

Niterói, 23 de fevereiro de 2022

Resumo
No ano de 2020, iniciou-se a pandemia de COVID-19 no Brasil e no mundo, o que

promoveu mudanças na realidade global, devido ao alto número de casos e óbitos regis-
trados pela doença ao redor do globo. Com esta doença à tona, foram buscadas diferentes
formas para se adaptar a ela e visando controlar o número de casos e óbitos registrados
numa localidade. Este trabalho busca verificar se o perı́odo de pandemia teve impacto
no número de nascimentos e mortes nos municı́pios de Maricá, Niterói, Rio de Janeiro e
São Gonçalo, a fim de mensurar o impacto deste perı́odo sobre o crescimento vegetativo.
A fim de atender esta finalidade, foram estimados Modelos Lineares Normais e Modelos
Lineares Generalizados (MLG) de Poisson, sobre dados coletados na plataforma Dados
SUS, da Secretaria de Saúde do Estado do Rio de Janeiro e posteriormente foram com-
parados os dados da estimação deste último, que é o ideal a ser estimado em dados de
contagem, comparando o crescimento vegetativo observado na pandemia e o previsto pela
estimação deste modelo, caso a pandemia não existisse. Através da estimação dos mode-
los foi observado que o municı́pio de Maricá não teve seu crescimento vegetativo afetado
pela pandemia, enquanto os outros municı́pios tiveram o perı́odo pandêmico considerado
como impactante nesta estatı́stica, ainda que todos apresentassem crescimento vegetativo
negativo, e diferente do previsto, em 2021.
Palavras-chave: COVID-19. Modelos lineares generalizados. Crescimento vegetativo.

Demografia.
Dedicatória
Dedico este trabalho ao meu primo Rafael Marinho (in memorian).

Agradecimentos
Agradeço a minha famı́lia, em especial aos meus pais, Fernando e Simone, pelo suporte
dado de todas as maneiras para eu chegar até aqui.
Agradeço aos meus amigos por todas as experiências. Em especial, aos da graduação,
por todos os altos e baixos que enfrentamos juntos.
Agradeço aos professores de escola e faculdade pelos conhecimentos transmitidos. Em

especial, a minha orientadora Márcia por todo o auxı́lio na construção deste trabalho e
aos professores Ludmilla e Rafael, por aceitarem fazer parte da banca deste.
Agradeço ao meu time de coração, o Club de Regatas Vasco da Gama, pelos ideais e
por me ensinar que devemos persistir, ainda que fracassemos.
Sumário
Lista de Figuras
Lista de Tabelas
1 Introdução p. 12
1.1 Crescimento Vegetativo . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 12
1.2 Revisão Bibliográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 15
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 16
1.4 Organização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 17
2 Materiais e Métodos p. 18
2.1 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 18
2.2 Metodologia estatı́stica . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 19
2.2.1 Modelos Lineares Normais . . . . . . . . . . . . . . . . . . . . . p. 19
2.2.1.1 Estimação dos parâmetros . . . . . . . . . . . . . . . . p. 22
2.2.1.2 Verificação dos pressupostos do modelo . . . . . . . . . p. 23
2.2.1.3 Avaliação da qualidade do modelo . . . . . . . . . . . p. 27
2.2.1.4 Inferência no modelo - Testes de hipótese e intervalos de

confiança . . . . . . . . . . . . . . . . . . . . . . . . . p. 29
2.2.2 Modelos Lineares Generalizados (MLGs) . . . . . . . . . . . . . p. 31
2.2.2.1 Avaliação da Qualidade do Modelo . . . . . . . . . . . p. 33
2.2.2.2 Inferência no modelo - Testes de hipótese e intervalos de

confiança . . . . . . . . . . . . . . . . . . . . . . . . . p. 33
3 Análise de Resultados p. 35
3.1 Análise descritiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 35
3.1.1 Nascimentos, óbitos, crescimento natural bruto e população . . p. 35
3.1.2 COVID-19 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 42
3.1.3 Dados mensais de óbitos e nascimentos . . . . . . . . . . . . . . p. 50
3.2 Modelos Lineares Normais . . . . . . . . . . . . . . . . . . . . . . . . . p. 54
3.2.1 Óbitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 54
3.2.1.1 Pressupostos e Seleção dos Modelos . . . . . . . . . . . p. 54
3.2.1.2 Resultados do modelo . . . . . . . . . . . . . . . . . . p. 56
3.2.2 Nascimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 57
3.2.2.1 Pressupostos e Seleção dos Modelos . . . . . . . . . . . p. 57
3.2.2.2 Resultados do modelo . . . . . . . . . . . . . . . . . . p. 58
3.3 Modelos Lineares Generalizados (MLG) . . . . . . . . . . . . . . . . . . p. 60
3.3.1 Óbitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 60
3.3.2 Nascimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 62
3.4 Impacto da pandemia no crescimento vegetativo . . . . . . . . . . . . . p. 64
4 Conclusões p. 67
Referências p. 70
Apêndice 1 -- Resultados de Testes Box-Cox p. 73
Apêndice 2 -- Cálculo das estatı́sticas descritivas p. 76

Lista de Figuras
1 Distribuição adequada (aleatória) de um gráfico de resı́duos . . . . . . . p. 24
2 Distribuição inadequada (não aleatória) de um gráfico de resı́duos . . . p. 24
3 QQ-Plot adequado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 25
4 QQ-Plot inadequado . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 26
5 Exemplo de transformação de Box-Cox . . . . . . . . . . . . . . . . . . p. 27
6 Nascimentos e óbitos no municı́pio de Maricá entre 1996 e 2021, por ano p. 37
7 Nascimentos e óbitos no municı́pio de Niterói entre 1996 e 2021, por ano p. 38
8 Nascimentos e óbitos no municı́pio do Rio de Janeiro entre 1996 e 2021,

por ano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 38
9 Nascimentos e óbitos no municı́pio de São Gonçalo entre 1996 e 2021,

por ano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 39
10 Nascimentos a cada 1000 habitantes nos municı́pios de análise, entre 1996

e 2021, por ano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 40
11 Óbitos a cada 1000 habitantes nos municı́pios de análise, entre 1996 e

2021, por ano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 41
12 Casos de COVID-19 nos municı́pios de análise, por mês, entre março de

2020 e dezembro de 2021 . . . . . . . . . . . . . . . . . . . . . . . . . . p. 44
13 Óbitos de COVID-19 nos municı́pios de análise, por mês, entre janeiro

de 2020 e dezembro de 2021 . . . . . . . . . . . . . . . . . . . . . . . . p. 46
14 Percentual de óbitos por COVID-19 dentre os óbitos totais nos municı́pios

de análise, por mês, entre março de 2020 e dezembro de 2021 . . . . . . p. 47
15 Taxa de letalidade da COVID-19 nos municı́pios de análise, por mês,

entre março de 2020 e dezembro de 2021 . . . . . . . . . . . . . . . . . p. 48
16 Percentual da população geral vacinada contra COVID-19, por mês, se-
gundo dose, entre janeiro e dezembro de 2021 . . . . . . . . . . . . . . p. 49
17 Óbitos mensais nos municı́pios de análise, entre janeiro de 1996 e dezem-

bro de 2021, dividido em perı́odos antes e durante a pandemia . . . . . p. 50
18 Nascimentos mensais nos municı́pios de análise, entre janeiro de 1996 e

novembro de 2021, dividido em perı́odos antes e durante a pandemia . . p. 52
19 Valores estimados e observados para os óbitos trimestrais no municı́pio de

Maricá, estimados através de transformação Box-Cox no modelo linear
normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 57
20 Valores estimados e observados para os nascimentos mensais nos mu-

nicı́pios de análise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 59
21 Valores estimados e observados para os óbitos mensais nos modelos MLG p. 61
22 Valores estimados e observados para os nascimentos mensais nos modelos

MLG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 63
23 Óbitos mensais observados e previstos, caso não ocorresse a pandemia,

entre 2018 e 2021 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 64
24 Nascimentos mensais observados e previstos, caso não ocorresse a pan-

demia, entre 2018 e 2021 . . . . . . . . . . . . . . . . . . . . . . . . . . p. 65
25 Teste Box-Cox para óbitos trimestrais em Maricá . . . . . . . . . . . . p. 73
26 Teste Box-Cox para nascimentos mensais em Niterói . . . . . . . . . . . p. 74
27 Teste Box-Cox para nascimentos mensais no Rio de Janeiro . . . . . . . p. 74
28 Teste Box-Cox para nascimentos mensais em São Gonçalo . . . . . . . p. 75

Lista de Tabelas
1 Nascimentos, óbitos, crescimento natural bruto e população para os mu-

nicı́pios de análise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 36
2 Vacinação, casos e óbitos por COVID, por mês . . . . . . . . . . . . . . p. 44
3 Estatı́sticas descritivas dos óbitos mensais, por perı́odo, entre 2016 e 2021 p. 51
4 Estatı́sticas descritivas dos nascimentos mensais, por perı́odo, entre ja-

neiro de 2016 e novembro de 2021 . . . . . . . . . . . . . . . . . . . . . p. 53
5 P-valores dos pressupostos dos modelos MQO - Óbitos . . . . . . . . . p. 55
6 P-valores dos pressupostos dos modelos lineares normais via transformação

Box-Cox - Óbitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 55
7 Resultados dos modelos lineares normais - Óbitos . . . . . . . . . . . . p. 56
8 P-valores dos pressupostos dos modelos lineares normais - Nascimentos p. 58
9 Resultados dos modelos lineares normais - Nascimentos . . . . . . . . . p. 58
10 Resultados dos modelos MLG - Óbitos . . . . . . . . . . . . . . . . . . p. 60
11 Resultados dos modelos MLG - Nascimentos . . . . . . . . . . . . . . . p. 62
12 Crescimento vegetativo previsto e observado nos municı́pios de análise,

por perı́odo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 66
12
1 Introdução
1.1 Crescimento Vegetativo
O termo demografia é proveniente do grego, onde dêmos e gráphein significam po-

pulação e estudo respectivamente, e foi utilizado pela primeira vez em 1855 (GUILLARD,
1855). Ela é uma ciência social empı́rica, que tem como objetivo o estudo da dinâmica
populacional a partir de dados estatı́sticos provenientes de pesquisas populacionais.
O interesse em fazer estudos populacionais não é recente: ainda na Idade Antiga,

por volta de 3800 A.C., foi realizado o primeiro censo demográfico, do qual se tem co-
nhecimento, da história (BUREAU, 2019). Este, realizado pelos babilônios, promoveu a
contagem de população e gados, além da quantidade de alguns tipos de consumı́veis. Com
diferenciados tipos de interesse, que iam desde taxar impostos até ser colocado como ofe-
renda de paz, esse tipo de pesquisa demográfica passou a ser realizado em diversos paı́ses.
A importância dos estudos demográficos vêm da necessidade dos governos em co-

nhecer a população e, com base em dados e análises estatı́sticas, fazer o planejamento
governamental inteligente, visando atender eficientemente às necessidades da população.
Ainda que esse tipo de estudo seja importante, a Demografia e seus desdobramentos foram
objetos de estudo restrito por muito tempo, uma vez que os governos tratavam os dados
desse tipo de pesquisa como confidenciais e a divulgação deles era proibida (BANDEIRA,
2003).
No Brasil, os estudos demográficos ganharam popularidade e principalmente orga-

nização com a criação do Instituto Brasileiro de Geografia e Estatı́stica (IBGE), em 1936.
Antes do IBGE, o Brasil realizou outros censos demográficos, sendo o primeiro destes
realizado em 1872. Porém, até a criação do IBGE, houve desorganização no desenvolvi-
mento do Censo devido a diversos motivos, em especial a tensão polı́tica da época, que
resultaram no paı́s ficar 20 anos sem realizar o censo ou até mesmo demorar 10 anos para
apurá-lo (LADEM, 2019). Desde a criação do IBGE, o Brasil realizou censos decenais
1.1 Crescimento Vegetativo 13
e implementou novos tipos de pesquisa, como a Pesquisa Nacional por Amostra de Do-
micı́lios (PNAD) e a Pesquisa de Informações Básicas Municipais (Munic), que permitem
a implementação de uma boa agenda prioritária governamental.
O principal objeto desta pesquisa é uma das dimensões utilizadas para análise e
projeção da população, o crescimento populacional, também chamado de crescimento
natural ou vegetativo. Ele é calculado através da diferença entre a natalidade e a mortali-
dade, que indicam respectivamente o número de nascimentos e mortes em um determinado
perı́odo de tempo, desconsiderando os fatores de migração.
O crescimento natural faz parte da equação básica do movimento populacional, que

representa o crescimento absoluto em um determinado território, considerando tanto a
natalidade e a mortalidade quanto a migração.
A taxa de natalidade é calculada considerando o número de nascidos vivos em um

determinado perı́odo de tempo, multiplicado por 1000, e dividido pela população do local
no mesmo perı́odo de tempo. A taxa de mortalidade é calculada de forma similar, mas ao
invés de considerar o número de nascidos vivos, é usado o número de óbitos num perı́odo
de tempo.
As taxas de natalidade e mortalidade apresentam diferenças dependendo da locali-

dade que é avaliada. Paı́ses desenvolvidos tendem a ter ambas as taxas baixas, devido a
fatores como grau de instrução e nı́vel socioeconômico de seus habitantes, configurando
no processo conhecido como inversão da pirâmide etária, com o crescimento vegetativo
baixo e muitas vezes, negativo.
O Brasil, considerado paı́s em desenvolvimento, apesar de ter população estimada

pelo IBGE, no ano de 2022, de pouco mais de 213 milhões, vem apresentando diminuição
nas taxas de mortalidade e principalmente de fecundidade, que saltou de 5,26 filhos por
mulher em 1960 (IBGE, 1960) para 1,72 em 2015 (IBGE, 2013). O custo para criação de
filhos, maior urbanização, difusão do uso de métodos contraceptivos, avanços na medicina
e também a maior presença da mulher no mercado de trabalho são fatores que contribuem
para o paı́s possuir a menor taxa de crescimento populacional, calculada no IBGE através
da ”Taxa de Crescimento Geométrico”, da sua história em 2021 com apenas 0,74% (IBGE,
2021c).
A presença de inúmeros fatores que podem influenciar o crescimento populacional e

também os desdobramentos do aumento ou decrescimento deste foram, e ainda são, bases
de discussões e teorias demográficas, com destaque para as teorias Malthusiana, Neo-
1.1 Crescimento Vegetativo 14
malthusiana, Marxista e de Condorcet, cada uma dessas com sua própria individualidade,
apresentando diferentes visões de causas e consequências do crescimento populacional.
A principal destas teorias é a Malthusiana, criada em 1798 por Thomas Malthus,

que afirmava que a produção de alimentos ocorria em progressão aritmética, enquanto a
população, caso não ocorressem fatores como guerras, epidemias e afins, dobraria a cada
25 anos, gerando num colapso dos recursos (FONTANA et al., 2015). É de conhecimento
geral que isso não aconteceu, mas um dos fatores citados por Malthus que poderiam
influenciar no crescimento populacional era a não ocorrência de epidemias. São carac-
terizadas como epidemia as doenças que atingem apenas uma determinada localidade,
mas não atingem nı́veis mundiais, uma vez que quando isso acontece, a doença passa
a ser configurada como uma pandemia. Pois bem, em 2020 não foi uma epidemia que
assolou o mundo, mas sim uma pandemia: a do SARS-CoV-2, vı́rus causador da doença
popularmente conhecida como COVID-19.
O primeiro caso de COVID-19 foi registrado em dezembro de 2019 na cidade de

