Portal de Periódicos da CAPES

Modelos de regressão ajustados a dados espaciais de áreas com sementes melhoradas de milho em Moçambique / Regression models fitted to spatial area data which used improved maize seeds in Mozambique

2022; Brazilian Journal of Development; Volume: 8; Issue: 3 Linguagem: Português

10.34117/bjdv8n3-279

2525-8761

Cláudio Francisco Chipenete, Gisela Hélnia Nunes Chipenete, Renato Ribeiro de Lima,

Rural Development and Agriculture

Uma variável regionalizada representada por dados de área é aquela em que as observações possuem uma referência geográfica e provem de regiões como aldeias, localidades, municípios, distritos, províncias ou alguma área delimitada no espaço. Para cada uma dessas regiões, esses dados, em geral, se apresentam na forma de média, taxas, proporções, dentre outras. Geralmente, esses tipos de dados espaciais são denominados simplesmente por dados de área. Em estudos com esse tipo de dado, se o interesse é ajustar modelos de regressão ou outro tipo de modelo, deve-se levar em conta a existência de dependência espacial entre as observações. Nesse caso, modelos clássicos de regressão linear (OLS) podem não ser apropriados. Em tais casos, a opção tem sido o uso de modelos indicados para dados de área, como os autorregressivos de defasagem espacial (SAR) ou de erros espaciais correlacionados (SEM). Neste artigo, o objetivo foi avaliar de forma prática, a qualidade do ajuste desses três modelos: SAR, SEM e OLS. Além disso, foi avaliado o efeito da matriz de ponderação espacial W na qualidade de ajuste, um componente essencial nos dois primeiros modelos. Quanto aos dados, são provenientes de um inquérito agrícola, referente ao uso de sementes melhoradas de milho em Moçambique. Também foi avaliada a contribuição de algumas covariáveis de interesse para os agricultores que utilizam tais sementes. O principal resultado, é que o modelo SAR foi aquele que melhor se ajustou aos dados, seguido do SEM, e por último OLS. Além disso, foi observado que a especificação da matriz W pode influenciar na qualidade do ajuste do modelo.