Escolar Documentos
Profissional Documentos
Cultura Documentos
23 de fevereiro de 2022
Universidade Federal Fluminense
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 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
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 16
1.4 Organização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 17
2 Materiais e Métodos p. 18
2.1 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 18
3.1.2 COVID-19 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 42
3.2.1 Óbitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 54
3.2.2 Nascimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 57
3.3.1 Óbitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 60
3.3.2 Nascimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 62
4 Conclusões p. 67
Referências p. 70
3 QQ-Plot adequado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 25
4 QQ-Plot inadequado . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 26
3 Estatı́sticas descritivas dos óbitos mensais, por perı́odo, entre 2016 e 2021 p. 51
1 Introdução
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.
malthusiana, Marxista e de Condorcet, cada uma dessas com sua própria individualidade,
apresentando diferentes visões de causas e consequências do crescimento populacional.
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
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.
1.3 Objetivos
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:
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.
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:
2.2 Metodologia estatı́stica 20
Nesses modelos:
Este modelo será utilizado nas análises deste trabalho e as variáveis nele apresentam
as seguintes caracterı́sticas:
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;
Notação Matricial
y = Xβ + ϵ (2.6)
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:
2.2 Metodologia estatı́stica 22
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)
eT · e = (y − Xβ)T · (y − Xβ)
eT · e = yT y − 2β T X T y + β T X T Xβ (2.9)
X T y = (X T X)β̂ (2.10)
β̂ = (X T X)−1 (X T y) (2.11)
yT y − β̂X T y
M QE = (2.12)
n−p
ϵi ∼ NMV(0, σ 2 );
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;
Deve haver variações nas variáveis Xi , que também não podem ter colinearidade
exata;
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.
Normalidade
2.2 Metodologia estatı́stica 25
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.
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.
Y (λ) − 1
Y′ = (2.13)
λ
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).
SQE = yT y − β̂ T X T y (2.14)
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.
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.
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
Uma vez que o R2 não leva em consideração a falta de ajuste do modelo e também
2.2 Metodologia estatı́stica 29
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.
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.
Hipóteses:
H0 : β = 0, β não é significativo.
H1 : β ̸= 0, β é significativo.
Estatı́stica de Teste:
β̂
p ∼ tn−p , (2.19)
σˆ2
p
IC(β)(1−α)% = [β̂ ± t 1− α
2
;n−p · σˆ2 ] (2.20)
Hipóteses:
Estatı́stica de Teste:
β̂
q ∼ tn−p , (2.21)
SQE
C
n−p jj
s
SQE
IC(β)(1−α)% = [β̂ ± t1− α2 ;n−p · Cjj ] (2.22)
n−p
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)
η = Xβ (2.24)
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
2.2 Metodologia estatı́stica 32
Função de probabilidade:
e−λ · λy
f (y) = , y = 0, 1, 2... (2.26)
y!
Yi ∼ P oisson(λi ), i = 1, ..., n
Xn n
X n
X
f (y; λ) = exp[ y · log(λ) − λ− log(y!)] (2.28)
Y − λ̂
e= (2.29)
λ̂
2.2 Metodologia estatı́stica 33
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:
y
D = 2[λ̂ − y + y · ln( )] (2.31)
λ̂
Quanto maior o valor da deviance, pior é considerado o ajuste do modelo proposto.
Estatı́stica de Teste:
θ̂
q ∼ N (0, 1) (2.32)
V ar(θ̂)
q
IC(θ; 1 − α) = (θ̂ ± z1− α2 V ar(θ̂)) (2.33)
respectivamente x̄ e nx̄ .
3 Análise de Resultados
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
Neles:
Pn é a população no instante n;
3.1 Análise descritiva 37
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
3.1 Análise descritiva 38
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
3.1 Análise descritiva 39
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.
veio a apresentar valores acima de 60.000, quando apresentou aumento de mais de 15%
em relação ao perı́odo pré-pandemia.
Figura 10: Nascimentos a cada 1000 habitantes nos municı́pios de análise, entre 1996 e
2021, por ano
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
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.
3.1.2 COVID-19
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).
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).
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
3.1 Análise descritiva 43
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
3.1 Análise descritiva 45
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.
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.
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:
3.1 Análise descritiva 47
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.
Figura 15: Taxa de letalidade da COVID-19 nos municı́pios de análise, por mês, entre
março de 2020 e dezembro de 2021
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.
Figura 16: Percentual da população geral vacinada contra COVID-19, por mês, segundo
dose, entre janeiro e dezembro de 2021
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
3.1 Análise descritiva 50
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.
3.1 Análise descritiva 51
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
Nascimentos
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.
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
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.
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.
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.
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.
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 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
Normalidade Homocedasticidade Normalidade Homocedasticidade Normalidade Homocedasticidade Normalidade Homocedasticidade
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
3.2 Modelos Lineares Normais 56
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.
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.
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.
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.
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
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 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
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.
3.3 Modelos Lineares Generalizados (MLG) 61
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.
Figura 21: Valores estimados e observados para os óbitos mensais nos modelos MLG
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.
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.
Figura 22: Valores estimados e observados para os nascimentos mensais nos modelos MLG
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.
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
3.4 Impacto da pandemia no crescimento vegetativo 65
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.
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
3.4 Impacto da pandemia no crescimento vegetativo 66
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%
Nascimentos - Óbitos
Crescimento Vegetativo = (3.2)
População
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.
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
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.
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.
Referências
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⟩.
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
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 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)
Q1 = a · 0, 75 + b · 0, 25 (2.5)
Apêndice B -- Cálculo das estatı́sticas descritivas 77
Q3 = a · 0, 25 + b · 0, 75 (2.7)