Wuhan, China, e em janeiro de 2020, a Organização Mundial da Saúde (OMS) decla-
rou que a nova cepa do coronavı́rus configurava uma Emergência de Saúde Pública de
Importância Internacional (WHO, 2020a), ainda que a configuração da doença como pan-
demia só tenha vindo a acontecer em 11 de março de 2020 (WHO, 2020b).
A COVID-19, no Brasil, tirou precocemente a vida de mais de meio milhão de pes-

soas, sendo cerca de 10% dessas mortes ocorridas no Estado do Rio de Janeiro. Com o
cenário no Estado apontando para a aprovação de uma nova Reforma da Previdência, é
importante analisar se a pandemia do Coronavı́rus alterou significativamente as previsões
de crescimento populacional, feitas anteriormente pelo IBGE. A investigação em torno
do que a mudança nos comportamentos de natalidade e mortalidade poderiam afetar os
municı́pios abordados é a principal motivação para este estudo.
Como já citado, diversos fatores influenciam nas taxas de mortalidade e natalidade,
e portanto, no crescimento populacional. Assim sendo, diferentes localidades possuem
diferentes nı́veis etários e socioeconômicos e, portanto, padrões diferentes de crescimento
natural. Baseado nisso, esta pesquisa irá se limitar à análise nos municı́pios de Maricá,
Niterói, Rio de Janeiro e São Gonçalo, que se localizam próximos geograficamente. Os
critérios de escolha dos municı́pios foram, além da proximidade entre eles: o Rio de
Janeiro é a capital do Estado de mesmo nome e também possui a maior população,
com 6.747.815 de habitantes (IBGE, 2021a); Niterói é antiga capital do Estado, possui o
maior IDH (Índice de Desenvolvimento Humano) do estado (0,837); São Gonçalo, menos
1.2 Revisão Bibliográfica 15
desenvolvida que os dois municı́pios, possui a 2ª maior população do Estado (1.091.737)

e possui um IDH inferior aos outros dois; Maricá é próxima aos dois últimos municı́pios
citados, mas possui menor população (167.668) e IDH igual a 0,765, superior ao de São
Gonçalo. Os dados de população são estimações do IBGE para o TCU no ano de 2021,
enquanto os dados de IDH foram coletados no Censo de 2010.
1.2 Revisão Bibliográfica
Há abundância de textos e artigos que discorrem a respeito de crescimento populaci-

onal e os desdobramentos causados por ele, realizando análises em sua maioria teóricas,
a partir de dados coletados por órgãos governamentais. Nesta seção, serão abordados de
forma resumida artigos que englobam natalidade, mortalidade e também a relação destas
com a COVID-19, além de um indicador de qualidade dos municı́pios.
O artigo de Lins et al. (2015) utiliza um método para aplicação de projeções popu-
lacionais para os anos de 2013 a 2020 no Rio de Janeiro, tanto capital quanto estado,
baseados nas informações dos Censos 2000 e 2010. Destaca-se a boa aproximação da
projeção a nı́vel estadual e municipal, uma vez que a população estimada, de 17.168.199
para o estado e 6.661.359 para a capital, é próxima a observada, 17.463.349 e 6.747.815
para a capital.
O IBGE divulgou no dia 27 de agosto de 2021 as estimativas de população para

todos os Estados e Distrito Federal. O órgão informou que ”os efeitos da pandemia
da Covid-19 no efetivo populacional não foram incorporados nesta projeção, devido à
ausência de novos dados de migração, além da necessidade de consolidação dos dados de
mortalidade e fecundidade, fundamentais para se compreender a dinâmica demográfica
como um todo”(IBGE, 2021b). O próprio IBGE possui um site informando as projeções
populacionais total e por faixa etária, além de estatı́sticas como as taxas de natalidade,
fecundidade e mortalidade para o Brasil e seus Estados até o ano de 2060 (IBGE, 2021c).
Estas projeções indicam que o Brasil deve atingir o pico de sua população no quinquênio de
2045-2050 e após isso, iniciar o decrescimento da população, provocado pela ultrapassagem
da mortalidade sobre a natalidade.
Dados coletados pelos institutos estatı́sticos de diversos paı́ses ao redor do mundo

trazem a informação de redução no crescimento vegetativo no ano de 2020, quando com-
parado com o ano anterior. Na Coréia do Sul, de acordo com Yonhap (2021), 308.000
mortes e 275.800 nascimentos. A Itália por sua vez é um paı́s que vem apresentando cres-
1.3 Objetivos 16
cimento vegetativo negativo, e de acordo com o instituto nacional de estatı́stica italiano,

ISTAT, o paı́s obteve crescimento vegetativo superior ao ano de 2020, ainda que o número
de mortes tenha sido superior ao de nascimentos (ISTAT, 2021).
Alves (2015), aborda as causas do decréscimo populacional na capital do Estado. O

artigo traz dados como a decrescente taxa de fecundidade na cidade do Rio, que neste
século foi de 1,6 filhos por mulher, mas na década de 60 era de 5 filhos por mulher. Também
é abordado no mesmo a diminuição da população com menos de 40 anos, dando espaço
a uma população mais velha, dado o aumento da expectativa de vida na capital, o que
mudará de forma significativa o modo de viver na cidade. O mesmo autor (ALVES, 2021),
em outra publicação, reporta as diferenças de dados de natalidade para 3 instituições
diferentes: Ministério da Saúde, IBGE e Portal da Transparência, indicando que os dois
primeiros apresentam comportamento similar, enquanto o último até 2017 apresentava
taxas bastante inferiores. O autor indica também que o impacto causado pela COVID-19
na natalidade só poderá ser percebido a partir de 2021, uma vez que a pandemia teve
inı́cio em março de 2020.
Dados do Portal da Transparência (REGISTRO CIVIL, 2021) indicam, em relação

aos anos de 2018 e 2019, diminuição no número de registros de nascimentos para o ano
de 2020 e aumento no número de óbitos neste mesmo ano. Para o ano de 2021, é possı́vel
observar déficit no crescimento vegetativo em alguns municı́pios.
1.3 Objetivos
O objetivo principal desta pesquisa é mensurar como a pandemia de COVID-19 afetou

o crescimento vegetativo dos municı́pios de Maricá, Niterói, Rio de Janeiro e São Gonçalo,
com base na análise da evolução dos nascimentos e óbitos em cada uma dessas localidades.
Os objetivos especı́ficos são:
1. Analisar o comportamento das séries temporais de natalidade e mortalidade para

as diferentes localidades, antes e durante a pandemia;
2. Comparar os números de nascimentos e óbitos registrados na pandemia com os

números previstos caso esse perı́odo não ocorresse.
1.4 Organização 17
1.4 Organização
Este trabalho será apresentado em três capı́tulos, além desta introdução. No Capı́tulo
2 serão apresentadas informações sobre os dados que foram utilizados nas análises, bem
como as técnicas e métodos estatı́sticos adotados. No Capı́tulo 3 serão analisados os
resultados obtidos nas análises, comparando, sempre que possı́vel, com os já relatados
na literatura. Finalmente, no Capı́tulo 4 serão descritas as principais conclusões obtidas
nesta pesquisa.
18
2 Materiais e Métodos
2.1 Dados
Os dados coletados para realização deste estudo são provenientes da plataforma Dados
SUS, no site da Secretaria de Saúde do Governo do Estado do Rio de Janeiro. Tal plata-
forma apresenta diferentes estatı́sticas demográficas e de saúde para todos os municı́pios
do Estado do Rio de Janeiro, além de possuir alguns dados totais para os outros estados
do Brasil. Tais dados, utilizados nas análises e modelagens deste estudo, apresentam as
seguintes caracterı́sticas:
População: Referentes aos anos de 1996 a 2021, são provenientes da Contagem

Populacional de 1996, Censo Demográfico de 2000 e 2010 e estimativas do IBGE
para o TCU nos anos de 1997 a 1999, 2001 a 2009 e 2011 a 2021, coletados por ano
nos municı́pios de análise (DADOS SUS, 2022e);
Nascimentos: Referentes ao perı́odo entre janeiro de 1996 a novembro de 2021,

coletados por mês nos municı́pios de análise, segundo o local de residência da mãe
(DADOS SUS, 2022d);
Óbitos: Referentes ao perı́odo entre janeiro de 1996 a dezembro de 2021, coletados

por mês nos municı́pios de análise, segundo o local de residência (DADOS SUS,
2022a);
Casos e óbitos de COVID-19: Referentes ao perı́odo entre janeiro de 1996 a 22

de janeiro de 2022, coletados por mês nos municı́pios de análise, segundo data de
notificação (DADOS SUS, 2022b);
Vacinação: Referentes ao perı́odo entre janeiro de 1996 a 22 de janeiro de 2022,

coletados por mês nos municı́pios de análise, segundo dose (DADOS SUS, 2022c).
2.2 Metodologia estatı́stica 19
A variável Nascimentos não foi coletada em dezembro de 2021, uma vez que os da-
dos estavam desatualizados no perı́odo de coleta. A variável de vacinação foi coletada
considerando apenas a 1ª e a 2ª dose da vacina de prevenção à COVID-19.
É também importante ressaltar que alguns dos dados de população são estimativas
do IBGE para o Tribunal de Contas da União (TCU), não considerando os efeitos da
pandemia, sendo estas estimativas oriundas do site da Secretaria de Saúde Estadual.
2.2 Metodologia estatı́stica
A principal ferramenta estatı́stica utilizada nesta pesquisa são os Modelos Lineares

Normais, que seguem a distribuição normal, e os Modelos Lineares Generalizados (MLG).
Quanto à regressão linear múltipla e a estimação dos modelos lineares normais, é Gujarati
e Porter (2011), enquanto para os modelos Lineares Generalizados é Lindsey (1996). De
maneira geral, essa seção apresenta os principais elementos dessa ferramenta estatı́stica e
de qual maneira ele será abordado neste estudo. ´ O software utilizado para realização
de análises estatı́sticas, construção de gráficos e modelagem dos dados foi o R Studio (R
Core Team, 2014), versão 1.1.463. O nı́vel de significância utilizado nas análises foi de
0,05.
2.2.1 Modelos Lineares Normais
A análise de regressão linear tem como objetivo verificar se o comportamento de uma

variável dependente, chamada de variável resposta, é explicado pela relação dela com
outras variáveis, chamadas de variáveis explicativas. O método estatı́stico utilizado para
verificar esse comportamento são os modelos de regressão linear. O mais simples destes
modelos conta com apenas uma variável explicativa, mas há também os modelos com p
variáveis explicativas, chamados de modelos de regressão linear múltipla, estimada através
do método dos Mı́nimos Quadrados Ordinários (MQO).
Para verificar se a tendência linear, que será estimada nos modelos deste trabalho, de
uma série temporal sofreu alteração entre dois perı́odos A e B, podem ser estimados dois
modelos lineares simples, um para cada perı́odo, apresentando equações do modelo iguais
a:
Modelo para o perı́odo A:
yt = β0 + β1 · t + ϵt , onde t = 1, ..., nA (2.1)
Modelo para o perı́odo B:
yt = β2 + β3 · t + ϵt , onde t = 1, ..., nB (2.2)
Nesses modelos:
β0 e β2 indicam os parâmetros dos interceptos das retas estimadas para os dados do

perı́odo A e B;
β1 e β3 indicam os parâmetros de inclinação das retas estimadas para os dados do

perı́odo A e B;
t é a variável de tendência linear;
ϵt são os termos de erro aleatório, que devem apresentar distribuição normal de

média 0 e variância constante σ 2 .
Ao comparar as estimativas de β1 e β3 , pode-se inferir se ocorreu mudança estrutura

na tendência da série, a partir da realização do Teste de Chow. Uma alternativa a este
teste é utilizar uma única equação do modelo linear, juntando os perı́odos A e B, utilizando
assim o modelo de regressão linear múltipla, de seguinte equação:
yt = β0 + β1 · t + α0 · C + α1 · Ct + ϵt , onde t = 1, ..., n (2.3)
Este modelo será utilizado nas análises deste trabalho e as variáveis nele apresentam
as seguintes caracterı́sticas:
Yt é a variável resposta, seja nascimentos ou mortes, no perı́odo t;
t é a variável de tendência linear, indicando o perı́odo t;
C é uma variável binária que assume valor igual a zero se t pertencer ao perı́odo A
e igual a 1 se t pertencer ao perı́odo B;
Ct é a interação entre as variáveis explicativas C e t, cujo valor é o resultado da

multiplicação entre as duas;
β0 e β1 são os parâmetros de intercepto e inclinação da reta respectivamente;
α0 é o coeficiente intercepto diferencial entre dois perı́odos. Quando C for igual a

1, o intercepto da reta no perı́odo B será β0 + α0 e igual a β2 da equação 2.2.
α1 é o coeficiente inclinação diferencial entre dois perı́odos. Quando C for igual a

1, a inclinação da reta no perı́odo B será β1 + α1 e igual a β3 da equação 2.2.
Neste trabalho, o perı́odo A (C = 0) se refere ao perı́odo de pandemia de COVID-19,

enquanto o perı́odo B (C = 1) é durante este perı́odo;
Se α1 for estatisticamente significativo ao testar as hipóteses H0 : α1 = 0 x H1 :

α1 ̸= 0, tem-se evidências de que houve mudança na tendência linear no perı́odo B em
comparação com o perı́odo A, ao nı́vel de significância adotado (5%).
Em termos matemáticos, têm-se:
E(Y |t, Ct = 0) = β0 + β1 · t (2.4)
E(Y |t, Ct = 1, t) = (β0 + α0 ) + (β1 + α1 ) · t (2.5)
Notação Matricial
Podemos escrever o modelo de regressão linear múltiplo na forma matricial, através

da equação:
y = Xβ + ϵ (2.6)
y, X, β e ϵ são representados pelos seguintes vetores e matrizes:
       
Y1 1 X11 X12 ... X1p β ϵ1
     0  
 Y2  1 X21 X22 ... X2p  β   ϵ2 
 1
ynx1 =  .  , Xnxp = . , β = , ϵ = (2.7)
     
 ..   .. .
.. .
.. .
.. .
.. 
 4x1  
α0  nx1 .
 .. 
       
Yn 1 Xn1 Xn2 ... Xnp α1 ϵn
Na forma matricial:
y é o vetor dos valores da variável resposta;
X é a matriz dos valores das variáveis explicativas t, C e Ct;
β é o vetor dos parâmetros;
ϵ é o vetor dos termos de erro aleatório.
2.2.1.1 Estimação dos parâmetros
Seja y = (Y1 , ..., Yn ) uma amostra aleatória observada e X a matriz com as variáveis
explicativas. Para obter a estimativa dos parâmetros, dos modelos lineares normais,
pertencentes ao vetor β, considere β̂ o vetor de estimador do modelo linear normal e
e o vetor dos resı́duos, calculados por:
e = y − ŷ = y − Xβ̂ (2.8)
O ajuste dos mı́nimos quadrados requer encontrar os valores de β que minimizem a

soma dos quadrados dos erros, denotada por:
eT · e = (y − Xβ)T · (y − Xβ)
eT · e = yT y − 2β T X T y + β T X T Xβ (2.9)
Derivando a equação acima em termos de β e igualando a 0, encontra-se as equações

normais:
X T y = (X T X)β̂ (2.10)
Isolando β na equação 2.10 e supondo a existência da inversa da matriz X T X, obtém-

se a fórmula dos estimadores do modelo linear normal de β:
β̂ = (X T X)−1 (X T y) (2.11)
Um estimador não viesado para σ 2 é:

yT y − β̂X T y
M QE = (2.12)
n−p
2.2.1.2 Verificação dos pressupostos do modelo
A verificação da existência de uma relação linear nos modelos de regressão linear

múltiplo passa por uma série de pressupostos:
ϵi ∼ NMV(0, σ 2 );
As variáveis explicativas devem ser independentes entre si;
Os termos de erro não podem ser autocorrelacionados entre si e nem com uma
variável explicativa Xi , ou seja, devem possuir covariância igual a 0;
O número de observações Yi deve ser maior que o número de parâmetros estimados;
Deve haver variações nas variáveis Xi , que também não podem ter colinearidade
exata;
O modelo deve estar corretamente especificado.
Antes de dizer que um modelo linear normal é válido, é necessária a verificação destes
pressupostos, realizando então testes estatı́sticos que comprovem que tais estejam sendo
respeitados e logo, que os dados podem ser bem representados pela distribuição normal
ou não apresentam algum vı́cio na adequação ao modelo linear.
Gráfico dos resı́duos - Homocedasticidade
O gráfico dos resı́duos apresenta a distribuição dos resı́duos do modelo. A análise

gráfica deles é extremamente importante na análise de regressão linear, uma vez que a
partir deles é que podemos investigar o comportamento dos resı́duos e consequentemente,
verificar se a distribuição deles viola algum dos pressupostos do modelo linear. A par-
tir deles, também é possı́vel verificar se há presença de outliers e observações influentes,
que impactam diretamente na qualidade do modelo, na amostra. Para considerar que o
modelo é adequado, o comportamento graficamente esperado dos resı́duos é eles estarem
distribuı́dos aleatoriamente, sem tendência, em torno de zero. Os resı́duos e valores ajusta-
dos são calculados a partir da equação 2.8. No R será realizado o teste de Breusch–Pagan
com finalidade de verificar se o pressuposto de homocedasticidade está sendo respeitado.
As Figuras 1 e 2 representam dois gráficos de resı́duos, sendo a primeira destas con-

siderada como adequada e a segunda inadequada para a adequação aos pressupostos do
modelo.
Figura 1: Distribuição adequada (aleatória) de um gráfico de resı́duos
Figura 2: Distribuição inadequada (não aleatória) de um gráfico de resı́duos
Normalidade
Outro pressuposto que deve ser respeitado é o da normalidade, que pode ser conferido
através do gráfico de QQ-Plot, onde as observações não devem fugir do padrão da reta do
gráfico e também através do teste de Kolmogorov-Smirnov.
As Figuras 3 e 4 representam dois gráficos para verificar a normalidade, sendo o

primeira destes considerado como adequado e o segundo inadequado para a adequação a
esse pressuposto.
Figura 3: QQ-Plot adequado

Figura 4: QQ-Plot inadequado
Autocorrelação dos resı́duos
Neste trabalho, os modelos serão estimados com a variável resposta contendo dados
de séries temporais, então é comum encontrar autocorrelação nos resı́duos, tornando a
previsão ineficiente. O teste para verificar se existe autocorrelação será o teste de Durbin-
Watson, que conta com hipótese nula a de não existência de autocorrelação dos resı́duos.
No R, será estimado através da função dwtest.
Transformação das variáveis
Quando um dos pressupostos do modelo linear normal é violado, podemos transformar

a variável resposta a fim de ajustar o modelo a esses pressupostos. Para isso, os dados da
variável resposta devem ser positivos. No R, é realizada pela função boxcox. A Figura 5
indica uma transformação de Box-Cox:
Figura 5: Exemplo de transformação de Box-Cox
O lambda obtido pelo gráfico é o que atinge a reta de verossimilhança de 95%. Se

o lambda estiver próximo as vizinhanças de zero, a variável transformada usa a base
logarı́tmica. Caso contrário, usa-se:
Y (λ) − 1
Y′ = (2.13)
λ
2.2.1.3 Avaliação da qualidade do modelo
Somas dos Quadrados
Nesta seção, serão apresentadas as medidas para avaliar a qualidade do modelo es-
timado. Antes de definirmos os estimadores que farão esse trabalho, serão apresentadas
fórmulas referentes às diferentes Soma dos Quadrados: do Erro (SQE), dos Resı́duos
(SQR) e Total (SQT).
Soma dos Quadrados do Erro (SQE)
É igual a soma da diferença entre os valores Yi da amostra e os valores ajustados Ŷi ,

elevada ao quadrado. Na forma matricial é igual a:
SQE = yT y − β̂ T X T y (2.14)
Soma dos Quadrados dos Resı́duos (SQR)
Equivale a soma da diferença entre os valores ajustados Ŷi e a média Ȳ , elevada ao

quadrado. Na forma matricial é igual a:
1 T
SQR = β̂ T X T y − y Qy, (2.15)
n
sendo Q é uma matriz quadrada composta onde todos seus valores são iguais a 1.
Soma dos Quadrados Total (SQT)
Também pode ser interpretado como a soma da diferença entre os valores Yi da amos-
tra e a média Ȳ , elevada ao quadrado. No geral, é a soma dos valores de SQR e SQE.
SQT = SQE + SQR (2.16)
Medidas de qualidade do ajuste
Com essas medidas já definidas, definem-se os coeficientes de qualidade do ajuste do

modelo: R2 e R2 ajustado, além do gráfico dos resı́duos, que serve tanto para verificar os
pressupostos do modelo, de maneira visual, quanto para verificar se o modelo está bem
ajustado.
Coeficiente de Determinação (R2 )
É uma medida de ajuste do modelo, que mede a proporção da variação dos dados em
torno de ȳ. Assume valores reais no intervalo [0, 1] e quanto mais próximo de 1 estiver,
maior a parcela de y será explicada pela regressão.
SQR
R2 = (2.17)
SQT
Coeficiente de Determinação ajustado (R2 ajustado)
Uma vez que o R2 não leva em consideração a falta de ajuste do modelo e também
aumenta a partir da adição de novas variáveis ao modelo, é utilizado muitas vezes o

Coeficiente de Determinação ajustado, visando diminuir os erros de estimação do R2 .
SQE
2 n−p
R ajustado = 1 − SQT
(2.18)
n−1
Outra forma será avaliar o ajuste será a partir erro padrão residual, que quanto mais
próximo a zero melhor.
2.2.1.4 Inferência no modelo - Testes de hipótese e intervalos de confiança
A fim de testar o comportamento e a adequabilidade dos estimadores a um determi-

nado modelo, são feitos os testes de hipóteses, que serão apresentados nessa subseção.
Testes de Hipóteses
Aqui serão apresentados os testes de hipótese que serão realizados com os coeficientes
do vetor β, sendo estes baseados na hipótese de que os pressupostos do modelo linear
normal foram aceitos. Serão apresentadas também as hipóteses nulas e estatı́sticas de
teste referentes a cada um deles.
Teste de hipótese para os interceptos
O teste de hipótese sobre os interceptos do modelo, β0 e α0 , indica se estes, individu-

almente, são significativos no modelo, ou seja, diferente de zero, sem sofrer influência das
outras variáveis explicativas. Seja β um determinado intercepto.
Hipóteses:
H0 : β = 0, β não é significativo.
H1 : β ̸= 0, β é significativo.
Estatı́stica de Teste:
β̂
p ∼ tn−p , (2.19)
σˆ2
onde σˆ2 = SQE·x̄

(n−p)·n· n
P 2.
i=1 (Xi −X̄)
Se o módulo da estatı́stica de teste for superior a t1− α2 ;n−p , rejeita-se H0 ao nı́vel de

significância adotado.
Intervalo de confiança para os interceptos do modelo
O intervalo de confiança é definido através da seguinte equação:
p
IC(β)(1−α)% = [β̂ ± t 1− α
2
;n−p · σˆ2 ] (2.20)
Caso β̂ esteja no intervalo de confiança, ele é significativo.
Teste de hipótese para os coeficientes de inclinação
Este teste investiga se os coeficientes de inclinação do modelo, β1 e α1 , são significati-

vos na explicação da variável resposta. Seja β um determinado coeficiente de inclinação.
Hipóteses:
H0 : β = 0, β não ajuda a explicar a variável resposta.
H1 : β ̸= 0, β ajuda a explicar a variável resposta.
β̂
q ∼ tn−p , (2.21)
SQE
C
n−p jj
onde Cjj são os elementos da diagonal principal da matriz (X T X)−1
Se o módulo da estatı́stica de teste for superior a t1− α2 ;n−p , rejeita-se H0 ao nı́vel de

significância adotado. No caso do modelo de quebra estrutural, se α1 for considerado signi-
ficativo, tem-se evidência da mudança de tendência linear em um perı́odo, em comparação
com o perı́odo anterior.
Intervalo de confiança para os coeficientes de inclinação do modelo
O intervalo de confiança é definido através da seguinte equação:
s
SQE
IC(β)(1−α)% = [β̂ ± t1− α2 ;n−p · Cjj ] (2.22)
n−p
Caso β̂ esteja no intervalo de confiança, ele é significativo.

2.2.2 Modelos Lineares Generalizados (MLGs)
Muitas vezes, o modelo linear normal não segue os pressupostos de normalidade ou

simplesmente não se ajusta bem aos dados. Isso pode ser um indicativo de que a variável
resposta apresenta domı́nio diferente dos reais contı́nuos. Quando isso ocorre, podem ser
utilizadas outras abordagens na regressão linear múltipla, como a de Modelos Lineares
Generalizados (MLG), que engloba as distribuições que fazem parte da famı́lia exponencial
e podem ser utilizados para diferentes tipos de variável resposta, sejam elas contagens,
binárias, contı́nuas, entre outras, mudando os pressupostos e caracterı́sticas de acordo
com o tipo delas.
A função de densidade dos MLGs pode ser descrita na seguinte forma, considerando
y o vetor de valores da variável resposta e θ = (θ1 , ..., θn ) os valores do parâmetro:
n
X n
X n
X
f (y; θ) = exp[ y · t(θ) + u(θ) + v(y)] (2.23)
De maneira geral, os MLGs são compostos por três componentes:
1. Distribuição da variável resposta: Os Y1 , ..., Yn devem apresentar a mesma

distribuição.
2. Preditor linear: Estrutura linear entre os parâmetros β e a matriz de variáveis

explicativas X:
η = Xβ (2.24)
3. Função de ligação (gi ):
Função monótona e diferenciável, que explica a relação entre a média da i-ésima

observação e o preditor linear desta, através da relação:
ηi = gi (µi ) = XiT β, (2.25)
onde Xi são as linhas da matriz dos valores das variáveis explicativas X
Neste trabalho, a variável resposta são os totais de nascimentos e óbitos para cada
municı́pio num determinado espaço de tempo, portanto, uma contagem, caracterı́stica uti-
lizada na função de distribuição Poisson. Considerando Y como o número de ocorrências
de um determinado evento, a Poisson é uma distribuição estatı́stica com as seguintes

caracterı́sticas:
Função de probabilidade:
e−λ · λy
f (y) = , y = 0, 1, 2... (2.26)
y!
Valor esperado e variância: λ
O modelo a ser utilizado neste trabalho possui a seguinte equação e caracterı́sticas:
Yi ∼ P oisson(λi ), i = 1, ..., n
g(λi ) = log(λi ) = β0 + α0 · t + β1 · C + α1 · Ct (2.27)
Seja λ o vetor (λ1 , ..., λn ). A distribuição da variável resposta é a Poisson, de

função de densidade na famı́lia exponencial igual a:
Xn n
X n
X
f (y; λ) = exp[ y · log(λ) − λ− log(y!)] (2.28)
Preditor linear é β0 + α0 · t + β1 · C + α1 · Ct. t, C e Ct representam a tendência

temporal, a variável indicadora do perı́odo pandêmico (0 = não, 1 = sim) e o
crescimento da variável resposta ao longo do perı́odo pandêmico respectivamente.
Os βs são os parâmetros desconhecidos;
A função de ligação utilizada é a logarı́tmica, que é a função de ligação canônica da

Poisson, descrita na equação 2.27.
Os coeficientes estimados devem ser interpretados na escala exponencial;
λ̂ são os valores ajustados do modelo;
Apresenta resı́duos iguais a:
Y − λ̂
e= (2.29)
λ̂
2.2.2.1 Avaliação da Qualidade do Modelo
A medida utilizada para avaliar a qualidade do ajuste nos modelos MLG será a devi-
ance. A deviance é uma medida de diferença entre os ajustes dos modelos proposto e um
modelo saturado, que apresenta n parâmetros. Apresenta equação igual a:
D = 2[l(λ̂max ; y) − l(λ̂; y)], (2.30)
No modelo MLG para Poisson:
y
D = 2[λ̂ − y + y · ln( )] (2.31)
λ̂
Quanto maior o valor da deviance, pior é considerado o ajuste do modelo proposto.
2.2.2.2 Inferência no modelo - Testes de hipótese e intervalos de confiança
Aqui serão apresentados brevemente o teste de hipótese e o intervalo de confiança

para os coeficientes de inclinação:
Teste de hipótese para os coeficientes de inclinação
Para o modelo MLG, o teste de hipóteses para os coeficientes de inclinação tem as

mesmas hipóteses nula e alternativa do teste dos parâmetros para o modelo linear normal,
mas diferente estatı́stica de teste. Além disso, a distribuição é assintoticamente normal:
θ̂
q ∼ N (0, 1) (2.32)
V ar(θ̂)
Se o módulo da estatı́stica de teste for superior a z1− α2 ;n−p , rejeita-se H0 ao nı́vel de

significância adotado.
Intervalo de confiança para os coeficientes de inclinação:
q
IC(θ; 1 − α) = (θ̂ ± z1− α2 V ar(θ̂)) (2.33)
Para a distribuição Poisson, os estimadores assintóticos da média e variância de λ são

respectivamente x̄ e nx̄ .
No Apêndice 2, são encontradas as fórmulas para as estatı́sticas descritivas utilizadas

neste estudo.
35
3 Análise de Resultados
Este capı́tulo será dividido em 4 partes. A primeira se refere à análise descritiva

dos dados disponı́veis para cada um dos municı́pios. A segunda tratará dos modelos
lineares normais, a terceira abordará os Modelos Lineares Generalizados. A última dessas
abordará os resultados de ambos, comparando com as séries esperadas de nascimentos e
óbitos caso não ocorresse o perı́odo pandêmico.
3.1 Análise descritiva
Esta subseção apresentará uma análise exploratória, realizada através de gráficos e

tabelas, abordando as variáveis de nascimentos, óbitos, crescimento natural bruto, po-
pulação e também a respeito dos dados de COVID-19, que envolvem vacinação (com a
1ª ou a 2ª dose), casos e óbitos. Os dados foram coletados em 22 de janeiro de 2022.
Os dados de nascimentos estão disponı́veis até o mês de novembro de 2021; os de óbitos,
até dezembro do mesmo ano; os de vacinação, casos e óbitos por COVID até meados
de janeiro de 2022. Cabe também ressaltar que os dados de nascimentos não estavam
atualizados para o mês de dezembro.
3.1.1 Nascimentos, óbitos, crescimento natural bruto e população
A Tabela 1 apresenta os dados coletados de nascimentos, óbitos, crescimento natural

bruto e população para os quatro municı́pios de análise:
3.1 Análise descritiva 36
Tabela 1: Nascimentos, óbitos, crescimento natural bruto e população para os municı́pios

de análise
Maricá Niterói Rio de Janeiro São Gonçalo
Ano
Crescimento Crescimento Crescimento Crescimento
Nascimentos Óbitos População Nascimentos Óbitos População Nascimentos Óbitos População Nascimentos Óbitos População
natural bruto natural bruto natural bruto natural bruto
1996 1.091 472 619 60.286 8.109 4.125 3.984 450.364 101.130 52.670 48.460 5.551.538 16.625 6.259 10.366 833.379
1997 1.034 438 596 62.675 7.887 3.962 3.925 453.907 104.528 50.699 53.829 5.569.181 17.487 5.932 11.555 846.731
1998 1.192 495 697 64.689 7.375 3.897 3.478 456.894 98.345 51.676 46.669 5.584.067 16.598 6.228 10.370 857.988
1999 1.321 567 754 66.705 7.595 3.980 3.615 459.884 103.486 49.979 53.507 5.598.953 16.350 6.281 10.069 869.254
2000 1.229 541 688 76.737 7.276 3.884 3.392 459.451 98.792 48.558 50.234 5.857.904 14.940 5.865 9.075 891.119
2001 1.228 555 673 80.241 6.633 3.871 2.762 461.204 91.459 49.434 42.025 5.897.485 13.851 6.216 7.635 903.333
2002 1.225 633 592 83.090 6.331 3.983 2.348 464.353 86.949 50.893 36.056 5.937.253 13.138 6.494 6.644 914.534
2003 1.252 637 615 86.038 6.152 3.904 2.248 466.628 87.909 50.335 37.574 5.974.081 13.294 6.403 6.891 925.402
2004 1.281 679 602 92.227 6.391 3.879 2.512 471.403 86.808 50.417 36.391 6.051.399 12.628 6.414 6.214 948.216
2005 1.316 684 632 95.653 5.977 3.874 2.103 474.046 84.228 49.090 35.138 6.094.183 11.902 6.306 5.596 960.841
2006 1.276 738 538 99.052 5.799 4.109 1.690 476.669 82.209 50.866 31.343 6.136.652 12.489 6.576 5.913 973.372
2007 1.397 756 641 105.294 6.019 4.029 1.990 474.002 82.594 51.399 31.195 6.093.472 11.314 6.687 4.627 960.631
2008 1.401 786 615 119.231 5.982 3.920 2.062 477.912 82.343 51.796 30.547 6.161.047 11.701 6.873 4.828 982.832
2009 1.412 839 573 123.492 5.994 4.100 1.894 479.384 84.470 52.564 31.906 6.186.710 11.434 7.070 4.364 991.382
2010 1.427 884 543 127.461 5.966 4.552 1.414 487.562 83.223 53.846 29.377 6.320.446 11.311 7.316 3.995 999.728
2011 1.443 871 572 131.354 6.131 4.228 1.903 489.720 86.132 52.590 33.542 6.355.949 11.669 7.155 4.514 1.008.064
2012 1.604 877 727 135.121 5.906 4.252 1.654 491.807 86.549 52.265 34.284 6.390.290 11.811 7.100 4.711 1.016.128
2013 1.622 953 669 139.552 6.103 4.392 1.711 494.200 87.661 53.374 34.287 6.429.923 11.463 7.404 4.059 1.025.507
2014 1.823 991 832 143.111 6.468 4.352 2.116 495.470 89.991 54.015 35.976 6.453.682 12.407 7.386 5.021 1.031.903
2015 1.884 1.036 848 146.549 6.456 4.399 2.057 496.696 90.694 54.560 36.134 6.476.631 12.388 7.534 4.854 1.038.081
2016 1.764 1.114 650 149.876 5.903 4.642 1.261 497.883 83.166 58.017 25.149 6.498.837 11.386 8.016 3.370 1.044.058
2017 1.878 1.162 716 153.008 6.336 4.596 1.740 499.028 84.521 55.199 29.322 6.520.266 11.290 7.842 3.448 1.049.826
2018 1.971 1.240 731 157.789 6.139 4.832 1.307 511.786 82.565 57.252 25.313 6.688.927 10.974 8.062 2.912 1.077.687
2019 2.026 1.344 682 161.207 6.012 4.774 1.238 513.584 76.831 59.707 17.124 6.718.903 10.433 7.571 2.862 1.084.839
2020 2.017 1.737 280 164.504 5.717 5.981 -264 515.317 73.134 71.291 1.843 6.747.815 9.897 9.693 204 1.091.737
2021 1.978 2.058 -80 167.668 5.207 6.350 -1.143 516.981 65.582 73.558 -7.976 6.775.561 8.853 10.098 -1.245 1.098.357
Pela tabela, é possı́vel observar o crescimento da população em quase todos os anos

nos municı́pios, além de observar que o aumento proporcional do número de habitantes
destes difere de um municı́pio para outro. O municı́pio de Niterói registrou crescimento
populacional de aproximadamente 14%, enquanto Maricá chegou próximo de triplicar sua
população, o que sugere uma ocupação maior do municı́pio por imigrantes, visto que o
número de nascimentos é inferior ao crescimento natural.
O crescimento natural bruto de uma população é a diferença entre os nascimentos e

óbitos registrados num determinado perı́odo. Numa população fechada, onde considera-se
a não existência de migração, a população para o perı́odo n seria calculada por:
Pn = P0 + N0,n − O0,n (3.1)
Neles:
Pn é a população no instante n;
P0 é a população no instante 0 e ocorre anteriormente a Pn ;
N0,n são os nascimentos registrados entre os instantes n e 0;
O0,n são os óbitos registrados entre os instantes n e 0.
Se os municı́pios analisados nesta pesquisa estivessem fechados para a migração, a

população em 2021 deveria reduzir e não aumentar, conforme as estimativas populacionais
feitas pelo IBGE para o TCU antes da pandemia.
No caso da população aberta à migração, considerando a suposição de que houve

redução da migração no perı́odo pandêmico, a estimativa populacional para 2021 deve
diminuir em comparação a 2020, gerando o fenômeno que ocorreria pela primeira vez
nestes municı́pios: taxa de crescimento populacional negativa, registrada nos quatro mu-
nicı́pios em 2021. Pontua-se novamente que os dados de nascimentos não se encontravam
completos para dezembro de 2021. Ainda que o crescimento natural ao fim do ano não
fosse negativo, seria muito diferente do padrão previamente encontrado.
Resultados e observações podem ser retirados das tabelas, mas a visualização gráfica
torna mais fácil a observação. As Figuras 6, 7, 8 e 9 apresentam a distribuição da série
histórica de nascimentos e óbitos para os quatro municı́pios:
Figura 6: Nascimentos e óbitos no municı́pio de Maricá entre 1996 e 2021, por ano
Figura 7: Nascimentos e óbitos no municı́pio de Niterói entre 1996 e 2021, por ano
Figura 8: Nascimentos e óbitos no municı́pio do Rio de Janeiro entre 1996 e 2021, por
ano
Figura 9: Nascimentos e óbitos no municı́pio de São Gonçalo entre 1996 e 2021, por ano
A série histórica de nascimentos no municı́pio de Maricá segue caminho oposto aos dos
três outros municı́pios, apresentando crescimento de pouco mais de 80% se comparados
os anos de 1996 e 2021, mantendo inclusive a regularidade dos nascimentos no perı́odo
pandêmico. Isso é causado pelo aumento populacional registrado no municı́pio, que quase
triplicou sua população desde 1996, como foi mostrado na Tabela 1. Tal fenômeno também
causou o aumento do número de óbitos anuais em mais de 200% quando comparado a
1996, intensificado ainda mais pelo perı́odo pandêmico, que chegou a registrar quase cinco
vezes a mais de óbitos.
Em Niterói, apesar de a população ter aumentado em cerca de 15% desde 1996, os

nascimentos na cidade seguiram o caminho contrário, caindo em aproximadamente 25%
quando comparado com o ano de 2019. No perı́odo pandêmico, a cidade teve pela primeira
vez em sua história o número de óbitos ultrapassando o número de nascimentos, tendo
assim crescimento vegetativo negativo, fenômeno previsto para acontecer no paı́s em 2047
e no Estado do Rio de Janeiro em 2040, mas ocorreu antes em algumas cidades devido à
pandemia de COVID-19.
A série histórica de nascimentos no municı́pio do Rio vinha apresentando leve declı́nio

com o passar dos anos. A primeira vez que a capital registrou número de nascimentos
anuais inferior a 80.000 havia sido em 2019, último ano antes da pandemia, registrando
assim uma queda de aproximadamente 25% quando comparado ao número de nascimentos
em 1996. Na pandemia, esse número diminuiu ainda mais. A série de óbitos apresentou
leve crescimento quando comparada a esse mesmo perı́odo, mas só no perı́odo pandêmico
veio a apresentar valores acima de 60.000, quando apresentou aumento de mais de 15%
em relação ao perı́odo pré-pandemia.
Ao analisar a série populacional de São Gonçalo em conjunto com a de nascimentos,

nos traz o mesmo retorno dos dados de Niterói e da capital: enquanto a população cresce,
o número de nascimentos decresce. No caso de São Gonçalo, se compararmos o ano de
pico de nascimentos, 1997, com o de menos nascimentos fora da pandemia, é possı́vel
perceber uma queda de 40%; se usarmos o perı́odo pandêmico nessa comparação, a queda
é de mais de 50%. Outro ponto de destaque é o crescimento vegetativo quase nulo em
2020, com apenas 4 ocorrências separando as taxas de natalidade e mortalidade.
Como os números apresentam diferentes grandezas, além de sofrerem impacto da va-

riação, seja ela um aumento ou uma diminuição, da população local, uma análise para
verificar o comportamento dos municı́pios em conjunto é por meio do número de nasci-
mentos e óbitos a cada 1000 habitantes. Para isso, foram construı́dos dois gráficos. O
primeiro deles é referente aos nascimentos a cada 1000 habitantes como mostra a Figura
10 a seguir:
Figura 10: Nascimentos a cada 1000 habitantes nos municı́pios de análise, entre 1996 e
2021, por ano
É possı́vel notar o impacto do tamanho da população no número de nascimentos no

geral. As séries anuais de nascimentos mostradas nas Figuras 7, 8 e 9 indicam redução
do número do nascimentos ao longo dos anos nos respectivos municı́pios, mas a Figura 10
torna isso mais impactante.
Nota-se diminuição no número de nascimentos por 1000 habitantes de mais de 50%

no municı́pio de São Gonçalo ao comparar o ano de 2020 com o de 1996, enquanto Niterói
e Rio tiveram quedas bastante parecidas neste mesmo perı́odo Niterói e Rio tiveram
queda próxima a 35%. Nestes municı́pios, o número de nascimentos por 1000 habitantes
apresenta comportamento estritamente decrescente a partir de 2017.
Maricá, que apresenta aumento no número total de nascimentos anuais, também re-
gistrou redução de nascimentos por 1000 habitantes em cerca de 29% neste perı́odo e sua
série teve comportamento estável entre 2012 e 2021.
A Figura 11 apresenta a série de óbitos por 1000 habitantes para cada um dos mu-
nicı́pios de análise:
Figura 11: Óbitos a cada 1000 habitantes nos municı́pios de análise, entre 1996 e 2021,
por ano
A série histórica de óbitos apresenta comportamento similar nos quatro municı́pios,

não apresentando grandes diferenças entre dois anos seguidos, especialmente na década
passada. Apesar disso, é possı́vel observar um salto no número de óbitos a cada 1000
habitantes nos anos de 2020 e 2021, refletindo o impacto da COVID-19 na mortalidade.
Outra observação importante é que os municı́pios de maior IDH são também os com
maior número de óbitos, sugerindo que ela não é uma variável relevante para explicar os
óbitos nos quatro municı́pios de análise.
O municı́pio de Maricá, apesar de apresentar crescimento na quantidade de óbitos

anual devido ao aumento populacional do municı́pio, como mostrado na Tabela 1, apre-
sentou redução na taxa ao comparar os anos de 1996 e 2012. A partir de 2012, Maricá
passou a registrar aumento na série de óbitos por 1000 habitantes.
3.1.2 COVID-19
A pandemia de COVID-19 devastou o mundo, registrando seu primeiro caso em

Wuhan na China no dia 31 de dezembro de 2019 e a partir dali registrou mais de 280
milhões de casos e 5,6 milhões de óbitos mundialmente (até janeiro de 2022). O impacto
no Brasil também foi grande, levando a mais de 625 mil mortes neste mesmo perı́odo.
Ainda que o primeiro caso de COVID-19 no Estado do Rio de Janeiro tenha sido
confirmado em março, o “Painel de monitoramento Covid-19” (GOVERNO DO ESTADO
DO RIO DE JANEIRO, 2022), com dados da Secretaria de Saúde Estadual, informa que
em janeiro ocorreram as primeiras notificações de COVID-19.
O municı́pio de Maricá notificou seus primeiros casos e óbitos por COVID-19 no mês
de março de 2020, registrando 14 casos e 1 óbito. Desde então, foram registrados 17.865
casos e 711 mortes no municı́pio (até 22 de janeiro de 2022).
Em Niterói, o primeiro caso confirmado de COVID-19 ocorreu no mês de março, assim

como o primeiro óbito. Desde então, foram confirmados 60.634 casos e 2.621 mortes (até
22 de janeiro de 2022). A cidade foi reconhecida pela ONU (Organização das Nações Uni-
das) no combate ao Coronavı́rus, fornecendo auxı́lio emergencial a seus habitantes, antes
do mesmo ser implementado pelo governo federal, e também apresentou o primeiro hospi-
tal exclusivo para pacientes de COVID-19 (PREFEITURA MUNICIPAL DE NITERÓI,
2021).
Na capital, o primeiro caso foi notificado em janeiro, mas o primeiro óbito veio a
ser confirmado apenas dois meses depois. O municı́pio, o mais populoso do Estado,
foi também o que teve mais números de casos e mortes, contabilizando 670.353 casos
confirmados e 35.221 mortes (até 22 de janeiro de 2022).
Em São Gonçalo, o padrão quanto a notificação de casos é igual ao do municı́pio do

Rio de Janeiro, com o primeiro caso de Coronavı́rus notificado em janeiro e a primeira
morte dois meses depois. No geral, foram contabilizados 81.090 casos e 3.417 mortes em
São Gonçalo (até 22 de janeiro de 2022).
Vacinação
A vacinação no Brasil teve inı́cio em janeiro de 2021 e a partir dali foram aplicadas
mais de 350 milhões de doses dela. A vacinação não tem como principal função diminuir
o contágio, mas sim melhorar o sistema imunológico contra os diferentes tipos de doença,
diminuindo a letalidade e a chance de óbito do indivı́duo. O avanço da vacinação nos
municı́pios de análise tornou possı́vel observar a partir de dados da Secretaria de Saúde

Estadual (DADOS SUS, 2022c) que, quantitativamente, os números de casos e óbitos nos
quatro municı́pios vieram a diminuir, caindo de 42.532 casos e 2.849 óbitos em janeiro de
2021 para 4.378 casos e 84 óbitos em dezembro do mesmo ano, para os quatro municı́pios
somados, de acordo com dados coletados em 22 de janeiro de 2022.
Quanto a quantidade de vacinas aplicadas, os quatro municı́pios de análise já aplica-

ram a 1ª dose em mais de 55% de sua população geral (GUJARATI; PORTER, 2011) até
dezembro de 2021, vacinando de adolescentes a idosos, e estão apresentando diminuição
no número de casos confirmados, e por consequência, no número de óbitos. A capital é o
municı́pio mais avançado nesse sentido, com cerca de 79% da população já tendo recebido
ao menos uma dose da vacina. Enquanto isso, São Gonçalo é a cidade mais atrasada
nesse quesito, tendo vacinado menos de 60% de sua população. Niterói, por outro lado,
apesar de não apresentar maior porcentagem de vacinados que a capital, tem 73% de sua
população vacinada com a primeira dose e 65% com a segunda.
A prefeitura de Maricá, através do ”Boletim 397 da COVID-19”(PREFEITURA MU-

NICIPAL DE MARICÁ, 2022), indicou que 90,7% de sua população acima de 12 anos
recebeu a primeira dose. A prefeitura municipal do Rio por sua vez apresentou dados
de vacinação, através do ”Painel Rio COVID-19”(PREFEITURA MUNICIPAL DO RIO
DE JANEIRO, 2022), que diferem dos dados da Secretaria de Saúde do Estado, indicando
que 82% da população geral possui esquema vacinal completo, caracterı́stica observada
em 97,7% dos maiores de 18 anos. O municı́pio de São Gonçalo também apresenta da-
dos divergentes (PREFEITURA MUNICIPAL DE SÃO GONÇALO, 2022), indicando
que 79,54% da população geral do municı́pio recebeu ao menos a 1ª dose da vacina, en-
quanto 69,68% do seu público-alvo (acima de 12 anos) tomou as duas doses ou a dose
única. Dados do municı́pio de Niterói (PREFEITURA MUNICIPAL DE NITERÓI, 2022)
também apresentaram divergências, indicando que 87% da população geral havia tomado
a primeira dose e 82,5% possuı́am esquema vacinal completo.
Os dados referentes à casos, óbitos e vacinação de COVID-19 (apenas primeira e se-

gunda dose) nos municı́pios de análise, coletados em 22 de janeiro de 2022, estão dispostos
na Tabela 2:
Tabela 2: Vacinação, casos e óbitos por COVID, por mês

Municı́pio
Perı́odo Maricá Niterói Rio de Janeiro São Gonçalo
Casos Óbitos 1ª dose 2ª dose Casos Óbitos 1ª dose 2ª dose Casos Óbitos 1ª dose 2ª dose Casos Óbitos 1ª dose 2ª dose
janeiro/2020 - - - - - - - - 14 - - - 4 - - -
fevereiro/2020 - - - - - - - - 4 - - - 1 - - -
março/2020 14 1 - - 127 3 - - 2.205 85 - - 193 4 - -
abril/2020 227 19 - - 1.083 77 - - 18.714 2.541 - - 1.312 88 - -
maio/2020 423 34 - - 3.397 223 - - 23.840 4.851 - - 2.799 290 - -
junho/2020 1.038 17 - - 3.077 167 - - 21.109 1.808 - - 3.999 226 - -
julho/2020 1.056 21 - - 2.270 98 - - 13.606 935 - - 3.773 116 - -
agosto/2020 1.065 25 - - 2.345 70 - - 18.078 922 - - 2.095 79 - -
setembro/2020 628 25 - - 2.715 80 - - 17.185 1.138 - - 2.131 73 - -
outubro/2020 590 26 - - 3.005 72 - - 16.053 1.025 - - 2.139 72 - -
novembro/2020 1.100 23 - - 4.629 131 - - 27.966 1.388 - - 3.874 145 - -
dezembro/2020 1.312 33 - - 6.799 267 - - 43.266 2.954 - - 7.207 308 - -
janeiro/2021 1.045 23 1.554 5 4.573 193 12.664 41 29.379 2.079 115.642 256 7.535 194 12.701 82
fevereiro/2021 525 33 2.605 1.304 1.919 87 13.845 9.128 13.788 1.031 210.943 80.212 6.516 113 14.774 11.487
março/2021 1.041 49 10.669 1.750 3.497 196 40.952 10.977 33.314 2.110 421.599 130.319 5.370 278 35.261 7.357
abril/2021 1.439 100 18.152 10.354 3.391 274 62.205 44.562 34.936 3.110 733.157 491.627 6.906 430 109.701 53.459
maio/2021 1.012 95 10.787 7.855 4.051 257 48.758 15.652 37.586 2.300 663.632 271.052 5.792 357 63.722 54.395
junho/2021 645 57 18.639 2.634 2.583 137 67.320 6.616 29.820 1.558 760.461 28.866 6.303 227 171.675 5.522
julho/2021 994 35 18.560 15.688 2.919 75 51.516 53.678 31.228 1.165 778.098 667.392 3.990 107 137.514 54.773
agosto/2021 1.012 35 26.774 14.307 3.212 72 51.897 56.712 55.100 1.823 1.103.163 759.951 4.755 79 56.560 83.777
setembro/2021 724 37 11.392 23.844 1.551 88 22.002 74.538 23.942 1.496 455.595 972.505 2.239 130 40.832 172.535
outubro/2021 307 18 2.110 12.683 776 37 3.438 33.421 6.745 583 58.758 565.297 642 72 6.316 93.685
novembro/2021 216 5 485 6.508 285 12 1.652 28.597 3.242 147 31.777 652.522 171 16 1.573 62.959
dezembro/2021 32 - 72 919 342 3 463 4.561 3.887 69 8.637 84.460 117 12 953 17.934
janeiro/2022 1.420 - - - 2.088 2 - - 165.346 103 - - 1.227 1 - -
A partir destes dados, foram gerados alguns gráficos. O primeiro a ser apresentado é
referente aos casos de COVID em cada um dos municı́pios:
Figura 12: Casos de COVID-19 nos municı́pios de análise, por mês, entre março de 2020
e dezembro de 2021
A análise gráfica em conjunto permite a verificação de algumas semelhanças quanto

à quantidade de casos de COVID-19 em cada um dos municı́pios. Uma delas é o decres-
cimento do número de casos entre o mês de setembro e dezembro de 2021, perı́odo onde
as cidades apresentaram o menor número de casos desde o mês de março de 2020, inı́cio
da pandemia no paı́s.
Apesar da queda entre setembro de 2021 e dezembro de 2021, o mês de janeiro de

2022, que conta com dados coletados até o dia 22 apenas, representou não só aumento no
número de casos no paı́s, chegando a bater recordes diários (DADOS SUS, 2022c), como
também nos municı́pios de análise, apresentando pelo menos 10 vezes casos a mais que o
mês anterior nos quatro municı́pios e batendo recordes mensais no municı́pio do Rio (com
o triplo do número de casos do antigo pico) e seguindo o caminho para isto no municı́pio
de Maricá.
Há também de se destacar que o mês de dezembro de 2020 foi o pico de casos para Ni-
terói e São Gonçalo e também o 3º maior em Maricá e na capital. Em todos os municı́pios
de análise, a série temporal de casos de Coronavı́rus apresentou formato similar ao da letra
”M”em algum perı́odo, indicando um aumento de casos, seguido de um decréscimo para
mais um aumento.
A Figura 13 apresenta as séries temporais de óbitos por COVID-19:

Figura 13: Óbitos de COVID-19 nos municı́pios de análise, por mês, entre janeiro de 2020
e dezembro de 2021
O municı́pio que menos sofreu com óbitos por COVID, em quantidade, foi o de Maricá,
que manteve o número de óbitos abaixo de 50 em quase todos os meses da pandemia, não
registrando isso apenas no perı́odo de abril de 2021 a junho do mesmo ano.
Os outros municı́pios apresentaram distribuição mensal similar de casos, com suas

séries apresentando o comportamento de picos e vales nos mesmos perı́odos de tempo.
Os municı́pios de Maricá, Niterói e São Gonçalo tiveram o pico de morte no mesmo

mês, o de abril de 2021. No Rio, este foi o segundo mês com mais óbitos, sendo o mês
com maior óbitos na capital o de maio de 2020.
É importante destacar a diminuição no número de óbitos a partir da metade de 2021,

conforme a vacinação foi progredindo, além de que, no municı́pio do Rio, onde no mês
de janeiro de 2022 (até o dia 22) haviam sido registrados 165.346 casos, mas registrados
“apenas” 103 óbitos.
O gráfico a seguir mostra o impacto do número de óbitos por COVID sobre o número
de óbitos total em cada municı́pio, indicando qual o percentual de óbitos por COVID no
municı́pio em determinado perı́odo:
Figura 14: Percentual de óbitos por COVID-19 dentre os óbitos totais nos municı́pios de
análise, por mês, entre março de 2020 e dezembro de 2021
Pela Figura 14, pode-se considerar que os municı́pios nos quais a pandemia teve o
menor impacto nos óbitos foram os de Maricá e São Gonçalo. Juntos, os dois municı́pios
somaram 5 meses com taxa de óbitos por COVID acima de 30% no municı́pio, enquanto
Niterói e a cidade do Rio apresentaram 7 meses cada um acima desse mesmo valor.
Também foi registrado na capital do Estado que no mês de maio de 2020, mês com mais
mortes no municı́pio, mais da metade dos óbitos registrados tiveram a COVID-19 como
causa.
A Figura 15 apresenta a série temporal da taxa de letalidade mensal da COVID-19

nos municı́pios de análise entre março de 2020 e dezembro de 2021, ou seja, o número de
óbitos dividido pelos casos registrados de Coronavı́rus:
Figura 15: Taxa de letalidade da COVID-19 nos municı́pios de análise, por mês, entre
março de 2020 e dezembro de 2021
De acordo com os dados da Secretaria de Saúde do Estado, a taxa de letalidade nos

municı́pios de Maricá e Niterói não foi superior a 10% em nenhum dos meses da pandemia
e além disso, ao final do ano de 2021 chegou a zero em Maricá e a aproximadamente isto
em Niterói. São Gonçalo e a capital por sua vez apresentam taxa de letalidade acima de
10% em três e dois meses respectivamente.
O Rio teve sua maior taxa de letalidade no mês que registrou o maior número de
óbitos, como observado na Tabela 2, o de maio de 2021, que também foi o mês onde mais
da metade das mortes da capital e de maior proporção de mortes foram de COVID-19.
São Gonçalo teve como pico de letalidade o mês de outubro de 2021 e entre este
mês e dezembro do mesmo ano, foram registradas 3 das 4 maiores taxas de letalidade do
municı́pio.
No geral, os municı́pios apresentaram taxa de letalidade muito superior a registrada

no Brasil até janeiro de 2022, de aproximadamente 0,24%.
A Figura 16, apresentada a seguir, indica o percentual da população geral vacinada

com as primeiras e segundas doses da vacina de prevenção à COVID-19.
Figura 16: Percentual da população geral vacinada contra COVID-19, por mês, segundo
dose, entre janeiro e dezembro de 2021
Importante destacar que o gráfico utiliza a população como um todo, inclusive as

faixas etárias as quais a vacina não se encontra disponı́vel, como a de 0 a 4 anos. Outro
ponto de destaque é a não consideração da dose única.
Quanto à vacinação da população geral, é possı́vel observar que os municı́pios de

Niterói e Rio de Janeiro são os mais avançados, com pelo menos 65% da população geral
apresentando ciclo vacinal completo. Maricá, por sua vez, possui 73% da população geral
vacinada, apesar de não chegar a 58% dela com as duas doses. São Gonçalo não apresenta
60% da população vacinada com nenhuma das doses.
Ao observar a Figura 15 e compará-la com a Figura 16, é possı́vel verificar, para

o municı́pio do Rio que a partir de maio de 2021, quando cerca de 32% havia tomado
a primeira dose da vacina, a capital voltou a registrar as menores taxas de letalidade
mensais do perı́odo pandêmico: inferiores a 5%.
Quanto a esses dados, cabe relembrar o dito na Introdução: alguns dados de vacinação
disponibilizados pelas prefeituras de cada um desses municı́pios não batem com os dados
disponibilizados pela Secretaria de Saúde de Estado (DADOS SUS, 2022c). Os dados de
casos e óbitos nos municı́pios em geral apresentam leves variações, mas os casos registrados
no municı́pio de São Gonçalo diferem em mais de 30.000 quando comparados os dados da
Secretaria de Saúde Estadual e da prefeitura do municı́pio em questão.
3.1.3 Dados mensais de óbitos e nascimentos
Esta subseção apresentará os dados mensais de óbitos e nascimentos nos municı́pios

de análise. Acompanhará além de uma análise gráfica da série temporal, uma análise das
estatı́sticas descritivas, mas num perı́odo mais próximo ao perı́odo pandêmico, iniciando-
se em 2016.
A Figura 17 apresenta os gráficos de óbitos mensais nos municı́pios de análise, dividindo-

os nos perı́odos antes e depois da pandemia:
Figura 17: Óbitos mensais nos municı́pios de análise, entre janeiro de 1996 e dezembro
de 2021, dividido em perı́odos antes e durante a pandemia
É possı́vel observar na Figura 17 que a série de óbitos mensais diferiu entre os dois
perı́odos em todos os municı́pios de análise, com apenas os últimos dois meses coletados
com óbitos similares aos observados em fevereiro de 2020, último mês antes da pandemia,
à exceção do municı́pio de Maricá.
Assim como foi possı́vel observar na Tabela 1, a série de óbitos apresentou comporta-
mento crescente entre os anos de 1996 e 2021, sendo intensificada na pandemia.
As estatı́sticas descritivas dos óbitos mensais entre 2016 e 2021, divididas no perı́odo
antes e durante a pandemia, são apresentadas na Tabela 3:
Tabela 3: Estatı́sticas descritivas dos óbitos mensais, por perı́odo, entre 2016 e 2021
2016 a fev/2020 Março de 2020 a dez/2021
Municı́pio
Média Mı́nimo 1º Quartil Mediana 3º Quartil Máximo Média Mı́nimo 1º Quartil Mediana 3º Quartil Máximo
Maricá 101,8 77 90,5 103,5 112 136 162,1 128 133,8 157 172,2 245
Niterói 392,1 323 365,5 399,5 414 463 526 392 456,2 527 580 695
Rio de Janeiro 4.790 3.924 4.519 4.838 4.985 5.440 6.160 4.841 5.241 5.850 6.942 9.590
São Gonçalo 654,8 406 628 657,5 690,5 769 842,7 566 724,8 816,5 910,5 1.151
A Figura 17 mostra uma grande diferença no comportamento da série de óbitos entre

os dois perı́odos e as estatı́sticas descritivas da Tabela 3 ratificam isso.
Todos os municı́pios apresentaram média de óbitos no perı́odo de pandemia superior

ao valor máximo de óbitos registrado em um mês no perı́odo pré-pandêmico. Em Rio de
Janeiro e São Gonçalo a mediana é superior aos óbitos de qualquer mês antes da pandemia,
enquanto em Maricá o mês menos mortal da pandemia registrou mais óbitos que pelo
menos 75% dos meses anteriores. Na capital, o número máximo de mortes aumentou em
aproximadamente 80%, indicando o quanto os dados de óbitos foram impulsionados pela
pandemia. Ainda comentando sobre a capital, considerando apenas os óbitos causados por
COVID-19 no mês de maio de 2020, pico de óbitos por COVID-19 no Rio, é suficientemente
maior que 50% dos óbitos de qualquer origem registrados entre 2016 e fevereiro de 2020.
Em Maricá e Niterói,
O número médio de óbitos por todas as causas aumentou em todos os municı́pios de

análise durante a pandemia, com um crescimento no perı́odo pandêmico em relação ao
perı́odo anterior de:
Maricá: 60 óbitos a mais na média, um crescimento relativo de 59,3%;
Niterói 134 óbitos a mais na média, um crescimento relativo de 34,15%;
Rio de Janeiro: 1.370 óbitos a mais na média, um crescimento relativo de 28,62%;
São Gonçalo: 187 óbitos a mais na média, um crescimento relativo de 28,7%.
Nascimentos
A Figura 3.3.2 apresenta os gráficos de nascimentos mensais nos municı́pios de análise,

dividindo-os nos perı́odos antes e depois da pandemia.
Figura 18: Nascimentos mensais nos municı́pios de análise, entre janeiro de 1996 e no-
vembro de 2021, dividido em perı́odos antes e durante a pandemia
A Figura 3.3.2 indica o que já havia sido observado na Tabela 1, que mostrava o
número de nascimentos por ano: a série temporal de nascimentos é crescente em Maricá
e decrescente em Niterói, Rio e São Gonçalo. A Figura considera o perı́odo de pandemia
a partir de março de 2020, mas é importante relembrar que o impacto nos números dos
nascimentos é registrado pelos meados do fim do ano de 2020, uma vez que uma gestação
comum dura 9 meses.
A cidade de São Gonçalo não registra mais de 1.500 nascimentos mensais desde o
século passado e no perı́odo de pandemia não registrou mais de 1000 nascimentos mensais.
No Rio de Janeiro, a diferença entre o mês que mais foram registrados nascimentos no
perı́odo pré-pandemia e no perı́odo pandêmico é de 3.373, uma queda de mais de 30%.
No geral, o comportamento da série no perı́odo pandêmico parece é similar ao perı́odo
anterior à pandemia.
As estatı́sticas descritivas dos nascimentos mensais de cada perı́odo são apresentadas

na Tabela 4:
Tabela 4: Estatı́sticas descritivas dos nascimentos mensais, por perı́odo, entre janeiro de
2016 e novembro de 2021
2016 a 2020 2021
Municı́pio
Média Mı́nimo 1º Quartil Mediana 3º Quartil Máximo Média Mı́nimo 1º Quartil Mediana 3º Quartil Máximo
Maricá 160,9 109 151 162,5 173 203 167,8 139 157,5 167 175,5 198
Niterói 501,8 371 471,2 501 534,2 614 447,1 395 430 435 473 490
Rio de Janeiro 6.670 5.610 6.220 6.584 7.031 7.955 5.732 5.312 5.550 5.678 5.883 6.343
São Gonçalo 899,7 696 812 894,5 984 1.130 779,4 699 742,5 769 831,5 849
Como as séries temporais observadas na Figura 3.3.2 sugerem a existência de tendência

temporal, será utilizado um espaço menor de tempo para avaliar o perı́odo antes da
pandemia: de janeiro de 2016 a dezembro de 2020, visando diminuir a influência desta
tendência temporal quando comparar as estatı́sticas descritivas dos nascimentos durante
a pandemia.
Os municı́pios de Niterói, Rio de Janeiro e São Gonçalo apresentaram o máximo de

471,2, 6.343 e 849 nascimentos mensais no perı́odo pandêmico respectivamente. Estes
valores são inferiores a média e também a 50% dos nascimentos mensais registrados entre
2016 e 2020, podendo indicar influência do perı́odo pandêmico no número de nascimentos.
Maricá segue o caminho contrário, uma vez que sua série de nascimentos totais é
intensificada pelo aumento populacional. À exceção do máximo, o municı́pio apresenta
estatı́sticas descritivas superiores no perı́odo pandêmico quando comparado aos anos de
2016 a 2020.
A diferença entre o número médio de nascimentos mensais entre o perı́odo antes e

durante a pandemia é de:
Maricá: 7 nascimentos a mais na média, um crescimento relativo de 4,3%;
Niterói 54 nascimentos a menos na média, decrescendo em 10,9% em relação a antes

da pandemia;
Rio de Janeiro: 938 nascimentos a menos na média, decrescendo em 14,06% em

relação a antes da pandemia;
São Gonçalo: 120 nascimentos a menos na média, decrescendo em 13,37 % em

relação a antes da pandemia.
3.2 Modelos Lineares Normais 54
3.2 Modelos Lineares Normais
Aqui serão apresentados os modelos lineares normais, cuja equação proposta foi apre-
sentada na seção anterior, na equação 2.3. As variáveis respostas serão os nascimentos
e óbitos mensais. Caso o modelo de nascimentos ou óbitos mensais não siga os pressu-
postos do modelo linear normal, serão utilizadas uma transformação Box-Cox e também
a transformação da própria variável em trimestres, sendo estes iniciados em janeiro ou
fevereiro.
Inicialmente serão realizados os testes de verificação dos pressupostos do modelo para

óbitos mensais. Caso forem rejeitados, será utilizada uma transformação Box-Cox. Se
for rejeitada, serão utilizados os trimestres iniciados em janeiro e fevereiro como variável
resposta.
A dummy C, que indica se o perı́odo analisado, seja ele mês ou trimestre, terá ponto
inicial diferente para os modelos de nascimentos e óbitos. No modelo de óbitos terá inı́cio
em março de 2020, se considerado o modelo mensal, e no primeiro trimestre que contenha
março de 2020, se considerado o modelo trimestral. No modelo de nascimentos ela é
considerada apenas a partir de janeiro de 2021, uma vez que, conforme Alves (2021), o
impacto da COVID-19 na natalidade só seria sentido a partir deste mês. Não houve a
necessidade de utilizar o modelo trimestral para nascimentos.
Serão escolhidos ao final o máximo de dois modelos lineares normais para cada mu-
nicı́pio, sendo um modelo de óbitos e um modelo de nascimentos.
3.2.1 Óbitos
Aqui serão apresentados o processo de seleção dos modelos lineares normais de óbitos,
além dos resultados dos mesmos.
3.2.1.1 Pressupostos e Seleção dos Modelos
Esta subseção tem como objetivo apresentar como foram realizadas as estimações dos
diferentes modelos lineares. Serão discutidos os dados utilizados na modelagem, além da
verificação dos pressupostos para os modelos. Não foram realizados os testes de autocor-
relação, uma vez que são esperados num modelo de série temporal.
Os modelos lineares normais foram inicialmente estimados com a variável resposta

dividida mensalmente, sendo as variáveis explicativas a variável de tendência temporal t,
a dummy indicativa C, que indica se o perı́odo é de COVID-19 ou não (0 = não, 1 = sim)

e também a variável Ct. Após a estimação, verificou-se que nenhum dos modelos seguia
os pressupostos de normalidade e homocedasticidade. Nem mesmo o ajuste via Box-Cox
tornou os pressupostos válidos. Sendo assim, os modelos foram rejeitados e uma mudança
na variável resposta foi feita: separar a variável resposta em trimestres: janeiro a março,
abril a junho, julho a setembro e outubro a dezembro.
Após realizar esta mudança, os modelos foram estimados e nenhum deles respeitou
ambos os pressupostos, nem mesmo com a transformação da variável via Box-Cox. Uma
nova mudança conforme a organização dos trimestres foi feita e o inı́cio deles foi alterado
para: fevereiro a abril, maio a julho, agosto a outubro e novembro a janeiro.
Essa mudança não fez com que os modelos respeitassem os pressupostos. Porém, a
transformação desta variável, de óbitos trimestrais, via Box-Cox fez com que o modelo do
municı́pio de Maricá seguisse os pressupostos.
Foi cogitada também a utilização de uma média móvel para suavizar os dados e
facilitar a estimação dos modelos, porém isto não foi realizado pois haveria correlação
entre dois perı́odos diferentes, impedindo a realização do teste para verificar se havia
mudança estrutural nas variáveis. A Tabela 5 e 6 apresenta os p-valores dos testes de
normalidade e homocedasticidade, para os modelos estimados com e sem transformação
da variável resposta:
Tabela 5: P-valores dos pressupostos dos modelos MQO - Óbitos

Municı́pio
Modelo de óbitos Maricá Niterói Rio de Janeiro São Gonçalo
Normalidade Homocedasticidade Normalidade Homocedasticidade Normalidade Homocedasticidade Normalidade Homocedasticidade
Original, por mês < 0,01 < 0,01 < 0,01 < 0,01 < 0,01 < 0,01 < 0,01 < 0,01
Trimestral (inı́cio em janeiro) 0,0208 < 0,01 0,0208 < 0,01 < 0,01 < 0,01 < 0,01 < 0,01
Trimestral (inı́cio em fevereiro) 0,0816 < 0,01 0,141 < 0,01 < 0,01 < 0,01 < 0,01 < 0,01
Tabela 6: P-valores dos pressupostos dos modelos lineares normais via transformação
Box-Cox - Óbitos
Municı́pio
Modelo de óbitos Box-Cox Maricá Niterói Rio de Janeiro São Gonçalo
Original, por mês 0,2489 < 0,01 0,0769 < 0,01 < 0,01 < 0,01 < 0,01 < 0,01
Trimestral (inı́cio em janeiro) < 0,01 < 0,01 0,0872 < 0,01 < 0,01 < 0,01 < 0,01 < 0,01
Trimestral (inı́cio em fevereiro) 0,5728 0,8448 0,4708 < 0,01 < 0,01 < 0,01 0,0496 < 0,01
Após a verificação da adequação dos modelos aos pressupostos, foi decidido que o único
modelo linear normal de óbitos a ser estimado seria o de óbitos trimestrais, transformados
via Box-Cox, para o municı́pio de Maricá, utilizando na transformação o valor de λ
igual a 0,33. Além disso, foi descartada a análise via modelos lineares normais para os
municı́pios de Niterói, Rio de Janeiro e São Gonçalo, visto que os resı́duos não respeitaram
os pressupostos. Os resultados dos testes Box-Cox estão disponı́veis no Apêndice 1.
3.2.1.2 Resultados do modelo
A tabela a seguir apresenta as estimativas para o modelo, informando o impacto das

variáveis na regressão, o p-valor do teste de significância e também medidas de qualidade
do ajuste:
Tabela 7: Resultados dos modelos lineares normais - Óbitos

Modelo de Efeitos Significância Erro padrão
R² ajustado
óbitos Intercepto t C Ct Intercepto t C Ct residual
Maricá - Trimestral, inı́cio
4,687 0,0209 -3,1507 0,0411 < 0, 01 < 0, 01 0,402 0,272 0,1558 0,9587
em fevereiro (Box-Cox)
O resultado do modelo retornou que a pandemia de COVID-19 não foi significativa

nos óbitos trimestrais na cidade de Maricá, apresentando p-valores superiores a 0,27.
A tendência linear foi considerada significativa, sugerindo que o passar do tempo tem
influência no número de óbitos trimestrais, com estes fazendo parte de uma série crescente.
No geral, o ajuste do modelo foi satisfatório, obtendo baixo erro padrão residual e R2
ajustado de 0,9587, configurando um excelente ajuste.
Não é possı́vel verificar a influência de outliers na regressão, uma vez que os outliers
dos dados são referentes justamente ao perı́odo de pandemia e a retirada dos mesmos faria
com que a estimação do modelo perdesse sentido.
A Figura 19 apresenta os valores observados e ajustados para os modelos estimados:

Figura 19: Valores estimados e observados para os óbitos trimestrais no municı́pio de

Maricá, estimados através de transformação Box-Cox no modelo linear normal
O salto da série temporal nos modelos, que configura uma quebra estrutural, sugere
então que o perı́odo pandêmico tem influência nos óbitos de cada municı́pio. Assim, a
análise gráfica apresenta conflitos com os resultados do modelo de óbitos trimestrais do
municı́pio de Maricá, que retornam que o perı́odo pandêmico não influenciou nos óbitos
trimestrais nesta localidade.
3.2.2 Nascimentos
Aqui serão apresentados o processo de seleção dos modelos lineares normais de nas-
cimentos, além dos resultados dos mesmos. A dummy C teve inı́cio em janeiro de 2021,
considerando que os efeitos da pandemia no número de nascimentos deveria ser sentido a
partir deste mês, como visto na revisão bibliográfica, dado que a pandemia começou no
paı́s em março de 2020 e uma gestação comum dura 9 meses.
3.2.2.1 Pressupostos e Seleção dos Modelos
Repetiu-se para a estimação dos modelos de nascimentos a metodologia utilizada na

estimação dos modelos de óbitos. Ao contrário da estimação dos modelos de óbitos, nos
modelos de nascimentos não foi necessário transformar a variável resposta em nascimentos

trimestrais de qualquer perı́odo.
De inı́cio, na estimação dos dados de nascimentos mensais, obteve-se que apenas um

dos municı́pios seguia os pressupostos: o municı́pio de Maricá. Assim, não foram feitos
ajustes ou estimação de outro modelo para Maricá.
Em seguida, foi realizada a transformação de Box-Cox para os nascimentos mensais

dos municı́pios restantes. Com λ obtido de 0,26, 0,37 e 0,13 para os municı́pios de Ni-
terói, Rio de Janeiro e São Gonçalo respectivamente, a transformação Box-Cox fez o
modelo respeitar os pressupostos a 1% de significância, que foi o nı́vel utilizado para estes
3 municı́pios. Para Maricá, foi utilizado 5%. Os resultados dos testes Box-Cox estão
disponı́veis no 1.
A Tabela a seguir apresentam os p-valores dos testes de normalidade e homocedas-

ticidade. Não foram realizados os testes de autocorrelação, uma vez que são esperados
num modelo de série temporal:
Tabela 8: P-valores dos pressupostos dos modelos lineares normais - Nascimentos

Modelo de Municı́pio
nascimentos Maricá Niterói Rio de Janeiro São Gonçalo
Original, por mês 0,8587 0,184 0,6999 < 0, 01 0,5111 < 0, 01 0,1564 < 0, 01
Original, por mês (Box-Cox) - - 0,9201 0,02642 0,28 0,0455 0,1742 0,0103
3.2.2.2 Resultados do modelo
A tabela a seguir apresenta as estimativas para o modelo, informando o impacto das

variáveis na regressão, o p-valor e também medidas de qualidade do ajuste:
Tabela 9: Resultados dos modelos lineares normais - Nascimentos

Modelo de Efeitos Significância Erro padrão
R² ajustado
nascimentos Intercepto t C Ct Intercepto t C Ct residual
Maricá 83,0175 0,2704 262,837 -0,8522 < 0, 01 < 0, 01 0,605 0,608 17,4 0,6624
Niterói (Box-Cox) 16,4697 -0,0042 2,7371 -0,0096 < 0, 01 < 0, 01 0,86 0,85 0,5328 0,3564
Rio de Janeiro (Box-Cox) 73,1631 -0,212 65,2505 -0,2228 < 0, 01 < 0, 01 0,341 0,319 2,343 0,4556
São Gonçalo (Box-Cox) 11,8871 -0,0038 8,3766 -0,0277 < 0, 01 < 0, 01 0,312 0,305 0,2834 0,6108
Os resultados do modelo de regressão indicam que o perı́odo de COVID-19 não foi

significativo nos nascimentos em nenhum dos quatro municı́pios, com a dummy C, variável
indicativa se o perı́odo é pandêmico, não sendo considerada como significativa, ao contrário
do que a análise descritiva da Tabela 4 indicava.
A variável t, que mensurava o crescimento da série no perı́odo anterior à pandemia, foi

a única das variáveis explicativas a ser considerada significativa no número de nascimentos.
No geral, qualidade dos modelos não foi boa. Apesar de os modelos apresentarem
erros residuais padrão próximos a zero, nenhum deles obteve R² ajustado superior a
0,7, sugerindo um ajuste ruim. Ainda assim, todos os modelos retornaram a mesma
informação: o número de nascimentos é uma variável influenciada pelo tempo e não foi
influenciado pela pandemia.
A Figura 20 a seguir apresentam os valores observados e ajustados dos nascimentos

mensais, mensais em Maricá e mensais transformados por Box-Cox em Niterói, Rio de
Janeiro e São Gonçalo:
Figura 20: Valores estimados e observados para os nascimentos mensais nos municı́pios
de análise
É possı́vel observar uma queda durante o perı́odo pandêmico na série de valores ajus-
tados, seja no municı́pio de Maricá, onde a série histórica de nascimentos é crescente, ou
nos outros municı́pios de análise, que apresentam decréscimo na série de nascimentos ao
menos desde 2015. Apesar disso, esta queda não foi considerada significativa para dizer
que o perı́odo de pandemia influenciou no número de nascimentos.
3.3 Modelos Lineares Generalizados (MLG) 60
3.3 Modelos Lineares Generalizados (MLG)
Uma vez que não foi possı́vel estimar alguns dos modelos lineares normais utilizando
a série mensal de nascimentos e óbitos, a alternativa foi a de estimar os modelos através
dos Modelos Lineares Generalizados (MLGs), onde não é necessário o cumprimento de
pressupostos como o de normalidade. A estimação por MLG é possı́vel devido ao fato
de a variável resposta, seja ela nascimentos ou óbitos, ser composta por dados de conta-
gem coletados num determinado perı́odo de tempo, configurando assim uma distribuição
Poisson.
A variável resposta dos modelos de MLG serão o número de nascimentos e óbitos

mensais e terão seus resultados, que indicam se tal variável explicativa é significativa ou
não, comparados com os modelos lineares normais, ainda que em alguns destes as variáveis
tenham sido transformadas e a distribuição de ambas seja diferente. Foi utilizada a função
de ligação logarı́tmica nos modelos.
A dummy C é avaliada da mesma forma que nos modelos lineares normais. Além
disso, serão escolhidos ao final o máximo de dois MLGs para cada municı́pio, sendo um
modelo de óbitos e um modelo de nascimentos.
A equação 2.27, que é a equação do modelo MLG, foi apresentada na seção anterior.
3.3.1 Óbitos
Na tabela a seguir, são apresentadas as estimativas para o modelo, informando o

impacto das variáveis na regressão, o p-valor e também medidas de qualidade do ajuste
para os modelos de óbitos mensais nos municı́pios de análise:
Tabela 10: Resultados dos modelos MLG - Óbitos

Modelo de Efeitos Significância
Deviance
óbitos Intercepto t C Ct Intercepto t C Ct
Maricá 3,6241 0,0036 -0,6428 0,0033 < 0,01 < 0,01 0,42 0,213 442,99
Niterói 5,7476 0,0007 1,3497 -0,0034 < 0,01 < 0,01 < 0,01 0,0172 1.158,8
Rio de Janeiro 8,3101 0,0005 2,2252 -0,0065 < 0,01 < 0,01 < 0,01 < 0,01 9.783,1
São Gonçalo 6,1924 0,001 2,0388 -0,006 < 0,01 < 0,01 < 0,01 < 0,01 1.653,8
O modelo de Maricá, estimado nos modelos lineares normais como óbitos trimestrais,
apresentou os mesmos resultados no modelo MLG: o tempo e a pandemia não influenci-
aram nos óbitos.
Os modelos dos municı́pios de Niterói, Rio de Janeiro e São Gonçalo, que não haviam
sido estimados via modelos lineares normais, por não seguirem os pressupostos, obtiveram
resultados diferentes do modelo de Maricá, considerando que o perı́odo de pandemia
teve impacto significativo estatisticamente nos óbitos mensais. A variável de tendência
temporal foi significativa nos modelos de todos os municı́pios.
Os coeficientes estimados para os modelos onde o perı́odo pandêmico foi considerado

significativo indicam que a pandemia produziu um salto imediato no número de óbitos,
que veio a decrescer com o passar do tempo, ao contrário do perı́odo pré-pandêmico, onde
os óbitos seguiam uma série crescente, sugerindo assim, que com o passar do tempo, os
óbitos na pandemia foram controlados.
No geral, os modelos apresentaram medidas de qualidade do ajuste ruins, com devi-

ance e critério de Akaike altos.
A seguir, são apresentados os gráficos dos valores observados e ajustados para os

modelos de MLG de óbitos:
Figura 21: Valores estimados e observados para os óbitos mensais nos modelos MLG
A Figura 21 indica que o perı́odo pandêmico gerou um aumento no número de óbitos,

caindo em seguida nos municı́pios de Niterói, Rio e São Gonçalo e se mantendo crescente
para o municı́pio de Maricá.
O aumento registrado para o municı́pio do Rio foi de mais de 1.800 óbitos entre o
perı́odo pré-pandêmico e a pandemia, sendo assim, considerado significativo. Os aumen-
tos no número de óbitos nos outros municı́pios onde o perı́odo pandêmico foi considerado
significativo, Niterói e em São Gonçalo, foram de aproximadamente 40% e 33% respecti-
vamente, entre os dois perı́odos.
3.3.2 Nascimentos
No modelo MLG de nascimentos, assim como foi feito no modelo linear normal, a
variável resposta utilizada foi a de nascimentos mensais e a variável indicadora C teve
inı́cio em janeiro de 2021.
Na tabela a seguir, são apresentadas as estimativas para o modelo, informando o

impacto das variáveis na regressão, o p-valor e também medidas de qualidade do ajuste
para os modelos de nascimentos mensais nos municı́pios de análise:
Tabela 11: Resultados dos modelos MLG - Nascimentos

Modelo de Efeitos Significância
Deviance
nascimentos Intercepto t C Ct Intercepto t C Ct
Maricá 4,4685 0,0022 1,7152 -0,0056 < 0,01 < 0,01 0,446 0,441 713,77
Niterói 6,4119 -0,0008 0,6179 -0,0021 < 0,01 < 0,01 0,654 0,633 1.770,5
Rio de Janeiro 9,0185 -0,0008 2,6739 -0,0091 < 0,01 < 0,01 < 0,01 < 0,01 16.963
São Gonçalo 7,2042 -0,0016 3,5203 -0,0116 < 0,01 < 0,01 < 0,01 < 0,01 4.267,8
Ao contrário dos modelos lineares normais estimados, os modelos MLG para os mu-
nicı́pios de Rio de Janeiro e São Gonçalo retornaram a informação de que o perı́odo
pandêmico teve influência no número de nascimentos. De acordo com os resultados dos
modelos, a série de nascimentos mensais, que apresentava comportamento decrescente,
conforme mostra a Figura , teve esse comportamento intensificado pela pandemia.
O único municı́pio no qual a variável resposta do modelo linear normal não passou por
transformação Box-Cox foi o municı́pio de Maricá. Neste, assim como no modelo linear
normal, a variável resposta não foi considerada significativa.
Também foi possı́vel observar que a tendência temporal foi significativa em todos eles,
sendo esta a única variável explicativa significativa para o municı́pio de Niterói.
Os modelos apresentaram medidas de qualidade de ajuste ruins, com deviance e

critério de Akaike altos.
A seguir, na Figura 22 são apresentados os gráficos dos valores observados e ajustados

para os modelos de MLG de nascimentos:
Figura 22: Valores estimados e observados para os nascimentos mensais nos modelos MLG
É possı́vel observar comportamento da série de valores estimados em alguns dos mode-

los MLG diferente dos modelos lineares normais, disponı́veis na Figura 20. Estes modelos
são os de São Gonçalo e Niterói, que apresentaram aumento do número de nascimentos
inicialmente, gerando uma alteração linearmente crescente da reta no perı́odo inicial de
COVID. Porém, após isso, os nascimentos decresceram mais rapidamente que no perı́odo
anterior à pandemia. Ainda assim, essa alteração não foi considerada significativa em
Niterói.
Maricá e Rio apresentaram o mesmo comportamento de valores estimados na Figura

20, mas apenas na capital o perı́odo de COVID foi considerado significativo.
O municı́pio do Rio apresentou diferença entre dezembro de 2020 e novembro de 2021

de aproximadamente 16% nascimentos mensais a menos nos valores ajustados. No outro
municı́pio onde o perı́odo de COVID foi significativo, o de São Gonçalo, a diferença foi
de aproximadamente 11%.
3.4 Impacto da pandemia no crescimento vegetativo 64
3.4 Impacto da pandemia no crescimento vegetativo
Para efetuar comparações entre os óbitos e nascimentos mensais registrados no perı́odo

pandêmico com o que era previsto caso este não existisse, foram selecionados os valores
estimados de óbitos e nascimentos mensais pelos modelos MLG, uma vez que estes não
sofreram transformações.
Para interpretar os coeficientes nos modelos MLG de Poisson, estimados pela função
logarı́tmica, cujos resultados estão disponı́veis nas Tabelas 10 e 11, basta calcular a expo-
nencial deles. A partir disso, foram calculados os valores previstos de óbitos e nascimentos
mensais para os anos entre 2018 e 2021.
Posteriormente, foram construı́das as tabelas com as séries para óbitos e nascimentos

mensais para cada municı́pio, comparando os valores de fato observados na situação atual
com o que era previsto de acontecer caso a COVID-19 não existisse. Destaca-se também
que o impacto no número de nascimentos só foi estimado a partir de janeiro de 2021 e não
foi significativo em Maricá e Niterói. A Figura 23 apresenta a série observada e previstos,
caso não ocorresse a pandemia, de óbitos entre 2018 e 2021.
Figura 23: Óbitos mensais observados e previstos, caso não ocorresse a pandemia, entre
2018 e 2021
As diferenças entre as séries dos dois perı́odos refletem a diferença entre o que foi
observado durante a pandemia e o previsto pelos modelos MLG de óbitos mensais. Porém,
tal diferença não foi considerada significativa no modelo para os óbitos mensais de Maricá.
Dentre os quatro municı́pios, desde o inı́cio da pandemia, Maricá e a capital do Estado

não tiveram um mês de óbitos abaixo do previsto. Niterói registrou apenas um mês abaixo
da média, enquanto São Gonçalo ficou com óbitos acima do previsto entre abril de 2020
e outubro de 2021.
A Figura 24 apresenta a série observada e prevista de nascimentos, caso não ocorresse

a pandemia, entre 2018 e 2021.
Figura 24: Nascimentos mensais observados e previstos, caso não ocorresse a pandemia,
entre 2018 e 2021
Dentre os municı́pios cujo o perı́odo pandêmico foi significativo, o Rio de Janeiro apre-
senta o comportamento mais longe do previsto, uma vez que, de acordo com o modelo
MLG, o municı́pio não registra nascimentos mensais acima do previsto desde junho de
2020, ainda que o impacto da pandemia sobre o número de nascimentos só possa ser obser-
vado a partir do fim do ano. Em São Gonçalo, no ano de 2021, foram registrados 4 meses
com nascimentos acima da média. Apesar disso, o municı́pio não registrou nascimentos
acima do previsto desde junho de 2021.
Maricá e Niterói apresentaram algumas variações, mas de acordo com os modelos, não
consideradas significativas.
Por fim, a Tabela 12 indica o número de nascimentos e óbitos previstos pelos modelos
MLG e observados entre os meses de março de 2020 a novembro de 2021, sendo dividida
em dois perı́odos, uma vez que o impacto da pandemia na natalidade só pode ser observada
no ano de 2021, segundo Alves (2021).
Tabela 12: Crescimento vegetativo previsto e observado nos municı́pios de análise, por
perı́odo
Previsto Observado
Perı́odo Municı́pio
Nascimentos Óbitos Crescimento Vegetativo Nascimentos Óbitos Crescimento Vegetativo
Maricá 1.672 1.118 0,3367% 1.726 1.509 0,1319%
Mar/2020 a Niterói 4.704 3.891 0,1577% 4.772 5.221 -0,0871%
Dez/2020 Rio de Janeiro 65.106 47.241 0,2647% 60.806 61.955 -0,0173%
São Gonçalo 8.316 6.697 0,1482% 8.171 8.442 -0,0248%
Maricá 1.882 1.278 0,3603% 1.846 1.890 -0,0262%
Jan/2021 a Niterói 5.128 4.313 0,1575% 4.918 5.885 -0,1870%
Nov/2021 Rio de Janeiro 71.016 52.243 0,2771% 63.054 68.331 -0,0779%
São Gonçalo 8.992 7.450 0,1403% 8.573 9.532 -0,0873%
O crescimento vegetativo está na escala de porcentagem (%) e foi calculado a partir

da seguinte equação:
Nascimentos - Óbitos
Crescimento Vegetativo = (3.2)
População
Observa-se que durante o primeiro ano de pandemia no Brasil, o crescimento vege-

tativo observado em algumas cidades foi negativo, diferentemente do que era previsto.
Dentre os municı́pios de análise, em 2020, Niterói foi o que mais sofreu, com -0,08713%.
Maricá foi o único dos municı́pios a registrar crescimento vegetativo positivo e, ainda
assim, ficou abaixo do previsto.
No perı́odo entre janeiro e novembro de 2021, todos os municı́pios apresentaram queda

no número de nascimentos previsto e observado, além de aumento de mais de 30% no
número de óbitos observado. Isso foi o suficiente para o crescimento vegetativo observado
ser negativo em todos os municı́pios. Quando comparado com os dados do primeiro ano
de pandemia no Brasil, nota-se que o crescimento vegetativo de todos os municı́pios é
ainda menor, indicando que o ano de 2021 teve maior impacto no crescimento vegetativo
que o ano de 2020. No ano de 2021, assim como em 2020, o municı́pio de Niterói foi o
que mais sofreu, registrando um crescimento vegetativo de -0,1870%, o menor registrado
para todos os municı́pios nos perı́odos analisados.
67
4 Conclusões
A COVID-19 causou mais de 625 mil mortes no Brasil dentre os 25 milhões de casos
da doença registrados no território nacional, de acordo com o Dashboard de Coronavı́rus
da ONU (WHO, 2022) entre março de 2020 e janeiro de 2022.
O objetivo deste trabalho foi mensurar o impacto dos nascimentos e óbitos (cresci-
mento natural bruto) ocorridos nos municı́pios de Maricá, Niterói, Rio de Janeiro e São
Gonçalo nos anos de 2020 e 2021, durante a pandemia e comparar com o perı́odo anterior
a este. Os dados coletados através da plataforma Dados SUS, da Secretaria de Saúde do
Estado do Rio de Janeiro.
Na análise exploratória, foi verificado que os municı́pios apresentam taxa de natalidade

decrescente e taxa de mortalidade com variações mas estável até o perı́odo pandêmico,
quando teve aumento. Posteriormente, foram estimados os modelos lineares, sendo estes
os modelos lineares normais ou os MLG de Poisson, que são os ideais a serem estimados,
uma vez que os dados são uma contagem, utilizando uma função de ligação logarı́tmica.
Nos modelos linear normal de óbitos, a variável resposta necessitou ser transformada,
seja por Box-Cox ou por transformações em óbitos trimestrais, para tentar fazer com
que os modelos respeitassem os pressupostos. Porém, dos quatro municı́pios analisados,
apenas o de Maricá seguiu os pressupostos. Assim, Niterói, Rio de Janeiro e São Gonçalo
não tiveram modelos estimados. O ajuste do modelo de Maricá foi considerado bom,
apresentando R2 acima de 0,95 e erro padrão próximo a zero. Em Maricá, o modelo linear
normal não considerou o perı́odo pandêmico significativo no número de óbitos trimestrais,
ainda que a análise gráfica dos valores ajustados, na Figura 19, indique que houve um
salto entre o perı́odo pandêmico e o anterior a este.
Nos modelos de óbitos por MLG não foram necessárias as verificações dos pressupostos
de normalidade e homocedasticidade dos resı́duos, visto que o MLG estimado segue a
distribuição de Poisson. Nestes modelos, a variável resposta utilizada foi a de óbitos
mensais. Os modelos MLG estimados para os municı́pios de Niterói, Rio de Janeiro e
4 Conclusões 68
São Gonçalo consideraram que o perı́odo pandêmico influenciou no número de óbitos,

enquanto o modelo de Maricá manteve o resultado do modelo linear normal para óbitos
trimestrais, que indicou que estes não haviam sofrido qualquer alteração pela pandemia.
Os modelos de nascimentos, sejam eles lineares normais ou MLG foram estimados

considerando que os impactos só pudessem ser vistos a partir de 2021 e em ambas a
variável resposta foi o número de nascimentos mensais, sendo realizada a transformação
Box-Cox nos modelos lineares normais de Niterói, Rio de Janeiro e São Gonçalo. Nos
modelos lineares normais, o ajuste apresentou baixo erro padrão residual, mas R2 ruim,
abaixo de 0,7 em todos os modelos, que não consideraram o número de nascimentos
significativos em nenhum dos municı́pios. Nos modelos MLG, o perı́odo de pandemia foi
considerado significativo no número de nascimentos mensais em 2021 para os municı́pios
de Rio de Janeiro e São Gonçalo, enquanto que nos municı́pios de Maricá e Niterói os
resultados foram mantidos.
De acordo com os resultados dos modelos MLG, que consideram os dados mensais de
nascimentos e óbitos, o crescimento vegetativo teve alteração nos municı́pios de Niterói,
Rio de Janeiro e São Gonçalo, enquanto em Maricá se manteve o mesmo.
Posterior à estimação dos modelos, utilizando as estimativas para os óbitos e nascimen-

tos mensais dos modelos MLG, foi estimado qual seria o crescimento vegetativo previsto e
observado nos municı́pios de análise, caso não ocorresse a pandemia de COVID-19. Com
isto, foi verificado que, apesar dos modelos retornarem que o número de nascimentos e
óbitos não foram afetados pela pandemia em Maricá, o municı́pio apresentou crescimento
vegetativo negativo entre os meses de janeiro e novembro de 2021. Nos outros municı́pios,
o crescimento vegetativo observado na pandemia foi negativo de março de 2020 a novem-
bro de 2021, quando esperava-se um crescimento vegetativo positivo.
Os resultados obtidos neste trabalho não retratam a realidade do Estado do Rio de Ja-
neiro, tampouco para o Brasil, uma vez que estes foram estimados para quatro municı́pios
especı́ficos. Para mensurar os impactos da COVID-19 no crescimento vegetativo a nı́vel
nacional, seria interessante considerar fatores sociodemográficos dos locais e também a
dependência espacial. Outra análise relevante é a de verificar se a vacina auxiliou na
diminuição do número de óbitos, coletando a porcentagem de óbitos mensais de pessoas
não vacinadas sobre os óbitos por COVID-19.
As variáveis respostas dos modelos lineares normais estimados poderiam ser iguais as
taxas de natalidade e mortalidade em cada municı́pio, o que poderia também gerar uma
melhor adequação dos dados à distribuição normal. Além disso, nestes mesmos modelos,
4 Conclusões 69
poderia ser utilizada a base logarı́tmica após os testes Box-Cox, ao invés de utilizar o
valor pontual de lambda encontrado no teste.
A utilização das taxas de natalidade e mortalidade e até mesmo a separação por faixa
etária poderiam permitir a comparação entre os locais analisados e a verificação de qual
faixa etária da população mais sofreu os impactos da COVID-19, o que não foi realizado
neste estudo, uma vez que foram considerados os nascimentos e óbitos totais.
Além disso, a desconsideração da sazonalidade e a utilização de uma tendência não

linear poderiam proporcionar melhor ajuste do modelo aos dados.
70
Referências
ALVES, J. E. D. Decrescimento da população da cidade do rio de ja-

neiro. EcoDebate, 29 de abril de 2015. Acesso em: 30 de agosto
de 2021. Disponı́vel em: ⟨https://www.ecodebate.com.br/2015/04/29/
decrescimento-da-populacao-da-cidade-do-rio-de-janeiro-artigo-de-jose-eustaquio-diniz-alves/
⟩.
ALVES, J. E. D. O efeito da covid-19 na natalidade brasileira. EcoDebate, 17

de fevereiro de 2021. Acesso em: 30 de agosto de 2021. Disponı́vel em: ⟨https:
//www.ecodebate.com.br/2021/02/17/o-efeito-da-covid-19-na-natalidade-brasileira/⟩.
BANDEIRA, M. L. A demografia, ciência ”selvagem”? Associação Portuguesa de

Demografia, 2003.
BUREAU, P. R. Milestones and moments in global census history. Population

Reference Bureau, 2019. Acesso em: 30 de agosto de 2021. Disponı́vel em:
⟨https://www.prb.org/resources/milestones-and-moments-in-global-census-history/⟩.
DADOS SUS. Óbitos no Estado do Rio de Janeiro. 2022. Acesso em: 22 de janeiro de 2022.
Disponı́vel em: ⟨http://sistemas.saude.rj.gov.br/tabnet/deftohtm.exe?sim/obito.def⟩.
DADOS SUS. COVID-19 no Rio de Janeiro. 2022. Acesso em: 22 de janeiro de 2022.
Disponı́vel em: ⟨http://sistemas.saude.rj.gov.br/tabnetbd/dhx.exe?covid19/esus sivep.
def⟩.
DADOS SUS. Doses aplicadas de vacinas da COVID-19 - Rio de Janeiro. 2022. Acesso
em: 22 de janeiro de 2022. Disponı́vel em: ⟨http://sistemas.saude.rj.gov.br/tabnetbd/
dhx.exe?pni covid/pni covid.def⟩.
DADOS SUS. Nascidos Vivos no Estado do Rio de Janeiro. 2022. Acesso em: 22 de
janeiro de 2022. Disponı́vel em: ⟨http://sistemas.saude.rj.gov.br/tabnet/deftohtm.exe?
sinasc/nascido.def⟩.
DADOS SUS. População residente - desde 1990 - outras fontes. 2022. Acesso em: 22
de janeiro de 2022. Disponı́vel em: ⟨http://sistemas.saude.rj.gov.br/tabnetbd/dhx.exe?
populacao/pop populacao outras fontes.def⟩.
FONTANA et al. Teorias demográficas e o crescimento populacional no mundo.

Caderno de Graduação - Ciências Humanas e Sociais, 2015. Disponı́vel em:
⟨https://core.ac.uk/download/pdf/230427313.pdf⟩.
GOVERNO DO ESTADO DO RIO DE JANEIRO. Painel de monitoramento

Covid-19. 2022. Acesso em: 22 de janeiro de 2022. Disponı́vel em: ⟨https:
//painel.saude.rj.gov.br/monitoramento/covid19.html⟩.
Referências 71
GUILLARD, A. Elements de Statistique Humaine: Ou Demographie Comparee. [S.l.]:

Kessinger Publishing, 1855.
GUJARATI, D. N.; PORTER, D. C. Econometria básica. 5. ed. [S.l.]: AMGH, 2011.
IBGE. Censo demográfico de 1960. [S.l.], 1960.
IBGE. Projeções da população. Instituto Brasileiro de Geografia e Estatı́stica, 2013.
Acesso em: 29 de janeiro de 2022. Disponı́vel em: ⟨https://www.ibge.gov.br/estatisticas/
sociais/populacao/9109-projecao-da-populacao.html?=&t=resultados⟩.
IBGE. Cidades e estados. Instituto Brasileiro de Geografia e Estatı́stica, 2021. Acesso em:
29 de janeiro de 2022. Disponı́vel em: ⟨https://www.ibge.gov.br/cidades-e-estados/rj⟩.
IBGE. Cidades e estados. Agência IBGE Notı́cias, 27 de agosto de
2021. Acesso em: 30 de agosto de 2021. Disponı́vel em: ⟨https:
//agenciadenoticias.ibge.gov.br/agencia-sala-de-imprensa/2013-agencia-de-noticias/
releases/31461-ibge-divulga-estimativa-da-populacao-dos-municipios-para-2021⟩.
IBGE. Projeção da população do brasil e das unidades da federação. Instituto Brasileiro
de Geografia e Estatı́stica, 2021. Acesso em: 29 de janeiro de 2022. Disponı́vel em:
⟨https://www.ibge.gov.br/apps/populacao/projecao/index.html⟩.
ISTAT. Bilancio demografico. Istituto Nazionale di Statistica, 2021. Acesso em: 18 de
outubro de 2021. Disponı́vel em: ⟨http://demo.istat.it/index e.php⟩.
LADEM. Conheça os fatos que marcaram a história de cada censo demográfico.
Universidade Federal de Juiz de Fora, 21 de outubro de 2019. Acesso em: 30
de agosto de 2021. Disponı́vel em: ⟨https://www.ufjf.br/ladem/2019/10/21/
conheca-os-fatos-que-marcaram-a-historia-de-cada-censo-demografico/⟩.
LINDSEY, J. K. Applying Generalized Linear Models. [S.l.]: Springer, 1996.
LINS, I. et al. Projeção populacional 2013-2020 para a cidade do rio
de janeiro: uma aplicação do método aibi. Coleção Estudos Cario-
cas, 2015. Acesso em: 30 de agosto de 2021. Disponı́vel em: ⟨https:
//portalgeo.rio.rj.gov.br/estudoscariocas/download\%5C3255\ Proje\%C3\%A7\
%C3\%A3oPopulacional2013-2020\ CidadedoRiodeJaeiro\ m\%C3\%A9todoAiBi.pdf⟩.
PREFEITURA MUNICIPAL DE MARICÁ. BOLETIM 397 – 19/01. 2022. Acesso
em: 28 de janeiro de 2022. Disponı́vel em: ⟨https://www.marica.rj.gov.br/2022/01/19/
boletim-397-19-01/⟩.
PREFEITURA MUNICIPAL DE NITERÓI. Experiência de Niterói no com-
bate à Covid-19 é destaque em evento internacional. 2021. Acesso em: 28
de janeiro de 2022. Disponı́vel em: ⟨http://www.niteroi.rj.gov.br/2021/10/05/
experiencia-de-niteroi-no-combate-a-covid-19-e-destaque-em-evento-internacional/#:∼:
text=Durante\%20sua\%20apresenta\%C3\%A7\%C3\%A3o\%2C\%20o\%20prefeito,
aos\%20efeitos\%20da\%20Covid\%2D19.⟩
PREFEITURA MUNICIPAL DE NITERÓI. Acompanhamento dos Casos de
Coronavı́rus (COVID-19). 2022. Acesso em: 22 de janeiro de 2022. Disponı́vel em:
⟨http://www.niteroi.rj.gov.br/painelcovid/⟩.
Referências 72
PREFEITURA MUNICIPAL DE SÃO GONÇALO. São Gonçalo tem pra-

ticamente 70% da população imunizada contra covid-19. 2022. Acesso em:
22 de janeiro de 2022. Disponı́vel em: ⟨https://www.saogoncalo.rj.gov.br/
sao-goncalo-tem-praticamente-70-da-populacao-imunizada-contra-covid-19/⟩.
PREFEITURA MUNICIPAL DO RIO DE JANEIRO. Painel Rio COVID-19. 2022.

Acesso em: 22 de janeiro de 2022. Disponı́vel em: ⟨https://experience.arcgis.com/
experience/38efc69787a346959c931568bd9e2cc4⟩.
R Core Team. R: A Language and Environment for Statistical Computing. Vienna,

Austria, 2014. Disponı́vel em: ⟨http://www.R-project.org/⟩.
REGISTRO CIVIL. Registros. Portal da Transparência, 2021. Acesso em: 30 de agosto

de 2021. Disponı́vel em: ⟨https://transparencia.registrocivil.org.br/registros⟩.
WHO. Listings of who’s response to covid-19. World Health Organization, 29

de junho de 2020. Acesso em: 30 de agosto de 2021. Disponı́vel em: ⟨https:
//www.who.int/news/item/29-06-2020-covidtimeline⟩.
WHO. Who director-general’s opening remarks at the media briefing on covid-19 -

11 march 2020. World Health Organization, 11 de março de 2020. Acesso em: 28 de
janeiro de 2022. Disponı́vel em: ⟨https://www.who.int/director-general/speeches/detail/
who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19---11-march-2020⟩.
WHO. WHO Coronavirus (COVID-19) Dashboard. 2022. Acesso em: 29 de janeiro de

2022. Disponı́vel em: ⟨https://covid19.who.int/⟩.
YONHAP. S. korean population falls for 1st time on record low births. Yonhap News
Agency, 3 de janeiro de 2021. Acesso em: 18 de outubro de 2021. Disponı́vel em:
⟨https://en.yna.co.kr/view/AEN20210103002100315⟩.
73
APÊNDICE 1 -- Resultados de Testes

Box-Cox
Figura 25: Teste Box-Cox para óbitos trimestrais em Maricá

Apêndice A -- Resultados de Testes Box-Cox 74
Figura 26: Teste Box-Cox para nascimentos mensais em Niterói
Figura 27: Teste Box-Cox para nascimentos mensais no Rio de Janeiro

Apêndice A -- Resultados de Testes Box-Cox 75
Figura 28: Teste Box-Cox para nascimentos mensais em São Gonçalo

76
APÊNDICE 2 -- Cálculo das estatı́sticas

descritivas
Aqui serão apresentadas as fórmulas de cálculo da média e dos quartis. Para o cálculo
da média, usa-se: Pn
i=1 Yi
Ȳ = (2.1)
n
Para calcular os quartis é necessário que o conjunto de dados esteja ordenado de

forma crescente. Assim, calcula-se a posição U de cada quartil, a partir do resultado das
seguintes equações:
Para o quartil 1:
UQ1 = 0, 25 · n + 0, 5 (2.2)
Para o quartil 2:
UQ2 = 0, 5 · n + 0, 5 (2.3)
Para o quartil 3:
UQ3 = 0, 75 · n + 0, 5 (2.4)
Se o resultado for inteiro, o valor do quartil é encontrado na posição U. Caso contrário:
Seja a < UQi < b, sendo a e b números presentes na amostra de dados:
O valor do quartil 1 será:
Q1 = a · 0, 75 + b · 0, 25 (2.5)
Apêndice B -- Cálculo das estatı́sticas descritivas 77

a+b
Q2 = (2.6)
2
Q3 = a · 0, 25 + b · 0, 75 (2.7)

Modelos Lineares e Avaliação Do Crescimento

Enviado por

Dados do documento

Descrição 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

Modelos Lineares e Avaliação Do Crescimento

Enviado por

Direitos autorais:

Formatos disponíveis

Pedro Fernando Santos Vieira Fernandes da Silva

Modelos lineares e avaliação do crescimento

Niterói - RJ, Brasil

Pedro Fernando Santos Vieira Fernandes da

Modelos lineares e avaliação do

Trabalho de Conclusão de Curso

Monografia apresentada para obtenção do grau de Bacharel em

Orientador(a): Prof. Dra. Márcia Marques de Carvalho

Niterói - RJ, Brasil

Pedro Fernando Santos Vieira Fernandes da

Modelos lineares e avaliação do crescimento

Monografia de Projeto Final de Graduação sob o tı́tulo “Mode-

Profa. Dra. Márcia Marques de Carvalho

Profa. Dra. Ludmilla da Silva Viana Jacobson

Prof. Dr. Rafael Santos Erbisti

Niterói, 23 de fevereiro de 2022

No ano de 2020, iniciou-se a pandemia de COVID-19 no Brasil e no mundo, o que

Palavras-chave: COVID-19. Modelos lineares generalizados. Crescimento vegetativo.

Dedico este trabalho ao meu primo Rafael Marinho (in memorian).

Agradeço aos professores de escola e faculdade pelos conhecimentos transmitidos. Em

1.1 Crescimento Vegetativo . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 12

1.2 Revisão Bibliográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 15

2.2 Metodologia estatı́stica . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 19

2.2.1 Modelos Lineares Normais . . . . . . . . . . . . . . . . . . . . . p. 19

2.2.1.1 Estimação dos parâmetros . . . . . . . . . . . . . . . . p. 22

2.2.1.2 Verificação dos pressupostos do modelo . . . . . . . . . p. 23

2.2.1.3 Avaliação da qualidade do modelo . . . . . . . . . . . p. 27

2.2.1.4 Inferência no modelo - Testes de hipótese e intervalos de

2.2.2 Modelos Lineares Generalizados (MLGs) . . . . . . . . . . . . . p. 31

2.2.2.1 Avaliação da Qualidade do Modelo . . . . . . . . . . . p. 33

2.2.2.2 Inferência no modelo - Testes de hipótese e intervalos de

3.1 Análise descritiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 35

3.1.1 Nascimentos, óbitos, crescimento natural bruto e população . . p. 35

3.1.3 Dados mensais de óbitos e nascimentos . . . . . . . . . . . . . . p. 50

3.2 Modelos Lineares Normais . . . . . . . . . . . . . . . . . . . . . . . . . p. 54

3.2.1.1 Pressupostos e Seleção dos Modelos . . . . . . . . . . . p. 54

3.2.1.2 Resultados do modelo . . . . . . . . . . . . . . . . . . p. 56

3.2.2.1 Pressupostos e Seleção dos Modelos . . . . . . . . . . . p. 57

3.2.2.2 Resultados do modelo . . . . . . . . . . . . . . . . . . p. 58

3.3 Modelos Lineares Generalizados (MLG) . . . . . . . . . . . . . . . . . . p. 60

3.4 Impacto da pandemia no crescimento vegetativo . . . . . . . . . . . . . p. 64

Apêndice 1 -- Resultados de Testes Box-Cox p. 73

Apêndice 2 -- Cálculo das estatı́sticas descritivas p. 76

1 Distribuição adequada (aleatória) de um gráfico de resı́duos . . . . . . . p. 24

2 Distribuição inadequada (não aleatória) de um gráfico de resı́duos . . . p. 24

5 Exemplo de transformação de Box-Cox . . . . . . . . . . . . . . . . . . p. 27

6 Nascimentos e óbitos no municı́pio de Maricá entre 1996 e 2021, por ano p. 37

7 Nascimentos e óbitos no municı́pio de Niterói entre 1996 e 2021, por ano p. 38

8 Nascimentos e óbitos no municı́pio do Rio de Janeiro entre 1996 e 2021,

9 Nascimentos e óbitos no municı́pio de São Gonçalo entre 1996 e 2021,

10 Nascimentos a cada 1000 habitantes nos municı́pios de análise, entre 1996

11 Óbitos a cada 1000 habitantes nos municı́pios de análise, entre 1996 e

12 Casos de COVID-19 nos municı́pios de análise, por mês, entre março de

13 Óbitos de COVID-19 nos municı́pios de análise, por mês, entre janeiro

14 Percentual de óbitos por COVID-19 dentre os óbitos totais nos municı́pios

15 Taxa de letalidade da COVID-19 nos municı́pios de análise, por mês,

17 Óbitos mensais nos municı́pios de análise, entre janeiro de 1996 e dezem-

18 Nascimentos mensais nos municı́pios de análise, entre janeiro de 1996 e

19 Valores estimados e observados para os óbitos trimestrais no municı́pio de

20 Valores estimados e observados para os nascimentos mensais nos mu-

21 Valores estimados e observados para os óbitos mensais nos modelos MLG p. 61

22 Valores estimados e observados para os nascimentos mensais nos modelos

23 Óbitos mensais observados e previstos, caso não ocorresse a pandemia,

População: Referentes aos anos de 1996 a 2021, são provenientes da Contagem

Nascimentos: Referentes ao perı́odo entre janeiro de 1996 a novembro de 2021,

Óbitos: Referentes ao perı́odo entre janeiro de 1996 a dezembro de 2021, coletados

Casos e óbitos de COVID-19: Referentes ao perı́odo entre janeiro de 1996 a 22

Vacinação: Referentes ao perı́odo entre janeiro de 1996 a 22 de janeiro de 2022,

Modelo para o perı́odo A:

Modelo para o perı́odo B:

β0 e β2 indicam os parâmetros dos interceptos das retas estimadas para os dados do

β1 e β3 indicam os parâmetros de inclinação das retas estimadas para os dados do

t é a variável de tendência linear;

ϵt são os termos de erro aleatório, que devem apresentar distribuição normal de

Yt é a variável resposta, seja nascimentos ou mortes, no perı́odo t;

t é a variável de tendência linear, indicando o perı́odo t;

Ct é a interação entre as variáveis explicativas C e t, cujo valor é o resultado da

β0 e β1 são os parâmetros de intercepto e inclinação da reta respectivamente;

α0 é o coeficiente intercepto diferencial entre dois perı́odos. Quando C for igual a

α1 é o coeficiente inclinação diferencial entre dois perı́odos. Quando C for igual a

Neste trabalho, o perı́odo A (C = 0) se refere ao perı́odo de pandemia de COVID-19,